diff --git a/translations/et/.co-op-translator.json b/translations/et/.co-op-translator.json new file mode 100644 index 00000000..788cbdd2 --- /dev/null +++ b/translations/et/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-10-11T11:12:59+00:00", + "source_file": "AGENTS.md", + "language_code": "et" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T02:54:55+00:00", + "source_file": "README.md", + "language_code": "et" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-10-11T11:16:43+00:00", + "source_file": "SECURITY.md", + "language_code": "et" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-10-11T11:52:06+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "et" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-10-11T11:50:41+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "et" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-10-11T11:51:28+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "et" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-10-11T11:51:54+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "et" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-10-11T11:50:59+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "et" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-10-11T11:52:25+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "et" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-10-11T11:17:05+00:00", + "source_file": "examples/README.md", + "language_code": "et" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-10-11T11:34:40+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "et" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-16T07:25:31+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "et" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T20:33:51+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "et" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-18T22:20:29+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "et" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-18T22:21:42+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "et" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-16T07:25:52+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "et" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-10-11T11:37:42+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-10-11T11:31:34+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-10-11T11:31:57+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-10-11T11:30:37+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-10-11T11:31:04+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-10-11T11:32:35+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-10-11T11:33:06+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "et" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-10-11T11:30:01+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-10-11T11:18:09+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-10-11T11:18:45+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-10-11T11:25:35+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-10-11T11:26:10+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-10-11T11:26:33+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-10-11T11:20:09+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-10-11T11:21:21+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-10-11T11:21:56+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-10-11T11:24:53+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-10-11T11:19:22+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-10-11T11:23:28+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-10-11T11:24:12+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-10-11T11:22:22+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-10-11T11:22:47+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "et" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-10-11T11:17:30+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "et" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-10-11T11:41:12+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "et" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-10-11T11:41:38+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "et" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-10-11T11:40:21+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "et" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-10-11T11:40:44+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "et" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-10-11T11:42:54+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "et" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-10-11T11:43:13+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "et" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-10-11T11:45:16+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "et" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-10-11T11:45:47+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "et" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-10-11T11:43:42+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "et" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-10-11T11:44:07+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "et" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-10-11T11:39:25+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "et" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-10-11T11:39:55+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "et" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-10-11T11:42:01+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "et" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-10-11T11:42:29+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "et" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-10-11T11:44:32+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "et" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-10-11T11:38:36+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "et" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-10-11T11:48:39+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "et" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-10-11T11:47:44+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "et" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-10-11T11:48:16+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "et" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-10-11T11:46:31+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "et" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-10-11T11:47:12+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "et" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-10-11T11:34:16+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "et" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-10-11T11:17:20+00:00", + "source_file": "lessons/README.md", + "language_code": "et" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-10-11T11:33:36+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "et" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-10-11T11:28:36+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "et" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-10-11T11:29:39+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "et" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-10-11T11:16:09+00:00", + "source_file": "troubleshoot.md", + "language_code": "et" + } +} \ No newline at end of file diff --git a/translations/et/AGENTS.md b/translations/et/AGENTS.md index 3b742637..f1aacfd2 100644 --- a/translations/et/AGENTS.md +++ b/translations/et/AGENTS.md @@ -1,12 +1,3 @@ - # AGENTS.md ## Projekti ülevaade diff --git a/translations/et/README.md b/translations/et/README.md index 45cbb1f4..436dde3e 100644 --- a/translations/et/README.md +++ b/translations/et/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -21,207 +12,208 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# Tehisintellekt algajatele - õppekava +# Tehisintellekt algajatele – õppekava -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/et/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/et/ai-overview.0857791951d19500.webp)| |:---:| -| Tehisintellekt algajatele - _Sketchnote autor [@girlie_mac](https://twitter.com/girlie_mac)_ | +| AI algajatele - _Sketchnote autorilt [@girlie_mac](https://twitter.com/girlie_mac)_ | -Avasta **Tehisintellekti** (AI) maailm meie 12-nädalase, 24-õpetunni õppekavaga! See sisaldab praktilisi tunde, viktoriine ja laboritöid. Õppekava on algajasõbralik ja käsitleb tööriistu nagu TensorFlow ja PyTorch ning ka tehisintellekti eetikat. +Avasta **tehisintellekti** (AI) maailm meie 12-nädalase ja 24-õppega õppekavaga! See hõlmab praktilisi tunde, teste ja laboritöid. Õppekava on algajasõbralik ja katab tööriistu nagu TensorFlow ja PyTorch ning ka AI eetikat. ### 🌐 Mitmekeelne tugi -#### Toetatud GitHub Actioni kaudu (automatiseeritud ja alati ajakohane) +#### Toetatud Github Actioni kaudu (automaatne ja alati ajakohane) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](./README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](./README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **Eelistad kloonimist lokaalselt?** +> **Eelista kloonimist kohalikult?** -> See hoidla sisaldab üle 50 keele tõlkeid, mis suurendab oluliselt allalaaditava faili suurust. Tõlgeteta kloonimiseks kasuta sparse checkout funktsiooni: +> See hoidla sisaldab 50+ keele tõlkeid, mis suurendab oluliselt allalaaditava faili suurust. Kui soovid kloonida ilma tõlgeteta, kasuta sparse checkouti: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> See annab sulle kõik vajaliku kursuse lõpetamiseks palju kiiremalt. +> See annab sulle kõik vajaliku kursuse läbimiseks palju kiiremalt. -**Kui soovid, et toetataks täiendavaid tõlkekeeli, siis need on loetletud [siin](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**Kui soovid lisaks toetada tõlkeid, on toetatud keeled loetletud [siin](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** ## Liitu kogukonnaga [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -## Mida sa õpib +## Mida sa õpid **[Kursuse mõttekaart](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** Selles õppekavas õpid: -* Erinevaid tehisintellekti lähenemisi, sealhulgas "head vananenud" sümboolset lähenemist koos **Teadmiste representeerimise** ja loogikaga ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Närvivõrke** ja **Sügavat õpet**, mis on kaasaegse AI tuum. Selgitame nende oluliste teemade taga olevaid kontseptsioone koodinäidete abil kahes populaarsemas raamistikus - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org). -* **Närviarhitektuure** piltide ja teksti töötlemiseks. Käsitleme uuemaid mudeleid, kuid võib-olla mitte täiesti uusimaid. -* Vähem populaarsed AI lähenemised, nagu **Geneetilised algoritmid** ja **Mitmeagendilised süsteemid**. +* Erinevaid tehisintellekti lähenemisi, kaasa arvatud „hea vana“ sümboolse lähenemise koos **teadmiste esitamise** ja järeldamisega ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Neuraalvõrgud** ja **sügavõpe**, mis on moodsa AI tuum. Selgitame nende oluliste teemade kontseptsioone kasutades kahe populaarse raamistiku koodi - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org). +* **Neuraalarhitektuurid** piltide ja teksti töötlemiseks. Katame hiljutisi mudeleid, ent võime olla veidi maas tipptasemel teaduslikust arengust. +* Vähem levinud AI lähenemised, nagu **geneetilised algoritmid** ja **mitmeagendilised süsteemid**. -Mida me selles õppekavas ei käsitle: +Mida me selles õppekavas ei kata: -> [Leia kõik täiendavad selle kursuse ressursid meie Microsoft Learn'i kogumis](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [Leia kõik selle kursuse lisamaterjalid meie Microsoft Learni kogumikust](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Ärilised juhtumid **AI kasutamiseks äris**. Mõtle võtta [Sissejuhatus tehisintellekti jaoks ärikasutajatele](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) õppeteek Microsoft Learn'is või [AI ärikool](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), mis on välja töötatud koostöös [INSEAD](https://www.insead.edu/) organisatsiooniga. -* **Klassikaline masinõpe**, mis on põhjalikult kirjeldatud meie [Algajate masinõppe õppekavas](http://github.com/Microsoft/ML-for-Beginners). -* Praktilised tehisintellekti rakendused, mis on ehitatud kasutades **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Soovitame alustada Microsoft Learni moodulitest [nägemi](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [loomuliku keele töötlemise](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatiivse AI-ga Azure OpenAI Teenuse kaudu](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ja teised. -* Spetsiifilised ML **pilverahastused**, nagu [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) või [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Võiksid kaaluda [Masinõppe lahenduste loomist ja kasutamist Azure Machine Learninguga](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ja [Masinõppe lahenduste loomist ja kasutamist Azure Databricksuga](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) õppeteid. -* **Vestlev AI** ja **vestlusbotid**. Selleks on olemas eraldi [Loo vestlusAI lahendusi](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) õppeteek ning saad lisaks vaadata [seda blogipostitust](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) detailsemalt. -* **Sügav matemaatika** sügava õppe taga. Selleks soovitame [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) raamatut autoritelt Ian Goodfellow, Yoshua Bengio ja Aaron Courville, mis on ka saadaval veebis aadressil [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Ärilisi juhtumeid AI kasutusest ettevõtluses. Kaalu [Sissejuhatust AI-sse ärikasutajatele](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) Microsoft Learni õppeteel või [AI ärikooli](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), mille on loonud koostöös [INSEAD](https://www.insead.edu/). +* **Klassikalist masinõpet**, mis on hästi kaetud meie [Algajate masinõppe õppekavas](http://github.com/Microsoft/ML-for-Beginners). +* Praktilisi AI rakendusi, mis põhinevad **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** teenustel. Soovitame alustada Microsoft Learni moodulitest [nägemine](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [loomulik keel](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatiivne AI Azure OpenAI teenusega](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ja teised. +* Spetsiifilisi pilvepõhiseid ML raamistikke, nagu [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) või [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Soovitame kasutada õppeteid [Masinõpperakenduste loomine ja haldamine Azure Machine Learninguga](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ja [Masinõpperakenduste loomine ja haldamine Azure Databricksi abil](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum). +* **Vestlusliku AI** ja **vestlusrobotite** teemasid. Selleks on eraldi [Vestluslike AI lahenduste loomine](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) õpperada ning võid vaadata ka [seda blogipostitust](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) lisainfo saamiseks. +* **Sügavas matemaatikas** sügava õppimise taga. Soovitame selleks [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) raamatut, autoriteks Ian Goodfellow, Yoshua Bengio ja Aaron Courville, mis on samuti saadaval veebis aadressil [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -Õrnema sissejuhatuse saamiseks _pilvetehisintellekti_ teemadesse võid kaaluda [Alustamist tehisintellektiga Azure'is](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) õppeteed. +Õrnemaks sissejuhatuseks _AI pilves_ teemadesse võid kaaluda [Alustamist tehisintellektiga Azure'is](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) õppeteel läbimist. # Sisu -| | õppetunni link | PyTorch/Keras/TensorFlow | Labor | +| | Õpetuse link | PyTorch/Keras/TensorFlow | Labor | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [Kursuse seadistus](./lessons/0-course-setup/setup.md) | [Arenduskeskkonna seadistamine](./lessons/0-course-setup/how-to-run.md) | | -| I | [**Sissejuhatus AI-sse**](./lessons/1-Intro/README.md) | | | -| 01 | [AI sissejuhatus ja ajalugu](./lessons/1-Intro/README.md) | - | - | +| 0 | [Kursuse seadistamine](./lessons/0-course-setup/setup.md) | [Arenduskeskkonna seadistamine](./lessons/0-course-setup/how-to-run.md) | | +| I | [**Intro tehisintellekti**](./lessons/1-Intro/README.md) | | | +| 01 | [Intro ja tehisintellekti ajalugu](./lessons/1-Intro/README.md) | - | - | | II | **Sümboolne AI** | -| 02 | [Teadmiste representeerimine ja ekspertsüsteemid](./lessons/2-Symbolic/README.md) | [Ekspertsüsteemid](./lessons/2-Symbolic/Animals.ipynb) / [Ontoloogia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Kontseptsioonigraafik](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 02 | [Teadmiste esitamine ja ekspert süsteemid](./lessons/2-Symbolic/README.md) | [Ekspertsüsteemid](./lessons/2-Symbolic/Animals.ipynb) / [Ontoloogia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Kontseptsioonide graaf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**Sissejuhatus närvivõrkudesse**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Mitmekihiline percetron ja oma raamistik](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [Sissejuhatus raamistikesse (PyTorch/TensorFlow) ja üleõppimine](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**Arvutinägemine**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Uuri arvutinägemist Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [Sissejuhatus arvutinägemisse. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [Konvolutsioonilised närvivõrgud](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN arhitektuurid](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [Eeltreenitud võrgud ja teadmiste ülekandmine](./lessons/4-ComputerVision/08-TransferLearning/README.md) ja [Treeningtrikid](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [Automaatkodeerijad ja VAE-d](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [Generatiivsed vastanduvad võrgud & Kunstilise stiili ülekandmine](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [Objektituvastus](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Märkmik](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labor](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [Mitmikkihtne perceptron ja oma raamistikuga alustamine](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Märkmik](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [Raamistike sissejuhatus (PyTorch/TensorFlow) ja üleõppimine](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**Arvutinägemine**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Avasta arvutivisiooni Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [Sissejuhatus arvutinägemisse. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Märkmik](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labor](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [Konvolutsioonilised närvivõrgud](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN arhitektuurid](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [Eeltreenitud võrgud ja ülekandeõpe](./lessons/4-ComputerVision/08-TransferLearning/README.md) ja [Treeningtrikid](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [Autoenkoodrid ja VAEd](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [Generatiivsed vastandvõrgustikud ja kunstiline stiiliohutus](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [Objektituvastus](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labor](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [Semantiline segmentimine. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | -| V | [**Loodusliku keele töötlemine**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Uuri loodusliku keele töötlemist Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [Teksti representatsioon. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | -| 14 | [Semantilised sõna manused. Word2Vec ja GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [Keelemudelid. Oma manuste treenimine](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [Korduvad närvivõrgud](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | -| 17 | [Generatiivsed korduvad võrgud](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| V | [**Loodusliku keele töötlemine**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Avasta loodusliku keele töötlemist Microsoft Azure'is](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 13 | [Teksti esitlus. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | +| 14 | [Semantilised sõna pesaesitused. Word2Vec ja GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [Keelemudelid. Oma pesaesituste treenimine](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Labor](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [Tagasikorduvad närvivõrgud](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | +| 17 | [Generatiivsed tagasikorduvad võrgud](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [Nimetatud üksuste tuvastamine](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [Suuured keelemudelid, promptide programmeerimine ja vähese andmestikuga ülesanded](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 19 | [Nimetatud üksuste äratundmine](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [Suured keelemudelid, ülesannete programmeerimine ja vähese andmemahuga ülesanded](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **Muud tehisintellekti tehnikad** || | -| 21 | [Geneetilised algoritmid](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [Sügav tugevdatud õpe](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 21 | [Geneetilised algoritmid](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Märkmik](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [Sügav tugevdusõpe](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) | | 23 | [Mitmeagendilised süsteemid](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **Tehisintellekti eetika** | | | -| 24 | [Eetika ja vastutustundlik tehisintellekt](./lessons/7-Ethics/README.md) | [Microsoft Learn: Vastutustundliku tehisintellekti põhimõtted](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 24 | [Tehisintellekti eetika ja vastutustundlik AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Vastutustundliku AI põhimõtted](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **Lisad** | | | -| 25 | [Mitme-modaliga võrgud, CLIP ja VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 25 | [Mitmemodaalvõrgud, CLIP ja VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Märkmik](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## Iga õppetund sisaldab +## Igas õppetükis on -* Eelnev lugemismaterjal -* Käivitatavad Jupyteri märkmikud, mis on tihti spetsiifilised raamistikule (**PyTorch** või **TensorFlow**). Käivitatav märkmik sisaldab ka palju teoreetilist materjali, nii et teema mõistmiseks tuleb läbi töötada vähemalt üks märkmiku versioon (kas PyTorch või TensorFlow). -* Mõne teema jaoks on saadaval **Laborid**, mis annavad sulle võimaluse proovida õpitut rakendada konkreetsele probleemile. -* Mõned osad sisaldavad linke [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moodulitesse, mis käsitlevad seotud teemasid. +* Eelnevalt loetav materjal +* Teostatavad Jupyteri märkmikud, mis on tihti spetsiifilised raamistikule (**PyTorch** või **TensorFlow**). Teostatav märkmik sisaldab ka palju teoreetilist materjali, seega teema mõistmiseks tuleb läbida vähemalt üks versioon märkmikust (või PyTorch või TensorFlow). +* Mõne teema puhul on saadaval **laborid**, mis annavad võimaluse proovida õpitut rakendada konkreetsele probleemile. +* Mõned lõigud sisaldavad linke [**MS Lehti**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moodulitele, mis käsitlevad seotud teemasid. ## Alustamine -### 🎯 Oled tehisintellektiga uus? Alusta siit! +### 🎯 Uus AI-s? Alusta siit! -Kui oled tehisintellektiga täiesti uus ja soovid kiireid, praktilisi näiteid, vaata meie [**Algajatele mõeldud näited**](./examples/README.md)! Need sisaldavad: +Kui oled täiesti uus AI maailmas ja soovid kiireid praktilisi näiteid, vaata meie [**Algajale sõbralikud näited**](./examples/README.md)! Nende hulka kuuluvad: -- 🌟 **Tere tulemast, AI maailm** - Sinu esimene tehisintellekti programm (mustriloendus) -- 🧠 **Lihtne närvivõrk** - Ehita närvivõrk nullist -- 🖼️ **Pildiklassifikaator** - Klassifitseeri pilte põhjalike kommentaaridega -- 💬 **Teksti sentiment** - Anadüüsi positiivset/negatiivset teksti +- 🌟 **Tere tulemast AI maailma** – Sinu esimene tehisintellekti programm (mustrimuster tunnustus) +- 🧠 **Lihtne närvivõrk** – Ehita närvivõrk nullist -Need näited on loodud selleks, et aidata teil mõista tehisintellekti kontseptsioone enne täielikku õppekava läbimist. +- 🖼️ **Pildiklassifikaator** - Pildista pilte üksikasjalike kommentaaridega +- 💬 **Teksti meeleolu** - Analüüsi positiivset/negatiivset teksti + +Need näited on mõeldud aitamaks sul mõista tehisintellekti (AI) kontseptsioone enne kogu õppekava läbimist. ### 📚 Täieliku õppekava seadistamine -- Oleme loonud [seadistuse tunni](./lessons/0-course-setup/setup.md), et aidata teil arenduskeskkonda seadistada. - Õpetajatele oleme loonud ka [õppekava seadistuse tunni](./lessons/0-course-setup/for-teachers.md)! -- Kuidas [koodi käivitada VSCode’is või Codespaces](./lessons/0-course-setup/how-to-run.md) +- Oleme loonud [seadistustunni](./lessons/0-course-setup/setup.md), mis aitab sul oma arenduskeskkonda seadistada. - Õpetajatele oleme loonud ka [õppekava seadistustunni](./lessons/0-course-setup/for-teachers.md)! +- Kuidas [käivitada koodi VSCode-is või Codespace’is](./lessons/0-course-setup/how-to-run.md) -Järgige neid samme: +Järgi neid samme: -Varu repository: Klõpsake selle lehe paremas ülanurgas nuppu "Fork". +Repositooriumi forkimine: Klõpsa selle lehe paremas ülanurgas nuppu "Fork". -Klooni repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` +Repositooriumi kloonimine: `git clone https://github.com/microsoft/AI-For-Beginners.git` -Ärge unustage sellele reposiidile tärni (🌟) panna, et hiljem seda lihtsam üles leida. +Ära unusta seda reposid tärnida (🌟), et seda hiljem lihtsamini leida. -## Tutvuge teiste õppijatega +## Kohtumine teiste õppijatega -Liituge meie [ametliku AI Discordi serveriga](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), et kohtuda ja suhelda teiste selle kursuse õppijatega ning saada tuge. +Liitu meie ametliku [AI Discordi serveriga](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), et kohtuda ja suhelda teiste selle kursuse õppijatega ning saada tuge. -Kui teil on toote tagasisidet või küsimusi ehitamise ajal, külastage meie [Azure AI Foundry arendajate foorumit](https://aka.ms/foundry/forum) +Kui sul on toodet puudutavaid kommentaare või küsimusi ehitamise ajal, külasta meie [Azure AI Foundry arendajate foorumit](https://aka.ms/foundry/forum) -## Testid +## Testid -> **Märkus testide kohta**: Kõik testid asuvad kaustas Quiz-app teekonnal etc\quiz-app või [Veebi kaudu siin](https://ff-quizzes.netlify.app/) Need on lingitud õppetundide sees; testi rakendust saab käivitada lokaalselt või paigaldada Azure’i; järgige juhiseid `quiz-app` kaustas. Neid kohandatakse järk-järgult erinevatele keeleversioonidele. +> **Märkus testide kohta**: Kõik testid asuvad Quiz-app kaustas aadressil etc\quiz-app või [veebis siin](https://ff-quizzes.netlify.app/). Neile viidatakse tundides, testirakendust saab käivitada lokaalselt või paigaldada Azuresse; järgi juhiseid `quiz-app` kaustas. Need on järk-järgult lokaliseeritud. -## Otsime abi +## Abi soovitud -Kas teil on ettepanekuid või olete leidnud õigekirja- või koodivigu? Tõstke esile probleem või looge tõmbepäring. +Kas sul on ettepanekuid või leidsid kirjavigu või koodivigu? Esita probleem või loo pull request. -## Eriti suur tänu +## Eriline tänu -* **✍️ Peaautor:** [Dmitry Soshnikov](http://soshnikov.com), PhD +* **✍️ Peamine autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 Toimetaja:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 Sketšinote illustraator:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ Testide autor:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 Põhikontribuudid:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **🎨 Sketchnote illustraator:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **✅ Testide looja:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 Põhijõud:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## Muud õppekavad -Meie meeskond toodab ka teisi õppekavu! Vaadake: +Meie tiim toodab ka teisi õppekavu! Vaata neid: ### LangChain -[![LangChain4j algajatele](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js algajatele](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agentid -[![AZD algajatele](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI algajatele](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP algajatele](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI agentid algajatele](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Agendid +[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- - -### Generatiivne tehisintellekt seeria -[![Generatiivne AI algajatele](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generatiivne AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generatiivne AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generatiivne AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) + +### Generatiivse tehisintellekti sari +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- - -### Põhijõudude õppimine -[![Masinõpe algajatele](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Andmeteadus algajatele](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI algajatele](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Küberjulgeolek algajatele](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Veebiarendus algajatele](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT algajatele](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR arendus algajatele](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) + +### Põhiõpe +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- - -### Copilot seeria -[![Copilot AI paar-programmeerimiseks](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot C#/.NET jaoks](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot seiklus](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) + +### Copilot sari +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Abi saamine -Kui teil jääb midagi arusaamatuks või teil on AI rakenduste loomise kohta küsimusi, liituge teiste õppijate ja kogenud arendajatega MCP teemal aruteludes. See on toetav kogukond, kus küsimusi julgesti esitada ja teadmisi vabalt jagada. +Kui sa jääd hätta või sul on küsimusi AI rakenduste ehitamise kohta, liitu kaasõppijate ja kogenud arendajatega MCP teemalises arutelus. See on toetav kogukond, kus küsimused on teretulnud ja teadmisi jagatakse vabalt. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Kui teil on kestvatoote tagasisidet või veateateid, külastage: +Kui sul on toodet puudutavaid kommentaare või vigasid ehitamise käigus, külasta: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -229,5 +221,5 @@ Kui teil on kestvatoote tagasisidet või veateateid, külastage: **Vastutusest loobumine**: -See dokument on tõlgitud kasutades tehisintellektil põhinevat tõlketeenust [Co-op Translator](https://github.com/Azure/co-op-translator). Kuigi püüame täpsust, olge teadlikud, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument oma emakeeles tuleb pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti mõistmiste eest. +See dokument on tõlgitud AI tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi püüame täpsust, palun arvestage, et automatiseeritud tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokument tema algkeeles tuleks pidada autoriteetseks allikaks. Kriitilise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta mis tahes arusaamatuste ega valesti mõistmiste eest, mis võivad tekkida selle tõlke kasutamisest. \ No newline at end of file diff --git a/translations/et/SECURITY.md b/translations/et/SECURITY.md index 680d2455..92612541 100644 --- a/translations/et/SECURITY.md +++ b/translations/et/SECURITY.md @@ -1,12 +1,3 @@ - ## Turvalisus diff --git a/translations/et/etc/CODE_OF_CONDUCT.md b/translations/et/etc/CODE_OF_CONDUCT.md index ccce8404..c9eb0b4a 100644 --- a/translations/et/etc/CODE_OF_CONDUCT.md +++ b/translations/et/etc/CODE_OF_CONDUCT.md @@ -1,12 +1,3 @@ - # Microsofti avatud lähtekoodi käitumisjuhend See projekt on omaks võtnud [Microsofti avatud lähtekoodi käitumisjuhendi](https://opensource.microsoft.com/codeofconduct/). diff --git a/translations/et/etc/CONTRIBUTING.md b/translations/et/etc/CONTRIBUTING.md index e56953b2..92b85c21 100644 --- a/translations/et/etc/CONTRIBUTING.md +++ b/translations/et/etc/CONTRIBUTING.md @@ -1,12 +1,3 @@ - # Kaastöö tegemine See projekt ootab kaastöid ja ettepanekuid. Enamik kaastöid nõuab, et nõustuksite Kaastöö Litsentsilepinguga (CLA), mis kinnitab, et teil on õigus ja te tegelikult annate meile õiguse teie panust kasutada. Lisateabe saamiseks külastage https://cla.microsoft.com. diff --git a/translations/et/etc/Mindmap.md b/translations/et/etc/Mindmap.md index 703e8f95..97a5218d 100644 --- a/translations/et/etc/Mindmap.md +++ b/translations/et/etc/Mindmap.md @@ -1,12 +1,3 @@ - # AI ## [Sissejuhatus tehisintellekti](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) diff --git a/translations/et/etc/SUPPORT.md b/translations/et/etc/SUPPORT.md index 442eaba6..120d7b51 100644 --- a/translations/et/etc/SUPPORT.md +++ b/translations/et/etc/SUPPORT.md @@ -1,12 +1,3 @@ - # Tugi ## Kuidas esitada probleeme ja saada abi diff --git a/translations/et/etc/TRANSLATIONS.md b/translations/et/etc/TRANSLATIONS.md index de5523ae..9f1fb4be 100644 --- a/translations/et/etc/TRANSLATIONS.md +++ b/translations/et/etc/TRANSLATIONS.md @@ -1,12 +1,3 @@ - # Panusta tundide tõlkimisega Ootame selle õppekava tundide tõlkeid! diff --git a/translations/et/etc/quiz-app/README.md b/translations/et/etc/quiz-app/README.md index 2abb43e9..0ab4bebf 100644 --- a/translations/et/etc/quiz-app/README.md +++ b/translations/et/etc/quiz-app/README.md @@ -1,12 +1,3 @@ - # Viktoriinid Need viktoriinid on tehisintellekti õppekava eel- ja järeltestid aadressil https://aka.ms/ai-beginners diff --git a/translations/et/examples/README.md b/translations/et/examples/README.md index 34d57988..96d774f7 100644 --- a/translations/et/examples/README.md +++ b/translations/et/examples/README.md @@ -1,12 +1,3 @@ - # Algajatele sobivad tehisintellekti näited Tere tulemast! See kataloog sisaldab lihtsaid ja iseseisvaid näiteid, mis aitavad sul alustada tehisintellekti ja masinõppega. Iga näide on loodud algajasõbralikuks, sisaldades üksikasjalikke kommentaare ja samm-sammulisi selgitusi. diff --git a/translations/et/lessons/0-course-setup/for-teachers.md b/translations/et/lessons/0-course-setup/for-teachers.md index 5062dddb..7c5be03e 100644 --- a/translations/et/lessons/0-course-setup/for-teachers.md +++ b/translations/et/lessons/0-course-setup/for-teachers.md @@ -1,12 +1,3 @@ - # Õpetajatele Kas soovite seda õppekava oma klassis kasutada? Palun tehke seda julgelt! diff --git a/translations/et/lessons/0-course-setup/how-to-run.md b/translations/et/lessons/0-course-setup/how-to-run.md index 2e763815..412bf8d9 100644 --- a/translations/et/lessons/0-course-setup/how-to-run.md +++ b/translations/et/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # Kuidas Koodi Käivitada See õppekava sisaldab palju täidetavaid näiteid ja töötoad, mida soovite jooksutada. Selleks peate saama käivitada Python koodi Jupyter märkmikes, mis on selle õppekava osana esitatud. Koodi käivitamiseks on teil mitu võimalust: diff --git a/translations/et/lessons/0-course-setup/setup.md b/translations/et/lessons/0-course-setup/setup.md index 8904b8d3..40180b9c 100644 --- a/translations/et/lessons/0-course-setup/setup.md +++ b/translations/et/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # Alustamine selle õppekavaga ## Kas oled õpilane? diff --git a/translations/et/lessons/1-Intro/README.md b/translations/et/lessons/1-Intro/README.md index c9b222b2..8fbe0db1 100644 --- a/translations/et/lessons/1-Intro/README.md +++ b/translations/et/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # Sissejuhatus tehisintellekti ![Sissejuhatuse kokkuvõte tehisintellekti teemal doodle'is](../../../../translated_images/et/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/et/lessons/1-Intro/assignment.md b/translations/et/lessons/1-Intro/assignment.md index 75a94834..1e92be7f 100644 --- a/translations/et/lessons/1-Intro/assignment.md +++ b/translations/et/lessons/1-Intro/assignment.md @@ -1,12 +1,3 @@ - # Mängu Jam Mängud on valdkond, mida on tugevalt mõjutanud tehisintellekti ja masinõppe areng. Selles ülesandes kirjuta lühike essee mängust, mis sulle meeldib ja mida on mõjutanud tehisintellekti areng. See peaks olema piisavalt vana mäng, et seda oleks mõjutanud mitut tüüpi arvutitöötlussüsteemid. Hea näide on male või Go, aga vaata ka videomänge nagu Pong või Pac-Man. Kirjuta essee, mis käsitleb mängu minevikku, olevikku ja tehisintellekti tulevikku. diff --git a/translations/et/lessons/2-Symbolic/README.md b/translations/et/lessons/2-Symbolic/README.md index 904df6da..a1f75db9 100644 --- a/translations/et/lessons/2-Symbolic/README.md +++ b/translations/et/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # Teadmus Representatsioon ja Ekspertsüsteemid -![Sümboolse tehisintellekti sisu kokkuvõte](../../../../../../translated_images/et/ai-symbolic.715a30cb610411a6.webp) +![Sümboolse tehisintellekti sisu kokkuvõte](../../../../translated_images/et/ai-symbolic.715a30cb610411a6.webp) > Sketchnote autor [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +32,7 @@ Tihti ei defineerita teadmust täpselt, vaid kooskõlastatakse see teiste seotud Seega seisneb **teadmiste representatsiooni** probleem selles, et leida mõni tõhus viis teadmiste esindamiseks arvutis andmete kujul, et neid saaks automaatselt kasutada. Seda võib vaadelda spektrina: -![Teadmiste representatsiooni spekter](../../../../../../translated_images/et/knowledge-spectrum.b60df631852c0217.webp) +![Teadmiste representatsiooni spekter](../../../../translated_images/et/knowledge-spectrum.b60df631852c0217.webp) > Pilt autor Dmitry Soshnikov [http://soshnikov.com](http://soshnikov.com) @@ -94,7 +85,7 @@ Ploki Süntaks | Taandumine | | | Üks sümboolse tehisintellekti varajasi edusamme olid nn **ekspertsüsteemid** — arvutisüsteemid, mis olid loodud käituma nagu ekspert kitsas probleemivaldkonnas. Need põhinesid **teadmistebaasil**, mis oli kogutud ühelt või mitmelt inimeselt, ja sisaldasid **järeldusmootorit**, mis teostas järeldamist selle põhjal. -![Inimese arhitektuur](../../../../../../translated_images/et/arch-human.5d4d35f1bba3ab1c.webp) | ![Teadmistepõhise süsteemi arhitektuur](../../../../../../translated_images/et/arch-kbs.3ec5c150b09fa8da.webp) +![Inimese arhitektuur](../../../../translated_images/et/arch-human.5d4d35f1bba3ab1c.webp) | ![Teadmistepõhise süsteemi arhitektuur](../../../../translated_images/et/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ Inimese närvisüsteemi lihtsustatud struktuur | Teadmistepõhise süsteemi arhitektuur @@ -106,7 +97,7 @@ Ekspertsüsteemid on üles ehitatud inimese mõtlemise süsteemile sarnaselt, mi Näiteks oluline ekspert­süsteemi näide on looma määramine füüsiliste omaduste põhjal: -![JA-VÕI puu](../../../../../../translated_images/et/AND-OR-Tree.5592d2c70187f283.webp) +![JA-VÕI puu](../../../../translated_images/et/AND-OR-Tree.5592d2c70187f283.webp) > Pilt autor Dmitry Soshnikov [http://soshnikov.com](http://soshnikov.com) diff --git a/translations/et/lessons/2-Symbolic/assignment.md b/translations/et/lessons/2-Symbolic/assignment.md index 7e2f98bb..3650e457 100644 --- a/translations/et/lessons/2-Symbolic/assignment.md +++ b/translations/et/lessons/2-Symbolic/assignment.md @@ -1,12 +1,3 @@ - # Loo ontoloogia Teadmistebaasi loomine seisneb mudeli kategoriseerimises, mis esindab fakte mingi teema kohta. Vali teema - näiteks inimene, koht või asi - ja loo selle teema mudel. Kasuta mõningaid selles õppetükis kirjeldatud tehnikaid ja mudeli loomise strateegiaid. Näiteks võiks luua elutoa ontoloogia, kus on mööbel, valgustid jne. Kuidas erineb elutuba köögist? Vannitoast? Kuidas sa tead, et tegemist on elutoaga, mitte söögitoaga? Kasuta ontoloogia loomiseks [Protégé](https://protege.stanford.edu/). diff --git a/translations/et/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/et/lessons/3-NeuralNetworks/03-Perceptron/README.md index 439ff005..de9a06e2 100644 --- a/translations/et/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/et/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # Sissejuhatus tehisnärvivõrkudesse: Perceptron ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/5) diff --git a/translations/et/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/et/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index 14dc4d00..d385a252 100644 --- a/translations/et/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/et/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,12 +1,3 @@ - # Mitmeklassiline klassifikatsioon perceptroniga Laboriülesanne [AI algajatele õppekavast](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 15d29dac..baab58a0 100644 --- a/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # Sissejuhatus tehisnärvivõrkudesse. Mitmekihiline perceptron Eelmises osas õppisite tundma kõige lihtsamat tehisnärvivõrgu mudelit – ühekihilist perceptronit, mis on lineaarne kahe klassi klassifitseerimise mudel. diff --git a/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index cf19c248..0d757c6e 100644 --- a/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/et/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,12 +1,3 @@ - # MNIST klassifikatsioon meie enda raamistikuga Laboriülesanne [AI algajatele õppekavast](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/et/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/et/lessons/3-NeuralNetworks/05-Frameworks/README.md index 64cb4bb3..64f95bda 100644 --- a/translations/et/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/et/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # Neuraalvõrkude raamistikud Nagu me juba õppinud oleme, on neuraalvõrkude tõhusaks treenimiseks vaja teha kahte asja: diff --git a/translations/et/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/et/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index 5512db0a..de5449ac 100644 --- a/translations/et/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/et/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,12 +1,3 @@ - # Klassifikatsioon PyTorch/TensorFlow abil Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) materjalidest. diff --git a/translations/et/lessons/3-NeuralNetworks/README.md b/translations/et/lessons/3-NeuralNetworks/README.md index 0652c032..c27886aa 100644 --- a/translations/et/lessons/3-NeuralNetworks/README.md +++ b/translations/et/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # Sissejuhatus tehisnärvivõrkudesse ![Kokkuvõte tehisnärvivõrkude sissejuhatuse sisust doodle'is](../../../../translated_images/et/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/et/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/et/lessons/4-ComputerVision/06-IntroCV/README.md index 782e73d6..e771034a 100644 --- a/translations/et/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/et/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # Sissejuhatus arvutinägemisse [Arvutinägemine](https://wikipedia.org/wiki/Computer_vision) on valdkond, mille eesmärk on võimaldada arvutitel saavutada kõrgetasemeline arusaam digitaalsetest piltidest. See on üsna lai määratlus, kuna *arusaamine* võib tähendada mitmeid erinevaid asju, sealhulgas objekti leidmist pildilt (**objekti tuvastamine**), toimuvast aru saamist (**sündmuste tuvastamine**), pildi kirjeldamist tekstis või stseeni rekonstrueerimist 3D-s. Samuti on olemas eraldi ülesanded, mis on seotud inimeste piltidega: vanuse ja emotsioonide hindamine, näo tuvastamine ja identifitseerimine ning 3D poosi hindamine, kui nimetada vaid mõnda. diff --git a/translations/et/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/et/lessons/4-ComputerVision/06-IntroCV/lab/README.md index b392d4d8..4d4cf3ec 100644 --- a/translations/et/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/et/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # Liikumise tuvastamine optilise voolu abil Laboriülesanne [AI algajatele mõeldud õppekavast](https://aka.ms/ai-beginners). diff --git a/translations/et/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/et/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 6c761cb6..f072d841 100644 --- a/translations/et/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/et/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # Tuntud CNN arhitektuurid ### VGG-16 diff --git a/translations/et/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/et/lessons/4-ComputerVision/07-ConvNets/README.md index 1b774109..61e9a66b 100644 --- a/translations/et/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/et/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # Konvolutsioonilised närvivõrgud Oleme varem näinud, et närvivõrgud on üsna head piltidega töötamisel ja isegi ühekihiline perceptron suudab MNIST andmestikus käsitsi kirjutatud numbreid mõistliku täpsusega ära tunda. Kuid MNIST andmestik on väga eriline, kuna kõik numbrid on pildi keskel, mis teeb ülesande lihtsamaks. diff --git a/translations/et/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/et/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 25b94a50..7de71bd8 100644 --- a/translations/et/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/et/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # Lemmikloomade nägude klassifikatsioon Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) programmist. diff --git a/translations/et/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/et/lessons/4-ComputerVision/08-TransferLearning/README.md index 91650478..8486b59b 100644 --- a/translations/et/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/et/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # Eelnevalt treenitud võrgud ja ülekandeõpe CNN-ide treenimine võib võtta palju aega ja nõuda suurt hulka andmeid. Suur osa ajast kulub aga parimate madala taseme filtrite õppimisele, mida võrk saab kasutada mustrite tuvastamiseks piltidelt. Tekib loomulik küsimus – kas saaksime kasutada ühel andmestikul treenitud närvivõrku ja kohandada seda erinevate piltide klassifitseerimiseks ilma täieliku treenimisprotsessita? diff --git a/translations/et/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/et/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index 6500535b..eb259436 100644 --- a/translations/et/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/et/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,12 +1,3 @@ - # Süvaõppe treenimise nipid Kui närvivõrgud muutuvad sügavamaks, muutub nende treenimine üha keerulisemaks. Üks peamisi probleeme on nn [kaduvad gradiendid](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) või [plahvatavad gradiendid](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [See postitus](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) annab hea sissejuhatuse nendesse probleemidesse. diff --git a/translations/et/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/et/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index 59df13e9..1c8fde7d 100644 --- a/translations/et/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/et/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,12 +1,3 @@ - # Oxfordi lemmikloomade klassifitseerimine ülekandeõppe abil Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) programmist. diff --git a/translations/et/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/et/lessons/4-ComputerVision/09-Autoencoders/README.md index 732e5b25..0c8b9552 100644 --- a/translations/et/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/et/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # Autoenkoodrid CNN-ide treenimisel on üheks probleemiks see, et vajame palju märgistatud andmeid. Näiteks pildiklassifikatsiooni puhul peame pildid jagama erinevatesse klassidesse, mis on käsitsi tehtav töö. diff --git a/translations/et/lessons/4-ComputerVision/10-GANs/README.md b/translations/et/lessons/4-ComputerVision/10-GANs/README.md index 960775d3..b72c40e7 100644 --- a/translations/et/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/et/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # Generatiivsed vastandlikud võrgud Eelmises osas õppisime **generatiivsete mudelite** kohta: mudelid, mis suudavad luua uusi pilte, mis sarnanevad treeningandmestikus olevatele. VAE oli hea näide generatiivsest mudelist. diff --git a/translations/et/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/et/lessons/4-ComputerVision/11-ObjectDetection/README.md index ece5c1e2..10cfe988 100644 --- a/translations/et/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/et/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # Objektide tuvastamine Pildiklassifikatsiooni mudelid, millega oleme seni tegelenud, võtsid pildi ja andsid kategoorilise tulemuse, näiteks klassi 'number' MNIST-probleemis. Kuid paljudel juhtudel ei taha me lihtsalt teada, et pilt kujutab objekte – me tahame määrata nende täpse asukoha. Just seda eesmärki täidab **objektide tuvastamine**. diff --git a/translations/et/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/et/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index 63780f88..3b728e91 100644 --- a/translations/et/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/et/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,12 +1,3 @@ - # Peade tuvastamine Hollywood Heads andmestiku abil Laboriülesanne [AI algajatele õppekavast](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/et/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/et/lessons/4-ComputerVision/12-Segmentation/README.md index cb3f69f0..3ba5f104 100644 --- a/translations/et/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/et/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # Segmenteerimine Oleme varem õppinud objektide tuvastamist, mis võimaldab meil leida objekte pildil, ennustades nende *piiravaid kaste*. Kuid mõnede ülesannete puhul ei vaja me ainult piiravaid kaste, vaid ka täpsemat objektide lokaliseerimist. Seda ülesannet nimetatakse **segmenteerimiseks**. diff --git a/translations/et/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/et/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 01219b59..1d9b4835 100644 --- a/translations/et/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/et/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,12 +1,3 @@ - # Inimkeha segmentimine Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) programmist. diff --git a/translations/et/lessons/4-ComputerVision/README.md b/translations/et/lessons/4-ComputerVision/README.md index d2ba0513..38523ae2 100644 --- a/translations/et/lessons/4-ComputerVision/README.md +++ b/translations/et/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # Arvutinägemine ![Arvutinägemise sisu kokkuvõte visandina](../../../../translated_images/et/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/et/lessons/5-NLP/13-TextRep/README.md b/translations/et/lessons/5-NLP/13-TextRep/README.md index a2e90317..8b3a909e 100644 --- a/translations/et/lessons/5-NLP/13-TextRep/README.md +++ b/translations/et/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # Teksti esindamine tensoritena ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/25) diff --git a/translations/et/lessons/5-NLP/13-TextRep/assignment.md b/translations/et/lessons/5-NLP/13-TextRep/assignment.md index 8e3f1b0c..342c276f 100644 --- a/translations/et/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/et/lessons/5-NLP/13-TextRep/assignment.md @@ -1,12 +1,3 @@ - # Ülesanne: Märkmikud Kasutades selle õppetunni juurde kuuluvaid märkmikke (kas PyTorch või TensorFlow versiooni), käivitage need uuesti, kasutades omaenda andmekogumit, näiteks Kaggle'ist, koos viitega. Kirjutage märkmik ümber, et rõhutada omaenda järeldusi. Proovige mõnda innovatiivset andmekogumit, mis võib osutuda üllatavaks, näiteks [see UFO-vaatluste andmekogum](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) NUFORC-ist. diff --git a/translations/et/lessons/5-NLP/14-Embeddings/README.md b/translations/et/lessons/5-NLP/14-Embeddings/README.md index 35fa1790..2d41c8d4 100644 --- a/translations/et/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/et/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # Sisestused ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/et/lessons/5-NLP/14-Embeddings/assignment.md b/translations/et/lessons/5-NLP/14-Embeddings/assignment.md index 96bcf54e..85af3e1d 100644 --- a/translations/et/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/et/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,12 +1,3 @@ - # Ülesanne: Märkmikud Kasutades selle õppetunni juurde kuuluvaid märkmikke (kas PyTorch või TensorFlow versiooni), käivitage need uuesti, kasutades oma andmekogumit, näiteks Kaggle'ist pärit andmeid, millele viitate korrektselt. Kirjutage märkmik ümber, et rõhutada omaenda järeldusi. Proovige teistsugust andmekogumit ja dokumenteerige oma järeldused, kasutades näiteks [neid Beatlesi laulusõnu](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics). diff --git a/translations/et/lessons/5-NLP/15-LanguageModeling/README.md b/translations/et/lessons/5-NLP/15-LanguageModeling/README.md index 397ba754..a8b02b44 100644 --- a/translations/et/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/et/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # Keelemudelid Semantilised vektorid, nagu Word2Vec ja GloVe, on tegelikult esimene samm **keelemudelite** suunas – mudelite loomine, mis mingil moel *mõistavad* (või *esindavad*) keele olemust. diff --git a/translations/et/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/et/lessons/5-NLP/15-LanguageModeling/lab/README.md index 775447fe..2e785108 100644 --- a/translations/et/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/et/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,12 +1,3 @@ - # Skip-Gram mudeli treenimine Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) materjalidest. diff --git a/translations/et/lessons/5-NLP/16-RNN/README.md b/translations/et/lessons/5-NLP/16-RNN/README.md index e773b4e7..f89a91c7 100644 --- a/translations/et/lessons/5-NLP/16-RNN/README.md +++ b/translations/et/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # Korduvad Neuraalvõrgud ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/31) diff --git a/translations/et/lessons/5-NLP/16-RNN/assignment.md b/translations/et/lessons/5-NLP/16-RNN/assignment.md index a098c0ec..4046fe17 100644 --- a/translations/et/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/et/lessons/5-NLP/16-RNN/assignment.md @@ -1,12 +1,3 @@ - # Ülesanne: Märkmikud Kasutades selle õppetunni juurde kuuluvaid märkmikke (kas PyTorch või TensorFlow versiooni), käivitage need uuesti, kasutades omaenda andmekogumit, näiteks Kaggle'ist, koos viitega. Kirjutage märkmik ümber, et rõhutada omaenda järeldusi. Proovige teistsugust andmekogumit ja dokumenteerige oma järeldused, kasutades teksti, näiteks [see Kaggle'i võistluse andmekogum ilmastiku säutsude kohta](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv). diff --git a/translations/et/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/et/lessons/5-NLP/17-GenerativeNetworks/README.md index 740deb74..ea14153e 100644 --- a/translations/et/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/et/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # Generatiivsed võrgud ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/33) diff --git a/translations/et/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/et/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index 253cbaa3..5734bce5 100644 --- a/translations/et/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/et/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,12 +1,3 @@ - # Sõnataseme teksti genereerimine RNN-idega Laboriülesanne [AI algajatele õppekavast](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/et/lessons/5-NLP/18-Transformers/README.md b/translations/et/lessons/5-NLP/18-Transformers/README.md index 0a997766..454e75d4 100644 --- a/translations/et/lessons/5-NLP/18-Transformers/README.md +++ b/translations/et/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # Tähelepanu mehhanismid ja Transformerid ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/35) diff --git a/translations/et/lessons/5-NLP/18-Transformers/assignment.md b/translations/et/lessons/5-NLP/18-Transformers/assignment.md index 20d69289..192ca5eb 100644 --- a/translations/et/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/et/lessons/5-NLP/18-Transformers/assignment.md @@ -1,12 +1,3 @@ - # Ülesanne: Transformerid Katseta Transformeritega HuggingFace platvormil! Proovi mõnda nende pakutavat skripti, et töötada erinevate mudelitega, mis on saadaval nende veebilehel: https://huggingface.co/docs/transformers/run_scripts. Kasuta ühte nende andmekogudest, seejärel impordi üks oma andmekogu sellest õppekavast või Kaggle'ist ja vaata, kas suudad genereerida huvitavaid tekste. Koosta märkmik oma leidudega. diff --git a/translations/et/lessons/5-NLP/19-NER/README.md b/translations/et/lessons/5-NLP/19-NER/README.md index 65c27e9a..de5899a6 100644 --- a/translations/et/lessons/5-NLP/19-NER/README.md +++ b/translations/et/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # Nimega Entiteetide Tuvastamine Siiani oleme peamiselt keskendunud ühele NLP ülesandele - klassifikatsioonile. Kuid on ka teisi NLP ülesandeid, mida saab lahendada närvivõrkude abil. Üks neist ülesannetest on **[Nimega Entiteetide Tuvastamine](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), mis tegeleb konkreetsete entiteetide tuvastamisega tekstis, nagu näiteks kohad, isikunimed, kuupäevad ja ajavahemikud, keemilised valemid jne. diff --git a/translations/et/lessons/5-NLP/19-NER/lab/README.md b/translations/et/lessons/5-NLP/19-NER/lab/README.md index 95606c38..9050408a 100644 --- a/translations/et/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/et/lessons/5-NLP/19-NER/lab/README.md @@ -1,12 +1,3 @@ - # NER Laboriülesanne [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) kursusest. diff --git a/translations/et/lessons/5-NLP/20-LangModels/README.md b/translations/et/lessons/5-NLP/20-LangModels/README.md index e26932da..aa755c69 100644 --- a/translations/et/lessons/5-NLP/20-LangModels/README.md +++ b/translations/et/lessons/5-NLP/20-LangModels/README.md @@ -1,12 +1,3 @@ - # Eeltreenitud suured keelemudelid Kõikides meie varasemates ülesannetes treenisime närvivõrku, et see täidaks teatud ülesannet, kasutades märgistatud andmestikku. Suurte transformer-mudelite, nagu BERT, puhul kasutame keelemodelleerimist isejuhitud viisil, et luua keelemudel, mida seejärel spetsialiseeritakse konkreetsele ülesandele täiendava valdkonnapõhise treeninguga. Siiski on näidatud, et suured keelemudelid suudavad lahendada paljusid ülesandeid ka ILMA valdkonnapõhise treeninguta. Mudelite perekonda, mis seda suudavad, nimetatakse **GPT**: Generatiivne Eeltreenitud Transformer. diff --git a/translations/et/lessons/5-NLP/README.md b/translations/et/lessons/5-NLP/README.md index 638c8e50..fdebe901 100644 --- a/translations/et/lessons/5-NLP/README.md +++ b/translations/et/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # Loodusliku keele töötlemine ![NLP ülesannete kokkuvõte visandis](../../../../translated_images/et/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/et/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/et/lessons/6-Other/21-GeneticAlgorithms/README.md index 2a0d9f2d..0d90b507 100644 --- a/translations/et/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/et/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,12 +1,3 @@ - # Geneetilised algoritmid ## [Eelloengu viktoriin](https://ff-quizzes.netlify.app/en/ai/quiz/41) diff --git a/translations/et/lessons/6-Other/22-DeepRL/README.md b/translations/et/lessons/6-Other/22-DeepRL/README.md index e2ef75ab..25dd03fc 100644 --- a/translations/et/lessons/6-Other/22-DeepRL/README.md +++ b/translations/et/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # Sügav Tugevdusõpe Tugevdusõpe (RL) on üks põhilisi masinõppe paradigmasid, kõrvuti juhendatud ja juhendamata õppega. Kui juhendatud õppes tugineb õpe teadaolevate tulemustega andmekogule, siis RL põhineb **õppimisel läbi tegutsemise**. Näiteks, kui me esimest korda näeme arvutimängu, hakkame seda mängima, isegi kui me reegleid ei tea, ja peagi suudame oma oskusi parandada lihtsalt mängimise ja käitumise kohandamise kaudu. diff --git a/translations/et/lessons/6-Other/22-DeepRL/lab/README.md b/translations/et/lessons/6-Other/22-DeepRL/lab/README.md index da0a6c9f..8cffb413 100644 --- a/translations/et/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/et/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - # Mäeauto treenimine põgenemiseks Laboriülesanne [AI algajatele õppekavast](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/et/lessons/6-Other/23-MultiagentSystems/README.md b/translations/et/lessons/6-Other/23-MultiagentSystems/README.md index e630c8df..df6fabd1 100644 --- a/translations/et/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/et/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # Multiagent süsteemid Üks võimalik viis intelligentsuse saavutamiseks on nn **emergentne** (või **sünergeetiline**) lähenemine, mis põhineb faktil, et paljude suhteliselt lihtsate agentide kombineeritud käitumine võib viia süsteemi kui terviku keerukama (või intelligentsema) käitumiseni. Teoreetiliselt põhineb see [kollektiivse intelligentsuse](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentismi](https://en.wikipedia.org/wiki/Global_brain) ja [evolutsioonilise küberneetika](https://en.wikipedia.org/wiki/Global_brain) põhimõtetel, mis väidavad, et kõrgema taseme süsteemid saavutavad teatud lisaväärtuse, kui need on õigesti kombineeritud madalama taseme süsteemidest (nn *metasüsteemi ülemineku põhimõte*). diff --git a/translations/et/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/et/lessons/6-Other/23-MultiagentSystems/assignment.md index d77b3ef1..fd0a7df1 100644 --- a/translations/et/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/et/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,12 +1,3 @@ - # NetLogo Ülesanne Võta üks NetLogo raamatukogu mudelitest ja kasuta seda, et simuleerida päriselu olukorda võimalikult täpselt. Hea näide oleks viiruse mudeli kohandamine Alternatiivsete Visualisatsioonide kaustas, et näidata, kuidas seda saab kasutada COVID-19 leviku modelleerimiseks. Kas suudad luua mudeli, mis jäljendab päriselu viiruse levikut? diff --git a/translations/et/lessons/7-Ethics/README.md b/translations/et/lessons/7-Ethics/README.md index 4b856f66..b1eece7c 100644 --- a/translations/et/lessons/7-Ethics/README.md +++ b/translations/et/lessons/7-Ethics/README.md @@ -1,12 +1,3 @@ - # Eetiline ja vastutustundlik tehisintellekt Oled peaaegu lõpetanud selle kursuse, ja loodetavasti näed nüüd selgelt, et tehisintellekt põhineb mitmetel formaalsetel matemaatilistel meetoditel, mis võimaldavad meil leida seoseid andmetes ja treenida mudeleid, et jäljendada mõningaid inimkäitumise aspekte. Praegusel ajal peame tehisintellekti väga võimsaks tööriistaks, mis aitab andmetest mustreid välja tuua ja neid mustreid uute probleemide lahendamiseks rakendada. diff --git a/translations/et/lessons/README.md b/translations/et/lessons/README.md index aea52dd3..ac0bbfbd 100644 --- a/translations/et/lessons/README.md +++ b/translations/et/lessons/README.md @@ -1,12 +1,3 @@ - # Ülevaade ![Ülevaade visandina](../../../translated_images/et/ai-overview.0857791951d19500.webp) diff --git a/translations/et/lessons/X-Extras/X1-MultiModal/README.md b/translations/et/lessons/X-Extras/X1-MultiModal/README.md index d4c5a9d8..f80ddbed 100644 --- a/translations/et/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/et/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # Multi-modalvõrgud Pärast transformer-mudelite edu NLP-ülesannete lahendamisel on sama või sarnaseid arhitektuure rakendatud ka arvutinägemise ülesannetes. Kasvab huvi luua mudeleid, mis *ühendaksid* nägemise ja loomuliku keele võimekused. Üks sellistest katsetest tehti OpenAI poolt ja seda nimetatakse CLIP ja DALL.E. diff --git a/translations/et/lessons/sketchnotes/LICENSE.md b/translations/et/lessons/sketchnotes/LICENSE.md index d9f4ae56..6b03adeb 100644 --- a/translations/et/lessons/sketchnotes/LICENSE.md +++ b/translations/et/lessons/sketchnotes/LICENSE.md @@ -1,12 +1,3 @@ - Attribution-ShareAlike 4.0 Rahvusvaheline ======================================================================= diff --git a/translations/et/lessons/sketchnotes/README.md b/translations/et/lessons/sketchnotes/README.md index 5c3d834f..a7c6bf59 100644 --- a/translations/et/lessons/sketchnotes/README.md +++ b/translations/et/lessons/sketchnotes/README.md @@ -1,12 +1,3 @@ - Kõik õppekava visandmärkmed saab alla laadida siit. 🎨 Looja: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac)) diff --git a/translations/et/troubleshoot.md b/translations/et/troubleshoot.md index cc213157..54d3b94f 100644 --- a/translations/et/troubleshoot.md +++ b/translations/et/troubleshoot.md @@ -1,12 +1,3 @@ - # AI-For-Beginners Tõrkeotsingu Juhend See juhend aitab lahendada levinud probleeme, mis võivad tekkida [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) repositooriumi kasutamisel või sellele panustamisel. Iga probleem sisaldab tausta, sümptomeid, selgitusi ja samm-sammult lahendusi. diff --git a/translations/pcm/.co-op-translator.json b/translations/pcm/.co-op-translator.json new file mode 100644 index 00000000..dd28acad --- /dev/null +++ b/translations/pcm/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-11-18T18:10:01+00:00", + "source_file": "AGENTS.md", + "language_code": "pcm" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T02:56:31+00:00", + "source_file": "README.md", + "language_code": "pcm" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-11-18T18:12:36+00:00", + "source_file": "SECURITY.md", + "language_code": "pcm" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-11-18T18:53:53+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "pcm" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-11-18T18:52:16+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "pcm" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-11-18T18:53:15+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "pcm" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-11-18T18:53:33+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "pcm" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-11-18T18:52:42+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "pcm" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-11-18T18:54:17+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "pcm" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-11-18T18:12:59+00:00", + "source_file": "examples/README.md", + "language_code": "pcm" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-11-18T18:31:56+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "pcm" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-16T07:31:13+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "pcm" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T20:35:46+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "pcm" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-18T22:21:49+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "pcm" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-18T22:22:42+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "pcm" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-16T07:31:28+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "pcm" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-11-18T18:34:40+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-11-18T18:28:01+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-11-18T18:28:30+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-11-18T18:27:00+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-11-18T18:27:33+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-11-18T18:29:12+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-11-18T18:29:47+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "pcm" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-11-18T18:26:13+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-11-18T18:14:02+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-11-18T18:14:38+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-11-18T18:21:54+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-11-18T18:22:28+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-11-18T18:23:02+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-11-18T18:16:25+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-11-18T18:17:33+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-11-18T18:18:24+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-11-18T18:21:02+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-11-18T18:15:28+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-11-18T18:19:31+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-11-18T18:20:22+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-11-18T18:18:55+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-11-18T18:19:21+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "pcm" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-11-18T18:13:27+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-11-18T18:38:48+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-11-18T18:39:22+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "pcm" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-11-18T18:37:36+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-11-18T18:38:19+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "pcm" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-11-18T18:41:06+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-11-18T18:41:32+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-11-18T18:44:40+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-11-18T18:45:57+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "pcm" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-11-18T18:42:08+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-11-18T18:42:46+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-11-18T18:36:11+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-11-18T18:36:57+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "pcm" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-11-18T18:40:02+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-11-18T18:40:45+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-11-18T18:42:53+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "pcm" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-11-18T18:35:10+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "pcm" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-11-18T18:49:38+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "pcm" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-11-18T18:48:28+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "pcm" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-11-18T18:49:10+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "pcm" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-11-18T18:46:50+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "pcm" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-11-18T18:47:45+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "pcm" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-11-18T18:31:20+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "pcm" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-11-18T18:13:17+00:00", + "source_file": "lessons/README.md", + "language_code": "pcm" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-11-18T18:30:26+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "pcm" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-11-18T18:24:31+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "pcm" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-11-18T18:25:49+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "pcm" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-11-18T18:12:07+00:00", + "source_file": "troubleshoot.md", + "language_code": "pcm" + } +} \ No newline at end of file diff --git a/translations/pcm/AGENTS.md b/translations/pcm/AGENTS.md index 83cd6d85..778555ac 100644 --- a/translations/pcm/AGENTS.md +++ b/translations/pcm/AGENTS.md @@ -1,12 +1,3 @@ - # AGENTS.md ## Project Overview diff --git a/translations/pcm/README.md b/translations/pcm/README.md index 116021c9..fa9a34ba 100644 --- a/translations/pcm/README.md +++ b/translations/pcm/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -23,32 +14,31 @@ CO_OP_TRANSLATOR_METADATA: # Artificial Intelligence for Beginners - A Curriculum -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/pcm/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/pcm/ai-overview.0857791951d19500.webp)| |:---:| | AI For Beginners - _Sketchnote by [@girlie_mac](https://twitter.com/girlie_mac)_ | -Explore di world of **Artificial Intelligence** (AI) wit our 12-week, 24-lesson curriculum! E get practical lessons, quizzes, and labs. Di curriculum na beginner-friendly and e cover tools like TensorFlow and PyTorch, plus ethics for AI - +Explore di world of **Artificial Intelligence** (AI) wit our 12-week, 24-lesson curriculum! E get practical lessons, quizzes, and labs. Di curriculum easy for beginner and e cover tools like TensorFlow and PyTorch, plus ethics for AI ### 🌐 Multi-Language Support #### Supported via GitHub Action (Automated & Always Up-to-Date) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](./README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](./README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) > **Prefer to Clone Locally?** -> Dis repository get 50+ language translations wey full ground, na im dey make di download size big. If you want clone without translations, use sparse checkout: +> Dis repository get 50+ language translations wey dey make di download size big well well. If you wan clone without di translations, use sparse checkout: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> Dis go give you everything wey you need to complete di course wit much faster download. +> Dis go give you everything wey you need to complete di course wit faster download. -**If you want make dem add extra translation languages, dem list dey [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**If you want make any oda translations language dem support dey listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** ## Join di Community [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) @@ -57,25 +47,25 @@ Explore di world of **Artificial Intelligence** (AI) wit our 12-week, 24-lesson **[Mindmap of the Course](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -For this curriculum, you go learn: +For dis curriculum, you go learn: -* Different ways to do Artificial Intelligence, including di "good old" symbolic way wit **Knowledge Representation** and reasoning ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Neural Networks** and **Deep Learning**, wey be di main tin for modern AI. We go show di concepts behind these important topics wit code for two popular frameworks - [TensorFlow](http://Tensorflow.org) and [PyTorch](http://pytorch.org). -* **Neural Architectures** for work wit images and text. We go cover recent models but e fit no too strong for the newest ones. +* Different ways to do Artificial Intelligence, including di "good old" symbolic way with **Knowledge Representation** and reasoning ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Neural Networks** and **Deep Learning**, wey be di main thing for modern AI. We go show di ideas behind dis important tins using code for two popular frameworks - [TensorFlow](http://Tensorflow.org) and [PyTorch](http://pytorch.org). +* **Neural Architectures** for working wit pictures and text. We go cover recent models but e fit no too complete for di state-of-the-art. * Less popular AI ways, like **Genetic Algorithms** and **Multi-Agent Systems**. -Wetin we no go talk for dis curriculum: +Wetin we no go cover for dis curriculum: > [Find all additional resources for this course in our Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Business tins wey dey use **AI for Business**. Try check [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) learning path for Microsoft Learn, or [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), wey dem develop together wit [INSEAD](https://www.insead.edu/). +* Business cases of how to use **AI in Business**. You fit try [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) learning path for Microsoft Learn, or [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), wey dem develop join body wit [INSEAD](https://www.insead.edu/). * **Classic Machine Learning**, wey well explain for our [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). -* Practical AI work wey build using **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For these, we advise say start wit Microsoft Learn modules for [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** and others. -* Specific ML **Cloud Frameworks**, like [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), or [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Try use [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) and [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) learning paths. -* **Conversational AI** and **Chat Bots**. Dem get separate [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) learning path, plus you fit also check [dis blog post](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for more info. -* **Deep Mathematics** behind deep learning. For this one, we recommend [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) by Ian Goodfellow, Yoshua Bengio and Aaron Courville, wey also dey online at [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Practical AI applications wey wey build using **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For dis one, we recommend say you start wit modules wey dey Microsoft Learn for [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** and oda modules. +* Specific ML **Cloud Frameworks**, like [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), or [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). You fit try [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) and [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) learning paths. +* **Conversational AI** and **Chat Bots**. E get separate [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) learning path, you fit still check [dis blog post](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for more details. +* **Deep Mathematics** behind deep learning. For dis one, we recommend say you check [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) by Ian Goodfellow, Yoshua Bengio and Aaron Courville, wey still dey available online at [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -For soft soft introduction to _AI in the Cloud_ topics, you fit try di [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path. +If you want gentle introduction to _AI in the Cloud_ topics you fit consider taking di [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path. # Content @@ -119,49 +109,50 @@ For soft soft introduction to _AI in the Cloud_ topics, you fit try di [Get star ## Each lesson contains * Pre-reading material -* Executable Jupyter Notebooks, wey dey often specific to the framework (**PyTorch** or **TensorFlow**). The executable notebook sef get plenty theoretical material, so to understand the topic you need to go through at least one version of the notebook (either PyTorch or TensorFlow). -* **Labs** wey dey available for some topics, wey go give you chance to try apply wetin you don learn for a specific problem. -* Some sections get links to [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modules wey cover related topics. +* Executable Jupyter Notebooks, wey dem sabi run, wey dey often relate to framework (**PyTorch** or **TensorFlow**). Di executable notebook also get plenty theoretical material, so to sabi di topic you go need go through at least one version of di notebook (either PyTorch or TensorFlow). +* **Labs** wey dey for some topics, wey go give you chance to try apply di material wey you don learn to one particular wahala. +* Some sections get links to [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modules wey dey cover related topics. ## Getting Started ### 🎯 New to AI? Start Here! -If you dey completely new to AI and you want quick, hands-on examples, check out our [**Beginner-Friendly Examples**](./examples/README.md)! Dem include: +If you never sabi AI before and you want beta, hands-on examples quick quick, check our [**Beginner-Friendly Examples**](./examples/README.md)! Dem get: - 🌟 **Hello AI World** - Your first AI program (pattern recognition) - 🧠 **Simple Neural Network** - Build neural network from scratch -- 🖼️ **Image Classifier** - Classify images wit detailed comments -- 💬 **Text Sentiment** - Analyse positive/negative text -Dem examples dem design to help you sabi AI concepts before you go enter the full curriculum. +- 🖼️ **Image Classifier** - Classify image dem wit detailed comments +- 💬 **Text Sentiment** - Analyze positive/negative text + +Dem examples na to help you sabi AI concepts before you jump enter di full curriculum. ### 📚 Full Curriculum Setup -- We don create [setup lesson](./lessons/0-course-setup/setup.md) to help you setup your development environment. - For Educators, we don create [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for una too! +- We don create [setup lesson](./lessons/0-course-setup/setup.md) to help you set up your development environment. - For Educators, we don create [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for una too! - How to [Run the code for VSCode or Codespace](./lessons/0-course-setup/how-to-run.md) Follow these steps: -Fork the Repository: Click the "Fork" button for the top-right corner of dis page. +Fork the Repository: Click the "Fork" button for top-right corner of dis page. Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` -No forget to star (🌟) dis repo so e go easy for you to find am later. +No forget to star (🌟) dis repo make e easy for you find later. ## Meet other Learners -Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network wit other learners wey dey do dis course and get help. +Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network wit other learners wey dey do dis course and get support. -If you get product feedback or questions as you dey build, visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) +If you get product feedback or questions as you dey build visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ## Quizzes -> **A note about quizzes**: All quizzes dey inside the Quiz-app folder for etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) Dem link from inside the lessons, the quiz app fit run locally or fit deploy for Azure; follow instruction wey dey the `quiz-app` folder. Dem dey slowly dey localize. +> **A note about quizzes**: All quizzes dey for Quiz-app folder inside etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) Dem link from within di lessons, di quiz app fit run locally or fit deploy to Azure; follow di instruction for `quiz-app` folder. Dem dey slowly dey localize. ## Help Wanted -You get suggestions or you see spelling or code errors? Raise issue or create pull request. +You get suggestions or you see any spelling or code errors? Raise issue or create pull request. ## Special Thanks @@ -217,17 +208,17 @@ Our team dey produce other curricula! Check am out: ## Getting Help -If you jam wall or get any question about building AI apps. Join other learners and experienced devs for talks about MCP. Na supportive community wey questions dey welcome and dem dey share knowledge freely. +If you jam stuck or get any questions about building AI apps. Join other learners and experienced developers for discussions about MCP. Na support community wey questions dey welcome and knowledge dey freely shared. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -If you get product feedback or errors while you dey build, visit: +If you get product feedback or errors as you dey build visit: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**Disclaimer**: -Dis document na so AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator) translate am. Even though we dey try make am correct, abeg sabi say automated translations fit get errors or wahala. Make you always trust the original document wey dey the original language as the real correct source. If na important info, e better make person wey sabi do human translation help you. We no go take responsibility if any misunderstanding or wrong meaning show because of this translation. +**Disclaimer**: +Dis document e don translate wit AI translation service wey dem dey call [Co-op Translator](https://github.com/Azure/co-op-translator). Even tho we dey try make am correct, abeg make you sabi say automatic translation fit get some errors or wahala. The og document wey e dey original language na im you suppose trust pass. If na serious info, e better make person wey sabi translate am well well translate am. We no go carry any blame for any meaning wey you no understand well or any mistake wey come from dis translation. \ No newline at end of file diff --git a/translations/pcm/SECURITY.md b/translations/pcm/SECURITY.md index 8a865049..99196062 100644 --- a/translations/pcm/SECURITY.md +++ b/translations/pcm/SECURITY.md @@ -1,12 +1,3 @@ - ## Security Microsoft dey take di security of dia software products and services serious, e include all di source code repositories wey dem dey manage through dia GitHub organizations, wey include [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), and [our GitHub organizations](https://opensource.microsoft.com/). diff --git a/translations/pcm/etc/CODE_OF_CONDUCT.md b/translations/pcm/etc/CODE_OF_CONDUCT.md index 1a36a80f..a2b29198 100644 --- a/translations/pcm/etc/CODE_OF_CONDUCT.md +++ b/translations/pcm/etc/CODE_OF_CONDUCT.md @@ -1,12 +1,3 @@ - # Microsoft Open Source Code of Conduct Dis project don adopt di [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/). diff --git a/translations/pcm/etc/CONTRIBUTING.md b/translations/pcm/etc/CONTRIBUTING.md index 942d692d..c2f9d42b 100644 --- a/translations/pcm/etc/CONTRIBUTING.md +++ b/translations/pcm/etc/CONTRIBUTING.md @@ -1,12 +1,3 @@ - # Contribut Dis project dey welcome contribut and suggestion. Most contribut go need make you gree to Contributor License Agreement (CLA) wey go show say you get di right to, and you dey really give us di right to use wetin you contribute. For more detail, go check https://cla.microsoft.com. diff --git a/translations/pcm/etc/Mindmap.md b/translations/pcm/etc/Mindmap.md index 39955b43..6f9b9ec9 100644 --- a/translations/pcm/etc/Mindmap.md +++ b/translations/pcm/etc/Mindmap.md @@ -1,12 +1,3 @@ - # AI ## [Intro to AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) diff --git a/translations/pcm/etc/SUPPORT.md b/translations/pcm/etc/SUPPORT.md index bce42170..e25f822b 100644 --- a/translations/pcm/etc/SUPPORT.md +++ b/translations/pcm/etc/SUPPORT.md @@ -1,12 +1,3 @@ - # Support ## How to take report for wahala and get help diff --git a/translations/pcm/etc/TRANSLATIONS.md b/translations/pcm/etc/TRANSLATIONS.md index 3f43de6a..13b2c558 100644 --- a/translations/pcm/etc/TRANSLATIONS.md +++ b/translations/pcm/etc/TRANSLATIONS.md @@ -1,12 +1,3 @@ - # Help us translate di lessons We go happy if you fit help us translate di lessons wey dey dis curriculum! diff --git a/translations/pcm/etc/quiz-app/README.md b/translations/pcm/etc/quiz-app/README.md index dae89d3a..82d3abaa 100644 --- a/translations/pcm/etc/quiz-app/README.md +++ b/translations/pcm/etc/quiz-app/README.md @@ -1,12 +1,3 @@ - # Quizzes Dis quizzes na di pre- and post-lecture quizzes for di AI curriculum wey dey for https://aka.ms/ai-beginners diff --git a/translations/pcm/examples/README.md b/translations/pcm/examples/README.md index b4d3e48c..e0916aba 100644 --- a/translations/pcm/examples/README.md +++ b/translations/pcm/examples/README.md @@ -1,12 +1,3 @@ - # Beginner-Friendly AI Examples Welcome! Dis directory get simple, standalone examples wey go help you start wit AI and machine learning. Each example dey designed make e easy for beginners wit detailed comments and step-by-step explanation. diff --git a/translations/pcm/lessons/0-course-setup/for-teachers.md b/translations/pcm/lessons/0-course-setup/for-teachers.md index 6299cae2..bf8251fb 100644 --- a/translations/pcm/lessons/0-course-setup/for-teachers.md +++ b/translations/pcm/lessons/0-course-setup/for-teachers.md @@ -1,12 +1,3 @@ - # For Educators You wan use dis curriculum for your classroom? Abeg feel free! diff --git a/translations/pcm/lessons/0-course-setup/how-to-run.md b/translations/pcm/lessons/0-course-setup/how-to-run.md index 5681ce39..f2e602e8 100644 --- a/translations/pcm/lessons/0-course-setup/how-to-run.md +++ b/translations/pcm/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # How to Run the Code Dis curriculum get plenti executable examples and labs wey you go like run. To fit do dis, you need beta skill to execute Python code for Jupyter Notebooks wey dem provide as part of dis curriculum. You get plenty ways to run the code: diff --git a/translations/pcm/lessons/0-course-setup/setup.md b/translations/pcm/lessons/0-course-setup/setup.md index 41e40ce5..e232f9de 100644 --- a/translations/pcm/lessons/0-course-setup/setup.md +++ b/translations/pcm/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # How to Start wit Dis Curricula ## You be Student? diff --git a/translations/pcm/lessons/1-Intro/README.md b/translations/pcm/lessons/1-Intro/README.md index 3dcc69a1..97ce300e 100644 --- a/translations/pcm/lessons/1-Intro/README.md +++ b/translations/pcm/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # Introduction to AI ![Summary of Introduction of AI content in a doodle](../../../../translated_images/pcm/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/pcm/lessons/1-Intro/assignment.md b/translations/pcm/lessons/1-Intro/assignment.md index 5216972a..3cd0b9aa 100644 --- a/translations/pcm/lessons/1-Intro/assignment.md +++ b/translations/pcm/lessons/1-Intro/assignment.md @@ -1,12 +1,3 @@ - # Game Jam Games na one area wey AI and ML don really change well well. For dis assignment, make you write small paper about one game wey you like wey AI don help change as e dey grow. The game suppose don dey old well well so e fit don use different types of computer processing systems. Good example na Chess or Go, but you fit also check video games like pong or Pac-Man. Write essay wey go talk about how the game take start, how e dey now, and wetin AI fit do for am for future. diff --git a/translations/pcm/lessons/2-Symbolic/README.md b/translations/pcm/lessons/2-Symbolic/README.md index 58f50a18..38953dba 100644 --- a/translations/pcm/lessons/2-Symbolic/README.md +++ b/translations/pcm/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # Knowledge Representation and Expert Systems -![Summary of Symbolic AI content](../../../../../../translated_images/pcm/ai-symbolic.715a30cb610411a6.webp) +![Summary of Symbolic AI content](../../../../translated_images/pcm/ai-symbolic.715a30cb610411a6.webp) > Sketchnote by [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +32,7 @@ Most times, we no define knowledge sharp-sharp, but we dey relate am to other re So, di problem of **knowledge representation** na to find how to effectively represent knowledge inside computer as data, to make am automatically usable. E fit be like spectrum: -![Knowledge representation spectrum](../../../../../../translated_images/pcm/knowledge-spectrum.b60df631852c0217.webp) +![Knowledge representation spectrum](../../../../translated_images/pcm/knowledge-spectrum.b60df631852c0217.webp) > Image by [Dmitry Soshnikov](http://soshnikov.com) @@ -94,7 +85,7 @@ Block Syntax | Indent | | | One of early successes of symbolic AI na the so-called **expert systems** - computer systems wey dem design to act like expert inside limited problem domain. Dem dey based on **knowledge base** wey dem comot from one or more human experts, and e get **inference engine** wey dey reason on top am. -![Human Architecture](../../../../../../translated_images/pcm/arch-human.5d4d35f1bba3ab1c.webp) | ![Knowledge-Based System](../../../../../../translated_images/pcm/arch-kbs.3ec5c150b09fa8da.webp) +![Human Architecture](../../../../translated_images/pcm/arch-human.5d4d35f1bba3ab1c.webp) | ![Knowledge-Based System](../../../../translated_images/pcm/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ Simplified structure of a human neural system | Architecture of a knowledge-based system @@ -106,7 +97,7 @@ Expert systems be like human reasoning system, wey get **short-term memory** and Example, make we check dis expert system for identifying animal based on physical characteristics: -![AND-OR Tree](../../../../../../translated_images/pcm/AND-OR-Tree.5592d2c70187f283.webp) +![AND-OR Tree](../../../../translated_images/pcm/AND-OR-Tree.5592d2c70187f283.webp) > Image by [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/pcm/lessons/2-Symbolic/assignment.md b/translations/pcm/lessons/2-Symbolic/assignment.md index 16f4bd97..565ed926 100644 --- a/translations/pcm/lessons/2-Symbolic/assignment.md +++ b/translations/pcm/lessons/2-Symbolic/assignment.md @@ -1,12 +1,3 @@ - # Build Ontology To build knowledge base na to arrange model wey go show facts about one topic. Choose one topic - like person, place, or thing - then build model for dat topic. Use some techniques and model-building strategies wey dem describe for dis lesson. Example fit be to create ontology for living room wey get furniture, lights, and other things. Wetin make living room different from kitchen? From bathroom? How you go take sabi say na living room and no be dining room? Use [Protégé](https://protege.stanford.edu/) to build your ontology. diff --git a/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/README.md index 6951fb6b..0ba82e3a 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # Introduction to Neural Networks: Perceptron ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/5) diff --git a/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index b6cad53b..f59a8326 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,12 +1,3 @@ - # Multi-Class Classification wit Perceptron Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 4cdce479..23045c4c 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # Introduction to Neural Networks. Multi-Layered Perceptron For di last section, you don learn about di simplest neural network model - one-layered perceptron, wey be linear two-class classification model. diff --git a/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index 63dda23a..a2007a69 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,12 +1,3 @@ - # MNIST Classification wit Our Own Framework Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/README.md index bba9c430..06a621e9 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # Neural Network Frameworks As we don learn already, to fit train neural networks well well, we need do two things: diff --git a/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index 80dfb78c..77004f55 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,12 +1,3 @@ - # Classification wit PyTorch/TensorFlow Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/3-NeuralNetworks/README.md b/translations/pcm/lessons/3-NeuralNetworks/README.md index 2928c21a..d513da9b 100644 --- a/translations/pcm/lessons/3-NeuralNetworks/README.md +++ b/translations/pcm/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # Introduction to Neural Networks ![Summary of Intro Neural Networks content in a doodle](../../../../translated_images/pcm/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/pcm/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/pcm/lessons/4-ComputerVision/06-IntroCV/README.md index ddbebc98..8f1ea7ba 100644 --- a/translations/pcm/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/pcm/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # Introduction to Computer Vision [Computer Vision](https://wikipedia.org/wiki/Computer_vision) na area wey dey try make computer sabi wetin dey happen for digital pictures. Dis definition dey wide well-well, because *understanding* fit mean plenty things, like to find object for picture (**object detection**), sabi wetin dey happen (**event detection**), describe picture with text, or even build scene for 3D. E still get special work wey concern human pictures: age and emotion estimation, face detection and identification, and 3D pose estimation, among others. diff --git a/translations/pcm/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/pcm/lessons/4-ComputerVision/06-IntroCV/lab/README.md index 381aef05..4699a3d2 100644 --- a/translations/pcm/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/pcm/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # Detect Movements wit Optical Flow Lab Assignment from [AI for Beginners Curriculum](https://aka.ms/ai-beginners). diff --git a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 72a01e85..fa1b2f46 100644 --- a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # Well-Known CNN Architectures ### VGG-16 diff --git a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/README.md index 625a1f45..68ac7da6 100644 --- a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # Convolutional Neural Networks We don see before say neural networks dey good wella for handling images, even one-layer perceptron fit sabi recognize handwritten digits from MNIST dataset with beta accuracy. But MNIST dataset dey special, all di digits dey center for di image, wey make di work easy. diff --git a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 301411bc..f9e0de82 100644 --- a/translations/pcm/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/pcm/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # Classification of Pets Faces Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/README.md index 69d139fe..f8b42e81 100644 --- a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # Pre-trained Networks and Transfer Learning To train CNNs dey fit take plenty time, and e go need plenty data to do am. But most of di time, na to learn di best low-level filters wey network fit use to sabi patterns from images. Di question wey go come be - we fit use neural network wey dem don train for one dataset and adjust am to classify different images without to train am from scratch? diff --git a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index cbd80959..466a7613 100644 --- a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,12 +1,3 @@ - # Deep Learning Training Tricks As neural networks dey go deeper, e dey harder to train dem. One big wahala wey fit happen na [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) or [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Dis post](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) explain well well about dis problems. diff --git a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index bbe7b33a..aeb8aba5 100644 --- a/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/pcm/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,12 +1,3 @@ - # Classification of Oxford Pets using Transfer Learning Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/pcm/lessons/4-ComputerVision/09-Autoencoders/README.md index 9c035413..8d55b593 100644 --- a/translations/pcm/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/pcm/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # Autoencoders Wen we dey train CNNs, one wahala wey dey be say we need plenty labeled data. For image classification, we go need separate images into different classes, and na manual work. diff --git a/translations/pcm/lessons/4-ComputerVision/10-GANs/README.md b/translations/pcm/lessons/4-ComputerVision/10-GANs/README.md index 99e08120..c362c34c 100644 --- a/translations/pcm/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/pcm/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # Generative Adversarial Networks For di last section, we learn about **generative models**: models wey fit create new images wey resemble di ones wey dey di training dataset. VAE na one good example of generative model. diff --git a/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/README.md index 6b9c9a1f..6a148e2e 100644 --- a/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # Object Detection Di image classification models we don deal wit before na to take one image and produce one categorical result, like di class 'number' for MNIST problem. But, for many cases, we no just wan sabi say di picture get objects - we wan fit know di exact place wey dem dey. Na wetin **object detection** dey do be dat. diff --git a/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index abc71a1b..4d1267b9 100644 --- a/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/pcm/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,12 +1,3 @@ - # Head Detection wit Hollywood Heads Dataset Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/pcm/lessons/4-ComputerVision/12-Segmentation/README.md index d98129f7..1f91a634 100644 --- a/translations/pcm/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/pcm/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # Segmentation We don learn before about Object Detection, wey dey help us find objects for image by predicting dia *bounding boxes*. But for some tasks, we no only need bounding boxes, we go need more accurate way to locate objects. Dis task na **segmentation**. diff --git a/translations/pcm/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/pcm/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 91644562..38097e8d 100644 --- a/translations/pcm/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/pcm/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,12 +1,3 @@ - # Human Body Segmentation Lab Assignment wey come from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/4-ComputerVision/README.md b/translations/pcm/lessons/4-ComputerVision/README.md index 2653866b..7572ab77 100644 --- a/translations/pcm/lessons/4-ComputerVision/README.md +++ b/translations/pcm/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # Computer Vision ![Summary of Computer Vision content in a doodle](../../../../translated_images/pcm/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/pcm/lessons/5-NLP/13-TextRep/README.md b/translations/pcm/lessons/5-NLP/13-TextRep/README.md index c604ae63..7574aff9 100644 --- a/translations/pcm/lessons/5-NLP/13-TextRep/README.md +++ b/translations/pcm/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # Representing Text as Tensors ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/25) diff --git a/translations/pcm/lessons/5-NLP/13-TextRep/assignment.md b/translations/pcm/lessons/5-NLP/13-TextRep/assignment.md index 71342ed3..f09dcdb8 100644 --- a/translations/pcm/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/pcm/lessons/5-NLP/13-TextRep/assignment.md @@ -1,12 +1,3 @@ - # Assignment: Notebooks Use di notebooks wey dem give for dis lesson (whether na di PyTorch or di TensorFlow version), run am again but dis time use your own dataset, maybe one wey you fit collect from Kaggle, and make sure you give credit. Rewrite di notebook to show wetin you find out by yourself. Try some kind interesting datasets wey fit surprise person, like [dis one about UFO sightings](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) from NUFORC. diff --git a/translations/pcm/lessons/5-NLP/14-Embeddings/README.md b/translations/pcm/lessons/5-NLP/14-Embeddings/README.md index 8c24311e..ea7d2598 100644 --- a/translations/pcm/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/pcm/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # Embeddings ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/pcm/lessons/5-NLP/14-Embeddings/assignment.md b/translations/pcm/lessons/5-NLP/14-Embeddings/assignment.md index e2a5a1b4..9a115f82 100644 --- a/translations/pcm/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/pcm/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,12 +1,3 @@ - # Assignment: Notebooks Use di notebooks wey dem join wit dis lesson (whether na di PyTorch or di TensorFlow version), run dem again wit your own dataset, maybe one wey you fit collect from Kaggle, but make sure you give credit. Rewrite di notebook to show wetin you find out. Try one kain different dataset and write down wetin you discover, use text like [dis Beatles lyrics](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics). diff --git a/translations/pcm/lessons/5-NLP/15-LanguageModeling/README.md b/translations/pcm/lessons/5-NLP/15-LanguageModeling/README.md index c66f9916..97aebc2c 100644 --- a/translations/pcm/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/pcm/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # Language Modeling Semantic embeddings like Word2Vec and GloVe na di first step wey dey lead to **language modeling** - wey mean say we dey create models wey fit *understand* (or *represent*) how language dey work. diff --git a/translations/pcm/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/pcm/lessons/5-NLP/15-LanguageModeling/lab/README.md index 0d789b41..1cddb6ff 100644 --- a/translations/pcm/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/pcm/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,12 +1,3 @@ - # Train Skip-Gram Model Lab Assignment wey come from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/5-NLP/16-RNN/README.md b/translations/pcm/lessons/5-NLP/16-RNN/README.md index 539471bf..da8f1b2f 100644 --- a/translations/pcm/lessons/5-NLP/16-RNN/README.md +++ b/translations/pcm/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # Recurrent Neural Networks ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/31) diff --git a/translations/pcm/lessons/5-NLP/16-RNN/assignment.md b/translations/pcm/lessons/5-NLP/16-RNN/assignment.md index 5c0ac740..86d82f41 100644 --- a/translations/pcm/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/pcm/lessons/5-NLP/16-RNN/assignment.md @@ -1,12 +1,3 @@ - # Assignment: Notebooks Use di notebooks wey dem join wit dis lesson (whether na di PyTorch or di TensorFlow version), run dem again wit your own dataset, maybe one wey you fit collect from Kaggle, but make sure you give credit. Rewrite di notebook to show wetin you find out. Try one kain different dataset and write down wetin you discover, like dis [Kaggle competition dataset about weather tweets](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv). diff --git a/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/README.md index ac34e19e..b695c936 100644 --- a/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # Generative networks ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/33) diff --git a/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index 1aaf56d9..76d74b08 100644 --- a/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/pcm/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,12 +1,3 @@ - # Word-level Text Generation wit RNNs Lab Assignment from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/5-NLP/18-Transformers/README.md b/translations/pcm/lessons/5-NLP/18-Transformers/README.md index 8f13bffa..35a7c5ee 100644 --- a/translations/pcm/lessons/5-NLP/18-Transformers/README.md +++ b/translations/pcm/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # Attention Mechanisms and Transformers ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35) diff --git a/translations/pcm/lessons/5-NLP/18-Transformers/assignment.md b/translations/pcm/lessons/5-NLP/18-Transformers/assignment.md index 7e3a25ee..4a5c3939 100644 --- a/translations/pcm/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/pcm/lessons/5-NLP/18-Transformers/assignment.md @@ -1,12 +1,3 @@ - # Assignment: Transformers Try work wit Transformers for HuggingFace! Test some of di scripts wey dem provide to use di different models wey dey for dia site: https://huggingface.co/docs/transformers/run_scripts. Try one of dia datasets, then bring one wey you get from dis curriculum or from Kaggle and see if you fit create interesting texts. Make notebook wey go show wetin you find. diff --git a/translations/pcm/lessons/5-NLP/19-NER/README.md b/translations/pcm/lessons/5-NLP/19-NER/README.md index 79e17e67..cdd9012d 100644 --- a/translations/pcm/lessons/5-NLP/19-NER/README.md +++ b/translations/pcm/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # Named Entity Recognition So far, we don dey focus mostly on one NLP task - classification. But e get other NLP tasks wey neural networks fit do. One of dem na **[Named Entity Recognition](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), wey dey help to sabi specific entities for text, like places, person names, date-time intervals, chemical formulae and so on. diff --git a/translations/pcm/lessons/5-NLP/19-NER/lab/README.md b/translations/pcm/lessons/5-NLP/19-NER/lab/README.md index 0758ae10..6e308be4 100644 --- a/translations/pcm/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/pcm/lessons/5-NLP/19-NER/lab/README.md @@ -1,12 +1,3 @@ - # NER Lab Assignment wey come from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/5-NLP/20-LangModels/README.md b/translations/pcm/lessons/5-NLP/20-LangModels/README.md index 80d638ed..4f6c1966 100644 --- a/translations/pcm/lessons/5-NLP/20-LangModels/README.md +++ b/translations/pcm/lessons/5-NLP/20-LangModels/README.md @@ -1,12 +1,3 @@ - # Pre-Trained Large Language Models For all di tasks wey we don do before, we dey train neural network to do one kain task wey dey use labeled dataset. But wit big transformer models like BERT, we dey use language modelling for self-supervised way to build language model, wey we go later train for specific downstream task wit domain-specific training. E don show say big language models fit solve plenty tasks even witout ANY domain-specific training. Di models wey fit do dis kain thing na dem we dey call **GPT**: Generative Pre-Trained Transformer. diff --git a/translations/pcm/lessons/5-NLP/README.md b/translations/pcm/lessons/5-NLP/README.md index 94d9e386..73096095 100644 --- a/translations/pcm/lessons/5-NLP/README.md +++ b/translations/pcm/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # Natural Language Processing ![Summary of NLP tasks in a doodle](../../../../translated_images/pcm/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/pcm/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/pcm/lessons/6-Other/21-GeneticAlgorithms/README.md index 495737e0..33b4ede8 100644 --- a/translations/pcm/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/pcm/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,12 +1,3 @@ - # Genetic Algorithms ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/41) diff --git a/translations/pcm/lessons/6-Other/22-DeepRL/README.md b/translations/pcm/lessons/6-Other/22-DeepRL/README.md index 9d7b0925..6350db1f 100644 --- a/translations/pcm/lessons/6-Other/22-DeepRL/README.md +++ b/translations/pcm/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # Deep Reinforcement Learning Reinforcement learning (RL) na one of di main machine learning methods, wey dey different from supervised learning and unsupervised learning. For supervised learning, we dey use dataset wey get known answers, but RL na **learning by doing**. For example, when we first see computer game, we go start to play am, even if we no sabi di rules, and soon we go dey improve our skills just by playing di game and changing how we dey behave. diff --git a/translations/pcm/lessons/6-Other/22-DeepRL/lab/README.md b/translations/pcm/lessons/6-Other/22-DeepRL/lab/README.md index 721baecf..822e9575 100644 --- a/translations/pcm/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/pcm/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - # Train Mountain Car to Escape Lab Work wey come from [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners). diff --git a/translations/pcm/lessons/6-Other/23-MultiagentSystems/README.md b/translations/pcm/lessons/6-Other/23-MultiagentSystems/README.md index 78d20f76..ff1e824c 100644 --- a/translations/pcm/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/pcm/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # Multi-Agent Systems One way wey people fit take achieve intelligence na wetin dem dey call **emergent** (or **synergetic**) approach. Dis one dey base on di fact say di combined behavior of plenty simple agents fit result for di overall more complex (or intelligent) behavior of di system as one whole. For theory, e dey base on di principles of [Collective Intelligence](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) and [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain), wey talk say higher-level systems dey gain extra value if dem combine well from lower-level systems (wetin dem dey call *principle of metasystem transition*). diff --git a/translations/pcm/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/pcm/lessons/6-Other/23-MultiagentSystems/assignment.md index f922f447..75b02e67 100644 --- a/translations/pcm/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/pcm/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,12 +1,3 @@ - # NetLogo Assignment Pick one model wey dey NetLogo library and use am simulate one real-life situation as e fit reach. One better example na to adjust the Virus model wey dey Alternative Visualizations folder to show how e fit model how COVID-19 dey spread. You fit build one model wey go resemble how virus dey spread for real life? diff --git a/translations/pcm/lessons/7-Ethics/README.md b/translations/pcm/lessons/7-Ethics/README.md index e2fc92fb..320f46c4 100644 --- a/translations/pcm/lessons/7-Ethics/README.md +++ b/translations/pcm/lessons/7-Ethics/README.md @@ -1,12 +1,3 @@ - # Ethical and Responsible AI You don almost finish dis course, and I dey hope say by now you don sabi well well say AI na somtin wey base on plenty formal mathematical methods wey fit help us find relationship for data and train models to dey do some kain tins wey human beings dey do. For dis time wey we dey so, we dey see AI as one strong tool wey fit help us see pattern for data, and use dat pattern solve new problems. diff --git a/translations/pcm/lessons/README.md b/translations/pcm/lessons/README.md index f79930c9..c2ed648b 100644 --- a/translations/pcm/lessons/README.md +++ b/translations/pcm/lessons/README.md @@ -1,12 +1,3 @@ - # Overview ![Overview wey dem draw like doodle](../../../translated_images/pcm/ai-overview.0857791951d19500.webp) diff --git a/translations/pcm/lessons/X-Extras/X1-MultiModal/README.md b/translations/pcm/lessons/X-Extras/X1-MultiModal/README.md index f6cacfdb..273f0820 100644 --- a/translations/pcm/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/pcm/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # Multi-Modal Networks Afta transformer models don show say dem fit solve NLP tasks well, people don dey use di same or similar architecture for computer vision tasks. Pipo dey show interest for how dem go fit build models wey go *combine* vision and natural language sabi. One of di try wey OpenAI do na CLIP and DALL.E. diff --git a/translations/pcm/lessons/sketchnotes/LICENSE.md b/translations/pcm/lessons/sketchnotes/LICENSE.md index 906a749e..7b3d3bed 100644 --- a/translations/pcm/lessons/sketchnotes/LICENSE.md +++ b/translations/pcm/lessons/sketchnotes/LICENSE.md @@ -1,12 +1,3 @@ - Attribution-ShareAlike 4.0 International ======================================================================= diff --git a/translations/pcm/lessons/sketchnotes/README.md b/translations/pcm/lessons/sketchnotes/README.md index ea25b17f..96a72c11 100644 --- a/translations/pcm/lessons/sketchnotes/README.md +++ b/translations/pcm/lessons/sketchnotes/README.md @@ -1,12 +1,3 @@ - All di curriculum sketchnotes fit download from here. 🎨 Na Tomomi Imura create am (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac)) diff --git a/translations/pcm/troubleshoot.md b/translations/pcm/troubleshoot.md index bfe4cd20..44b6af26 100644 --- a/translations/pcm/troubleshoot.md +++ b/translations/pcm/troubleshoot.md @@ -1,12 +1,3 @@ - # AI-For-Beginners Troubleshooting Guide Dis guide go help you solve common wahala wey fit happen when you dey use or dey contribute to di [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) repository. Each problem get background, symptoms, explanation, and step-by-step solution. diff --git a/translations/te/.co-op-translator.json b/translations/te/.co-op-translator.json new file mode 100644 index 00000000..ca94fe11 --- /dev/null +++ b/translations/te/.co-op-translator.json @@ -0,0 +1,398 @@ +{ + "AGENTS.md": { + "original_hash": "6b11a37115944252ab3ed04e358d830d", + "translation_date": "2025-11-25T19:50:10+00:00", + "source_file": "AGENTS.md", + "language_code": "te" + }, + "README.md": { + "original_hash": "1984fc89dd304a8a33ab5584691a99aa", + "translation_date": "2026-01-30T02:58:15+00:00", + "source_file": "README.md", + "language_code": "te" + }, + "SECURITY.md": { + "original_hash": "a583f49d359c7ebba61433e4dfcd05a9", + "translation_date": "2025-11-25T20:12:27+00:00", + "source_file": "SECURITY.md", + "language_code": "te" + }, + "etc/CODE_OF_CONDUCT.md": { + "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56", + "translation_date": "2025-11-25T20:21:56+00:00", + "source_file": "etc/CODE_OF_CONDUCT.md", + "language_code": "te" + }, + "etc/CONTRIBUTING.md": { + "original_hash": "847a587aa1b83f4d00858183ff3ed18a", + "translation_date": "2025-11-25T20:23:00+00:00", + "source_file": "etc/CONTRIBUTING.md", + "language_code": "te" + }, + "etc/Mindmap.md": { + "original_hash": "f2f88dbd2debd38e26149b27b1fd272d", + "translation_date": "2025-11-25T20:24:52+00:00", + "source_file": "etc/Mindmap.md", + "language_code": "te" + }, + "etc/SUPPORT.md": { + "original_hash": "fdfc08baee91e402938a2b1f94fe0949", + "translation_date": "2025-11-25T20:29:48+00:00", + "source_file": "etc/SUPPORT.md", + "language_code": "te" + }, + "etc/TRANSLATIONS.md": { + "original_hash": "62b3e3ad5182edb905eec649a87eeeb4", + "translation_date": "2025-11-25T20:30:41+00:00", + "source_file": "etc/TRANSLATIONS.md", + "language_code": "te" + }, + "etc/quiz-app/README.md": { + "original_hash": "d699cf8509f74baa5b0b838de5cf0662", + "translation_date": "2025-11-25T20:37:21+00:00", + "source_file": "etc/quiz-app/README.md", + "language_code": "te" + }, + "examples/README.md": { + "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7", + "translation_date": "2025-11-25T20:32:59+00:00", + "source_file": "examples/README.md", + "language_code": "te" + }, + "lessons/0-course-setup/for-teachers.md": { + "original_hash": "a094ef9927883de1cfcee51dbd143381", + "translation_date": "2025-11-25T20:41:10+00:00", + "source_file": "lessons/0-course-setup/for-teachers.md", + "language_code": "te" + }, + "lessons/0-course-setup/how-to-run.md": { + "original_hash": "a4717bd9103b9f6cd84d534b83534689", + "translation_date": "2026-01-16T07:36:36+00:00", + "source_file": "lessons/0-course-setup/how-to-run.md", + "language_code": "te" + }, + "lessons/0-course-setup/setup.md": { + "original_hash": "7b4e5b8956915870d0a0ed3cc5890042", + "translation_date": "2025-12-12T20:37:52+00:00", + "source_file": "lessons/0-course-setup/setup.md", + "language_code": "te" + }, + "lessons/1-Intro/README.md": { + "original_hash": "f57e8aa46141fd220b16ffed8f11aec7", + "translation_date": "2025-11-25T20:52:23+00:00", + "source_file": "lessons/1-Intro/README.md", + "language_code": "te" + }, + "lessons/1-Intro/assignment.md": { + "original_hash": "a334df77a82aaaf2a29c77065d3e481e", + "translation_date": "2025-11-25T20:51:30+00:00", + "source_file": "lessons/1-Intro/assignment.md", + "language_code": "te" + }, + "lessons/2-Symbolic/README.md": { + "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4", + "translation_date": "2026-01-16T07:37:02+00:00", + "source_file": "lessons/2-Symbolic/README.md", + "language_code": "te" + }, + "lessons/2-Symbolic/assignment.md": { + "original_hash": "a057a8604f3976c3e309884453f1fad0", + "translation_date": "2025-11-25T20:58:43+00:00", + "source_file": "lessons/2-Symbolic/assignment.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/03-Perceptron/README.md": { + "original_hash": "c34cbba802058b6fa267e1a294d4e510", + "translation_date": "2025-11-25T21:36:09+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": { + "original_hash": "ba5d1eb353d20d3e7181066b3c424b99", + "translation_date": "2025-11-25T21:51:13+00:00", + "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/README.md": { + "original_hash": "789d6c3fb6fc7948a470b33078a5983a", + "translation_date": "2025-11-25T21:39:33+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": { + "original_hash": "48fdd704d483e19bc3d7464074c9fcbe", + "translation_date": "2025-11-25T21:52:39+00:00", + "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/05-Frameworks/README.md": { + "original_hash": "ddd216f558a255260a9374008002c971", + "translation_date": "2025-11-25T21:45:30+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": { + "original_hash": "e452d897efb9a89700f41021834cf6e5", + "translation_date": "2025-11-25T21:53:54+00:00", + "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md", + "language_code": "te" + }, + "lessons/3-NeuralNetworks/README.md": { + "original_hash": "f862a99d88088163df12270e2f2ad6c3", + "translation_date": "2025-11-25T21:06:46+00:00", + "source_file": "lessons/3-NeuralNetworks/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/06-IntroCV/README.md": { + "original_hash": "feeca98225cb420afc89415f24f63d92", + "translation_date": "2025-11-25T21:56:03+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/06-IntroCV/lab/README.md": { + "original_hash": "3d53d6409f80970f7281a45dee35328a", + "translation_date": "2025-11-25T22:40:37+00:00", + "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": { + "original_hash": "53faab85adfcebd8c10bcd71dc2fa557", + "translation_date": "2025-11-25T22:02:13+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/07-ConvNets/README.md": { + "original_hash": "a560d5b845962cf33dc102266e409568", + "translation_date": "2025-11-25T22:05:38+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/07-ConvNets/lab/README.md": { + "original_hash": "b70fcf7fcee862990f848c679090943f", + "translation_date": "2025-11-25T22:41:51+00:00", + "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/08-TransferLearning/README.md": { + "original_hash": "178c0b5ee5395733eb18aec51e71a0a9", + "translation_date": "2025-11-25T22:08:26+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": { + "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99", + "translation_date": "2025-11-25T22:14:30+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": { + "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2", + "translation_date": "2025-11-25T22:43:23+00:00", + "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/09-Autoencoders/README.md": { + "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d", + "translation_date": "2025-11-25T22:22:10+00:00", + "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/10-GANs/README.md": { + "original_hash": "0ff65b4da07b23697235de2beb2a3c25", + "translation_date": "2025-11-25T22:28:10+00:00", + "source_file": "lessons/4-ComputerVision/10-GANs/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/11-ObjectDetection/README.md": { + "original_hash": "d76a7eda28de5210c8b1ba50a6216c69", + "translation_date": "2025-11-25T22:33:02+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": { + "original_hash": "ad568d55ae65c856fe929fc2b278510a", + "translation_date": "2025-11-25T22:45:01+00:00", + "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/12-Segmentation/README.md": { + "original_hash": "6568aaae7e0e4afed4b5d74b5b223700", + "translation_date": "2025-11-25T22:37:14+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/12-Segmentation/lab/README.md": { + "original_hash": "365f0decfe0f47b460bbde8227c5009d", + "translation_date": "2025-11-25T22:47:00+00:00", + "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md", + "language_code": "te" + }, + "lessons/4-ComputerVision/README.md": { + "original_hash": "58a52f000089c1d8906a4daa4ab1169b", + "translation_date": "2025-11-25T21:10:33+00:00", + "source_file": "lessons/4-ComputerVision/README.md", + "language_code": "te" + }, + "lessons/5-NLP/13-TextRep/README.md": { + "original_hash": "dbd3f73e4139f030ecb2e20387d70fee", + "translation_date": "2025-11-25T22:49:48+00:00", + "source_file": "lessons/5-NLP/13-TextRep/README.md", + "language_code": "te" + }, + "lessons/5-NLP/13-TextRep/assignment.md": { + "original_hash": "cdc1f2e631f055f3473b36d18e4760b3", + "translation_date": "2025-11-25T22:48:15+00:00", + "source_file": "lessons/5-NLP/13-TextRep/assignment.md", + "language_code": "te" + }, + "lessons/5-NLP/14-Embeddings/README.md": { + "original_hash": "b708c9b85b833864c73c6281f1e6b96e", + "translation_date": "2025-11-25T22:55:15+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/README.md", + "language_code": "te" + }, + "lessons/5-NLP/14-Embeddings/assignment.md": { + "original_hash": "bc690ecf68b38d311cc9e12f3144a28c", + "translation_date": "2025-11-25T22:53:48+00:00", + "source_file": "lessons/5-NLP/14-Embeddings/assignment.md", + "language_code": "te" + }, + "lessons/5-NLP/15-LanguageModeling/README.md": { + "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57", + "translation_date": "2025-11-25T22:58:44+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/README.md", + "language_code": "te" + }, + "lessons/5-NLP/15-LanguageModeling/lab/README.md": { + "original_hash": "5130f01fdc5ebb83032b23d489027aac", + "translation_date": "2025-11-25T23:21:17+00:00", + "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md", + "language_code": "te" + }, + "lessons/5-NLP/16-RNN/README.md": { + "original_hash": "e2273cc150380a5e191903cea858f021", + "translation_date": "2025-11-25T23:01:20+00:00", + "source_file": "lessons/5-NLP/16-RNN/README.md", + "language_code": "te" + }, + "lessons/5-NLP/16-RNN/assignment.md": { + "original_hash": "47f7d3c6a5373543e051e4d1140ce898", + "translation_date": "2025-11-25T23:00:31+00:00", + "source_file": "lessons/5-NLP/16-RNN/assignment.md", + "language_code": "te" + }, + "lessons/5-NLP/17-GenerativeNetworks/README.md": { + "original_hash": "51be6057374d01d70e07dd5ec88ebc0d", + "translation_date": "2025-11-25T23:04:55+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md", + "language_code": "te" + }, + "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": { + "original_hash": "439e12796197a90e7623d4c9c057b9c2", + "translation_date": "2025-11-25T23:22:27+00:00", + "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md", + "language_code": "te" + }, + "lessons/5-NLP/18-Transformers/README.md": { + "original_hash": "f335dfcb4a993920504c387973a36957", + "translation_date": "2025-11-25T23:10:43+00:00", + "source_file": "lessons/5-NLP/18-Transformers/README.md", + "language_code": "te" + }, + "lessons/5-NLP/18-Transformers/assignment.md": { + "original_hash": "177f3ea3995d725e6f9f5c66af16edcd", + "translation_date": "2025-11-25T23:08:50+00:00", + "source_file": "lessons/5-NLP/18-Transformers/assignment.md", + "language_code": "te" + }, + "lessons/5-NLP/19-NER/README.md": { + "original_hash": "6522312ff835796ca34136a9462fafb2", + "translation_date": "2025-11-25T23:16:09+00:00", + "source_file": "lessons/5-NLP/19-NER/README.md", + "language_code": "te" + }, + "lessons/5-NLP/19-NER/lab/README.md": { + "original_hash": "032bda5068f543d6c1fcb30c34231461", + "translation_date": "2025-11-25T23:23:36+00:00", + "source_file": "lessons/5-NLP/19-NER/lab/README.md", + "language_code": "te" + }, + "lessons/5-NLP/20-LangModels/README.md": { + "original_hash": "97836d30a6bec736f8e3b4411c572bc2", + "translation_date": "2025-11-25T23:19:06+00:00", + "source_file": "lessons/5-NLP/20-LangModels/README.md", + "language_code": "te" + }, + "lessons/5-NLP/README.md": { + "original_hash": "8ef02a9318257ea140ed3ed74442096d", + "translation_date": "2025-11-25T21:12:36+00:00", + "source_file": "lessons/5-NLP/README.md", + "language_code": "te" + }, + "lessons/6-Other/21-GeneticAlgorithms/README.md": { + "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a", + "translation_date": "2025-11-25T23:26:41+00:00", + "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md", + "language_code": "te" + }, + "lessons/6-Other/22-DeepRL/README.md": { + "original_hash": "04395657fc01648f8f70484d0e55ab67", + "translation_date": "2025-11-25T23:30:21+00:00", + "source_file": "lessons/6-Other/22-DeepRL/README.md", + "language_code": "te" + }, + "lessons/6-Other/22-DeepRL/lab/README.md": { + "original_hash": "7bd8dc72040e98e35e7225e34058cd4e", + "translation_date": "2025-11-25T23:39:14+00:00", + "source_file": "lessons/6-Other/22-DeepRL/lab/README.md", + "language_code": "te" + }, + "lessons/6-Other/23-MultiagentSystems/README.md": { + "original_hash": "38a1185ae3d54b180378bbd71ae3ef16", + "translation_date": "2025-11-25T23:35:33+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/README.md", + "language_code": "te" + }, + "lessons/6-Other/23-MultiagentSystems/assignment.md": { + "original_hash": "cf654ca60c7f86c8dad28596fb42994b", + "translation_date": "2025-11-25T23:34:52+00:00", + "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md", + "language_code": "te" + }, + "lessons/7-Ethics/README.md": { + "original_hash": "437c988596e751072e41a5aad3fcc5d9", + "translation_date": "2025-11-25T21:18:01+00:00", + "source_file": "lessons/7-Ethics/README.md", + "language_code": "te" + }, + "lessons/README.md": { + "original_hash": "5fef1a0b22498d7188959e2a2cb08af7", + "translation_date": "2025-11-25T20:36:00+00:00", + "source_file": "lessons/README.md", + "language_code": "te" + }, + "lessons/X-Extras/X1-MultiModal/README.md": { + "original_hash": "9c592c26aca16ca085d268c732284187", + "translation_date": "2025-11-25T23:40:59+00:00", + "source_file": "lessons/X-Extras/X1-MultiModal/README.md", + "language_code": "te" + }, + "lessons/sketchnotes/LICENSE.md": { + "original_hash": "45ab63a2cd8f5faef6c9b150618837a4", + "translation_date": "2025-11-25T21:23:52+00:00", + "source_file": "lessons/sketchnotes/LICENSE.md", + "language_code": "te" + }, + "lessons/sketchnotes/README.md": { + "original_hash": "050b8bddebafba55b129414e6ab096ab", + "translation_date": "2025-11-25T21:35:24+00:00", + "source_file": "lessons/sketchnotes/README.md", + "language_code": "te" + }, + "troubleshoot.md": { + "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86", + "translation_date": "2025-11-25T20:15:10+00:00", + "source_file": "troubleshoot.md", + "language_code": "te" + } +} \ No newline at end of file diff --git a/translations/te/AGENTS.md b/translations/te/AGENTS.md index a8a4def3..eccfb2c8 100644 --- a/translations/te/AGENTS.md +++ b/translations/te/AGENTS.md @@ -1,328 +1,319 @@ - -# AGENTS.md - -## ప్రాజెక్ట్ అవలోకనం - -AI for Beginners అనేది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ప్రాథమికాంశాలను కవర్ చేసే 12 వారాల, 24 పాఠాల సమగ్ర పాఠ్యక్రమం. ఈ విద్యా రిపోజిటరీలో Jupyter Notebooks ఉపయోగించి ప్రాక్టికల్ పాఠాలు, క్విజ్‌లు మరియు హ్యాండ్స్-ఆన్ ల్యాబ్స్ ఉన్నాయి. పాఠ్యక్రమం కవర్ చేసే అంశాలు: - -- జ్ఞాన ప్రాతినిధ్యం మరియు నిపుణుల వ్యవస్థలతో సాంబాలిక్ AI -- TensorFlow మరియు PyTorch తో న్యూరల్ నెట్‌వర్క్స్ మరియు డీప్ లెర్నింగ్ -- కంప్యూటర్ విజన్ సాంకేతికతలు మరియు నిర్మాణాలు -- ట్రాన్స్‌ఫార్మర్స్ మరియు BERT సహా సహజ భాషా ప్రాసెసింగ్ (NLP) -- ప్రత్యేక అంశాలు: జెనెటిక్ అల్గోరిథమ్స్, రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్, మల్టీ-ఏజెంట్ సిస్టమ్స్ -- AI నైతికత మరియు బాధ్యతాయుత AI సూత్రాలు - -**ప్రధాన సాంకేతికతలు:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (క్విజ్ యాప్ కోసం) - -**నిర్మాణం:** టాపిక్ ప్రాంతాల వారీగా క్రమబద్ధీకరించిన Jupyter Notebooks తో విద్యా కంటెంట్ రిపోజిటరీ, Vue.js ఆధారిత క్విజ్ అప్లికేషన్ మరియు విస్తృత బహుభాషా మద్దతుతో. - -## సెటప్ కమాండ్లు - -### ప్రాథమిక అభివృద్ధి వాతావరణం (Python/Jupyter) - -పాఠ్యక్రమం Python మరియు Jupyter Notebooks తో నడపడానికి రూపొందించబడింది. సిఫార్సు చేయబడిన విధానం miniconda ఉపయోగించడం: - -```bash -# రిపోజిటరీని క్లోన్ చేయండి -git clone https://github.com/microsoft/ai-for-beginners -cd ai-for-beginners - -# కండా ఎన్విరాన్‌మెంట్ సృష్టించి యాక్టివేట్ చేయండి -conda env create --name ai4beg --file environment.yml -conda activate ai4beg - -# జూపిటర్ నోట్‌బుక్ ప్రారంభించండి -jupyter notebook -# లేదా -jupyter lab -``` - -### ప్రత్యామ్నాయం: devcontainer ఉపయోగించడం - -```bash -# VS కోడ్‌లో తెరవండి మరియు ప్రాంప్ట్ వచ్చినప్పుడు "కంటైనర్‌లో మళ్లీ తెరవండి" ఎంచుకోండి -# డెవ్‌కంటైనర్ స్వయంచాలకంగా వాతావరణాన్ని సెట్ చేస్తుంది -``` - -### క్విజ్ అప్లికేషన్ సెటప్ - -క్విజ్ యాప్ ఒక వేరు Vue.js అప్లికేషన్, ఇది `etc/quiz-app/` లో ఉంది: - -```bash -cd etc/quiz-app -npm install -npm run serve # అభివృద్ధి సర్వర్ -npm run build # ఉత్పత్తి నిర్మాణం -npm run lint # లింట్ చేసి ఫైళ్లను సరిచేయండి -``` - -## అభివృద్ధి వర్క్‌ఫ్లో - -### Jupyter Notebooks తో పని చేయడం - -1. **లోకల్ అభివృద్ధి:** - - కండా వాతావరణం యాక్టివేట్ చేయండి: `conda activate ai4beg` - - Jupyter ప్రారంభించండి: `jupyter notebook` లేదా `jupyter lab` - - పాఠాల ఫోల్డర్లకు వెళ్లి `.ipynb` ఫైళ్లను తెరవండి - - పాఠాలు అనుసరించడానికి సెల్స్‌ను ఇంటరాక్టివ్‌గా నడపండి - -2. **VS Code తో Python ఎక్స్‌టెన్షన్:** - - రిపోజిటరీని VS Code లో తెరవండి - - Python ఎక్స్‌టెన్షన్ ఇన్‌స్టాల్ చేయండి - - VS Code ఆటోమేటిక్‌గా కండా వాతావరణాన్ని గుర్తించి ఉపయోగిస్తుంది - - `.ipynb` ఫైళ్లను నేరుగా VS Code లో తెరవండి - -3. **క్లౌడ్ అభివృద్ధి:** - - **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" క్లిక్ చేయండి - - **Binder:** README లోని Binder బ్యాడ్జ్ ఉపయోగించి బ్రౌజర్‌లో ప్రారంభించండి - - గమనిక: Binder కు పరిమిత వనరులు మరియు కొన్ని వెబ్ యాక్సెస్ పరిమితులు ఉన్నాయి - -### అధునాతన పాఠాల కోసం GPU మద్దతు - -తరువాతి పాఠాలు GPU వేగవంతతతో గణనీయంగా లాభపడతాయి: - -- **Azure Data Science VM:** GPU మద్దతుతో NC-సిరీస్ VM లను ఉపయోగించండి -- **Azure Machine Learning:** GPU కంప్యూట్‌తో నోట్‌బుక్ ఫీచర్లను ఉపయోగించండి -- **Google Colab:** నోట్‌బుక్స్‌ను వ్యక్తిగతంగా అప్‌లోడ్ చేయండి (ఉచిత GPU మద్దతు ఉంది) - -### క్విజ్ యాప్ అభివృద్ధి - -```bash -cd etc/quiz-app -npm run serve # హాట్-రిలోడ్ అభివృద్ధి సర్వర్ http://localhost:8080 వద్ద ఉంది -``` - -## పరీక్షా సూచనలు - -ఇది సాఫ్ట్‌వేర్ పరీక్షల కంటే విద్యా కంటెంట్ పై దృష్టి పెట్టిన రిపోజిటరీ. సంప్రదాయ పరీక్షా సూట్ లేదు. - -### ధృవీకరణ విధానాలు: - -1. **Jupyter Notebooks:** కోడ్ ఉదాహరణలు పనిచేస్తున్నాయో లేదో నిర్ధారించడానికి సెల్స్‌ను వరుసగా నడపండి -2. **క్విజ్ యాప్ పరీక్ష:** అభివృద్ధి సర్వర్ ద్వారా మాన్యువల్ పరీక్ష -3. **అనువాద ధృవీకరణ:** `translations/` ఫోల్డర్‌లో అనువాద కంటెంట్ తనిఖీ చేయండి -4. **క్విజ్ యాప్ లింటింగ్:** `etc/quiz-app/` లో `npm run lint` నడపండి - -### కోడ్ ఉదాహరణలు నడపడం: - -```bash -# ముందుగా వాతావరణాన్ని సక్రియం చేయండి -conda activate ai4beg - -# Python స్క్రిప్టులను నేరుగా నడపండి -python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py - -# లేదా నోట్‌బుక్స్‌ను అమలు చేయండి -jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb -``` - -## కోడ్ శైలి - -### Python కోడ్ శైలి - -- విద్యా కోడ్ కోసం ప్రామాణిక Python నియమాలు -- స్పష్టమైన, చదవదగిన కోడ్, ఆప్టిమైజేషన్ కంటే నేర్చుకోవడాన్ని ప్రాధాన్యం ఇస్తుంది -- ముఖ్యమైన భావాలను వివరిస్తున్న వ్యాఖ్యలు -- Jupyter Notebook అనుకూలం: సెల్స్ సాధ్యమైనంత వరకు స్వతంత్రంగా ఉండాలి -- పాఠ్య కంటెంట్ కోసం కఠినమైన లింటింగ్ అవసరం లేదు - -### JavaScript/Vue.js (క్విజ్ యాప్) - -- `etc/quiz-app/package.json` లో ESLint కాన్ఫిగరేషన్ -- సమస్యలను తనిఖీ చేసి ఆటోమేటిక్‌గా సరిచేయడానికి `npm run lint` నడపండి -- Vue 2.x నియమాలు -- కంపోనెంట్ ఆధారిత నిర్మాణం - -### ఫైల్ నిర్వహణ - -``` -lessons/ - ├── 0-course-setup/ # Setup instructions - ├── 1-Intro/ # Introduction to AI - ├── 2-Symbolic/ # Symbolic AI - ├── 3-NeuralNetworks/ # Neural Networks basics - ├── 4-ComputerVision/ # Computer Vision - ├── 5-NLP/ # Natural Language Processing - ├── 6-Other/ # Other AI techniques - ├── 7-Ethics/ # AI Ethics - └── X-Extras/ # Additional content - -etc/ - ├── quiz-app/ # Vue.js quiz application - └── quiz-src/ # Quiz source files - -translations/ # Multi-language translations -``` - -## బిల్డ్ మరియు డిప్లాయ్‌మెంట్ - -### Jupyter కంటెంట్ - -బిల్డ్ ప్రక్రియ అవసరం లేదు - Jupyter Notebooks నేరుగా నడుస్తాయి. - -### క్విజ్ అప్లికేషన్ - -```bash -cd etc/quiz-app - -# అభివృద్ధి -npm run serve - -# ఉత్పత్తి నిర్మాణం -npm run build # etc/quiz-app/dist/ కు అవుట్పుట్‌లు - -# Azure స్థిర వెబ్ యాప్స్‌కు పంపిణీ చేయండి -# Azure ఆటోమేటిక్‌గా GitHub Actions వర్క్‌ఫ్లో సృష్టిస్తుంది -# వివరమైన పంపిణీ సూచనల కోసం etc/quiz-app/README.md చూడండి -``` - -### డాక్యుమెంటేషన్ సైట్ - -రిపోజిటరీ Docsify ఉపయోగించి డాక్యుమెంటేషన్ అందిస్తుంది: -- `index.html` ప్రవేశ పాయింట్‌గా పనిచేస్తుంది -- బిల్డ్ అవసరం లేదు - GitHub Pages ద్వారా నేరుగా అందించబడుతుంది -- యాక్సెస్: https://microsoft.github.io/AI-For-Beginners/ - -## సహకార మార్గదర్శకాలు - -### పుల్ రిక్వెస్ట్ ప్రక్రియ - -1. **శీర్షిక ఫార్మాట్:** మార్పును స్పష్టంగా, వివరణాత్మకంగా తెలియజేసే శీర్షికలు -2. **CLA అవసరం:** Microsoft CLA సంతకం చేయాలి (ఆటోమేటిక్ తనిఖీ) -3. **కంటెంట్ మార్గదర్శకాలు:** - - విద్యా దృష్టికోణం మరియు ప్రారంభ స్థాయి అనుకూలతను కాపాడండి - - అన్ని కోడ్ ఉదాహరణలను నోట్‌బుక్స్‌లో పరీక్షించండి - - నోట్‌బుక్స్ ఎండ్-టు-ఎండ్ నడవడం నిర్ధారించండి - - ఇంగ్లీష్ కంటెంట్ మార్చినట్లయితే అనువాదాలను నవీకరించండి -4. **క్విజ్ యాప్ మార్పులు:** కమిట్ చేయడానికి ముందు `npm run lint` నడపండి - -### అనువాద సహకారం - -- అనువాదాలు GitHub Actions ద్వారా co-op-translator ఉపయోగించి ఆటోమేటిక్‌గా జరుగుతాయి -- మాన్యువల్ అనువాదాలు `translations//` లో ఉంచండి -- క్విజ్ అనువాదాలు `etc/quiz-app/src/assets/translations/` లో ఉంటాయి -- మద్దతు పొందిన భాషలు: 40+ (పూర్తి జాబితా README లో చూడండి) - -### సక్రియ సహకార ప్రాంతాలు - -ప్రస్తుత అవసరాల కోసం `etc/CONTRIBUTING.md` చూడండి: -- డీప్ రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్ విభాగాలు -- ఆబ్జెక్ట్ డిటెక్షన్ మెరుగుదలలు -- నేమ్డ్ ఎంటిటీ రికగ్నిషన్ ఉదాహరణలు -- కస్టమ్ ఎంబెడ్డింగ్ ట్రైనింగ్ నమూనాలు - -## వాతావరణ కాన్ఫిగరేషన్ - -### అవసరమైన డిపెండెన్సీలు - -```bash -# కోర్ పైథాన్ ప్యాకేజీలు (requirements.txt నుండి) -tensorflow==2.17.0 -torch (via conda) -torchvision (via conda) -keras==3.5.0 -opencv (via conda) -scikit-learn -numpy==1.26 -pandas==2.2.2 -matplotlib==3.9 -jupyter -``` - -### వాతావరణ వేరియబుల్స్ - -ప్రాథమిక ఉపయోగానికి ప్రత్యేక వాతావరణ వేరియబుల్స్ అవసరం లేదు. - -Azure డిప్లాయ్‌మెంట్ (క్విజ్ యాప్) కోసం: -- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure ద్వారా ఆటోమేటిక్‌గా సెట్ అవుతుంది) - -## డీబగ్గింగ్ మరియు సమస్య పరిష్కారం - -### సాధారణ సమస్యలు - -**సమస్య:** కండా వాతావరణం సృష్టించడంలో విఫలం -- **పరిష్కారం:** ముందుగా కండాను అప్‌డేట్ చేయండి: `conda update conda -y` -- సరిపడా డిస్క్ స్థలం ఉన్నదని నిర్ధారించుకోండి (50GB సిఫార్సు) - -**సమస్య:** Jupyter కర్నెల్ కనుగొనబడలేదు -- **పరిష్కారం:** - ```bash - conda activate ai4beg - python -m ipykernel install --user --name ai4beg - ``` - -**సమస్య:** నోట్‌బుక్స్‌లో GPU కనుగొనబడలేదు -- **పరిష్కారం:** - - CUDA ఇన్‌స్టాలేషన్‌ను తనిఖీ చేయండి: `nvidia-smi` - - PyTorch GPU తనిఖీ: `python -c "import torch; print(torch.cuda.is_available())"` - - TensorFlow GPU తనిఖీ: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"` - -**సమస్య:** క్విజ్ యాప్ ప్రారంభం కావడం లేదు -- **పరిష్కారం:** - ```bash - cd etc/quiz-app - rm -rf node_modules package-lock.json - npm install - npm run serve - ``` - -**సమస్య:** బైండర్ టైమ్ అవుట్ అవుతుంది లేదా డౌన్లోడ్లను బ్లాక్ చేస్తుంది -- **పరిష్కారం:** మెరుగైన వనరుల యాక్సెస్ కోసం GitHub Codespaces లేదా లోకల్ సెటప్ ఉపయోగించండి - -### మెమరీ సమస్యలు - -కొన్ని పాఠాలు గణనీయమైన RAM అవసరం (8GB+ సిఫార్సు): -- వనరులు ఎక్కువగా అవసరమయ్యే పాఠాల కోసం క్లౌడ్ VM లను ఉపయోగించండి -- మోడల్స్ ట్రైనింగ్ సమయంలో ఇతర అప్లికేషన్లను మూసివేయండి -- మెమరీ తక్కువైతే నోట్‌బుక్స్‌లో బ్యాచ్ సైజ్ తగ్గించండి - -## అదనపు గమనికలు - -### కోర్సు ఉపాధ్యాయుల కోసం - -- బోధనా మార్గదర్శకాలకు `lessons/0-course-setup/for-teachers.md` చూడండి -- పాఠాలు స్వతంత్రంగా ఉండి వరుసగా లేదా ఎంచుకుని బోధించవచ్చు -- అంచనా సమయం: 12 వారాలు, వారానికి 2 పాఠాలు - -### క్లౌడ్ వనరులు - -- **Azure for Students:** విద్యార్థులకు ఉచిత క్రెడిట్లు అందుబాటులో ఉన్నాయి -- **Microsoft Learn:** పాఠ్యక్రమంలో అనుబంధంగా లెర్నింగ్ పాథ్లు -- **Binder:** ఉచితం కానీ పరిమిత వనరులు మరియు కొన్ని నెట్‌వర్క్ పరిమితులు - -### కోడ్ నడపడం ఎంపికలు - -1. **లోకల్ (సిఫార్సు):** పూర్తి నియంత్రణ, ఉత్తమ పనితీరు, GPU మద్దతు -2. **GitHub Codespaces:** క్లౌడ్ ఆధారిత VS Code, త్వరిత యాక్సెస్‌కు అనుకూలం -3. **Binder:** బ్రౌజర్ ఆధారిత Jupyter, ఉచితం కానీ పరిమితం -4. **Azure ML Notebooks:** GPU మద్దతుతో ఎంటర్ప్రైజ్ ఎంపిక -5. **Google Colab:** నోట్‌బుక్స్‌ను వ్యక్తిగతంగా అప్‌లోడ్ చేయండి, ఉచిత GPU లేయర్ అందుబాటులో ఉంది - -### నోట్‌బుక్స్‌తో పని - -- నేర్చుకోవడానికి సెల్-బై-సెల్ నడపడానికి డిజైన్ చేయబడ్డాయి -- చాలా నోట్‌బుక్స్ మొదటి సారి నడిపేటప్పుడు డేటాసెట్‌లు డౌన్లోడ్ చేస్తాయి (కొంత సమయం పడవచ్చు) -- కొన్ని మోడల్స్ సరైన శిక్షణ సమయాల కోసం GPU అవసరం -- కంప్యూటింగ్ అవసరాలను తగ్గించడానికి ప్రీ-ట్రెయిన్డ్ మోడల్స్ ఉపయోగిస్తారు - -### పనితీరు పరిగణనలు - -- తరువాతి కంప్యూటర్ విజన్ పాఠాలు (CNNs, GANs) GPU తో లాభపడతాయి -- NLP ట్రాన్స్‌ఫార్మర్ పాఠాలు గణనీయమైన RAM అవసరం కావచ్చు -- మొదటి నుండి శిక్షణ ఇవ్వడం విద్యా ప్రయోజనకరం కానీ సమయం ఎక్కువ పడుతుంది -- ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉదాహరణలు శిక్షణ సమయాన్ని తగ్గిస్తాయి - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# AGENTS.md + +## ప్రాజెక్ట్ అవలోకనం + +AI for Beginners అనేది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ప్రాథమికాంశాలను కవర్ చేసే 12 వారాల, 24 పాఠాల సమగ్ర పాఠ్యక్రమం. ఈ విద్యా రిపోజిటరీలో Jupyter Notebooks ఉపయోగించి ప్రాక్టికల్ పాఠాలు, క్విజ్‌లు మరియు హ్యాండ్స్-ఆన్ ల్యాబ్స్ ఉన్నాయి. పాఠ్యక్రమం కవర్ చేసే అంశాలు: + +- జ్ఞాన ప్రాతినిధ్యం మరియు నిపుణుల వ్యవస్థలతో సాంబాలిక్ AI +- TensorFlow మరియు PyTorch తో న్యూరల్ నెట్‌వర్క్స్ మరియు డీప్ లెర్నింగ్ +- కంప్యూటర్ విజన్ సాంకేతికతలు మరియు నిర్మాణాలు +- ట్రాన్స్‌ఫార్మర్స్ మరియు BERT సహా సహజ భాషా ప్రాసెసింగ్ (NLP) +- ప్రత్యేక అంశాలు: జెనెటిక్ అల్గోరిథమ్స్, రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్, మల్టీ-ఏజెంట్ సిస్టమ్స్ +- AI నైతికత మరియు బాధ్యతాయుత AI సూత్రాలు + +**ప్రధాన సాంకేతికతలు:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (క్విజ్ యాప్ కోసం) + +**నిర్మాణం:** టాపిక్ ప్రాంతాల వారీగా క్రమబద్ధీకరించిన Jupyter Notebooks తో విద్యా కంటెంట్ రిపోజిటరీ, Vue.js ఆధారిత క్విజ్ అప్లికేషన్ మరియు విస్తృత బహుభాషా మద్దతుతో. + +## సెటప్ కమాండ్లు + +### ప్రాథమిక అభివృద్ధి వాతావరణం (Python/Jupyter) + +పాఠ్యక్రమం Python మరియు Jupyter Notebooks తో నడపడానికి రూపొందించబడింది. సిఫార్సు చేయబడిన విధానం miniconda ఉపయోగించడం: + +```bash +# రిపోజిటరీని క్లోన్ చేయండి +git clone https://github.com/microsoft/ai-for-beginners +cd ai-for-beginners + +# కండా ఎన్విరాన్‌మెంట్ సృష్టించి యాక్టివేట్ చేయండి +conda env create --name ai4beg --file environment.yml +conda activate ai4beg + +# జూపిటర్ నోట్‌బుక్ ప్రారంభించండి +jupyter notebook +# లేదా +jupyter lab +``` + +### ప్రత్యామ్నాయం: devcontainer ఉపయోగించడం + +```bash +# VS కోడ్‌లో తెరవండి మరియు ప్రాంప్ట్ వచ్చినప్పుడు "కంటైనర్‌లో మళ్లీ తెరవండి" ఎంచుకోండి +# డెవ్‌కంటైనర్ స్వయంచాలకంగా వాతావరణాన్ని సెట్ చేస్తుంది +``` + +### క్విజ్ అప్లికేషన్ సెటప్ + +క్విజ్ యాప్ ఒక వేరు Vue.js అప్లికేషన్, ఇది `etc/quiz-app/` లో ఉంది: + +```bash +cd etc/quiz-app +npm install +npm run serve # అభివృద్ధి సర్వర్ +npm run build # ఉత్పత్తి నిర్మాణం +npm run lint # లింట్ చేసి ఫైళ్లను సరిచేయండి +``` + +## అభివృద్ధి వర్క్‌ఫ్లో + +### Jupyter Notebooks తో పని చేయడం + +1. **లోకల్ అభివృద్ధి:** + - కండా వాతావరణం యాక్టివేట్ చేయండి: `conda activate ai4beg` + - Jupyter ప్రారంభించండి: `jupyter notebook` లేదా `jupyter lab` + - పాఠాల ఫోల్డర్లకు వెళ్లి `.ipynb` ఫైళ్లను తెరవండి + - పాఠాలు అనుసరించడానికి సెల్స్‌ను ఇంటరాక్టివ్‌గా నడపండి + +2. **VS Code తో Python ఎక్స్‌టెన్షన్:** + - రిపోజిటరీని VS Code లో తెరవండి + - Python ఎక్స్‌టెన్షన్ ఇన్‌స్టాల్ చేయండి + - VS Code ఆటోమేటిక్‌గా కండా వాతావరణాన్ని గుర్తించి ఉపయోగిస్తుంది + - `.ipynb` ఫైళ్లను నేరుగా VS Code లో తెరవండి + +3. **క్లౌడ్ అభివృద్ధి:** + - **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" క్లిక్ చేయండి + - **Binder:** README లోని Binder బ్యాడ్జ్ ఉపయోగించి బ్రౌజర్‌లో ప్రారంభించండి + - గమనిక: Binder కు పరిమిత వనరులు మరియు కొన్ని వెబ్ యాక్సెస్ పరిమితులు ఉన్నాయి + +### అధునాతన పాఠాల కోసం GPU మద్దతు + +తరువాతి పాఠాలు GPU వేగవంతతతో గణనీయంగా లాభపడతాయి: + +- **Azure Data Science VM:** GPU మద్దతుతో NC-సిరీస్ VM లను ఉపయోగించండి +- **Azure Machine Learning:** GPU కంప్యూట్‌తో నోట్‌బుక్ ఫీచర్లను ఉపయోగించండి +- **Google Colab:** నోట్‌బుక్స్‌ను వ్యక్తిగతంగా అప్‌లోడ్ చేయండి (ఉచిత GPU మద్దతు ఉంది) + +### క్విజ్ యాప్ అభివృద్ధి + +```bash +cd etc/quiz-app +npm run serve # హాట్-రిలోడ్ అభివృద్ధి సర్వర్ http://localhost:8080 వద్ద ఉంది +``` + +## పరీక్షా సూచనలు + +ఇది సాఫ్ట్‌వేర్ పరీక్షల కంటే విద్యా కంటెంట్ పై దృష్టి పెట్టిన రిపోజిటరీ. సంప్రదాయ పరీక్షా సూట్ లేదు. + +### ధృవీకరణ విధానాలు: + +1. **Jupyter Notebooks:** కోడ్ ఉదాహరణలు పనిచేస్తున్నాయో లేదో నిర్ధారించడానికి సెల్స్‌ను వరుసగా నడపండి +2. **క్విజ్ యాప్ పరీక్ష:** అభివృద్ధి సర్వర్ ద్వారా మాన్యువల్ పరీక్ష +3. **అనువాద ధృవీకరణ:** `translations/` ఫోల్డర్‌లో అనువాద కంటెంట్ తనిఖీ చేయండి +4. **క్విజ్ యాప్ లింటింగ్:** `etc/quiz-app/` లో `npm run lint` నడపండి + +### కోడ్ ఉదాహరణలు నడపడం: + +```bash +# ముందుగా వాతావరణాన్ని సక్రియం చేయండి +conda activate ai4beg + +# Python స్క్రిప్టులను నేరుగా నడపండి +python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py + +# లేదా నోట్‌బుక్స్‌ను అమలు చేయండి +jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb +``` + +## కోడ్ శైలి + +### Python కోడ్ శైలి + +- విద్యా కోడ్ కోసం ప్రామాణిక Python నియమాలు +- స్పష్టమైన, చదవదగిన కోడ్, ఆప్టిమైజేషన్ కంటే నేర్చుకోవడాన్ని ప్రాధాన్యం ఇస్తుంది +- ముఖ్యమైన భావాలను వివరిస్తున్న వ్యాఖ్యలు +- Jupyter Notebook అనుకూలం: సెల్స్ సాధ్యమైనంత వరకు స్వతంత్రంగా ఉండాలి +- పాఠ్య కంటెంట్ కోసం కఠినమైన లింటింగ్ అవసరం లేదు + +### JavaScript/Vue.js (క్విజ్ యాప్) + +- `etc/quiz-app/package.json` లో ESLint కాన్ఫిగరేషన్ +- సమస్యలను తనిఖీ చేసి ఆటోమేటిక్‌గా సరిచేయడానికి `npm run lint` నడపండి +- Vue 2.x నియమాలు +- కంపోనెంట్ ఆధారిత నిర్మాణం + +### ఫైల్ నిర్వహణ + +``` +lessons/ + ├── 0-course-setup/ # Setup instructions + ├── 1-Intro/ # Introduction to AI + ├── 2-Symbolic/ # Symbolic AI + ├── 3-NeuralNetworks/ # Neural Networks basics + ├── 4-ComputerVision/ # Computer Vision + ├── 5-NLP/ # Natural Language Processing + ├── 6-Other/ # Other AI techniques + ├── 7-Ethics/ # AI Ethics + └── X-Extras/ # Additional content + +etc/ + ├── quiz-app/ # Vue.js quiz application + └── quiz-src/ # Quiz source files + +translations/ # Multi-language translations +``` + +## బిల్డ్ మరియు డిప్లాయ్‌మెంట్ + +### Jupyter కంటెంట్ + +బిల్డ్ ప్రక్రియ అవసరం లేదు - Jupyter Notebooks నేరుగా నడుస్తాయి. + +### క్విజ్ అప్లికేషన్ + +```bash +cd etc/quiz-app + +# అభివృద్ధి +npm run serve + +# ఉత్పత్తి నిర్మాణం +npm run build # etc/quiz-app/dist/ కు అవుట్పుట్‌లు + +# Azure స్థిర వెబ్ యాప్స్‌కు పంపిణీ చేయండి +# Azure ఆటోమేటిక్‌గా GitHub Actions వర్క్‌ఫ్లో సృష్టిస్తుంది +# వివరమైన పంపిణీ సూచనల కోసం etc/quiz-app/README.md చూడండి +``` + +### డాక్యుమెంటేషన్ సైట్ + +రిపోజిటరీ Docsify ఉపయోగించి డాక్యుమెంటేషన్ అందిస్తుంది: +- `index.html` ప్రవేశ పాయింట్‌గా పనిచేస్తుంది +- బిల్డ్ అవసరం లేదు - GitHub Pages ద్వారా నేరుగా అందించబడుతుంది +- యాక్సెస్: https://microsoft.github.io/AI-For-Beginners/ + +## సహకార మార్గదర్శకాలు + +### పుల్ రిక్వెస్ట్ ప్రక్రియ + +1. **శీర్షిక ఫార్మాట్:** మార్పును స్పష్టంగా, వివరణాత్మకంగా తెలియజేసే శీర్షికలు +2. **CLA అవసరం:** Microsoft CLA సంతకం చేయాలి (ఆటోమేటిక్ తనిఖీ) +3. **కంటెంట్ మార్గదర్శకాలు:** + - విద్యా దృష్టికోణం మరియు ప్రారంభ స్థాయి అనుకూలతను కాపాడండి + - అన్ని కోడ్ ఉదాహరణలను నోట్‌బుక్స్‌లో పరీక్షించండి + - నోట్‌బుక్స్ ఎండ్-టు-ఎండ్ నడవడం నిర్ధారించండి + - ఇంగ్లీష్ కంటెంట్ మార్చినట్లయితే అనువాదాలను నవీకరించండి +4. **క్విజ్ యాప్ మార్పులు:** కమిట్ చేయడానికి ముందు `npm run lint` నడపండి + +### అనువాద సహకారం + +- అనువాదాలు GitHub Actions ద్వారా co-op-translator ఉపయోగించి ఆటోమేటిక్‌గా జరుగుతాయి +- మాన్యువల్ అనువాదాలు `translations//` లో ఉంచండి +- క్విజ్ అనువాదాలు `etc/quiz-app/src/assets/translations/` లో ఉంటాయి +- మద్దతు పొందిన భాషలు: 40+ (పూర్తి జాబితా README లో చూడండి) + +### సక్రియ సహకార ప్రాంతాలు + +ప్రస్తుత అవసరాల కోసం `etc/CONTRIBUTING.md` చూడండి: +- డీప్ రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్ విభాగాలు +- ఆబ్జెక్ట్ డిటెక్షన్ మెరుగుదలలు +- నేమ్డ్ ఎంటిటీ రికగ్నిషన్ ఉదాహరణలు +- కస్టమ్ ఎంబెడ్డింగ్ ట్రైనింగ్ నమూనాలు + +## వాతావరణ కాన్ఫిగరేషన్ + +### అవసరమైన డిపెండెన్సీలు + +```bash +# కోర్ పైథాన్ ప్యాకేజీలు (requirements.txt నుండి) +tensorflow==2.17.0 +torch (via conda) +torchvision (via conda) +keras==3.5.0 +opencv (via conda) +scikit-learn +numpy==1.26 +pandas==2.2.2 +matplotlib==3.9 +jupyter +``` + +### వాతావరణ వేరియబుల్స్ + +ప్రాథమిక ఉపయోగానికి ప్రత్యేక వాతావరణ వేరియబుల్స్ అవసరం లేదు. + +Azure డిప్లాయ్‌మెంట్ (క్విజ్ యాప్) కోసం: +- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure ద్వారా ఆటోమేటిక్‌గా సెట్ అవుతుంది) + +## డీబగ్గింగ్ మరియు సమస్య పరిష్కారం + +### సాధారణ సమస్యలు + +**సమస్య:** కండా వాతావరణం సృష్టించడంలో విఫలం +- **పరిష్కారం:** ముందుగా కండాను అప్‌డేట్ చేయండి: `conda update conda -y` +- సరిపడా డిస్క్ స్థలం ఉన్నదని నిర్ధారించుకోండి (50GB సిఫార్సు) + +**సమస్య:** Jupyter కర్నెల్ కనుగొనబడలేదు +- **పరిష్కారం:** + ```bash + conda activate ai4beg + python -m ipykernel install --user --name ai4beg + ``` + +**సమస్య:** నోట్‌బుక్స్‌లో GPU కనుగొనబడలేదు +- **పరిష్కారం:** + - CUDA ఇన్‌స్టాలేషన్‌ను తనిఖీ చేయండి: `nvidia-smi` + - PyTorch GPU తనిఖీ: `python -c "import torch; print(torch.cuda.is_available())"` + - TensorFlow GPU తనిఖీ: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"` + +**సమస్య:** క్విజ్ యాప్ ప్రారంభం కావడం లేదు +- **పరిష్కారం:** + ```bash + cd etc/quiz-app + rm -rf node_modules package-lock.json + npm install + npm run serve + ``` + +**సమస్య:** బైండర్ టైమ్ అవుట్ అవుతుంది లేదా డౌన్లోడ్లను బ్లాక్ చేస్తుంది +- **పరిష్కారం:** మెరుగైన వనరుల యాక్సెస్ కోసం GitHub Codespaces లేదా లోకల్ సెటప్ ఉపయోగించండి + +### మెమరీ సమస్యలు + +కొన్ని పాఠాలు గణనీయమైన RAM అవసరం (8GB+ సిఫార్సు): +- వనరులు ఎక్కువగా అవసరమయ్యే పాఠాల కోసం క్లౌడ్ VM లను ఉపయోగించండి +- మోడల్స్ ట్రైనింగ్ సమయంలో ఇతర అప్లికేషన్లను మూసివేయండి +- మెమరీ తక్కువైతే నోట్‌బుక్స్‌లో బ్యాచ్ సైజ్ తగ్గించండి + +## అదనపు గమనికలు + +### కోర్సు ఉపాధ్యాయుల కోసం + +- బోధనా మార్గదర్శకాలకు `lessons/0-course-setup/for-teachers.md` చూడండి +- పాఠాలు స్వతంత్రంగా ఉండి వరుసగా లేదా ఎంచుకుని బోధించవచ్చు +- అంచనా సమయం: 12 వారాలు, వారానికి 2 పాఠాలు + +### క్లౌడ్ వనరులు + +- **Azure for Students:** విద్యార్థులకు ఉచిత క్రెడిట్లు అందుబాటులో ఉన్నాయి +- **Microsoft Learn:** పాఠ్యక్రమంలో అనుబంధంగా లెర్నింగ్ పాథ్లు +- **Binder:** ఉచితం కానీ పరిమిత వనరులు మరియు కొన్ని నెట్‌వర్క్ పరిమితులు + +### కోడ్ నడపడం ఎంపికలు + +1. **లోకల్ (సిఫార్సు):** పూర్తి నియంత్రణ, ఉత్తమ పనితీరు, GPU మద్దతు +2. **GitHub Codespaces:** క్లౌడ్ ఆధారిత VS Code, త్వరిత యాక్సెస్‌కు అనుకూలం +3. **Binder:** బ్రౌజర్ ఆధారిత Jupyter, ఉచితం కానీ పరిమితం +4. **Azure ML Notebooks:** GPU మద్దతుతో ఎంటర్ప్రైజ్ ఎంపిక +5. **Google Colab:** నోట్‌బుక్స్‌ను వ్యక్తిగతంగా అప్‌లోడ్ చేయండి, ఉచిత GPU లేయర్ అందుబాటులో ఉంది + +### నోట్‌బుక్స్‌తో పని + +- నేర్చుకోవడానికి సెల్-బై-సెల్ నడపడానికి డిజైన్ చేయబడ్డాయి +- చాలా నోట్‌బుక్స్ మొదటి సారి నడిపేటప్పుడు డేటాసెట్‌లు డౌన్లోడ్ చేస్తాయి (కొంత సమయం పడవచ్చు) +- కొన్ని మోడల్స్ సరైన శిక్షణ సమయాల కోసం GPU అవసరం +- కంప్యూటింగ్ అవసరాలను తగ్గించడానికి ప్రీ-ట్రెయిన్డ్ మోడల్స్ ఉపయోగిస్తారు + +### పనితీరు పరిగణనలు + +- తరువాతి కంప్యూటర్ విజన్ పాఠాలు (CNNs, GANs) GPU తో లాభపడతాయి +- NLP ట్రాన్స్‌ఫార్మర్ పాఠాలు గణనీయమైన RAM అవసరం కావచ్చు +- మొదటి నుండి శిక్షణ ఇవ్వడం విద్యా ప్రయోజనకరం కానీ సమయం ఎక్కువ పడుతుంది +- ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉదాహరణలు శిక్షణ సమయాన్ని తగ్గిస్తాయి + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/README.md b/translations/te/README.md index c0537f75..527ea75b 100644 --- a/translations/te/README.md +++ b/translations/te/README.md @@ -1,12 +1,3 @@ - [![GitHub license](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) @@ -21,212 +12,214 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# ప్రారంభికుల కోసం కృత్రిమ మేధస్సు - ఒక పాఠ్యक्रमం +# ప్రారంభనగలవారి కొరకు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ - ఒక పాఠ్యಕ್ರಮం -|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/te/ai-overview.0857791951d19500.webp)| +|![Sketchnote by @girlie_mac https://twitter.com/girlie_mac](../../translated_images/te/ai-overview.0857791951d19500.webp)| |:---:| -| ప్రారంభికుల కోసం AI - _[మిత్రురాలు @girlie_mac](https://twitter.com/girlie_mac) చేత స్కెచ్ నోట్_ | +| ప్రారంభనగలవారి కొరకు AI - _[గర్లీ_మాక్](https://twitter.com/girlie_mac) చేత స్కెచ్ నోట్_ | + +మా 12 వారాలు, 24 పాఠాలు కలిగిన పాఠ్యक्रमంతో **ఆర్టిఫిషియల్ ఇంటెలిజెన్స్** (AI) ప్రపంచాన్ని అన్వేషించండి! ఇది ప్రయోగాత్మక పాఠాలు, క్విజ్‌లు మరియు ప్రయోగశాలలను కలిగి ఉంటుంది. ఇది ప్రారంభనగలవారి అనుకూలంగా ఉంటుంది మరియు TensorFlow, PyTorch వంటి సాధనాలు మరియు AI నైతికతలను కవర్ చేస్తుంది -మా 12 వారాల, 24 పాఠాల పాఠ్యక్రమంతో **కృత్రిమ మేధస్సు** (AI) ప్రపంచాన్ని అన్వేషించండి! ఇందులో వంతెన పాఠాలు, క్విజ్‌లు, మరియు ప్రయోగశాలలు ఉన్నాయి. ఈ పాఠ్యక్రమం ప్రారంభికులకు అనుకూలంగా ఉండి, TensorFlow మరియు PyTorch వంటి పరికరాలు, అలాగే AIలో నైతికతలను కూడా కవర్ చేస్తుంది. ### 🌐 బహుభాషా మద్దతు -#### GitHub చర్య ద్వారా మద్దతు (ఆటోమెటెడ్ & ఎప్పటికప్పుడు అప్‌డేట్) +#### GitHub చర్య ద్వారా మద్దతు (ఆటోమేటెడ్ & ఎప్పుడూ తాజా) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](./README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](./README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **స్థానికంగా క్లోన్ చేయాలని ఇష్టం ఉందా?** +> **స్థానికంగా క్లోన్ చేయాలనుకుంటున్నారా?** -> ఈ రిపోజిటరీలో 50+ భాషా అనువాదాలు ఉన్నాయి, అవి డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెంచుతాయి. అనువాదాలు లేకుండా క్లోన్ చేయడానికి, sparse checkout ఉపయోగించండి: +> ఈ రిపోజిటరీలో 50+ భాషా అనువాదాలు ఉన్నాయి, ఇవి డౌన్లోడ్ పరిమాణాన్ని గణనీయంగా పెద్దది చేస్తాయి. అనువాదాలు లేకుండా క్లోన్ చేయడానికి sparse checkout ఉపయోగించండి: > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git > cd AI-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> ఇది కోర్సు పూర్తి చేయడానికి మీరు అవసరమైన అన్ని వాటినీ చాలా వేగంగా డౌన్లోడ్ చేసుకునేందుకు సహాయపడుతుంది. +> ఇది మీరు కోర్సు పూర్తి చేసేందుకు అవసరమైన అన్ని విషయాలను చాలా వేగంగా డౌన్లోడ్ చేయడానికి ఇస్తుంది. -**మీకు అదనపు అనువాద భాషలు కావాలనుకుంటే అవి ఇక్కడ [list](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ఉన్నాయి** +**మరింత అనువాద భాషల మద్దతు కావాలనుకుంటే [ఇక్కడ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) జాబితా ఉన్నవి** -## కమ్యూనిటీలో చేరండి +## సముదాయంలో చేరండి [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -## మీరు ఏమి నేర్చుకోబడతారు +## మీరు నేర్చుకోబోయేది **[కోర్సు మైండ్‌మ్యాప్](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** ఈ పాఠ్యక్రమంలో, మీరు నేర్చుకుంటారు: -* కృత్రిమ మేధస్సు పట్ల వివిధ దృష్టికోణాలు, వాటిలో “పాత నాణ్యమైన” చిహ్నాత్మక దృష్టికోణం మరియు **జ్ఞాన ప్రతినిధిత్వం** మరియు తర్కశక్తి ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* ఆధునిక AIలో ప్రస్థానమైన **న్యూరల్ నెట్‌వర్క్స్** మరియు **డీప్ లెర్నింగ్**. మేము ఈ ముఖ్యమైన అంశాల వెనుక ఉన్న భావాలను రెండు ప్రముఖ ఫ్రేమ్‌వర్క్లు - [TensorFlow](http://Tensorflow.org) మరియు [PyTorch](http://pytorch.org) లో కోడ్‌తో వివరించబోతున్నాము. -* చిత్రాలు మరియు వచనంతో పని చేసే **న్యూరల్ గঠনరచనలు**. మేము తాజా నమూనాలను కవర్ చేస్తాము కానీ అత్యాధునిక స్థాయిలో కొంత తొందర పోవచ్చు. -* తక్కువ ప్రాచుర్యం ఉన్న AI పద్ధతులు, ఉదాహరణకు **జెనెటిక్ అల్గోరిథమ్స్** మరియు **మల్టీ-ఏజెంట్ సిస్టమ్స్**. +* "సామాన్యమైన" సాందర్భిక దృక్పథంతో సహా, వివిధ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ దృక్పథాలు, **జ్ఞాన ప్రాతినిధ్యం** మరియు తర్క శాస్త్రం ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* ఆధునిక AI మాధ్యమంగా ఉన్న **న్యూరల్ నెట్‌వర్క్లు** మరియు **డీప్ లెర్నింగ్**. ఈ ముఖ్యమైన విషయాల వెనుక భావనలను మేము రెండు ప్రముఖ ఫ్రేమ్‌వర్క్‌లలో కోడ్ ద్వారా సూచిస్తాము - [TensorFlow](http://Tensorflow.org) మరియు [PyTorch](http://pytorch.org). +* చిత్రాలు మరియు వచనంతో పని చేయడానికి **న్యూరల్ ఆర్కిటెక్చర్లు**. మేము తాజా మోడల్స్‌ను కవర్ చేస్తాము కానీ తక్కువగా రాష్ట్ర-of-ది-ఆర్ట్ ఉండవచ్చు. +* తక్కువ ప్రాచుర్యం పొందిన AI దృక్పథాలు, ఉదాహరణకు **జెనెటిక్ అల్గారిదమ్స్** మరియు **మల్టీ-ఏజెంట్ సిస్టమ్స్**. -ఈ పాఠ్యక్రమంలో మేము కవర్ చేయనిదే: +ఈ పాఠ్యక్రమంలో మేము కవర్ చేయని విషయాలు: -> [ఈ కోర్సుకు సంబంధించిన అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో చూడండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [ఈ కోర్సు కొరకు అన్ని అదనపు వనరులను మా Microsoft Learn సేకరణలో కనుగొనండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* **AIని వ్యాపారంలో ఉపయోగించే** వ్యాపార కేసులు. దయచేసి [వ్యాపార వినియోగదారుల కోసం AI పరిచయం](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) Microsoft Learnలో లేదా [AI బిజినెస్ స్కూల్](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) తీసుకొనండి, ఇది [INSEAD](https://www.insead.edu/)తో సహకారంతో అభివృద్ధి చేయబడింది. -* మన [మషీన్ లెర్నింగ్ ఫర్ బిగ్నర్స్ పాఠ్యక్రమంలో](http://github.com/Microsoft/ML-for-Beginners) సుపరిచితమైన **క్లాసిక్ మెషీన్ లెర్నింగ్**. -* **[కాగ్నిటివ్ సర్వీసెస్](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ఉపయోగించి గణనీయ AI అనువర్తనాలు. దీనికి, Microsoft Learnలోని [విషన్](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [ప్రాకృత భాషా ప్రాసెసింగ్](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI సేవతో జనరేటివ్ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** మరియు ఇతర మాడ్యూల్స్‌ను ప్రారంభించడం సిఫార్సు చేస్తాము. -* [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), లేదా [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum) వంటి ప్రత్యేక ML **క్లౌడ్ ఫ్రేమ్‌వర్క్స్**. [Azure Machine Learningతో మిషీన్ లెర్నింగ్ పరిష్కారాలను నిర్మించడం మరియు నిర్వహించడం](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) మరియు [Azure Databricksతో మిషీన్ లెర్నింగ్ పరిష్కారాలను నిర్మించడం, నిర్వహించడం](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పథాలను ఉపయోగించడం పరిగణించండి. -* **సంభాషణాత్మక AI** మరియు **చాట్ బాట్లు**. ఒక వేర్వేరు [సంభాషణాత్మక AI పరిష్కారాలను సృష్టించడం](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పథం ఉంది, అలాగే మరిన్ని వివరాలకు [ఈ బ్లాగ్ పోస్ట్](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) చూడవచ్చు. -* డీప్ లెర్నింగ్ వెనుక **గణితశాస్త్రం**. దీనికి, ఇయాన్ గూడ్‌ఫెల్లో, యోషువా బెంగియో మరియు ఆరాన్ కుర్విల్ రచించిన [డీప్ లెర్నింగ్](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) పుస్తకాన్ని సిఫార్సు చేస్తాము, ఇది ఆన్‌లైన్‌లో కూడా అందుబాటులో ఉంది [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* **వ్యాపారంలో AI** ఉపయోగం యొక్క వ్యాపార సందర్భాలు. Microsoft Learnలో [వ్యవసాయ వినియోగదారులకు AI కు పరిచయం](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పాత్ తీసుకోవడం లేదా [AI బిజినెస్ స్కూల్](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/)తో సహకారంతో అభివృద్ధి చేయబడింది. +* మా [మిషన్ లెర్నింగ్ ఫర్ బిగినర్స్ పాఠ్యక్రమంలో](http://github.com/Microsoft/ML-for-Beginners) బాగా వివరించిన **ప్రాచీన మిషన్ లెర్నింగ్**. +* **[కాగ్నిటివ్ సర్వీసెస్](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ఉపయోగించి నిర్మించిన ప్రాక్టికల్ AI అనువర్తనాలు. దీనికోసం, మేము Microsoft Learn నుండి [దృశ్య](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [స్వాభావిక భాషా ప్రాసెసింగ్](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI సేవతో జనరేటివ్ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** మరియు ఇతర మాడ్యూల్స్‌తో ప్రారంభించాలని సిఫార్సు చేస్తాము. +* నిర్ధిష్టమైన ML **క్లౌడ్ ఫ్రేమ్‌వర్క్లు**, ఉదాహరణకు [Azure మిషన్ లెర్నింగ్](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft ఫాబ్రిక్](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) లేదా [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learningతో మిషన్ లెర్నింగ్ సొల్యూషన్స్ నిర్మించండి మరియు నిర్వహించండి](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) మరియు [Azure Databricksతో మిషన్ లెర్నింగ్ సొల్యూషన్స్ నిర్మించి, నిర్వహించండి](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పాత్‌లను ఉపయోగించండి. +* **వార్తామూల AI** మరియు **చాట్ బాట్స్**. వేరే [వార్తామూల AI సొల్యూషన్స్ సృష్టించండి](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పాత్ ఉంది, అలాగే [ఈ బ్లాగ్ పోస్ట్](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/)ను వివరాలకు చూడవచ్చు. +* డీప్ లెర్నింగ్ వెనుక ఉన్న **గణిత శాస్త్రం**. దీని కొరకు, ఇయాన్ గూడ్‌ఫెలోలు, యోషువా బెంగియో మరియు ఆరాన్ కcourville రచించిన [డీప్ లెర్నింగ్](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)ను సిఫార్సు చేస్తాము, ఇది ఆన్‌లైన్‌లో కూడా అందుబాటులో ఉంది [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -_కృత్రిమ మేధస్సు క్లౌడ్‌లో_ మొదటి పరిచయానికి, మీరు [Azureలో కృత్రిమ మేధస్సుతో మొదలుపెట్టడం](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పథం తీసుకోవచ్చు. +_క్లౌడ్‌లో AI_పై సౌమ్య పరిచయానికి మీరు [Azureపై ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ప్రారంభించండి](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) లెర్నింగ్ పాత్ తీసుకోవచ్చు. -# విషయ సూచిక +# కంటెంట్ | | పాఠం లింక్ | PyTorch/Keras/TensorFlow | ప్రయోగశాల | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | | 0 | [కోర్సు సెటప్](./lessons/0-course-setup/setup.md) | [మీ అభివృద్ధి వాతావరణాన్ని సెటప్ చేయండి](./lessons/0-course-setup/how-to-run.md) | | | I | [**AI పరిచయం**](./lessons/1-Intro/README.md) | | | | 01 | [AI పరిచయం మరియు చరిత్ర](./lessons/1-Intro/README.md) | - | - | -| II | **చిహ్నాత్మక AI** | -| 02 | [జ్ఞాన ప్రతినిధిత్వం మరియు నిపుణుల వ్యవస్థలు](./lessons/2-Symbolic/README.md) | [నిపుణుల వ్యవస్థలు](./lessons/2-Symbolic/Animals.ipynb) / [ఆంటాలజీ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[కాన్సెప్ట్ గ్రాఫ్](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | -| III | [**న్యూరల్ నెట్‌వర్క్స్ పరిచయం**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [పర్సెప్ట్రాన్](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [నోట్‌బుక్](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ల్యాబ్](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్ మరియు మనం సొంత ఫ్రేమ్‌వర్క్ సృష్టించడం](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [నోట్‌బుక్](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ల్యాబ్](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [ఫ్రేమ్‌వర్క్లు పరిచయం (PyTorch/TensorFlow) మరియు ఓవర్‌ఫిట్టింగ్](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ల్యాబ్](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**కంప్యూటర్ విజన్**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure మీద కంప్యూటర్ విజన్ అన్వేషించండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [కంప్యూటర్ విజన్ ప్రవేశం. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [నోట్‌బుక్](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ల్యాబ్](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్స్](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN నిర్మాణాలు](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ల్యాబ్](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [ముందుగా శిక్షణ పొందిన నెట్‌వర్క్లు మరియు ట్రాన్స్ఫర్ లెర్నింగ్](./lessons/4-ComputerVision/08-TransferLearning/README.md) మరియు [శిక్షణ ట్రిక్స్](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ల్యాబ్](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [ఆటోఎంకోడర్స్ మరియు VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [జనరేటివ్ అద్వర్సరియల్ నెట్‌వర్క్స్ & ఆర్టిస్టిక్ స్టైల్ ట్రాన్స్ఫర్](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [వస్తువు గుర్తింపు](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ల్యాబ్](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [సెమాంటిక్ స_SEGMENTATION. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | -| V | [**స్వభావిక భాషా ప్రాసెసింగ్**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azureపై స్వభావిక భాషా ప్రాసెసింగ్ అన్వేషించండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| II | **సాందర్భిక AI** | +| 02 | [జ్ఞాన ప్రాతినిధ్యం మరియు నిపుణుల వ్యవస్థలు](./lessons/2-Symbolic/README.md) | [నిపుణుల వ్యవస్థలు](./lessons/2-Symbolic/Animals.ipynb) / [ఆంటాలజీ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[సంకల్పన గ్రాఫ్](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| III | [**న్యూరల్ నెట్‌వర్క్‌లకు పరిచయం**](./lessons/3-NeuralNetworks/README.md) ||| +| 03 | [పర్సెప్ట్రాన్](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [నోట్బుక్](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ప్రయోగశాల](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [బహుళ-స్థరాల పర్సెప్ట్రాన్ మరియు మన స్వంత ఫ్రేమ్‌వర్క్ సృష్టించడం](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [నోట్బుక్](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ప్రయోగశాల](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [ఫ్రేమ్‌వర్క్‌లుకు పరిచయము (PyTorch/TensorFlow) మరియు ఓవర్ఫిటింగ్](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ప్రయోగశాల](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**కంప్యూటర్ విజన్**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [మైక్రోసాఫ్ట్ ఆజూర్‌లో కంప్యూటర్ విజన్ అన్వేషించండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [కంప్యూటర్ విజన్‌కు పరిచయం. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [నోట్బుక్](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ప్రయోగశాల](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లు](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ఆర్కిటెక్చర్లు](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ప్రయోగశాల](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [పూర్వ ప్రక్షేపిత నెట్‌వర్క్‌లు మరియు ట్రాన్స్ఫర్ లెర్నింగ్](./lessons/4-ComputerVision/08-TransferLearning/README.md) మరియు [శిక్షణ చిట్కాలు](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ప్రయోగశాల](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [ఆటోఎన్‌కోడర్లు మరియు VAEలు](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [జనరేటివ్ అడ్వర్సీరియల్ నెట్‌వర్క్‌లు & కళాత్మక శైలి బదిలీ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [వస్తువులను గుర్తించడం](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ప్రయోగశాల](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [సెమాంటిక్ సెగ్మెంటేషన్. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | +| V | [**ప్రాకృతిక భాషా ప్రాసెసింగ్**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [మైక్రోసాఫ్ట్ ఆజూర్‌లో ప్రాకృతిక భాషా ప్రాసెసింగ్ అన్వేషించండి](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [పాఠ్య ప్రాతినిధ్యం. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | | -| 14 | [సెమాంటిక్ పదం ఎంబెడ్డింగ్స్. Word2Vec మరియు GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [భాషా మోడలింగ్. మీ సొంత ఎంబెడ్డింగ్స్ శిక్షణ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ల్యాబ్](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [రికరెంట్ న్యూరల్ నెట్‌వర్క్స్](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | -| 17 | [జనరేటివ్ రికరెంట్ నెట్‌వర్క్స్](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ల్యాబ్](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 14 | [సెమాంటిక్ వర్డ్ ఎంబెడ్డింగ్స్. Word2Vec మరియు GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [భాషా మోడలింగ్. మీ స్వంత ఎంబెడ్డింగ్స్ శిక్షణ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ప్రయోగశాల](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [రికరెంట్ న్యూరల్ నెట్‌వర్క్‌లు](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | | +| 17 | [జనరేటివ్ రికరెంట్ నెట్‌వర్క్‌లు](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ప్రయోగశాల](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [ట్రాన్స్‌ఫార్మర్స్. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [నేమ్డ్ ఎంటిటీ రికగ్నిషన్](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ల్యాబ్](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [పెద్ద భాషా మోడల్స్, ప్రాంప్ట్ ప్రోగ్రామింగ్ మరియు ఫ్యూషాట్ టास్కులు](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 19 | [నేమ్‌డ ఎంటిటీ గుర్తింపు](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ప్రయోగశాల](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [పెద్ద భాషా నమూనాలు, ప్రాంప్ట్ ప్రోగ్రామింగ్ మరియు కొద్దిగా-షాట్ టాస్కులు](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **ఇతర AI సాంకేతికతలు** || | -| 21 | [జెనెటికల్ ఆల్గోరిధమ్స్](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [నోట్‌బుక్](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [డీప్ రీఇన్ఫోర్స్‌మెంట్ లెర్నింగ్](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ల్యాబ్](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [మల్టీ-ఏజెంట్ వ్యవస్థలు](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| 21 | [జెనెటిక్ ఆల్గోరిథమ్స్](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [నోట్బుక్](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [డీప్ రీఫోర్స్‌మెంట్ లెర్నింగ్](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ప్రయోగశాల](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [బహుళ-ఏజెంట్ వ్యవస్థలు](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **AI నైతికతలు** | | | -| 24 | [AI నైతికతలు మరియు బాధ్యతాయుతమైన AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: బాధ్యతాయుతమైన AI ప్రిన్సిపుల్స్](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **అమరికలు** | | | -| 25 | [మల్టీ-మోడల్ నెట్‌వర్క్స్, CLIP మరియు VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [నోట్‌బుక్](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 24 | [AI నైతికత మరియు బాధ్యతాయుత AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: బాధ్యతాయుత AI స 원ుజనాలు](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| IX | **అదనపు వనరులు** | | | +| 25 | [బహుళ-మోడల్ నెట్‌వర్క్‌లు, CLIP మరియు VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [నోట్బుక్](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## ప్రతి పాఠం లో ఉన్నాయి +## ప్రతి పాఠంలో ఉంటాయి -* ముందస్తు పఠనం పదార్థం -* అమలు చేయదగిన జుపైటర్ నోట్‌బుక్స్, అవి తరచుగా ఫ్రేమ్‌వర్క్ ( **PyTorch** లేదా **TensorFlow** ) కు ప్రత్యేకంగా ఉంటాయి. అమలు నోట్‌బుక్ లో థియరీ పదార్థం కూడా చాలా ఉంటుంది, కాబట్టి విషయం అర్థం చేసుకోవడానికి కనీసం ఒక వెర్షన్ (PyTorch లేదా TensorFlow) ను చూడాలి. -* కొంత విషయాలకు **ల్యాబ్స్** అందుబాటులో ఉంటాయి, అవి మీరు నేర్చుకున్న పదార్థం ను ఒక నిర్దిష్ట సమస్యపై ప్రయోగించేందుకు అవకాశం ఇస్తాయి. -* కొన్ని విభాగాలు సంబంధిత అంశాలను కవర్ చేసే [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) మాడ్యూల్స్ కు లింకులు కలిగి ఉంటాయి. +* ముందస్తు పఠనం సామగ్రి +* అమలు చేయగల జుపిటర్ నోట్‌బుక్స్, ఇవి తరచుగా ఫ్రేమ్‌వర్క్‌కు సంబంధించినవి (**PyTorch** లేదా **TensorFlow**). అమలు చేయగల నోట్‌బుక్‌లో చాలా సిద్ధాంతాత్మక సామగ్రి కూడా ఉంటుంది, కాబట్టి మీరు విషయం అర్థం చేసుకోడానికి కనీసం ఒక నోట్‌బుక్ వెర్షన్ (PyTorch లేదా TensorFlow ఏదైనా) చదవాలి. +* కొన్నిదానికీ **ప్రయోగశాలలు** అందుబాటులో ఉంటాయి, ఇవి మీరు నేర్చుకున్న విషయాన్ని ఒక నిర్దిష్ట సమస్యపై ప్రయోగించుకునే అవకాశాన్ని ఇస్తాయి. +* కొన్ని విషయాలు [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) మాడ్యూల్స్‌కు లింకులు కలిగి ఉంటాయి, ఇవి సంబంధించిన విషయాలను కవర్ చేస్తాయి. ## ప్రారంభం -### 🎯 AIలో కొత్తవారా? ఇక్కడ నుండి ప్రారంభించండి! +### 🎯 AIకి కొత్తవారా? ఇక్కడ ప్రారంభించండి! -మీరు పూర్తిగా AI కొత్తవారిగా ఉంటే మరియు వేగంగా, ప్రయోగాత్మక ఉదాహరణలు చూచాలనుకుంటే, మా [**ప్రారంభకులకు అనుకూల ఉదాహరణలు**](./examples/README.md) ను చూడండి! ఇవి కలిగి ఉంటాయి: +మీరు పూర్తిగా AIకి కొత్తవైనవారు మరియు త్వరిత, హాండ్-ఆన్ ఉదాహరణలు కావాలంటే, మా [**ఆరంభ దశలకు అనుకూలమైన ఉదాహరణలు**](./examples/README.md) చూడండి! వీటిలో ఉంటాయి: -- 🌟 **హలో AI వరల్డ్** - మీ మొదటి AI ప్రోగ్రామ్ (నమూనా గుర్తింపు) -- 🧠 **సాధారణ న్యూరల్ నెట్‌వర్క్** - మొదటి నుండీ న్యూరల్ నెట్‌వర్క్ నిర్మించండి -- 🖼️ **చిత్ర వర్గీకర్త** - విపుల వ్యాఖ్యలతో చిత్రాలను వర్గీకరించండి -- 💬 **పాఠ్య నిర్వహణ భావన** - సానుకూల / ప్రతిస్కూల పాఠ్యాన్ని విశ్లేషించండి +- 🌟 **హలో AI వల్డ్** - మీ మొదటి AI ప్రోగ్రామ్ (ప్యాటర్న్ గుర్తింపు) +- 🧠 **సాధారణ న్యూరల్ నెట్‌వర్క్** - మొదటి నుండి న్యూరల్ నెట్‌వర్క్ నిర్మించండి -ఈ ఉదాహరణలు మీరు పూర్తి కోర్సును ప్రారంభించడానికి ముందుగా AI מושגים ను అర్థం చేసుకోవడంలో సహాయపడేందుకు రూపొందించబడినవి. +- 🖼️ **చిత్ర వర్గీకర్త** - విపుల వ్యాఖ్యలతో చిత్రాలను వర్గీకరించండి +- 💬 **పాఠ్య భావోద్వేగం** - సానుకూల/నెగిటివ్ పాఠ్యాన్ని విశ్లేషించండి -### 📚 పూర్తి పాఠ్యక్రమం అమరిక +ఈ ఉదాహరణలు మీరు పూర్తి పాఠ్యક્રમంలో దిగులుపోగడానికి ముందు AI భావనలు అర్థం చేసుకోవడానికి రూపొందించబడ్డాయి. -- మేము మీ అభివృద్ధి వాతావరణం అమరిక కోసం [సెట్టప్ పాఠం](./lessons/0-course-setup/setup.md) సృష్టించాము. - విద్యాసంస్థలకు, మేము మీ కోసం ఒక [పాఠ్యక్రమ అమరిక పాఠం](./lessons/0-course-setup/for-teachers.md) కూడా రూపొందించాము! -- [VSCode లేదా Codespace లో కోడ్ ఎలా నడిపించాలి](./lessons/0-course-setup/how-to-run.md) +### 📚 పూర్తి పాఠ్యక్రమం ఏర్పాటు -ఈ దశలనుఇ అనుసరించండి: +- అభివృద్ధి వాతావరణం ఏర్పాటు సహాయానికి మేము [సెట్ అప్ పాఠం](./lessons/0-course-setup/setup.md) సృష్టించాము. - ఉపాధ్యాయులకు మేము ఒక [పాఠ్యక్రమం ఏర్పాటు పాఠం](./lessons/0-course-setup/for-teachers.md) కూడా రూపొందించాము! +- [VSCode లేదా Codespaceలో కోడ్ ఎలా నడపాలి](./lessons/0-course-setup/how-to-run.md) -Repository ని Fork చేయండి: ఈ పేజీపై ఎడమ-పైన ఉన్న "Fork" బటన్ పై క్లిక్ చేయండి. +ఈ దశలను అనుసరించండి: -Repository Clone చేయండి: `git clone https://github.com/microsoft/AI-For-Beginners.git` +రిపాజిటరీను ఫోర్క్ చేయండి: ఈ పేజీ అగ్రభాగం డানివైపు ఉన్న "Fork" బటన్‌పై క్లిక్ చేయండి. -తరువాత ఈ రిపోను సులభంగా కనుగొనడానికి స్టార్ (🌟) చేయడం మర్చిపోకండి. +రిపాజిటరీని క్లోన్ చేయండి: `git clone https://github.com/microsoft/AI-For-Beginners.git` -## ఇతర అభ్యసకులతో కలవండి +తర్వాత సులభంగా కనుగొనడానికి ఈ రిపోలో ఒక స్టార్ (🌟) ఇవ్వడం మరువకండి. -ఈ కోర్సు నేర్చుకుంటున్న ఇతర అభ్యసకులతో కలవడానికి మరియు నెట్‌వర్క్ చేయడానికి మా [అధికారిక AI Discord సర్వర్](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) లో చేరండి మరియు మద్దతు పొందండి. +## ఇతర అభ్యాసకులను కలవండి -మీకు ఉత్పత్తి అభిప్రాయం లేదా ప్రశ్నలుంటే మా [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ను సందర్శించండి +ఈ కోర్సును నేర్చుకునే ఇతర అభ్యాసకులతో కలవడానికి మరియు నెట్‌వర్క్ చేసుకోవడానికి మా [అధికారిక AI Discord సర్వర్](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) లో చేరండి మరియు మద్దతు పొందండి. + +మీకు ఉత్పత్తి అభిప్రాయం లేదా ప్రశ్నలు ఉంటే, అభివృద్ధి చేసే సమయంలో మా [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ను సందర్శించండి. ## క్విజ్‌లు -> **క్విజ్‌ల గురించి ఒక గమనిక**: అన్ని క్విజ్‌లు Quiz-app ఫోల్డర్ లో etc\quiz-app లో ఉంటాయి లేదా [ఆన్‌లైన్ ఇక్కడ](https://ff-quizzes.netlify.app/) లభ్యం. అవి పాఠ్యాల్లోనుంచి లింక్ గా ఉంటాయి. Quiz appని స్థానికంగా నడపవచ్చు లేదా Azureపై అమలు చేయవచ్చు; `quiz-app` ఫోల్డర్ లో ఇచ్చిన సూచనలు అనుసరించండి. అవి దశల వారీగా స్థానికీకరించబడుతున్నాయి. +> **క్విజ్‌ల గురించి ఒక గమనిక**: అన్ని క్విజ్‌లు etc\quiz-app ఫోల్డర్ లో Quiz-app అనుబంధంలో లేదా [ఇక్కడ ఆన్లైన్లో](https://ff-quizzes.netlify.app/) ఉన్నాయి. అవి పాఠాల నుండి లింక్ చేయబడ్డాయి. క్విజ్ యాప్ స్థానికంగా నడపవచ్చు లేదా Azureకి పంపవచ్చు; `quiz-app` ఫోల్డర్ లోని సూచనలను అనుసరించండి. అవి దశలవారీగా స్థానికీకరించబడుతున్నాయి. ## సహాయం కావాలి -మీకు సూచనలు ఉన్నాయా లేదా చదువు పొరపాట్లు లేదా కోడ్ లో లోపాలు కనుగొన్నారా? ఒక ఇష్యూ ఎత్తి లేదా పుల్ రిక్వెస్ట్ సృష్టించండి. +మీకు సూచనలు లేదా వచనం లేదా కోడ్ లో లోపాలు కనపడితే, ఒక ఇష్యూను లేవో ఒక పుల్ రిక్వెస్ట్ సృష్టించండి. ## ప్రత్యేక ధన్యవాదాలు -* **✍️ ప్రధాన రచయిత:** [Dmitry Soshnikov](http://soshnikov.com), PhD -* **🔥 ఎడిటర్:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 స్కెచ్‌నోట్ చిత్రకారుడు:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ క్విజ్ సృష్టికర్త:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 ప్రధాన సహకారులు:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **✍️ ప్రధాన రచయిత:** [డ్మిత్రి సోష్నికోవ్](http://soshnikov.com), PhD +* **🔥 సంపాదకుడు:** [జెన్ లూపర్](https://twitter.com/jenlooper), PhD +* **🎨 స్కెచ్ నోట్ చిత్రకర్త:** [టొమోమీ ఇమురా](https://twitter.com/girlie_mac) +* **✅ క్విజ్ సృష్టికర్త:** [లతీఫా బెల్లొ](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 ప్రధాన సహాయకారులు:** [ఎవ్జెనీ పిష్చిక్](https://github.com/Pe4enIks) ## ఇతర పాఠ్యక్రమాలు -మన బృందం ఇతర పాఠ్యక్రమాలు కూడా తయారుచేస్తోంది! చూడండి: +మన బృందం ఇతర పాఠ్యక్రమాలను తయారు చేస్తుంది! చూడండి: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) [![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- - -### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) + +### జనరేటివ్ AI సిరీస్ +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- - -### Core Learning -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) + +### కోర్ లెర్నింగ్ +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- - -### Copilot Series -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) + +### కాపిలట్ సిరీస్ +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## సాయం పొందండి +## సహాయం పొందడం -మీరు আটకిపోతే లేదా AI అప్లికేషన్లు నిర్మించే విషయంలో ఏవైనా ప్రశ్నలు ఉంటే MCP గురించి fellow learners మరియు అనుభవజ్ఞుల అభివృద్ధిదారులతో చర్చలలో చేరండి. ఇది ప్రశ్నలు విచారించడానికి మరియు విజ్ఞానాన్ని స్వేచ్ఛగా పంచుకునేందుకు సహాయక సమాజం. +మీరు అడ్డుకోవడం లేదా AI యాప్‌లు తయారు చేసే గురించి ఏవైనా ప్రశ్నలు ఉంటే, MCP గురించి చర్చల కోసం ఇతర అభ్యాసకులు మరియు అనుభవజ్ఞులైన అభివృద్ధికారులతో చేరండి. ప్రశ్నలు స్వాగతించబడతాయి మరియు జ్ఞానం స్వేచ్ఛగా పంచుకోబడుతుంది. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -మీకు ఉత్పత్తి అభిప్రాయం లేదా నిర్మాణంలో పിശుకులు ఉంటే సందర్శించండి: +మీకు ఉత్పత్తి అభిప్రాయం లేదా లోపాలు ఉంటే, అభివృద్ధి సమయంలో సందర్శించండి: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**వీడ్కోలు**: -ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించడం జరిగింది. ఖచ్చితత్వాన్ని పాటించడానికి ప్రయత్నించినప్పటికీ, స్వయంచాలక అనువాదాల్లో తప్పులు లేదా అపరిశుద్ధతలు ఉండవచ్చు. అసలు డాక్యుమెంట్ తన స్థానిక భాషలోనే అధికారిక మూలం అని పరిగణించాలి. ముఖ్యమైన సమాచారానికి, నిపుణుల చేతినివసలైన అనువాదం సిఫారసు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల ఉత్పన్నమయ్యే ఏవైనా అపార్థాలు లేదా తప్పు అర్థాలు పట్ల మేము బాధ్యత వహించము. +**అస్పష్టత నోటీసు**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ద్వారా అనువదించబడినది. మనం శుద్ధత కోసం ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాలలో తప్పులు లేదా అసత్యతలు ఉండవచ్చని దయచేసి గమనించండి. మౌలిక పత్రం దేశీయ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. కీలక సమాచారం కోసం, వృత్తిపరమైన మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపవాదాలు లేదా తప్పు అర్థం చేసుకునే విషయాలకు మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/SECURITY.md b/translations/te/SECURITY.md index f1a3f157..95e26c01 100644 --- a/translations/te/SECURITY.md +++ b/translations/te/SECURITY.md @@ -1,53 +1,44 @@ - -## భద్రత - -మైక్రోసాఫ్ట్ మా సాఫ్ట్‌వేర్ ఉత్పత్తులు మరియు సేవల భద్రతను గంభీరంగా తీసుకుంటుంది, ఇందులో మా GitHub సంస్థల ద్వారా నిర్వహించబడే అన్ని సోర్స్ కోడ్ రిపాజిటరీలు కూడా ఉన్నాయి, వీటిలో [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), మరియు [మా GitHub సంస్థలు](https://opensource.microsoft.com/) ఉన్నాయి. - -మీరు Microsoft యాజమాన్యంలో ఉన్న ఏదైనా రిపాజిటరీలో [Microsoft భద్రతా లోపం నిర్వచనం](https://aka.ms/opensource/security/definition)కి అనుగుణంగా భద్రతా లోపం కనుగొన్నట్లు భావిస్తే, దయచేసి క్రింద వివరించిన విధంగా మాకు తెలియజేయండి. - -## భద్రతా సమస్యలను నివేదించడం - -**దయచేసి భద్రతా లోపాలను పబ్లిక్ GitHub ఇష్యూల ద్వారా నివేదించవద్దు.** - -దాని బదులు, దయచేసి Microsoft Security Response Center (MSRC) వద్ద [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) ద్వారా నివేదించండి. - -లాగిన్ చేయకుండా సమర్పించాలనుకుంటే, [secure@microsoft.com](mailto:secure@microsoft.com) కు ఇమెయిల్ పంపండి. సాధ్యమైతే, మా PGP కీతో మీ సందేశాన్ని ఎన్‌క్రిప్ట్ చేయండి; దాన్ని [Microsoft Security Response Center PGP Key పేజీ](https://aka.ms/opensource/security/pgpkey) నుండి డౌన్లోడ్ చేసుకోండి. - -మీరు 24 గంటలలోపు స్పందన పొందుతారని ఆశించవచ్చు. ఏ కారణంగా స్పందన రాలేదంటే, మేము మీ అసలు సందేశాన్ని అందుకున్నామో లేదో నిర్ధారించుకోవడానికి ఇమెయిల్ ద్వారా ఫాలోఅప్ చేయండి. అదనపు సమాచారం కోసం [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) చూడండి. - -దయచేసి క్రింద పేర్కొన్న అవసరమైన సమాచారాన్ని (మీకు అందుబాటులో ఉన్నంత వరకు) అందించండి, తద్వారా సమస్య యొక్క స్వభావం మరియు పరిధిని మేము మెరుగ్గా అర్థం చేసుకోగలుగుతాము: - - * సమస్య రకం (ఉదా: బఫర్ ఓవర్‌ఫ్లో, SQL ఇంజెక్షన్, క్రాస్-సైట్ స్క్రిప్టింగ్, మొదలైనవి) - * సమస్య ప్రదర్శనకు సంబంధించిన సోర్స్ ఫైల్(లు) యొక్క పూర్తి మార్గాలు - * ప్రభావిత సోర్స్ కోడ్ యొక్క స్థానం (ట్యాగ్/బ్రాంచ్/కమిట్ లేదా ప్రత్యక్ష URL) - * సమస్యను పునరుత్పత్తి చేయడానికి అవసరమైన ప్రత్యేక కాన్ఫిగరేషన్ - * సమస్యను పునరుత్పత్తి చేయడానికి దశల వారీ సూచనలు - * ప్రూఫ్-ఆఫ్-కాన్సెప్ట్ లేదా ఎక్స్‌ప్లాయిట్ కోడ్ (సాధ్యమైతే) - * సమస్య ప్రభావం, దానిని దాడి దారులు ఎలా ఉపయోగించుకోవచ్చో సహా - -ఈ సమాచారం మాకు మీ నివేదికను వేగంగా పరిశీలించడంలో సహాయపడుతుంది. - -మీరు బగ్ బౌంటీ కోసం నివేదిస్తున్నట్లయితే, పూర్తి నివేదికలు ఎక్కువ బౌంటీ అవార్డుకు దారితీస్తాయి. మా [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) పేజీని సందర్శించి మా ప్రస్తుత కార్యక్రమాల గురించి మరింత తెలుసుకోండి. - -## ఇష్టమైన భాషలు - -మేము అన్ని కమ్యూనికేషన్లు ఆంగ్లంలో ఉండాలని ఇష్టపడతాము. - -## విధానం - -Microsoft [సమన్వయ భద్రతా లోపాల వెల్లడింపు](https://aka.ms/opensource/security/cvd) సూత్రాన్ని అనుసరిస్తుంది. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +## భద్రత + +మైక్రోసాఫ్ట్ మా సాఫ్ట్‌వేర్ ఉత్పత్తులు మరియు సేవల భద్రతను గంభీరంగా తీసుకుంటుంది, ఇందులో మా GitHub సంస్థల ద్వారా నిర్వహించబడే అన్ని సోర్స్ కోడ్ రిపాజిటరీలు కూడా ఉన్నాయి, వీటిలో [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), మరియు [మా GitHub సంస్థలు](https://opensource.microsoft.com/) ఉన్నాయి. + +మీరు Microsoft యాజమాన్యంలో ఉన్న ఏదైనా రిపాజిటరీలో [Microsoft భద్రతా లోపం నిర్వచనం](https://aka.ms/opensource/security/definition)కి అనుగుణంగా భద్రతా లోపం కనుగొన్నట్లు భావిస్తే, దయచేసి క్రింద వివరించిన విధంగా మాకు తెలియజేయండి. + +## భద్రతా సమస్యలను నివేదించడం + +**దయచేసి భద్రతా లోపాలను పబ్లిక్ GitHub ఇష్యూల ద్వారా నివేదించవద్దు.** + +దాని బదులు, దయచేసి Microsoft Security Response Center (MSRC) వద్ద [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) ద్వారా నివేదించండి. + +లాగిన్ చేయకుండా సమర్పించాలనుకుంటే, [secure@microsoft.com](mailto:secure@microsoft.com) కు ఇమెయిల్ పంపండి. సాధ్యమైతే, మా PGP కీతో మీ సందేశాన్ని ఎన్‌క్రిప్ట్ చేయండి; దాన్ని [Microsoft Security Response Center PGP Key పేజీ](https://aka.ms/opensource/security/pgpkey) నుండి డౌన్లోడ్ చేసుకోండి. + +మీరు 24 గంటలలోపు స్పందన పొందుతారని ఆశించవచ్చు. ఏ కారణంగా స్పందన రాలేదంటే, మేము మీ అసలు సందేశాన్ని అందుకున్నామో లేదో నిర్ధారించుకోవడానికి ఇమెయిల్ ద్వారా ఫాలోఅప్ చేయండి. అదనపు సమాచారం కోసం [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) చూడండి. + +దయచేసి క్రింద పేర్కొన్న అవసరమైన సమాచారాన్ని (మీకు అందుబాటులో ఉన్నంత వరకు) అందించండి, తద్వారా సమస్య యొక్క స్వభావం మరియు పరిధిని మేము మెరుగ్గా అర్థం చేసుకోగలుగుతాము: + + * సమస్య రకం (ఉదా: బఫర్ ఓవర్‌ఫ్లో, SQL ఇంజెక్షన్, క్రాస్-సైట్ స్క్రిప్టింగ్, మొదలైనవి) + * సమస్య ప్రదర్శనకు సంబంధించిన సోర్స్ ఫైల్(లు) యొక్క పూర్తి మార్గాలు + * ప్రభావిత సోర్స్ కోడ్ యొక్క స్థానం (ట్యాగ్/బ్రాంచ్/కమిట్ లేదా ప్రత్యక్ష URL) + * సమస్యను పునరుత్పత్తి చేయడానికి అవసరమైన ప్రత్యేక కాన్ఫిగరేషన్ + * సమస్యను పునరుత్పత్తి చేయడానికి దశల వారీ సూచనలు + * ప్రూఫ్-ఆఫ్-కాన్సెప్ట్ లేదా ఎక్స్‌ప్లాయిట్ కోడ్ (సాధ్యమైతే) + * సమస్య ప్రభావం, దానిని దాడి దారులు ఎలా ఉపయోగించుకోవచ్చో సహా + +ఈ సమాచారం మాకు మీ నివేదికను వేగంగా పరిశీలించడంలో సహాయపడుతుంది. + +మీరు బగ్ బౌంటీ కోసం నివేదిస్తున్నట్లయితే, పూర్తి నివేదికలు ఎక్కువ బౌంటీ అవార్డుకు దారితీస్తాయి. మా [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) పేజీని సందర్శించి మా ప్రస్తుత కార్యక్రమాల గురించి మరింత తెలుసుకోండి. + +## ఇష్టమైన భాషలు + +మేము అన్ని కమ్యూనికేషన్లు ఆంగ్లంలో ఉండాలని ఇష్టపడతాము. + +## విధానం + +Microsoft [సమన్వయ భద్రతా లోపాల వెల్లడింపు](https://aka.ms/opensource/security/cvd) సూత్రాన్ని అనుసరిస్తుంది. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/etc/CODE_OF_CONDUCT.md b/translations/te/etc/CODE_OF_CONDUCT.md index 792478be..7cb796ba 100644 --- a/translations/te/etc/CODE_OF_CONDUCT.md +++ b/translations/te/etc/CODE_OF_CONDUCT.md @@ -1,25 +1,16 @@ - -# మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్ - -ఈ ప్రాజెక్ట్ [మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/)ని అనుసరిస్తుంది. - -వనరులు: - -- [మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/) -- [మైక్రోసాఫ్ట్ కోడ్ ఆఫ్ కండక్ట్ FAQ](https://opensource.microsoft.com/codeofconduct/faq/) -- ప్రశ్నలు లేదా ఆందోళనల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్ + +ఈ ప్రాజెక్ట్ [మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/)ని అనుసరిస్తుంది. + +వనరులు: + +- [మైక్రోసాఫ్ట్ ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/) +- [మైక్రోసాఫ్ట్ కోడ్ ఆఫ్ కండక్ట్ FAQ](https://opensource.microsoft.com/codeofconduct/faq/) +- ప్రశ్నలు లేదా ఆందోళనల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/etc/CONTRIBUTING.md b/translations/te/etc/CONTRIBUTING.md index 3a1343de..860d3b9c 100644 --- a/translations/te/etc/CONTRIBUTING.md +++ b/translations/te/etc/CONTRIBUTING.md @@ -1,33 +1,24 @@ - -# సహకారం - -ఈ ప్రాజెక్ట్ సహకారాలు మరియు సూచనలను స్వాగతిస్తుంది. ఎక్కువ భాగం సహకారాలకు మీరు ఒక Contributor License Agreement (CLA) కు అంగీకరించాలి, ఇది మీరు మీ సహకారాన్ని ఉపయోగించుకునే హక్కులు కలిగి ఉన్నారని మరియు వాస్తవంగా వాటిని మాకు ఇస్తున్నారని ప్రకటిస్తుంది. వివరాలకు, https://cla.microsoft.com ను సందర్శించండి. - -మీరు ఒక pull request సమర్పించినప్పుడు, CLA-bot ఆటోమేటిక్‌గా మీరు CLA అందించాల్సిన అవసరం ఉందో లేదో నిర్ణయించి, PR ను తగిన విధంగా (ఉదా: లేబుల్, కామెంట్) అలంకరిస్తుంది. బాట్ ఇచ్చే సూచనలను అనుసరించండి. మా CLA ఉపయోగించే అన్ని రిపోజిటరీలలో మీరు ఈ ప్రక్రియను ఒక్కసారి మాత్రమే చేయాలి. - -ఈ ప్రాజెక్ట్ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ను అనుసరిస్తుంది. మరిన్ని వివరాలకు [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) చూడండి లేదా అదనపు ప్రశ్నలు లేదా వ్యాఖ్యల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి. - -# సహకారాలు కోరుతున్నాం - -ప్రస్తుతం మేము క్రింది విషయాలపై సహకారాలను సక్రియంగా కోరుకుంటున్నాము: - -- [ ] డీప్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ పై సెక్షన్ రాయండి -- [ ] ఆబ్జెక్ట్ డిటెక్షన్ పై సెక్షన్ మరియు నోట్‌బుక్ మెరుగుపరచండి -- [ ] PyTorch లైట్నింగ్ (ఈ సెక్షన్ కోసం: [link](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md)) -- [ ] నేమ్డ్ ఎంటిటీ రికగ్నిషన్ పై సెక్షన్ మరియు నమూనాలు రాయండి -- [ ] మా స్వంత ఎంబెడ్డింగ్స్ శిక్షణ కోసం నమూనాలు సృష్టించండి (ఈ సెక్షన్ కోసం: [link](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)) - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# సహకారం + +ఈ ప్రాజెక్ట్ సహకారాలు మరియు సూచనలను స్వాగతిస్తుంది. ఎక్కువ భాగం సహకారాలకు మీరు ఒక Contributor License Agreement (CLA) కు అంగీకరించాలి, ఇది మీరు మీ సహకారాన్ని ఉపయోగించుకునే హక్కులు కలిగి ఉన్నారని మరియు వాస్తవంగా వాటిని మాకు ఇస్తున్నారని ప్రకటిస్తుంది. వివరాలకు, https://cla.microsoft.com ను సందర్శించండి. + +మీరు ఒక pull request సమర్పించినప్పుడు, CLA-bot ఆటోమేటిక్‌గా మీరు CLA అందించాల్సిన అవసరం ఉందో లేదో నిర్ణయించి, PR ను తగిన విధంగా (ఉదా: లేబుల్, కామెంట్) అలంకరిస్తుంది. బాట్ ఇచ్చే సూచనలను అనుసరించండి. మా CLA ఉపయోగించే అన్ని రిపోజిటరీలలో మీరు ఈ ప్రక్రియను ఒక్కసారి మాత్రమే చేయాలి. + +ఈ ప్రాజెక్ట్ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ను అనుసరిస్తుంది. మరిన్ని వివరాలకు [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) చూడండి లేదా అదనపు ప్రశ్నలు లేదా వ్యాఖ్యల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి. + +# సహకారాలు కోరుతున్నాం + +ప్రస్తుతం మేము క్రింది విషయాలపై సహకారాలను సక్రియంగా కోరుకుంటున్నాము: + +- [ ] డీప్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ పై సెక్షన్ రాయండి +- [ ] ఆబ్జెక్ట్ డిటెక్షన్ పై సెక్షన్ మరియు నోట్‌బుక్ మెరుగుపరచండి +- [ ] PyTorch లైట్నింగ్ (ఈ సెక్షన్ కోసం: [link](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md)) +- [ ] నేమ్డ్ ఎంటిటీ రికగ్నిషన్ పై సెక్షన్ మరియు నమూనాలు రాయండి +- [ ] మా స్వంత ఎంబెడ్డింగ్స్ శిక్షణ కోసం నమూనాలు సృష్టించండి (ఈ సెక్షన్ కోసం: [link](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)) + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/etc/Mindmap.md b/translations/te/etc/Mindmap.md index 666f486d..25451568 100644 --- a/translations/te/etc/Mindmap.md +++ b/translations/te/etc/Mindmap.md @@ -1,89 +1,80 @@ - -# AI - -## [AI పరిచయం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) - - AI నిర్వచనం - - AI చరిత్ర - - AI కి దారితీసే విధానాలు - - టాప్-డౌన్/సింబాలిక్ - - బాటమ్-అప్/న్యూరల్ - - ఎవల్యూషనరీ - - సైనర్జెటిక్ / ఎమర్జెంట్ AI - - [Microsoft AI బిజినెస్ స్కూల్](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste) - -## [సింబాలిక్ AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md) - - జ్ఞాన ప్రాతినిధ్యం - - [నిపుణుల వ్యవస్థలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb) - - [ఆంటాలజీలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb) - - సేమాంటిక్ వెబ్ - -## [న్యూరల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md) - - [పర్సెప్ట్రాన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md) - - [బహుళ-పరతుల నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md) - - [ఫ్రేమ్‌వర్క్‌లకు పరిచయం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md) - - [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) - - [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md) - - [ఓవర్‌ఫిట్టింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md) - -## [కంప్యూటర్ విజన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md) - - MS Learn లో - - [AI ఫండమెంటల్స్: కంప్యూటర్ విజన్ అన్వేషణ](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste) - - [PyTorch తో CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) - - [TensorFlow తో CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste) - - [CV పరిచయం. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md) - - [కన్వల్యూషనల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md) - - [CNN నిర్మాణాలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) - - [ట్రాన్స్‌ఫర్ లెర్నింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md) - - [శిక్షణ చిట్కాలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) - - [ఆటోఎంకోడర్స్ మరియు VAEs](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md) - - [జెనరేటివ్ అడ్వర్సరియల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md) - - [స్టైల్ ట్రాన్స్‌ఫర్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) - - [ఆబ్జెక్ట్ డిటెక్షన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md) - - [సెగ్మెంటేషన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md) - -## [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md) - - MS Learn లో - - [AI ఫండమెంటల్స్: NLP అన్వేషణ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste) - - [PyTorch తో NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) - - [TensorFlow తో NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) - - [టెక్స్ట్ ప్రాతినిధ్యం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md) - - బాగ్ ఆఫ్ వర్డ్స్ - - TF/IDF - - [సేమాంటిక్ ఎంబెడ్డింగ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md) - - Word2Vec - - GloVE - - [భాషా మోడలింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling) - - [రికరెంట్ న్యూరల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md) - - LSTM - - GRU - - [జెనరేటివ్ రికరెంట్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md) - - [ట్రాన్స్‌ఫార్మర్స్ మరియు BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md) - - [నేమ్డ్ ఎంటిటీ రికగ్నిషన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md) - - [టెక్స్ట్ జనరేషన్ మరియు GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md) -## ఇతర సాంకేతికతలు - - [జెనెటిక్ అల్గోరిథమ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md) - - [డీప్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md) - - [మల్టీ-ఏజెంట్ సిస్టమ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md) - -## [AI నైతికత](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md) - - [MS Learn లో బాధ్యతాయుత AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) -## అదనపు విషయాలు - - [మల్టిమోడల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md) - - [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb) - - DALL-E - - VQ-GAN - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# AI + +## [AI పరిచయం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md) + - AI నిర్వచనం + - AI చరిత్ర + - AI కి దారితీసే విధానాలు + - టాప్-డౌన్/సింబాలిక్ + - బాటమ్-అప్/న్యూరల్ + - ఎవల్యూషనరీ + - సైనర్జెటిక్ / ఎమర్జెంట్ AI + - [Microsoft AI బిజినెస్ స్కూల్](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste) + +## [సింబాలిక్ AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md) + - జ్ఞాన ప్రాతినిధ్యం + - [నిపుణుల వ్యవస్థలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb) + - [ఆంటాలజీలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb) + - సేమాంటిక్ వెబ్ + +## [న్యూరల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md) + - [పర్సెప్ట్రాన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md) + - [బహుళ-పరతుల నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md) + - [ఫ్రేమ్‌వర్క్‌లకు పరిచయం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md) + - [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) + - [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md) + - [ఓవర్‌ఫిట్టింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md) + +## [కంప్యూటర్ విజన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md) + - MS Learn లో + - [AI ఫండమెంటల్స్: కంప్యూటర్ విజన్ అన్వేషణ](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste) + - [PyTorch తో CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) + - [TensorFlow తో CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste) + - [CV పరిచయం. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md) + - [కన్వల్యూషనల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md) + - [CNN నిర్మాణాలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) + - [ట్రాన్స్‌ఫర్ లెర్నింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md) + - [శిక్షణ చిట్కాలు](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) + - [ఆటోఎంకోడర్స్ మరియు VAEs](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md) + - [జెనరేటివ్ అడ్వర్సరియల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md) + - [స్టైల్ ట్రాన్స్‌ఫర్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb) + - [ఆబ్జెక్ట్ డిటెక్షన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md) + - [సెగ్మెంటేషన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md) + +## [నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md) + - MS Learn లో + - [AI ఫండమెంటల్స్: NLP అన్వేషణ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste) + - [PyTorch తో NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) + - [TensorFlow తో NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) + - [టెక్స్ట్ ప్రాతినిధ్యం](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md) + - బాగ్ ఆఫ్ వర్డ్స్ + - TF/IDF + - [సేమాంటిక్ ఎంబెడ్డింగ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md) + - Word2Vec + - GloVE + - [భాషా మోడలింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling) + - [రికరెంట్ న్యూరల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md) + - LSTM + - GRU + - [జెనరేటివ్ రికరెంట్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md) + - [ట్రాన్స్‌ఫార్మర్స్ మరియు BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md) + - [నేమ్డ్ ఎంటిటీ రికగ్నిషన్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md) + - [టెక్స్ట్ జనరేషన్ మరియు GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md) +## ఇతర సాంకేతికతలు + - [జెనెటిక్ అల్గోరిథమ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md) + - [డీప్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md) + - [మల్టీ-ఏజెంట్ సిస్టమ్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md) + +## [AI నైతికత](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md) + - [MS Learn లో బాధ్యతాయుత AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) +## అదనపు విషయాలు + - [మల్టిమోడల్ నెట్‌వర్క్స్](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md) + - [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb) + - DALL-E + - VQ-GAN + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/etc/SUPPORT.md b/translations/te/etc/SUPPORT.md index 9e70c209..b6a7e22f 100644 --- a/translations/te/etc/SUPPORT.md +++ b/translations/te/etc/SUPPORT.md @@ -1,27 +1,18 @@ - -# మద్దతు - -## సమస్యలను ఎలా నమోదు చేయాలి మరియు సహాయం పొందాలి - -ఈ ప్రాజెక్ట్ బగ్స్ మరియు ఫీచర్ అభ్యర్థనలను ట్రాక్ చేయడానికి GitHub Issues ఉపయోగిస్తుంది. కొత్త సమస్యలను నమోదు చేయడానికి ముందు దయచేసి ఇప్పటికే ఉన్న సమస్యలను శోధించండి, తద్వారా డూప్లికేట్లను నివారించవచ్చు. కొత్త సమస్యల కోసం, మీ బగ్ లేదా ఫీచర్ అభ్యర్థనను కొత్త Issueగా నమోదు చేయండి. - -ఈ ప్రాజెక్ట్ ఉపయోగంపై సహాయం మరియు ప్రశ్నల కోసం, దయచేసి చర్చా బోర్డులను ఉపయోగించండి. - -## Microsoft మద్దతు విధానం - -ఈ ప్రాజెక్ట్‌కు మద్దతు పై పేర్కొన్న వనరులకు మాత్రమే పరిమితం. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. +# మద్దతు + +## సమస్యలను ఎలా నమోదు చేయాలి మరియు సహాయం పొందాలి + +ఈ ప్రాజెక్ట్ బగ్స్ మరియు ఫీచర్ అభ్యర్థనలను ట్రాక్ చేయడానికి GitHub Issues ఉపయోగిస్తుంది. కొత్త సమస్యలను నమోదు చేయడానికి ముందు దయచేసి ఇప్పటికే ఉన్న సమస్యలను శోధించండి, తద్వారా డూప్లికేట్లను నివారించవచ్చు. కొత్త సమస్యల కోసం, మీ బగ్ లేదా ఫీచర్ అభ్యర్థనను కొత్త Issueగా నమోదు చేయండి. + +ఈ ప్రాజెక్ట్ ఉపయోగంపై సహాయం మరియు ప్రశ్నల కోసం, దయచేసి చర్చా బోర్డులను ఉపయోగించండి. + +## Microsoft మద్దతు విధానం + +ఈ ప్రాజెక్ట్‌కు మద్దతు పై పేర్కొన్న వనరులకు మాత్రమే పరిమితం. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. \ No newline at end of file diff --git a/translations/te/etc/TRANSLATIONS.md b/translations/te/etc/TRANSLATIONS.md index 22f17159..d3edfa1f 100644 --- a/translations/te/etc/TRANSLATIONS.md +++ b/translations/te/etc/TRANSLATIONS.md @@ -1,49 +1,40 @@ - -# పాఠాలు అనువదించడం ద్వారా సహకరించండి - -ఈ పాఠ్యాంశంలో ఉన్న పాఠాల అనువాదాలను మేము స్వాగతిస్తున్నాము! - -## మార్గదర్శకాలు - -ప్రతి పాఠం ఫోల్డర్ మరియు పాఠం పరిచయ ఫోల్డర్‌లో అనువదించిన మార్క్‌డౌన్ ఫైళ్లు ఉన్న ఫోల్డర్లు ఉంటాయి. - -> గమనిక, దయచేసి కోడ్ నమూనా ఫైళ్లలోని ఏ కోడ్‌ను అనువదించవద్దు; అనువదించవలసినవి README, అసైన్‌మెంట్లు మరియు క్విజ్‌లు మాత్రమే. ధన్యవాదాలు! - -అనువదించిన ఫైళ్లు ఈ పేరుప్రకారం ఉండాలి: - -**README._[language]_.md** - -ఇక్కడ _[language]_ అనేది ISO 639-1 ప్రమాణం ప్రకారం రెండు అక్షరాల భాష సంక్షిప్త రూపం (ఉదా: స్పానిష్ కోసం `README.es.md` మరియు డచ్ కోసం `README.nl.md`). - -**assignment._[language]_.md** - -README లాగా, దయచేసి అసైన్‌మెంట్లను కూడా అనువదించండి. - -**క్విజ్‌లు** - -1. మీ అనువాదాన్ని క్విజ్-యాప్‌లో ఈ ఫోల్డర్‌లో ఫైల్ జోడించడం ద్వారా చేర్చండి: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, సరైన పేరుప్రకారం (en.json, fr.json). **దయచేసి 'true' లేదా 'false' అనే పదాలను స్థానికీకరించవద్దు. ధన్యవాదాలు!** - -2. క్విజ్-యాప్ యొక్క App.vue ఫైల్‌లో డ్రాప్‌డౌన్‌లో మీ భాషా కోడ్‌ను జోడించండి. - -3. క్విజ్-యాప్ యొక్క [translations index.js ఫైల్](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) ను సవరించి మీ భాషను చేర్చండి. - -4. చివరగా, మీ అనువదించిన README.md ఫైళ్లలోని అన్ని క్విజ్ లింకులను నేరుగా మీ అనువదించిన క్విజ్‌కు సూచించేలా మార్చండి: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 నుండి https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id - -**ధన్యవాదాలు** - -మీ ప్రయత్నాలను మేము నిజంగా అభినందిస్తున్నాము! - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# పాఠాలు అనువదించడం ద్వారా సహకరించండి + +ఈ పాఠ్యాంశంలో ఉన్న పాఠాల అనువాదాలను మేము స్వాగతిస్తున్నాము! + +## మార్గదర్శకాలు + +ప్రతి పాఠం ఫోల్డర్ మరియు పాఠం పరిచయ ఫోల్డర్‌లో అనువదించిన మార్క్‌డౌన్ ఫైళ్లు ఉన్న ఫోల్డర్లు ఉంటాయి. + +> గమనిక, దయచేసి కోడ్ నమూనా ఫైళ్లలోని ఏ కోడ్‌ను అనువదించవద్దు; అనువదించవలసినవి README, అసైన్‌మెంట్లు మరియు క్విజ్‌లు మాత్రమే. ధన్యవాదాలు! + +అనువదించిన ఫైళ్లు ఈ పేరుప్రకారం ఉండాలి: + +**README._[language]_.md** + +ఇక్కడ _[language]_ అనేది ISO 639-1 ప్రమాణం ప్రకారం రెండు అక్షరాల భాష సంక్షిప్త రూపం (ఉదా: స్పానిష్ కోసం `README.es.md` మరియు డచ్ కోసం `README.nl.md`). + +**assignment._[language]_.md** + +README లాగా, దయచేసి అసైన్‌మెంట్లను కూడా అనువదించండి. + +**క్విజ్‌లు** + +1. మీ అనువాదాన్ని క్విజ్-యాప్‌లో ఈ ఫోల్డర్‌లో ఫైల్ జోడించడం ద్వారా చేర్చండి: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, సరైన పేరుప్రకారం (en.json, fr.json). **దయచేసి 'true' లేదా 'false' అనే పదాలను స్థానికీకరించవద్దు. ధన్యవాదాలు!** + +2. క్విజ్-యాప్ యొక్క App.vue ఫైల్‌లో డ్రాప్‌డౌన్‌లో మీ భాషా కోడ్‌ను జోడించండి. + +3. క్విజ్-యాప్ యొక్క [translations index.js ఫైల్](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) ను సవరించి మీ భాషను చేర్చండి. + +4. చివరగా, మీ అనువదించిన README.md ఫైళ్లలోని అన్ని క్విజ్ లింకులను నేరుగా మీ అనువదించిన క్విజ్‌కు సూచించేలా మార్చండి: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 నుండి https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id + +**ధన్యవాదాలు** + +మీ ప్రయత్నాలను మేము నిజంగా అభినందిస్తున్నాము! + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/etc/quiz-app/README.md b/translations/te/etc/quiz-app/README.md index 3390204d..d6fd4bb6 100644 --- a/translations/te/etc/quiz-app/README.md +++ b/translations/te/etc/quiz-app/README.md @@ -1,140 +1,131 @@ - -# క్విజ్‌లు - -ఈ క్విజ్‌లు https://aka.ms/ai-beginners వద్ద ఉన్న AI పాఠ్యాంశం కోసం ప్రీ- మరియు పోస్ట్-లెక్చర్ క్విజ్‌లు. - -## అనువాద క్విజ్ సెట్‌ను జోడించడం - -`assets/translations` ఫోల్డర్లలో సరిపోయే క్విజ్ నిర్మాణాలను సృష్టించడం ద్వారా క్విజ్ అనువాదాన్ని జోడించండి. ప్రామాణిక క్విజ్‌లు `assets/translations/en` లో ఉన్నాయి. క్విజ్‌లు పాఠం వారీగా అనేక గ్రూపులుగా విభజించబడ్డాయి. సరైన క్విజ్ విభాగంతో సంఖ్యను సరిపోల్చండి. ఈ పాఠ్యాంశంలో మొత్తం 40 క్విజ్‌లు ఉన్నాయి, సంఖ్య 0 నుండి ప్రారంభమవుతుంది. - -అనువాదాలను సవరించిన తర్వాత, అనువాద ఫోల్డర్‌లోని index.js ఫైల్‌ను సవరించి `en` లోని నియమాలను అనుసరించి అన్ని ఫైళ్లను దిగుమతి చేసుకోండి. - -`assets/translations` లోని `index.js` ఫైల్‌ను సవరించి కొత్త అనువాద ఫైళ్లను దిగుమతి చేసుకోండి. - -తర్వాత, ఈ యాప్‌లోని `App.vue` లోని డ్రాప్‌డౌన్‌ను సవరించి మీ భాషను జోడించండి. స్థానికీకృత సంక్షిప్త రూపాన్ని మీ భాష ఫోల్డర్ పేరుతో సరిపోల్చండి. - -చివరగా, అనువాద పాఠాల్లో ఉన్న అన్ని క్విజ్ లింకులను, ఉంటే, ఈ స్థానికీకరణను క్వెరీ పరామితిగా చేర్చండి: ఉదాహరణకు `?loc=fr`. - -## ప్రాజెక్ట్ సెటప్ - -``` -npm install -``` - -### అభివృద్ధి కోసం కంపైల్ చేసి హాట్-రిలోడ్ చేస్తుంది - -``` -npm run serve -``` - -### ఉత్పత్తి కోసం కంపైల్ చేసి మినిఫై చేస్తుంది - -``` -npm run build -``` - -### ఫైళ్లను లింట్ చేసి సరిచేస్తుంది - -``` -npm run lint -``` - -### కాన్ఫిగరేషన్‌ను అనుకూలీకరించండి - -[Configuration Reference](https://cli.vuejs.org/config/) చూడండి. - -కృతజ్ఞతలు: ఈ క్విజ్ యాప్ యొక్క అసలు వెర్షన్‌కు ధన్యవాదాలు: https://github.com/arpan45/simple-quiz-vue - -## Azureలో డిప్లాయ్ చేయడం - -ఇక్కడ మీరు ప్రారంభించడానికి దశల వారీ గైడ్ ఉంది: - -1. GitHub రిపోజిటరీని ఫోర్క్ చేయండి -మీ స్టాటిక్ వెబ్ యాప్ కోడ్ మీ GitHub రిపోజిటరీలో ఉందని నిర్ధారించుకోండి. ఈ రిపోజిటరీని ఫోర్క్ చేయండి. - -2. Azure స్టాటిక్ వెబ్ యాప్ సృష్టించండి -- [Azure ఖాతా](http://azure.microsoft.com) సృష్టించండి -- [Azure పోర్టల్](https://portal.azure.com) కు వెళ్లండి -- “Create a resource” క్లిక్ చేసి “Static Web App” కోసం శోధించండి. -- “Create” క్లిక్ చేయండి. - -3. స్టాటిక్ వెబ్ యాప్‌ను కాన్ఫిగర్ చేయండి -- ప్రాథమికాలు: సబ్‌స్క్రిప్షన్: మీ Azure సబ్‌స్క్రిప్షన్‌ను ఎంచుకోండి. -- రిసోర్స్ గ్రూప్: కొత్త రిసోర్స్ గ్రూప్ సృష్టించండి లేదా ఉన్నదాన్ని ఉపయోగించండి. -- పేరు: మీ స్టాటిక్ వెబ్ యాప్‌కు పేరు ఇవ్వండి. -- ప్రాంతం: మీ వినియోగదారులకు సమీప ప్రాంతాన్ని ఎంచుకోండి. - -- #### డిప్లాయ్‌మెంట్ వివరాలు: -- మూలం: “GitHub” ఎంచుకోండి. -- GitHub ఖాతా: Azureకి మీ GitHub ఖాతా యాక్సెస్ అనుమతించండి. -- సంస్థ: మీ GitHub సంస్థను ఎంచుకోండి. -- రిపోజిటరీ: మీ స్టాటిక్ వెబ్ యాప్ ఉన్న రిపోజిటరీని ఎంచుకోండి. -- బ్రాంచ్: మీరు డిప్లాయ్ చేయదలచిన బ్రాంచ్‌ను ఎంచుకోండి. - -- #### బిల్డ్ వివరాలు: -- బిల్డ్ ప్రీసెట్స్: మీ యాప్ నిర్మించబడిన ఫ్రేమ్‌వర్క్‌ను ఎంచుకోండి (ఉదా: React, Angular, Vue, మొదలైనవి). -- యాప్ లొకేషన్: మీ యాప్ కోడ్ ఉన్న ఫోల్డర్‌ను పేర్కొనండి (ఉదా: రూట్‌లో ఉంటే /). -- API లొకేషన్: API ఉంటే, దాని స్థానం (ఐచ్ఛికం) పేర్కొనండి. -- అవుట్‌పుట్ లొకేషన్: బిల్డ్ అవుట్‌పుట్ ఉత్పత్తి అయ్యే ఫోల్డర్‌ను పేర్కొనండి (ఉదా: build లేదా dist). - -4. సమీక్షించి సృష్టించండి -మీ సెట్టింగ్స్‌ను సమీక్షించి “Create” క్లిక్ చేయండి. Azure అవసరమైన వనరులను సెట్ చేసి మీ రిపోజిటరీలో GitHub Actions వర్క్‌ఫ్లోని సృష్టిస్తుంది. - -5. GitHub Actions వర్క్‌ఫ్లో -Azure ఆటోమేటిక్‌గా మీ రిపోజిటరీలో GitHub Actions వర్క్‌ఫ్లో ఫైల్ (.github/workflows/azure-static-web-apps-.yml) సృష్టిస్తుంది. ఈ వర్క్‌ఫ్లో బిల్డ్ మరియు డిప్లాయ్‌మెంట్ ప్రక్రియను నిర్వహిస్తుంది. - -6. డిప్లాయ్‌మెంట్‌ను పర్యవేక్షించండి -మీ GitHub రిపోజిటరీలో “Actions” ట్యాబ్‌కు వెళ్లండి. -ఒక వర్క్‌ఫ్లో నడుస్తున్నట్లు కనిపిస్తుంది. ఈ వర్క్‌ఫ్లో మీ స్టాటిక్ వెబ్ యాప్‌ను Azureకి బిల్డ్ చేసి డిప్లాయ్ చేస్తుంది. -వర్క్‌ఫ్లో పూర్తయిన తర్వాత, మీ యాప్ అందించిన Azure URLపై లైవ్ అవుతుంది. - -### ఉదాహరణ వర్క్‌ఫ్లో ఫైల్ - -GitHub Actions వర్క్‌ఫ్లో ఫైల్ ఎలా ఉండొచ్చో ఉదాహరణ ఇక్కడ ఉంది: -name: Azure Static Web Apps CI/CD -``` -on: - push: - branches: - - main - pull_request: - types: [opened, synchronize, reopened, closed] - branches: - - main - -jobs: - build_and_deploy_job: - runs-on: ubuntu-latest - name: Build and Deploy Job - steps: - - uses: actions/checkout@v2 - - name: Build And Deploy - id: builddeploy - uses: Azure/static-web-apps-deploy@v1 - with: - azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} - repo_token: ${{ secrets.GITHUB_TOKEN }} - action: "upload" - app_location: "etc/quiz-app # App source code path" - api_location: ""API source code path optional - output_location: "dist" #Built app content directory - optional -``` - -### అదనపు వనరులు -- [Azure Static Web Apps డాక్యుమెంటేషన్](https://learn.microsoft.com/azure/static-web-apps/getting-started) -- [GitHub Actions డాక్యుమెంటేషన్](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# క్విజ్‌లు + +ఈ క్విజ్‌లు https://aka.ms/ai-beginners వద్ద ఉన్న AI పాఠ్యాంశం కోసం ప్రీ- మరియు పోస్ట్-లెక్చర్ క్విజ్‌లు. + +## అనువాద క్విజ్ సెట్‌ను జోడించడం + +`assets/translations` ఫోల్డర్లలో సరిపోయే క్విజ్ నిర్మాణాలను సృష్టించడం ద్వారా క్విజ్ అనువాదాన్ని జోడించండి. ప్రామాణిక క్విజ్‌లు `assets/translations/en` లో ఉన్నాయి. క్విజ్‌లు పాఠం వారీగా అనేక గ్రూపులుగా విభజించబడ్డాయి. సరైన క్విజ్ విభాగంతో సంఖ్యను సరిపోల్చండి. ఈ పాఠ్యాంశంలో మొత్తం 40 క్విజ్‌లు ఉన్నాయి, సంఖ్య 0 నుండి ప్రారంభమవుతుంది. + +అనువాదాలను సవరించిన తర్వాత, అనువాద ఫోల్డర్‌లోని index.js ఫైల్‌ను సవరించి `en` లోని నియమాలను అనుసరించి అన్ని ఫైళ్లను దిగుమతి చేసుకోండి. + +`assets/translations` లోని `index.js` ఫైల్‌ను సవరించి కొత్త అనువాద ఫైళ్లను దిగుమతి చేసుకోండి. + +తర్వాత, ఈ యాప్‌లోని `App.vue` లోని డ్రాప్‌డౌన్‌ను సవరించి మీ భాషను జోడించండి. స్థానికీకృత సంక్షిప్త రూపాన్ని మీ భాష ఫోల్డర్ పేరుతో సరిపోల్చండి. + +చివరగా, అనువాద పాఠాల్లో ఉన్న అన్ని క్విజ్ లింకులను, ఉంటే, ఈ స్థానికీకరణను క్వెరీ పరామితిగా చేర్చండి: ఉదాహరణకు `?loc=fr`. + +## ప్రాజెక్ట్ సెటప్ + +``` +npm install +``` + +### అభివృద్ధి కోసం కంపైల్ చేసి హాట్-రిలోడ్ చేస్తుంది + +``` +npm run serve +``` + +### ఉత్పత్తి కోసం కంపైల్ చేసి మినిఫై చేస్తుంది + +``` +npm run build +``` + +### ఫైళ్లను లింట్ చేసి సరిచేస్తుంది + +``` +npm run lint +``` + +### కాన్ఫిగరేషన్‌ను అనుకూలీకరించండి + +[Configuration Reference](https://cli.vuejs.org/config/) చూడండి. + +కృతజ్ఞతలు: ఈ క్విజ్ యాప్ యొక్క అసలు వెర్షన్‌కు ధన్యవాదాలు: https://github.com/arpan45/simple-quiz-vue + +## Azureలో డిప్లాయ్ చేయడం + +ఇక్కడ మీరు ప్రారంభించడానికి దశల వారీ గైడ్ ఉంది: + +1. GitHub రిపోజిటరీని ఫోర్క్ చేయండి +మీ స్టాటిక్ వెబ్ యాప్ కోడ్ మీ GitHub రిపోజిటరీలో ఉందని నిర్ధారించుకోండి. ఈ రిపోజిటరీని ఫోర్క్ చేయండి. + +2. Azure స్టాటిక్ వెబ్ యాప్ సృష్టించండి +- [Azure ఖాతా](http://azure.microsoft.com) సృష్టించండి +- [Azure పోర్టల్](https://portal.azure.com) కు వెళ్లండి +- “Create a resource” క్లిక్ చేసి “Static Web App” కోసం శోధించండి. +- “Create” క్లిక్ చేయండి. + +3. స్టాటిక్ వెబ్ యాప్‌ను కాన్ఫిగర్ చేయండి +- ప్రాథమికాలు: సబ్‌స్క్రిప్షన్: మీ Azure సబ్‌స్క్రిప్షన్‌ను ఎంచుకోండి. +- రిసోర్స్ గ్రూప్: కొత్త రిసోర్స్ గ్రూప్ సృష్టించండి లేదా ఉన్నదాన్ని ఉపయోగించండి. +- పేరు: మీ స్టాటిక్ వెబ్ యాప్‌కు పేరు ఇవ్వండి. +- ప్రాంతం: మీ వినియోగదారులకు సమీప ప్రాంతాన్ని ఎంచుకోండి. + +- #### డిప్లాయ్‌మెంట్ వివరాలు: +- మూలం: “GitHub” ఎంచుకోండి. +- GitHub ఖాతా: Azureకి మీ GitHub ఖాతా యాక్సెస్ అనుమతించండి. +- సంస్థ: మీ GitHub సంస్థను ఎంచుకోండి. +- రిపోజిటరీ: మీ స్టాటిక్ వెబ్ యాప్ ఉన్న రిపోజిటరీని ఎంచుకోండి. +- బ్రాంచ్: మీరు డిప్లాయ్ చేయదలచిన బ్రాంచ్‌ను ఎంచుకోండి. + +- #### బిల్డ్ వివరాలు: +- బిల్డ్ ప్రీసెట్స్: మీ యాప్ నిర్మించబడిన ఫ్రేమ్‌వర్క్‌ను ఎంచుకోండి (ఉదా: React, Angular, Vue, మొదలైనవి). +- యాప్ లొకేషన్: మీ యాప్ కోడ్ ఉన్న ఫోల్డర్‌ను పేర్కొనండి (ఉదా: రూట్‌లో ఉంటే /). +- API లొకేషన్: API ఉంటే, దాని స్థానం (ఐచ్ఛికం) పేర్కొనండి. +- అవుట్‌పుట్ లొకేషన్: బిల్డ్ అవుట్‌పుట్ ఉత్పత్తి అయ్యే ఫోల్డర్‌ను పేర్కొనండి (ఉదా: build లేదా dist). + +4. సమీక్షించి సృష్టించండి +మీ సెట్టింగ్స్‌ను సమీక్షించి “Create” క్లిక్ చేయండి. Azure అవసరమైన వనరులను సెట్ చేసి మీ రిపోజిటరీలో GitHub Actions వర్క్‌ఫ్లోని సృష్టిస్తుంది. + +5. GitHub Actions వర్క్‌ఫ్లో +Azure ఆటోమేటిక్‌గా మీ రిపోజిటరీలో GitHub Actions వర్క్‌ఫ్లో ఫైల్ (.github/workflows/azure-static-web-apps-.yml) సృష్టిస్తుంది. ఈ వర్క్‌ఫ్లో బిల్డ్ మరియు డిప్లాయ్‌మెంట్ ప్రక్రియను నిర్వహిస్తుంది. + +6. డిప్లాయ్‌మెంట్‌ను పర్యవేక్షించండి +మీ GitHub రిపోజిటరీలో “Actions” ట్యాబ్‌కు వెళ్లండి. +ఒక వర్క్‌ఫ్లో నడుస్తున్నట్లు కనిపిస్తుంది. ఈ వర్క్‌ఫ్లో మీ స్టాటిక్ వెబ్ యాప్‌ను Azureకి బిల్డ్ చేసి డిప్లాయ్ చేస్తుంది. +వర్క్‌ఫ్లో పూర్తయిన తర్వాత, మీ యాప్ అందించిన Azure URLపై లైవ్ అవుతుంది. + +### ఉదాహరణ వర్క్‌ఫ్లో ఫైల్ + +GitHub Actions వర్క్‌ఫ్లో ఫైల్ ఎలా ఉండొచ్చో ఉదాహరణ ఇక్కడ ఉంది: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "etc/quiz-app # App source code path" + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### అదనపు వనరులు +- [Azure Static Web Apps డాక్యుమెంటేషన్](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [GitHub Actions డాక్యుమెంటేషన్](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/examples/README.md b/translations/te/examples/README.md index e5954e0b..dc570f20 100644 --- a/translations/te/examples/README.md +++ b/translations/te/examples/README.md @@ -1,96 +1,87 @@ - -# ప్రారంభికులకు అనుకూలమైన AI ఉదాహరణలు - -స్వాగతం! ఈ డైరెక్టరీలో AI మరియు మెషీన్ లెర్నింగ్ ప్రారంభించడానికి సహాయపడే సులభమైన, స్వతంత్ర ఉదాహరణలు ఉన్నాయి. ప్రతి ఉదాహరణ ప్రారంభికులకు అనుకూలంగా, వివరమైన వ్యాఖ్యలతో మరియు దశల వారీ వివరణలతో రూపొందించబడింది. - -## 📚 ఉదాహరణల అవలోకనం - -| ఉదాహరణ | వివరణ | కష్టం | ముందస్తు పరిజ్ఞానం | -|---------|-------------|------------|---------------| -| [Hello AI World](../../../examples/01-hello-ai-world.py) | మీ మొదటి AI ప్రోగ్రామ్ - సులభమైన నమూనా గుర్తింపు | ⭐ ప్రారంభికుడు | Python ప్రాథమికాలు | -| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | న్యూట్రల్ నెట్‌వర్క్‌ను మొదలుండి నిర్మించండి | ⭐⭐ ప్రారంభికుడు+ | Python, ప్రాథమిక గణితం | -| [Image Classifier](./03-image-classifier.ipynb) | ముందుగా శిక్షణ పొందిన మోడల్‌తో చిత్రాలను వర్గీకరించండి | ⭐⭐ ప్రారంభికుడు+ | Python, numpy | -| [Text Sentiment](../../../examples/04-text-sentiment.py) | టెక్స్ట్ భావాన్ని విశ్లేషించండి (ధనాత్మక/నెగటివ్) | ⭐⭐ ప్రారంభికుడు+ | Python | - -## 🚀 ప్రారంభించండి - -### ముందస్తు అవసరాలు - -Python ఇన్‌స్టాల్ చేసుకున్నారా (3.8 లేదా అంతకంటే పై వర్షన్ సిఫార్సు). అవసరమైన ప్యాకేజీలను ఇన్‌స్టాల్ చేయండి: - -```bash -# పైథాన్ స్క్రిప్టుల కోసం -pip install numpy - -# జూపైటర్ నోట్‌బుక్స్ (చిత్ర వర్గీకర్త) కోసం -pip install jupyter numpy pillow tensorflow -``` - -లేదా ప్రధాన పాఠ్యాంశం నుండి conda వాతావరణాన్ని ఉపయోగించండి: - -```bash -conda env create --name ai4beg --file ../environment.yml -conda activate ai4beg -``` - -### ఉదాహరణలను నడపడం - -**Python స్క్రిప్ట్‌ల కోసం (.py ఫైళ్లు):** -```bash -python 01-hello-ai-world.py -``` - -**Jupyter నోట్‌బుక్స్ కోసం (.ipynb ఫైళ్లు):** -```bash -jupyter notebook 03-image-classifier.ipynb -``` - -## 📖 నేర్చుకునే మార్గం - -ఉదాహరణలను ఈ క్రమంలో అనుసరించమని మేము సిఫార్సు చేస్తాము: - -1. **"Hello AI World" తో ప్రారంభించండి** - నమూనా గుర్తింపు ప్రాథమికాలు నేర్చుకోండి -2. **సింపుల్ న్యూట్రల్ నెట్‌వర్క్ నిర్మించండి** - న్యూట్రల్ నెట్‌వర్క్‌లు ఎలా పనిచేస్తాయో అర్థం చేసుకోండి -3. **చిత్ర వర్గీకర్తను ప్రయత్నించండి** - నిజమైన చిత్రాలతో AI ఎలా పనిచేస్తుందో చూడండి -4. **టెక్స్ట్ భావాన్ని విశ్లేషించండి** - సహజ భాషా ప్రాసెసింగ్‌ను అన్వేషించండి - -## 💡 ప్రారంభికులకు సూచనలు - -- **కోడ్ వ్యాఖ్యలను జాగ్రత్తగా చదవండి** - ప్రతి లైన్ ఏమి చేస్తుందో అవి వివరించాయి -- **ప్రయోగాలు చేయండి!** - విలువలను మార్చి ఫలితాలను చూడండి -- **అన్నీ అర్థం చేసుకోవాలని ఆందోళన చెందకండి** - నేర్చుకోవడానికి సమయం పడుతుంది -- **ప్రశ్నలు అడగండి** - [చర్చా బోర్డు](https://github.com/microsoft/AI-For-Beginners/discussions) ఉపయోగించండి - -## 🔗 తదుపరి దశలు - -ఈ ఉదాహరణలు పూర్తి చేసిన తర్వాత, పూర్తి పాఠ్యాంశాన్ని అన్వేషించండి: -- [AI పరిచయం](../lessons/1-Intro/README.md) -- [న్యూట్రల్ నెట్‌వర్క్‌లు](../lessons/3-NeuralNetworks/README.md) -- [కంప్యూటర్ విజన్](../lessons/4-ComputerVision/README.md) -- [సహజ భాషా ప్రాసెసింగ్](../lessons/5-NLP/README.md) - -## 🤝 సహకారం - -ఈ ఉదాహరణలు మీకు ఉపయోగకరంగా అనిపిస్తే, వాటిని మెరుగుపరచడంలో సహాయం చేయండి: -- సమస్యలను నివేదించండి లేదా మెరుగుదలలు సూచించండి -- ప్రారంభికులకు మరిన్ని ఉదాహరణలు జోడించండి -- డాక్యుమెంటేషన్ మరియు వ్యాఖ్యలను మెరుగుపరచండి - ---- - -*గమనిక: ప్రతి నిపుణుడు ఒకప్పుడు ప్రారంభికుడే. సంతోషంగా నేర్చుకోండి! 🎓* - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. +# ప్రారంభికులకు అనుకూలమైన AI ఉదాహరణలు + +స్వాగతం! ఈ డైరెక్టరీలో AI మరియు మెషీన్ లెర్నింగ్ ప్రారంభించడానికి సహాయపడే సులభమైన, స్వతంత్ర ఉదాహరణలు ఉన్నాయి. ప్రతి ఉదాహరణ ప్రారంభికులకు అనుకూలంగా, వివరమైన వ్యాఖ్యలతో మరియు దశల వారీ వివరణలతో రూపొందించబడింది. + +## 📚 ఉదాహరణల అవలోకనం + +| ఉదాహరణ | వివరణ | కష్టం | ముందస్తు పరిజ్ఞానం | +|---------|-------------|------------|---------------| +| [Hello AI World](../../../examples/01-hello-ai-world.py) | మీ మొదటి AI ప్రోగ్రామ్ - సులభమైన నమూనా గుర్తింపు | ⭐ ప్రారంభికుడు | Python ప్రాథమికాలు | +| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | న్యూట్రల్ నెట్‌వర్క్‌ను మొదలుండి నిర్మించండి | ⭐⭐ ప్రారంభికుడు+ | Python, ప్రాథమిక గణితం | +| [Image Classifier](./03-image-classifier.ipynb) | ముందుగా శిక్షణ పొందిన మోడల్‌తో చిత్రాలను వర్గీకరించండి | ⭐⭐ ప్రారంభికుడు+ | Python, numpy | +| [Text Sentiment](../../../examples/04-text-sentiment.py) | టెక్స్ట్ భావాన్ని విశ్లేషించండి (ధనాత్మక/నెగటివ్) | ⭐⭐ ప్రారంభికుడు+ | Python | + +## 🚀 ప్రారంభించండి + +### ముందస్తు అవసరాలు + +Python ఇన్‌స్టాల్ చేసుకున్నారా (3.8 లేదా అంతకంటే పై వర్షన్ సిఫార్సు). అవసరమైన ప్యాకేజీలను ఇన్‌స్టాల్ చేయండి: + +```bash +# పైథాన్ స్క్రిప్టుల కోసం +pip install numpy + +# జూపైటర్ నోట్‌బుక్స్ (చిత్ర వర్గీకర్త) కోసం +pip install jupyter numpy pillow tensorflow +``` + +లేదా ప్రధాన పాఠ్యాంశం నుండి conda వాతావరణాన్ని ఉపయోగించండి: + +```bash +conda env create --name ai4beg --file ../environment.yml +conda activate ai4beg +``` + +### ఉదాహరణలను నడపడం + +**Python స్క్రిప్ట్‌ల కోసం (.py ఫైళ్లు):** +```bash +python 01-hello-ai-world.py +``` + +**Jupyter నోట్‌బుక్స్ కోసం (.ipynb ఫైళ్లు):** +```bash +jupyter notebook 03-image-classifier.ipynb +``` + +## 📖 నేర్చుకునే మార్గం + +ఉదాహరణలను ఈ క్రమంలో అనుసరించమని మేము సిఫార్సు చేస్తాము: + +1. **"Hello AI World" తో ప్రారంభించండి** - నమూనా గుర్తింపు ప్రాథమికాలు నేర్చుకోండి +2. **సింపుల్ న్యూట్రల్ నెట్‌వర్క్ నిర్మించండి** - న్యూట్రల్ నెట్‌వర్క్‌లు ఎలా పనిచేస్తాయో అర్థం చేసుకోండి +3. **చిత్ర వర్గీకర్తను ప్రయత్నించండి** - నిజమైన చిత్రాలతో AI ఎలా పనిచేస్తుందో చూడండి +4. **టెక్స్ట్ భావాన్ని విశ్లేషించండి** - సహజ భాషా ప్రాసెసింగ్‌ను అన్వేషించండి + +## 💡 ప్రారంభికులకు సూచనలు + +- **కోడ్ వ్యాఖ్యలను జాగ్రత్తగా చదవండి** - ప్రతి లైన్ ఏమి చేస్తుందో అవి వివరించాయి +- **ప్రయోగాలు చేయండి!** - విలువలను మార్చి ఫలితాలను చూడండి +- **అన్నీ అర్థం చేసుకోవాలని ఆందోళన చెందకండి** - నేర్చుకోవడానికి సమయం పడుతుంది +- **ప్రశ్నలు అడగండి** - [చర్చా బోర్డు](https://github.com/microsoft/AI-For-Beginners/discussions) ఉపయోగించండి + +## 🔗 తదుపరి దశలు + +ఈ ఉదాహరణలు పూర్తి చేసిన తర్వాత, పూర్తి పాఠ్యాంశాన్ని అన్వేషించండి: +- [AI పరిచయం](../lessons/1-Intro/README.md) +- [న్యూట్రల్ నెట్‌వర్క్‌లు](../lessons/3-NeuralNetworks/README.md) +- [కంప్యూటర్ విజన్](../lessons/4-ComputerVision/README.md) +- [సహజ భాషా ప్రాసెసింగ్](../lessons/5-NLP/README.md) + +## 🤝 సహకారం + +ఈ ఉదాహరణలు మీకు ఉపయోగకరంగా అనిపిస్తే, వాటిని మెరుగుపరచడంలో సహాయం చేయండి: +- సమస్యలను నివేదించండి లేదా మెరుగుదలలు సూచించండి +- ప్రారంభికులకు మరిన్ని ఉదాహరణలు జోడించండి +- డాక్యుమెంటేషన్ మరియు వ్యాఖ్యలను మెరుగుపరచండి + +--- + +*గమనిక: ప్రతి నిపుణుడు ఒకప్పుడు ప్రారంభికుడే. సంతోషంగా నేర్చుకోండి! 🎓* + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. \ No newline at end of file diff --git a/translations/te/lessons/0-course-setup/for-teachers.md b/translations/te/lessons/0-course-setup/for-teachers.md index 844e3d64..0ef81cf7 100644 --- a/translations/te/lessons/0-course-setup/for-teachers.md +++ b/translations/te/lessons/0-course-setup/for-teachers.md @@ -1,39 +1,30 @@ - -# ఉపాధ్యాయులకు - -మీ తరగతిలో ఈ పాఠ్యక్రమాన్ని ఉపయోగించాలనుకుంటున్నారా? దయచేసి స్వేచ్ఛగా ఉపయోగించండి! - -వాస్తవానికి, మీరు GitHub Classroom ఉపయోగించి GitHub లోనే దీన్ని ఉపయోగించవచ్చు. - -అందుకోసం, ఈ రిపోను ఫోర్క్ చేయండి. ప్రతి పాఠం కోసం ఒక రిపో సృష్టించాల్సి ఉంటుంది, కాబట్టి ప్రతి ఫోల్డర్‌ను వేరే రిపోగా విడగొట్టాలి. అలా చేస్తే, [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని వేరుగా గుర్తించగలదు. - -ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీకు మీ తరగతిని ఎలా ఏర్పాటు చేయాలో అవగాహన ఇస్తాయి. - -## రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించడం - -GitHub Classroom ఉపయోగించకుండా ఈ రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించాలనుకుంటే, అది కూడా చేయవచ్చు. మీరు మీ విద్యార్థులతో ఏ పాఠం మీద కలిసి పని చేయాలో చర్చించాలి. - -ఆన్‌లైన్ ఫార్మాట్ (Zoom, Teams, లేదా ఇతర) లో, మీరు క్విజ్‌ల కోసం బ్రేక్‌అవుట్ రూమ్‌లు ఏర్పాటు చేసి, విద్యార్థులను నేర్చుకునేందుకు సన్నద్ధం చేయడానికి మెంటర్ చేయవచ్చు. ఆపై విద్యార్థులను క్విజ్‌లకు ఆహ్వానించి, వారి సమాధానాలను ఒక నిర్దిష్ట సమయంలో 'issues' గా సమర్పించమని చెప్పవచ్చు. మీరు ఇష్టపడితే, అసైన్‌మెంట్‌లతో కూడా ఇదే విధంగా చేయవచ్చు, విద్యార్థులు కలిసి పబ్లిక్‌గా పని చేయాలనుకుంటే. - -మీకు ప్రైవేట్ ఫార్మాట్ ఇష్టమైతే, విద్యార్థులను పాఠ్యక్రమాన్ని పాఠం వారీగా వారి స్వంత GitHub రిపోస్‌లో ప్రైవేట్ రిపోస్‌గా ఫోర్క్ చేయమని చెప్పండి, మరియు మీకు యాక్సెస్ ఇవ్వమని చెప్పండి. అప్పుడు వారు క్విజ్‌లు మరియు అసైన్‌మెంట్‌లను ప్రైవేట్‌గా పూర్తి చేసి, మీ తరగతి రిపోలో issues ద్వారా సమర్పించవచ్చు. - -ఆన్‌లైన్ తరగతి ఫార్మాట్‌లో దీన్ని అమలు చేయడానికి అనేక మార్గాలు ఉన్నాయి. మీకు ఏది బాగా పనిచేస్తుందో మాకు తెలియజేయండి! - -## దయచేసి మీ అభిప్రాయాలు ఇవ్వండి - -మేము ఈ పాఠ్యక్రమాన్ని మీకు మరియు మీ విద్యార్థులకు ఉపయోగపడేలా చేయాలనుకుంటున్నాము. దయచేసి చర్చా బోర్డుల్లో మీ అభిప్రాయాలు ఇవ్వండి! - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# ఉపాధ్యాయులకు + +మీ తరగతిలో ఈ పాఠ్యక్రమాన్ని ఉపయోగించాలనుకుంటున్నారా? దయచేసి స్వేచ్ఛగా ఉపయోగించండి! + +వాస్తవానికి, మీరు GitHub Classroom ఉపయోగించి GitHub లోనే దీన్ని ఉపయోగించవచ్చు. + +అందుకోసం, ఈ రిపోను ఫోర్క్ చేయండి. ప్రతి పాఠం కోసం ఒక రిపో సృష్టించాల్సి ఉంటుంది, కాబట్టి ప్రతి ఫోల్డర్‌ను వేరే రిపోగా విడగొట్టాలి. అలా చేస్తే, [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని వేరుగా గుర్తించగలదు. + +ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీకు మీ తరగతిని ఎలా ఏర్పాటు చేయాలో అవగాహన ఇస్తాయి. + +## రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించడం + +GitHub Classroom ఉపయోగించకుండా ఈ రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించాలనుకుంటే, అది కూడా చేయవచ్చు. మీరు మీ విద్యార్థులతో ఏ పాఠం మీద కలిసి పని చేయాలో చర్చించాలి. + +ఆన్‌లైన్ ఫార్మాట్ (Zoom, Teams, లేదా ఇతర) లో, మీరు క్విజ్‌ల కోసం బ్రేక్‌అవుట్ రూమ్‌లు ఏర్పాటు చేసి, విద్యార్థులను నేర్చుకునేందుకు సన్నద్ధం చేయడానికి మెంటర్ చేయవచ్చు. ఆపై విద్యార్థులను క్విజ్‌లకు ఆహ్వానించి, వారి సమాధానాలను ఒక నిర్దిష్ట సమయంలో 'issues' గా సమర్పించమని చెప్పవచ్చు. మీరు ఇష్టపడితే, అసైన్‌మెంట్‌లతో కూడా ఇదే విధంగా చేయవచ్చు, విద్యార్థులు కలిసి పబ్లిక్‌గా పని చేయాలనుకుంటే. + +మీకు ప్రైవేట్ ఫార్మాట్ ఇష్టమైతే, విద్యార్థులను పాఠ్యక్రమాన్ని పాఠం వారీగా వారి స్వంత GitHub రిపోస్‌లో ప్రైవేట్ రిపోస్‌గా ఫోర్క్ చేయమని చెప్పండి, మరియు మీకు యాక్సెస్ ఇవ్వమని చెప్పండి. అప్పుడు వారు క్విజ్‌లు మరియు అసైన్‌మెంట్‌లను ప్రైవేట్‌గా పూర్తి చేసి, మీ తరగతి రిపోలో issues ద్వారా సమర్పించవచ్చు. + +ఆన్‌లైన్ తరగతి ఫార్మాట్‌లో దీన్ని అమలు చేయడానికి అనేక మార్గాలు ఉన్నాయి. మీకు ఏది బాగా పనిచేస్తుందో మాకు తెలియజేయండి! + +## దయచేసి మీ అభిప్రాయాలు ఇవ్వండి + +మేము ఈ పాఠ్యక్రమాన్ని మీకు మరియు మీ విద్యార్థులకు ఉపయోగపడేలా చేయాలనుకుంటున్నాము. దయచేసి చర్చా బోర్డుల్లో మీ అభిప్రాయాలు ఇవ్వండి! + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/0-course-setup/how-to-run.md b/translations/te/lessons/0-course-setup/how-to-run.md index 443bacb5..61a93060 100644 --- a/translations/te/lessons/0-course-setup/how-to-run.md +++ b/translations/te/lessons/0-course-setup/how-to-run.md @@ -1,12 +1,3 @@ - # కోడ్ ఎలా నడిపించాలి ఈ పాఠ్యక్రమం అనేక అమలుచేయగల ఉదాహరణలు మరియు ప్రయోగశాలలను కలిగి ఉంది, మీరు వాటిని నడపాలి అనుకుంటారు. దీని కోసం, ఈ పాఠ్యక్రమం భాగంగా అందించబడిన Jupyter నోట్బుక్స్ లో Python కోడ్ అమలు చేసే సామర్థ్యం అవసరం. కోడ్ నడపడానికి మీకు అనేక ఎంపికలు ఉన్నాయి: diff --git a/translations/te/lessons/0-course-setup/setup.md b/translations/te/lessons/0-course-setup/setup.md index 3f7ad7dd..51e2f4d3 100644 --- a/translations/te/lessons/0-course-setup/setup.md +++ b/translations/te/lessons/0-course-setup/setup.md @@ -1,12 +1,3 @@ - # ఈ కోర్సును ప్రారంభించడం ## మీరు విద్యార్థులా? diff --git a/translations/te/lessons/1-Intro/README.md b/translations/te/lessons/1-Intro/README.md index 92cbcd2c..4ca8aa21 100644 --- a/translations/te/lessons/1-Intro/README.md +++ b/translations/te/lessons/1-Intro/README.md @@ -1,12 +1,3 @@ - # AI పరిచయం ![AI పరిచయ విషయాల సారాంశం ఒక డ్రాయింగ్‌లో](../../../../translated_images/te/ai-intro.bf28d1ac4235881c.webp) diff --git a/translations/te/lessons/1-Intro/assignment.md b/translations/te/lessons/1-Intro/assignment.md index 0120633a..53c33fdf 100644 --- a/translations/te/lessons/1-Intro/assignment.md +++ b/translations/te/lessons/1-Intro/assignment.md @@ -1,19 +1,10 @@ - -# గేమ్ జామ్ - -గేమ్స్ అనేవి AI మరియు ML అభివృద్ధుల వల్ల గణనీయంగా ప్రభావితమైన రంగం. ఈ అసైన్‌మెంట్‌లో, మీరు ఇష్టపడే ఒక గేమ్ గురించి చిన్న పేపర్ రాయాలి, అది AI పరిణామం వల్ల ప్రభావితమైంది. ఆ గేమ్ పాతది కావాలి, అంటే అది అనేక రకాల కంప్యూటర్ ప్రాసెసింగ్ సిస్టమ్స్ వల్ల ప్రభావితమైనది కావాలి. మంచి ఉదాహరణగా చెస్ లేదా గో గేమ్స్ తీసుకోవచ్చు, అలాగే పాంగ్ లేదా పాక్-మ్యాన్ వంటి వీడియో గేమ్స్‌ను కూడా పరిశీలించండి. ఆ గేమ్ యొక్క గతం, వర్తమానం, మరియు AI భవిష్యత్తు గురించి చర్చించే వ్యాసం రాయండి. - ---- - - -**అస్పష్టత**: -ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పులు ఉండవచ్చు. మూల డాక్యుమెంట్ దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# గేమ్ జామ్ + +గేమ్స్ అనేవి AI మరియు ML అభివృద్ధుల వల్ల గణనీయంగా ప్రభావితమైన రంగం. ఈ అసైన్‌మెంట్‌లో, మీరు ఇష్టపడే ఒక గేమ్ గురించి చిన్న పేపర్ రాయాలి, అది AI పరిణామం వల్ల ప్రభావితమైంది. ఆ గేమ్ పాతది కావాలి, అంటే అది అనేక రకాల కంప్యూటర్ ప్రాసెసింగ్ సిస్టమ్స్ వల్ల ప్రభావితమైనది కావాలి. మంచి ఉదాహరణగా చెస్ లేదా గో గేమ్స్ తీసుకోవచ్చు, అలాగే పాంగ్ లేదా పాక్-మ్యాన్ వంటి వీడియో గేమ్స్‌ను కూడా పరిశీలించండి. ఆ గేమ్ యొక్క గతం, వర్తమానం, మరియు AI భవిష్యత్తు గురించి చర్చించే వ్యాసం రాయండి. + +--- + + +**అస్పష్టత**: +ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పులు ఉండవచ్చు. మూల డాక్యుమెంట్ దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/2-Symbolic/README.md b/translations/te/lessons/2-Symbolic/README.md index 29ee587d..6f4d93ba 100644 --- a/translations/te/lessons/2-Symbolic/README.md +++ b/translations/te/lessons/2-Symbolic/README.md @@ -1,15 +1,6 @@ - # జ్ఞాన ప్రతినిధిత్వం మరియు నిపుణుల సిస్టమ్‌లు -![Summary of Symbolic AI content](../../../../../../translated_images/te/ai-symbolic.715a30cb610411a6.webp) +![Summary of Symbolic AI content](../../../../translated_images/te/ai-symbolic.715a30cb610411a6.webp) > స్కెచ్‌నోట్ దీన్ని [Tomomi Imura](https://twitter.com/girlie_mac) చేత రాయబడింది @@ -41,7 +32,7 @@ AI ప్రారంభ దశలలో, తెలివైన సిస్ట కాబట్టి, **జ్ఞాన ప్రతినిధిత్వం** సమస్య అనేది జ్ఞానాన్ని కంప్యూటర్ లో డేటా రూపంలో ప్రతినిధ్యం చేసుకునే సమర్థవంతమైన మార్గం కనుగొనడమే, తద్వారా దాన్ని ఆటోమేటిక్ గా ఉపయోగించుకోవచ్చు. దీనిని ఒక స్పెక్ట్రమ్ గా చూడవచ్చు: -![Knowledge representation spectrum](../../../../../../translated_images/te/knowledge-spectrum.b60df631852c0217.webp) +![Knowledge representation spectrum](../../../../translated_images/te/knowledge-spectrum.b60df631852c0217.webp) > చిత్రాన్ని [Dmitry Soshnikov](http://soshnikov.com) నిర్మించారు @@ -94,7 +85,7 @@ Block Syntax | Indent | | | సింబాలిక్ AI ప్రారంభ విజయాలలో ఒకటి **నిపుణుల సిస్టమ్‌లు** - ఇది కొన్ని పరిమిత సమస్యా పరిధిలో నిపుణుడి పాత్రను పోషించడానికి రూపొందించిన కంప్యూటర్ సిస్టమ్‌లు. ఇవి ఒక లేదా ఎక్కువ మానవ నిపుణుల నుండి తీసుకున్న **జ్ఞాన సమస్యా పాఠశాల** ఆధారంగా ఉంటాయి మరియు అందుపైని తార్కికం నిర్వహించే **అవధారణ యంత్రం** ను కలిగి ఉంటాయి. -![Human Architecture](../../../../../../translated_images/te/arch-human.5d4d35f1bba3ab1c.webp) | ![Knowledge-Based System](../../../../../../translated_images/te/arch-kbs.3ec5c150b09fa8da.webp) +![Human Architecture](../../../../translated_images/te/arch-human.5d4d35f1bba3ab1c.webp) | ![Knowledge-Based System](../../../../translated_images/te/arch-kbs.3ec5c150b09fa8da.webp) ---------------------------------------------|------------------------------------------------ మానవ నరమైన వ్యవస్థ సరళీకృత నిర్మాణం | జ్ఞాన-ఆధారిత వ్యవస్థ నిర్మాణం @@ -106,7 +97,7 @@ Block Syntax | Indent | | | ఉదాహరణకు, ఒక జంతువును దాని శారీరక లక్షణాల ఆధారంగా గుర్తించడం కోసం క్రింది నిపుణుల సిస్టమ్‌ను పరిగణించాము: -![AND-OR Tree](../../../../../../translated_images/te/AND-OR-Tree.5592d2c70187f283.webp) +![AND-OR Tree](../../../../translated_images/te/AND-OR-Tree.5592d2c70187f283.webp) > చిత్రాన్ని [Dmitry Soshnikov](http://soshnikov.com) చిత్రించేరు diff --git a/translations/te/lessons/2-Symbolic/assignment.md b/translations/te/lessons/2-Symbolic/assignment.md index 2dffac5c..adc50c38 100644 --- a/translations/te/lessons/2-Symbolic/assignment.md +++ b/translations/te/lessons/2-Symbolic/assignment.md @@ -1,19 +1,10 @@ - -# ఒక ఆంటాలజీని నిర్మించండి - -జ్ఞానాధారాన్ని నిర్మించడం అనేది ఒక విషయం గురించి వాస్తవాలను ప్రతిబింబించే మోడల్‌ను వర్గీకరించడం. ఒక విషయం ఎంచుకోండి - ఒక వ్యక్తి, ఒక స్థలం, లేదా ఒక వస్తువు - ఆ విషయం యొక్క మోడల్‌ను నిర్మించండి. ఈ పాఠంలో వివరించిన కొన్ని సాంకేతికతలు మరియు మోడల్-నిర్మాణ వ్యూహాలను ఉపయోగించండి. ఉదాహరణకు, ఫర్నిచర్, లైట్లు మరియు ఇతర అంశాలతో కూడిన లివింగ్ రూమ్ యొక్క ఆంటాలజీని సృష్టించడం. లివింగ్ రూమ్ వంటగదితో ఎలా భిన్నంగా ఉంటుంది? బాత్రూమ్‌తో ఎలా వేరుగా ఉంటుంది? అది డైనింగ్ రూమ్ కాకుండా లివింగ్ రూమ్ అని మీరు ఎలా తెలుసుకుంటారు? మీ ఆంటాలజీని నిర్మించడానికి [Protégé](https://protege.stanford.edu/)ని ఉపయోగించండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# ఒక ఆంటాలజీని నిర్మించండి + +జ్ఞానాధారాన్ని నిర్మించడం అనేది ఒక విషయం గురించి వాస్తవాలను ప్రతిబింబించే మోడల్‌ను వర్గీకరించడం. ఒక విషయం ఎంచుకోండి - ఒక వ్యక్తి, ఒక స్థలం, లేదా ఒక వస్తువు - ఆ విషయం యొక్క మోడల్‌ను నిర్మించండి. ఈ పాఠంలో వివరించిన కొన్ని సాంకేతికతలు మరియు మోడల్-నిర్మాణ వ్యూహాలను ఉపయోగించండి. ఉదాహరణకు, ఫర్నిచర్, లైట్లు మరియు ఇతర అంశాలతో కూడిన లివింగ్ రూమ్ యొక్క ఆంటాలజీని సృష్టించడం. లివింగ్ రూమ్ వంటగదితో ఎలా భిన్నంగా ఉంటుంది? బాత్రూమ్‌తో ఎలా వేరుగా ఉంటుంది? అది డైనింగ్ రూమ్ కాకుండా లివింగ్ రూమ్ అని మీరు ఎలా తెలుసుకుంటారు? మీ ఆంటాలజీని నిర్మించడానికి [Protégé](https://protege.stanford.edu/)ని ఉపయోగించండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/te/lessons/3-NeuralNetworks/03-Perceptron/README.md index c513eede..5148a802 100644 --- a/translations/te/lessons/3-NeuralNetworks/03-Perceptron/README.md +++ b/translations/te/lessons/3-NeuralNetworks/03-Perceptron/README.md @@ -1,12 +1,3 @@ - # న్యూరల్ నెట్‌వర్క్స్ పరిచయం: పర్సెప్ట్రాన్ ## [పాఠం ముందు క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/5) diff --git a/translations/te/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/te/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md index 70166103..d89505a8 100644 --- a/translations/te/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md +++ b/translations/te/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md @@ -1,35 +1,26 @@ - -# పర్సెప్ట్రాన్‌తో బహుళ-వర్గ వర్గీకరణ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -ఈ పాఠంలో మేము అభివృద్ధి చేసిన కోడ్‌ను ఉపయోగించి MNIST చేతితో వ్రాసిన అంకెల బైనరీ వర్గీకరణ కోసం, ఏదైనా అంకెను గుర్తించగల బహుళ-వర్గ వర్గీకరణను సృష్టించండి. ట్రైన్ మరియు టెస్ట్ డేటాసెట్‌లపై వర్గీకరణ ఖచ్చితత్వాన్ని లెక్కించండి, మరియు కన్ఫ్యూజన్ మ్యాట్రిక్స్‌ను ప్రింట్ చేయండి. - -## సూచనలు - -1. ప్రతి అంకె కోసం, "ఈ అంకె vs. అన్ని ఇతర అంకెలు" అనే బైనరీ వర్గీకర్త కోసం డేటాసెట్ సృష్టించండి -1. బైనరీ వర్గీకరణ కోసం 10 వేర్వేరు పర్సెప్ట్రాన్లను శిక్షణ ఇవ్వండి (ప్రతి అంకె కోసం ఒకటి) -1. ఒక ఇన్‌పుట్ అంకెను వర్గీకరించే ఫంక్షన్‌ను నిర్వచించండి - -> **సూచన**: 10 పర్సెప్ట్రాన్ల బరువులను ఒక మ్యాట్రిక్స్‌లో కలిపితే, ఒక మ్యాట్రిక్స్ గుణకంతో అన్ని 10 పర్సెప్ట్రాన్లను ఇన్‌పుట్ అంకెలపై వర్తింపజేయవచ్చు. అత్యంత సంభావ్యమైన అంకెను అవుట్‌పుట్‌పై `argmax` ఆపరేషన్‌ను ఉపయోగించి కనుగొనవచ్చు. - -## ప్రారంభ నోట్‌బుక్ - -[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) ను తెరిచి ల్యాబ్‌ను ప్రారంభించండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# పర్సెప్ట్రాన్‌తో బహుళ-వర్గ వర్గీకరణ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +ఈ పాఠంలో మేము అభివృద్ధి చేసిన కోడ్‌ను ఉపయోగించి MNIST చేతితో వ్రాసిన అంకెల బైనరీ వర్గీకరణ కోసం, ఏదైనా అంకెను గుర్తించగల బహుళ-వర్గ వర్గీకరణను సృష్టించండి. ట్రైన్ మరియు టెస్ట్ డేటాసెట్‌లపై వర్గీకరణ ఖచ్చితత్వాన్ని లెక్కించండి, మరియు కన్ఫ్యూజన్ మ్యాట్రిక్స్‌ను ప్రింట్ చేయండి. + +## సూచనలు + +1. ప్రతి అంకె కోసం, "ఈ అంకె vs. అన్ని ఇతర అంకెలు" అనే బైనరీ వర్గీకర్త కోసం డేటాసెట్ సృష్టించండి +1. బైనరీ వర్గీకరణ కోసం 10 వేర్వేరు పర్సెప్ట్రాన్లను శిక్షణ ఇవ్వండి (ప్రతి అంకె కోసం ఒకటి) +1. ఒక ఇన్‌పుట్ అంకెను వర్గీకరించే ఫంక్షన్‌ను నిర్వచించండి + +> **సూచన**: 10 పర్సెప్ట్రాన్ల బరువులను ఒక మ్యాట్రిక్స్‌లో కలిపితే, ఒక మ్యాట్రిక్స్ గుణకంతో అన్ని 10 పర్సెప్ట్రాన్లను ఇన్‌పుట్ అంకెలపై వర్తింపజేయవచ్చు. అత్యంత సంభావ్యమైన అంకెను అవుట్‌పుట్‌పై `argmax` ఆపరేషన్‌ను ఉపయోగించి కనుగొనవచ్చు. + +## ప్రారంభ నోట్‌బుక్ + +[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) ను తెరిచి ల్యాబ్‌ను ప్రారంభించండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/README.md index 6310a91f..e2308978 100644 --- a/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/README.md +++ b/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/README.md @@ -1,12 +1,3 @@ - # న్యూరల్ నెట్‌వర్క్స్ పరిచయం. మల్టీ-లేయర్డ్ పర్సెప్ట్రాన్ మునుపటి విభాగంలో, మీరు అత్యంత సాదాసీదా న్యూరల్ నెట్‌వర్క్ మోడల్ - ఒక లేయర్డ్ పర్సెప్ట్రాన్, ఒక రేఖీయ రెండు-వర్గాల వర్గీకరణ మోడల్ గురించి నేర్చుకున్నారు. diff --git a/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md index a78ad279..5b78b154 100644 --- a/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md +++ b/translations/te/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md @@ -1,36 +1,27 @@ - -# మన స్వంత ఫ్రేమ్‌వర్క్‌తో MNIST వర్గీకరణ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -1-, 2- మరియు 3-లేయర్డ్ పర్సెప్ట్రాన్ ఉపయోగించి MNIST చేతితో వ్రాసిన అంకెల వర్గీకరణ సమస్యను పరిష్కరించండి. పాఠంలో అభివృద్ధి చేసిన న్యూరల్ నెట్‌వర్క్ ఫ్రేమ్‌వర్క్‌ను ఉపయోగించండి. - -## ప్రారంభ నోట్‌బుక్ - -ల్యాబ్‌ను ప్రారంభించడానికి [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) ను తెరవండి - -## ప్రశ్నలు - -ఈ ల్యాబ్ ఫలితంగా, క్రింది ప్రశ్నలకు సమాధానం ఇవ్వడానికి ప్రయత్నించండి: - -- ఇంటర్-లేయర్ యాక్టివేషన్ ఫంక్షన్ నెట్‌వర్క్ పనితీరుపై ప్రభావం చూపుతుందా? -- ఈ పనికి 2- లేదా 3-లేయర్డ్ నెట్‌వర్క్ అవసరమా? -- నెట్‌వర్క్‌ను శిక్షణ ఇస్తున్నప్పుడు ఎలాంటి సమస్యలు ఎదురయ్యాయా? ముఖ్యంగా లేయర్ల సంఖ్య పెరిగినప్పుడు. -- శిక్షణ సమయంలో నెట్‌వర్క్ వెయిట్స్ ఎలా ప్రవర్తిస్తాయి? సంబంధాన్ని అర్థం చేసుకోవడానికి వెయిట్స్ యొక్క గరిష్ఠ పరమాణు విలువను ఎపోక్‌తో పోల్చి గ్రాఫ్ చేయవచ్చు. - ---- - - -**అస్పష్టత**: -ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల డాక్యుమెంట్ దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# మన స్వంత ఫ్రేమ్‌వర్క్‌తో MNIST వర్గీకరణ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +1-, 2- మరియు 3-లేయర్డ్ పర్సెప్ట్రాన్ ఉపయోగించి MNIST చేతితో వ్రాసిన అంకెల వర్గీకరణ సమస్యను పరిష్కరించండి. పాఠంలో అభివృద్ధి చేసిన న్యూరల్ నెట్‌వర్క్ ఫ్రేమ్‌వర్క్‌ను ఉపయోగించండి. + +## ప్రారంభ నోట్‌బుక్ + +ల్యాబ్‌ను ప్రారంభించడానికి [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) ను తెరవండి + +## ప్రశ్నలు + +ఈ ల్యాబ్ ఫలితంగా, క్రింది ప్రశ్నలకు సమాధానం ఇవ్వడానికి ప్రయత్నించండి: + +- ఇంటర్-లేయర్ యాక్టివేషన్ ఫంక్షన్ నెట్‌వర్క్ పనితీరుపై ప్రభావం చూపుతుందా? +- ఈ పనికి 2- లేదా 3-లేయర్డ్ నెట్‌వర్క్ అవసరమా? +- నెట్‌వర్క్‌ను శిక్షణ ఇస్తున్నప్పుడు ఎలాంటి సమస్యలు ఎదురయ్యాయా? ముఖ్యంగా లేయర్ల సంఖ్య పెరిగినప్పుడు. +- శిక్షణ సమయంలో నెట్‌వర్క్ వెయిట్స్ ఎలా ప్రవర్తిస్తాయి? సంబంధాన్ని అర్థం చేసుకోవడానికి వెయిట్స్ యొక్క గరిష్ఠ పరమాణు విలువను ఎపోక్‌తో పోల్చి గ్రాఫ్ చేయవచ్చు. + +--- + + +**అస్పష్టత**: +ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల డాక్యుమెంట్ దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/te/lessons/3-NeuralNetworks/05-Frameworks/README.md index b876c28a..8cfcac55 100644 --- a/translations/te/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/te/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -1,12 +1,3 @@ - # న్యూరల్ నెట్‌వర్క్ ఫ్రేమ్‌వర్క్స్ మనం ఇప్పటికే నేర్చుకున్నట్లుగా, న్యూరల్ నెట్‌వర్క్స్‌ను సమర్థవంతంగా శిక్షణ ఇవ్వడానికి రెండు విషయాలు చేయాలి: diff --git a/translations/te/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/te/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md index 53c6970d..f6d11984 100644 --- a/translations/te/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md +++ b/translations/te/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md @@ -1,32 +1,23 @@ - -# PyTorch/TensorFlow తో వర్గీకరణ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -PyTorch లేదా TensorFlow ఉపయోగించి సింగిల్ మరియు మల్టీ-లేయర్డ్ ఫుల్-కనెక్టెడ్ నెట్‌వర్క్‌లను ఉపయోగించి రెండు వర్గీకరణ సమస్యలను పరిష్కరించండి: - -1. **[Iris వర్గీకరణ](https://en.wikipedia.org/wiki/Iris_flower_data_set)** సమస్య - ఇది టేబులర్ ఇన్‌పుట్ డేటాతో కూడిన సమస్యకు ఉదాహరణ, ఇది క్లాసికల్ మెషీన్ లెర్నింగ్ ద్వారా నిర్వహించవచ్చు. మీ లక్ష్యం 4 సంఖ్యాత్మక పారామితుల ఆధారంగా ఐరిసులను 3 తరగతులుగా వర్గీకరించడం. -1. మునుపటి సారి చూచిన MNIST చేతితో వ్రాసిన అంకెల వర్గీకరణ సమస్య. - -మీకు సాధ్యమైన ఉత్తమ ఖచ్చితత్వాన్ని సాధించడానికి వివిధ నెట్‌వర్క్ నిర్మాణాలను ప్రయత్నించండి. - -## ప్రారంభ నోట్బుక్ - -ల్యాబ్‌ను ప్రారంభించడానికి [LabFrameworks.ipynb](LabFrameworks.ipynb) ను తెరవండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# PyTorch/TensorFlow తో వర్గీకరణ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +PyTorch లేదా TensorFlow ఉపయోగించి సింగిల్ మరియు మల్టీ-లేయర్డ్ ఫుల్-కనెక్టెడ్ నెట్‌వర్క్‌లను ఉపయోగించి రెండు వర్గీకరణ సమస్యలను పరిష్కరించండి: + +1. **[Iris వర్గీకరణ](https://en.wikipedia.org/wiki/Iris_flower_data_set)** సమస్య - ఇది టేబులర్ ఇన్‌పుట్ డేటాతో కూడిన సమస్యకు ఉదాహరణ, ఇది క్లాసికల్ మెషీన్ లెర్నింగ్ ద్వారా నిర్వహించవచ్చు. మీ లక్ష్యం 4 సంఖ్యాత్మక పారామితుల ఆధారంగా ఐరిసులను 3 తరగతులుగా వర్గీకరించడం. +1. మునుపటి సారి చూచిన MNIST చేతితో వ్రాసిన అంకెల వర్గీకరణ సమస్య. + +మీకు సాధ్యమైన ఉత్తమ ఖచ్చితత్వాన్ని సాధించడానికి వివిధ నెట్‌వర్క్ నిర్మాణాలను ప్రయత్నించండి. + +## ప్రారంభ నోట్బుక్ + +ల్యాబ్‌ను ప్రారంభించడానికి [LabFrameworks.ipynb](LabFrameworks.ipynb) ను తెరవండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/3-NeuralNetworks/README.md b/translations/te/lessons/3-NeuralNetworks/README.md index f9dd8179..d539fd5c 100644 --- a/translations/te/lessons/3-NeuralNetworks/README.md +++ b/translations/te/lessons/3-NeuralNetworks/README.md @@ -1,12 +1,3 @@ - # న్యూరల్ నెట్‌వర్క్స్ పరిచయం ![Intro Neural Networks విషయాల సారాంశం డూడిల్‌లో](../../../../translated_images/te/ai-neuralnetworks.1c687ae40bc86e83.webp) diff --git a/translations/te/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/te/lessons/4-ComputerVision/06-IntroCV/README.md index 810d02f9..6b160648 100644 --- a/translations/te/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/te/lessons/4-ComputerVision/06-IntroCV/README.md @@ -1,12 +1,3 @@ - # కంప్యూటర్ విజన్ పరిచయం [కంప్యూటర్ విజన్](https://wikipedia.org/wiki/Computer_vision) అనేది కంప్యూటర్లకు డిజిటల్ చిత్రాలపై ఉన్నత స్థాయి అవగాహన పొందేలా చేయడం లక్ష్యంగా ఉన్న శాస్త్రశాఖ. ఇది చాలా విస్తృత నిర్వచనం, ఎందుకంటే *అవగాహన* అనేది అనేక రకాల అర్థాలు కలిగి ఉండవచ్చు, ఉదాహరణకు చిత్రంలో ఒక వస్తువును కనుగొనడం (**object detection**), ఏం జరుగుతుందో అర్థం చేసుకోవడం (**event detection**), చిత్రాన్ని వచనంగా వివరించడం, లేదా సన్నివేశాన్ని 3Dలో పునర్నిర్మించడం. మానవ చిత్రాలకు సంబంధించిన ప్రత్యేక పనులు కూడా ఉన్నాయి: వయస్సు మరియు భావోద్వేగ అంచనా, ముఖ గుర్తింపు మరియు గుర్తింపు, 3D పోజ్ అంచనా వంటి కొన్ని. diff --git a/translations/te/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/te/lessons/4-ComputerVision/06-IntroCV/lab/README.md index 7a8a7c5c..81954ec2 100644 --- a/translations/te/lessons/4-ComputerVision/06-IntroCV/lab/README.md +++ b/translations/te/lessons/4-ComputerVision/06-IntroCV/lab/README.md @@ -1,12 +1,3 @@ - # ఆప్టికల్ ఫ్లో ఉపయోగించి కదలికలను గుర్తించడం [AI for Beginners Curriculum](https://aka.ms/ai-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. diff --git a/translations/te/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/te/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 59c1fc2b..e5e71287 100644 --- a/translations/te/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/te/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -1,12 +1,3 @@ - # ప్రసిద్ధి చెందిన CNN నిర్మాణాలు ### VGG-16 diff --git a/translations/te/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/te/lessons/4-ComputerVision/07-ConvNets/README.md index 3212b993..9f903340 100644 --- a/translations/te/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/te/lessons/4-ComputerVision/07-ConvNets/README.md @@ -1,12 +1,3 @@ - # కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్స్ ముందుగా మనం చూశాం, న్యూరల్ నెట్‌వర్క్స్ చిత్రాలను నిర్వహించడంలో చాలా మంచి పనితీరు చూపిస్తాయి, మరియు ఒకే లేయర్ పెర్సెప్ట్రాన్ కూడా MNIST డేటాసెట్ నుండి చేతితో వ్రాసిన అంకెలను సరైన ఖచ్చితత్వంతో గుర్తించగలదు. అయితే, MNIST డేటాసెట్ చాలా ప్రత్యేకమైనది, అందులో అన్ని అంకెలు చిత్రంలో మధ్యలోనే ఉంటాయి, ఇది పనిని సులభతరం చేస్తుంది. diff --git a/translations/te/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/te/lessons/4-ComputerVision/07-ConvNets/lab/README.md index f47f385e..42ec9801 100644 --- a/translations/te/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/te/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -1,12 +1,3 @@ - # పెట్స్ ముఖాల వర్గీకరణ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. diff --git a/translations/te/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/te/lessons/4-ComputerVision/08-TransferLearning/README.md index d31f58a3..cf20b177 100644 --- a/translations/te/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/te/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -1,12 +1,3 @@ - # ముందుగా శిక్షణ పొందిన నెట్‌వర్క్లు మరియు ట్రాన్స్‌ఫర్ లెర్నింగ్ CNNలను శిక్షణ ఇవ్వడం చాలా సమయం తీసుకుంటుంది, మరియు ఆ పనికి చాలా డేటా అవసరం. అయితే, ఎక్కువ సమయం నెట్‌వర్క్ చిత్రాల నుండి నమూనాలను తీసుకునే ఉత్తమ తక్కువ-స్థాయి ఫిల్టర్లను నేర్చుకోవడంలో వెచ్చుతుంది. ఒక సహజమైన ప్రశ్న వస్తుంది - ఒక డేటాసెట్‌పై శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్‌ను ఉపయోగించి, పూర్తి శిక్షణ ప్రక్రియ అవసరం లేకుండా వేరే చిత్రాలను వర్గీకరించడానికి అనుకూలపరచగలమా? diff --git a/translations/te/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/te/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md index 6b943815..ae154055 100644 --- a/translations/te/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md +++ b/translations/te/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md @@ -1,121 +1,112 @@ - -# డీప్ లెర్నింగ్ శిక్షణ చిట్కాలు - -న్యూరల్ నెట్‌వర్క్లు లోతుగా మారుతున్న కొద్దీ, వాటి శిక్షణ ప్రక్రియ మరింత కష్టతరమవుతుంది. ఒక ప్రధాన సమస్యగా పిలవబడేది [వానిషింగ్ గ్రాడియెంట్స్](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) లేదా [ఎక్స్‌ప్లోడింగ్ గ్రాడియెంట్స్](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) సమస్య. [ఈ పోస్ట్](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ఆ సమస్యల గురించి మంచి పరిచయాన్ని ఇస్తుంది. - -డీప్ నెట్‌వర్క్ల శిక్షణను మరింత సమర్థవంతంగా చేయడానికి కొన్ని సాంకేతికతలు ఉపయోగించవచ్చు. - -## విలువలను సరైన పరిధిలో ఉంచడం - -సంఖ్యాత్మక లెక్కింపులు స్థిరంగా ఉండాలంటే, మన న్యూరల్ నెట్‌వర్క్‌లోని అన్ని విలువలు సాధారణంగా [-1..1] లేదా [0..1] పరిధిలో ఉండేలా చూసుకోవాలి. ఇది కఠినమైన నియమం కాదు, కానీ ఫ్లోటింగ్ పాయింట్ లెక్కింపుల స్వభావం ప్రకారం, విభిన్న పరిమాణాల విలువలను ఖచ్చితంగా కలిపి నిర్వహించడం కష్టం. ఉదాహరణకు, 10-10 మరియు 1010 ను కలిపితే, మనం సాధారణంగా 1010 ను పొందుతాము, ఎందుకంటే చిన్న విలువ పెద్దదైన ఆర్డర్‌కు మార్చబడుతుంది, అందువల్ల మాంటిస్సా (mantissa) పోతుంది. - -అధిక భాగం యాక్టివేషన్ ఫంక్షన్లు [-1..1] పరిధిలో నాన్-లీనియర్ ఉంటాయి, కాబట్టి అన్ని ఇన్‌పుట్ డేటాను [-1..1] లేదా [0..1] పరిధిలో స్కేల్ చేయడం మంచిది. - -## ప్రారంభ బరువు ప్రారంభీకరణ - -సిద్ధాంతంగా, నెట్‌వర్క్ లేయర్ల ద్వారా విలువలు ఒకే పరిధిలో ఉండాలి. కాబట్టి, విలువల పంపిణీని నిలుపుకునే విధంగా బరువులను ప్రారంభీకరించడం ముఖ్యం. - -సాధారణ పంపిణీ **N(0,1)** మంచిది కాదు, ఎందుకంటే మనకు *n* ఇన్‌పుట్లు ఉంటే, అవుట్‌పుట్ యొక్క స్టాండర్డ్ డివియేషన్ *n* అవుతుంది, మరియు విలువలు [0..1] పరిధి నుండి బయటకు వెళ్లే అవకాశం ఉంటుంది. - -క్రింది ప్రారంభీకరణలు తరచుగా ఉపయోగిస్తారు: - - * యూనిఫార్మ్ పంపిణీ -- `uniform` - * **N(0,1/n)** -- `gaussian` - * **N(0,1/√n_in)** ఇది ఇన్‌పుట్లు సున్నా సగటు మరియు 1 స్టాండర్డ్ డివియేషన్ ఉన్నప్పుడు అదే సగటు/స్టాండర్డ్ డివియేషన్ నిలుపుతుంది - * **N(0,√2/(n_in+n_out))** -- దీనిని **Xavier initialization** (`glorot`) అంటారు, ఇది ఫార్వర్డ్ మరియు బ్యాక్‌వర్డ్ ప్రొపగేషన్ సమయంలో సిగ్నల్స్‌ను పరిధిలో ఉంచడంలో సహాయపడుతుంది - -## బ్యాచ్ నార్మలైజేషన్ - -సరైన బరువు ప్రారంభీకరణ ఉన్నప్పటికీ, శిక్షణ సమయంలో బరువులు అనియంత్రితంగా పెద్దవిగా లేదా చిన్నవిగా మారవచ్చు, అవి సిగ్నల్స్‌ను సరైన పరిధి నుండి బయటకు తీసుకెళ్తాయి. మనం సిగ్నల్స్‌ను తిరిగి తీసుకురావడానికి **నార్మలైజేషన్** సాంకేతికతలను ఉపయోగించవచ్చు. వాటిలో కొన్ని ఉన్నాయి (బరువు నార్మలైజేషన్, లేయర్ నార్మలైజేషన్), కానీ ఎక్కువగా ఉపయోగించేది బ్యాచ్ నార్మలైజేషన్. - -**బ్యాచ్ నార్మలైజేషన్** భావన ఏమిటంటే, మినీబ్యాచ్‌లోని అన్ని విలువలను పరిగణలోకి తీసుకుని, ఆ విలువల ఆధారంగా నార్మలైజేషన్ (అంటే సగటు తీసి, స్టాండర్డ్ డివియేషన్‌తో భాగించడం) చేయడం. ఇది ఒక నెట్‌వర్క్ లేయర్‌గా అమలు చేయబడుతుంది, ఇది బరువులు వర్తింపజేసిన తర్వాత, యాక్టివేషన్ ఫంక్షన్ ముందు ఈ నార్మలైజేషన్ చేస్తుంది. ఫలితంగా, మనం ఎక్కువ తుది ఖచ్చితత్వం మరియు వేగవంతమైన శిక్షణను చూడగలుగుతాము. - -ఇది బ్యాచ్ నార్మలైజేషన్ పై [మూల పత్రం](https://arxiv.org/pdf/1502.03167.pdf), [వికీపీడియా వివరణ](https://en.wikipedia.org/wiki/Batch_normalization), మరియు [మంచి పరిచయ బ్లాగ్ పోస్ట్](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (మరియు [రష్యన్‌లో](https://habrahabr.ru/post/309302/)). - -## డ్రాప్‌అవుట్ - -**డ్రాప్‌అవుట్** అనేది శిక్షణ సమయంలో యాదృచ్ఛికంగా కొన్ని శాతం న్యూరాన్లను తొలగించే ఆసక్తికర సాంకేతికత. ఇది ఒక లేయర్‌గా అమలు చేయబడుతుంది, దీనికి ఒక పారామీటర్ ఉంటుంది (తొలగించాల్సిన న్యూరాన్ల శాతం, సాధారణంగా 10%-50%), మరియు శిక్షణ సమయంలో ఇది ఇన్‌పుట్ వెక్టర్‌లో యాదృచ్ఛిక అంశాలను జీరో చేస్తుంది, తద్వారా తదుపరి లేయర్‌కు పంపుతుంది. - -ఇది విచిత్రమైన ఆలోచనగా అనిపించవచ్చు, కానీ మీరు [`Dropout.ipynb`](Dropout.ipynb) నోట్బుక్‌లో MNIST అంకెల వర్గీకరణ శిక్షణపై డ్రాప్‌అవుట్ ప్రభావాన్ని చూడవచ్చు. ఇది శిక్షణ వేగాన్ని పెంచుతుంది మరియు తక్కువ శిక్షణ ఎపోక్స్‌లో ఎక్కువ ఖచ్చితత్వాన్ని సాధించడానికి సహాయపడుతుంది. - -ఈ ప్రభావాన్ని కొన్ని విధాలుగా వివరించవచ్చు: - - * ఇది మోడల్‌కు యాదృచ్ఛిక షాక్‌లా భావించవచ్చు, ఇది ఆప్టిమైజేషన్‌ను లోకల్ మినిమమ్ నుండి బయటకు తీస్తుంది - * ఇది *అప్రత్యక్ష మోడల్ సగటు*గా భావించవచ్చు, ఎందుకంటే డ్రాప్‌అవుట్ సమయంలో మనం కొంచెం భిన్నమైన మోడల్‌ను శిక్షణ ఇస్తున్నట్లు అనుకోవచ్చు - -> *కొంతమంది చెబుతారు, మద్యం తాగిన వ్యక్తి ఏదైనా నేర్చుకోవడానికి ప్రయత్నిస్తే, అతను మత్తులో లేని వ్యక్తి కంటే మరుసటి ఉదయం ఆ విషయం మెరుగ్గా గుర్తుంచుకుంటాడని, ఎందుకంటే కొంతమంది న్యూరాన్లు సరిగ్గా పనిచేయకపోవడం వల్ల మెదడు అర్థం చేసుకోవడానికి మెరుగ్గా అనుకూలమవుతుందని. మనం దీన్ని స్వయంగా పరీక్షించలేదు ఇది నిజమో కాదో.* - -## ఓవర్‌ఫిట్టింగ్ నివారణ - -డీప్ లెర్నింగ్‌లో ఒక ముఖ్యమైన అంశం [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) నివారించడం. చాలా శక్తివంతమైన న్యూరల్ నెట్‌వర్క్ మోడల్ ఉపయోగించాలనిపించినా, మోడల్ పారామీటర్ల సంఖ్యను శిక్షణ నమూనాల సంఖ్యతో సమతుల్యం చేయాలి. - -> మనం ముందుగా పరిచయం చేసిన [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) భావనను మీరు బాగా అర్థం చేసుకోవాలి! - -ఓవర్‌ఫిట్టింగ్ నివారించడానికి కొన్ని మార్గాలు ఉన్నాయి: - - * ఎర్లీ స్టాప్పింగ్ -- వాలిడేషన్ సెట్ లో లోపాన్ని నిరంతరం పర్యవేక్షించి, వాలిడేషన్ లోపం పెరగడం ప్రారంభించినప్పుడు శిక్షణను ఆపడం. - * స్పష్టమైన బరువు డికే / రెగ్యులరైజేషన్ -- బరువుల అధిక పరిమాణాలకు లాస్ ఫంక్షన్‌కు అదనపు శిక్షణా జరిమానా జోడించడం, ఇది మోడల్‌ను అస్థిర ఫలితాల నుండి రక్షిస్తుంది - * మోడల్ సగటు -- అనేక మోడల్స్‌ను శిక్షణ ఇస్తూ, ఫలితాలను సగటు చేయడం. ఇది వైవిధ్యాన్ని తగ్గించడంలో సహాయపడుతుంది. - * డ్రాప్‌అవుట్ (అప్రత్యక్ష మోడల్ సగటు) - -## ఆప్టిమైజర్లు / శిక్షణ అల్గోరిథమ్స్ - -శిక్షణలో మరో ముఖ్య అంశం మంచి శిక్షణ అల్గోరిథమ్ ఎంచుకోవడం. సాంప్రదాయ **గ్రాడియెంట్ డిసెంట్** సరైన ఎంపిక అయినప్పటికీ, అది కొన్నిసార్లు చాలా నెమ్మదిగా ఉండవచ్చు లేదా ఇతర సమస్యలకు దారితీస్తుంది. - -డీప్ లెర్నింగ్‌లో, మనం **స్టోకాస్టిక్ గ్రాడియెంట్ డిసెంట్** (SGD) ఉపయోగిస్తాము, ఇది శిక్షణ సెట్ నుండి యాదృచ్ఛికంగా ఎంచుకున్న మినీబ్యాచ్‌లపై వర్తించే గ్రాడియెంట్ డిసెంట్. బరువులు ఈ సూత్రం ద్వారా సవరించబడతాయి: - -wt+1 = wt - η∇ℒ - -### మోమెంటం - -**మోమెంటం SGD**లో, మనం గత దశల నుండి గ్రాడియెంట్ యొక్క ఒక భాగాన్ని నిలుపుకుంటాము. ఇది మనం ఇనర్షియాతో ఎక్కడో కదులుతున్నప్పుడు, విభిన్న దిశలో పంచ్ వచ్చినా, మన మార్గం తక్షణమే మారదు, కానీ మొదటి కదలిక యొక్క కొంత భాగాన్ని కొనసాగిస్తుంది. ఇక్కడ మనం *వేగం* సూచించడానికి మరో వెక్టర్ v ను పరిచయం చేస్తాము: - -* vt+1 = γ vt - η∇ℒ -* wt+1 = wt + vt+1 - -ఇక్కడ γ పారామీటర్ ఇనర్షియాను ఎంత మేర పరిగణలోకి తీసుకుంటుందో సూచిస్తుంది: γ=0 అంటే సాంప్రదాయ SGD; γ=1 అంటే శుద్ధమైన మోషన్ సమీకరణం. - -### ఆడమ్, అడాగ్రాడ్, మొదలైనవి - -ప్రతి లేయర్‌లో మనం సిగ్నల్స్‌ను Wi అనే మ్యాట్రిక్స్‌తో గుణిస్తాము, ||Wi|| ఆధారంగా, గ్రాడియెంట్ 0కి దగ్గరగా తగ్గిపోవచ్చు లేదా ఎప్పటికీ పెరిగిపోవచ్చు. ఇదే Exploding/Vanishing Gradients సమస్య యొక్క మూలం. - -ఈ సమస్యకు ఒక పరిష్కారం గ్రాడియెంట్ దిశను మాత్రమే ఉపయోగించడం, మరియు పరిమాణాన్ని పరిగణలోకి తీసుకోకపోవడం, అంటే: - -wt+1 = wt - η(∇ℒ/||∇ℒ||), ఇక్కడ ||∇ℒ|| = √∑(∇ℒ)2 - -ఈ అల్గోరిథమ్‌ను **Adagrad** అంటారు. అదే భావనను ఉపయోగించే ఇతర అల్గోరిథమ్స్: **RMSProp**, **Adam** - -> **Adam** అనేది అనేక అప్లికేషన్లకు చాలా సమర్థవంతమైన అల్గోరిథమ్‌గా పరిగణించబడుతుంది, కాబట్టి మీరు ఏది ఉపయోగించాలో తెలియకపోతే - Adam ఉపయోగించండి. - -### గ్రాడియెంట్ క్లిప్పింగ్ - -గ్రాడియెంట్ క్లిప్పింగ్ పై చెప్పిన ఆలోచనకు విస్తరణ. ||∇ℒ|| ≤ θ అయితే, మేము అసలు గ్రాడియెంట్‌ను బరువు ఆప్టిమైజేషన్‌లో పరిగణిస్తాము, మరియు ||∇ℒ|| > θ అయితే, గ్రాడియెంట్‌ను దాని నార్మ్‌తో భాగిస్తాము. ఇక్కడ θ ఒక పారామీటర్, ఎక్కువ సందర్భాల్లో θ=1 లేదా θ=10 తీసుకోవచ్చు. - -### లెర్నింగ్ రేట్ డికే - -శిక్షణ విజయానికి η అనే లెర్నింగ్ రేట్ పారామీటర్ చాలా ముఖ్యం. పెద్ద η విలువలు వేగవంతమైన శిక్షణకు దారితీస్తాయని భావించడం తార్కికం, ఇది శిక్షణ ప్రారంభంలో మనం సాధారణంగా కోరుకునేది, తరువాత చిన్న η విలువ నెట్‌వర్క్‌ను సున్నితంగా సర్దుబాటు చేయడానికి సహాయపడుతుంది. కాబట్టి, ఎక్కువ సందర్భాల్లో శిక్షణ సమయంలో η ను తగ్గించడం మంచిది. - -దీన్ని ప్రతి ఎపోక్ తర్వాత η ను కొంత సంఖ్య (ఉదా. 0.98) తో గుణించడం ద్వారా చేయవచ్చు, లేదా మరింత క్లిష్టమైన **లెర్నింగ్ రేట్ షెడ్యూల్** ఉపయోగించవచ్చు. - -## వివిధ నెట్‌వర్క్ ఆర్కిటెక్చర్లు - -మీ సమస్యకు సరైన నెట్‌వర్క్ ఆర్కిటెక్చర్ ఎంచుకోవడం కష్టం కావచ్చు. సాధారణంగా, మనం మన ప్రత్యేక పనికి (లేదా దానికి సమానమైన పనికి) పనిచేసిన ఆర్కిటెక్చర్‌ను ఎంచుకుంటాము. కంప్యూటర్ విజన్ కోసం న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్లపై [మంచి సమీక్ష](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ఇది. - -> మన దగ్గర ఉన్న శిక్షణ నమూనాల సంఖ్యకు తగినంత శక్తివంతమైన ఆర్కిటెక్చర్ ఎంచుకోవడం ముఖ్యం. చాలా శక్తివంతమైన మోడల్ ఎంచుకోవడం [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) కు దారితీస్తుంది. - -మరొక మంచి మార్గం అవసరమైన సంక్లిష్టతకు ఆటోమేటిక్‌గా సర్దుబాటు అయ్యే ఆర్కిటెక్చర్ ఉపయోగించడం. కొంత మేరకు, **ResNet** ఆర్కిటెక్చర్ మరియు **Inception** స్వయంచాలకంగా సర్దుబాటు అవుతాయి. [కంప్యూటర్ విజన్ ఆర్కిటెక్చర్లపై మరింత](../07-ConvNets/CNN_Architectures.md) సమాచారం. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# డీప్ లెర్నింగ్ శిక్షణ చిట్కాలు + +న్యూరల్ నెట్‌వర్క్లు లోతుగా మారుతున్న కొద్దీ, వాటి శిక్షణ ప్రక్రియ మరింత కష్టతరమవుతుంది. ఒక ప్రధాన సమస్యగా పిలవబడేది [వానిషింగ్ గ్రాడియెంట్స్](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) లేదా [ఎక్స్‌ప్లోడింగ్ గ్రాడియెంట్స్](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) సమస్య. [ఈ పోస్ట్](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ఆ సమస్యల గురించి మంచి పరిచయాన్ని ఇస్తుంది. + +డీప్ నెట్‌వర్క్ల శిక్షణను మరింత సమర్థవంతంగా చేయడానికి కొన్ని సాంకేతికతలు ఉపయోగించవచ్చు. + +## విలువలను సరైన పరిధిలో ఉంచడం + +సంఖ్యాత్మక లెక్కింపులు స్థిరంగా ఉండాలంటే, మన న్యూరల్ నెట్‌వర్క్‌లోని అన్ని విలువలు సాధారణంగా [-1..1] లేదా [0..1] పరిధిలో ఉండేలా చూసుకోవాలి. ఇది కఠినమైన నియమం కాదు, కానీ ఫ్లోటింగ్ పాయింట్ లెక్కింపుల స్వభావం ప్రకారం, విభిన్న పరిమాణాల విలువలను ఖచ్చితంగా కలిపి నిర్వహించడం కష్టం. ఉదాహరణకు, 10-10 మరియు 1010 ను కలిపితే, మనం సాధారణంగా 1010 ను పొందుతాము, ఎందుకంటే చిన్న విలువ పెద్దదైన ఆర్డర్‌కు మార్చబడుతుంది, అందువల్ల మాంటిస్సా (mantissa) పోతుంది. + +అధిక భాగం యాక్టివేషన్ ఫంక్షన్లు [-1..1] పరిధిలో నాన్-లీనియర్ ఉంటాయి, కాబట్టి అన్ని ఇన్‌పుట్ డేటాను [-1..1] లేదా [0..1] పరిధిలో స్కేల్ చేయడం మంచిది. + +## ప్రారంభ బరువు ప్రారంభీకరణ + +సిద్ధాంతంగా, నెట్‌వర్క్ లేయర్ల ద్వారా విలువలు ఒకే పరిధిలో ఉండాలి. కాబట్టి, విలువల పంపిణీని నిలుపుకునే విధంగా బరువులను ప్రారంభీకరించడం ముఖ్యం. + +సాధారణ పంపిణీ **N(0,1)** మంచిది కాదు, ఎందుకంటే మనకు *n* ఇన్‌పుట్లు ఉంటే, అవుట్‌పుట్ యొక్క స్టాండర్డ్ డివియేషన్ *n* అవుతుంది, మరియు విలువలు [0..1] పరిధి నుండి బయటకు వెళ్లే అవకాశం ఉంటుంది. + +క్రింది ప్రారంభీకరణలు తరచుగా ఉపయోగిస్తారు: + + * యూనిఫార్మ్ పంపిణీ -- `uniform` + * **N(0,1/n)** -- `gaussian` + * **N(0,1/√n_in)** ఇది ఇన్‌పుట్లు సున్నా సగటు మరియు 1 స్టాండర్డ్ డివియేషన్ ఉన్నప్పుడు అదే సగటు/స్టాండర్డ్ డివియేషన్ నిలుపుతుంది + * **N(0,√2/(n_in+n_out))** -- దీనిని **Xavier initialization** (`glorot`) అంటారు, ఇది ఫార్వర్డ్ మరియు బ్యాక్‌వర్డ్ ప్రొపగేషన్ సమయంలో సిగ్నల్స్‌ను పరిధిలో ఉంచడంలో సహాయపడుతుంది + +## బ్యాచ్ నార్మలైజేషన్ + +సరైన బరువు ప్రారంభీకరణ ఉన్నప్పటికీ, శిక్షణ సమయంలో బరువులు అనియంత్రితంగా పెద్దవిగా లేదా చిన్నవిగా మారవచ్చు, అవి సిగ్నల్స్‌ను సరైన పరిధి నుండి బయటకు తీసుకెళ్తాయి. మనం సిగ్నల్స్‌ను తిరిగి తీసుకురావడానికి **నార్మలైజేషన్** సాంకేతికతలను ఉపయోగించవచ్చు. వాటిలో కొన్ని ఉన్నాయి (బరువు నార్మలైజేషన్, లేయర్ నార్మలైజేషన్), కానీ ఎక్కువగా ఉపయోగించేది బ్యాచ్ నార్మలైజేషన్. + +**బ్యాచ్ నార్మలైజేషన్** భావన ఏమిటంటే, మినీబ్యాచ్‌లోని అన్ని విలువలను పరిగణలోకి తీసుకుని, ఆ విలువల ఆధారంగా నార్మలైజేషన్ (అంటే సగటు తీసి, స్టాండర్డ్ డివియేషన్‌తో భాగించడం) చేయడం. ఇది ఒక నెట్‌వర్క్ లేయర్‌గా అమలు చేయబడుతుంది, ఇది బరువులు వర్తింపజేసిన తర్వాత, యాక్టివేషన్ ఫంక్షన్ ముందు ఈ నార్మలైజేషన్ చేస్తుంది. ఫలితంగా, మనం ఎక్కువ తుది ఖచ్చితత్వం మరియు వేగవంతమైన శిక్షణను చూడగలుగుతాము. + +ఇది బ్యాచ్ నార్మలైజేషన్ పై [మూల పత్రం](https://arxiv.org/pdf/1502.03167.pdf), [వికీపీడియా వివరణ](https://en.wikipedia.org/wiki/Batch_normalization), మరియు [మంచి పరిచయ బ్లాగ్ పోస్ట్](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (మరియు [రష్యన్‌లో](https://habrahabr.ru/post/309302/)). + +## డ్రాప్‌అవుట్ + +**డ్రాప్‌అవుట్** అనేది శిక్షణ సమయంలో యాదృచ్ఛికంగా కొన్ని శాతం న్యూరాన్లను తొలగించే ఆసక్తికర సాంకేతికత. ఇది ఒక లేయర్‌గా అమలు చేయబడుతుంది, దీనికి ఒక పారామీటర్ ఉంటుంది (తొలగించాల్సిన న్యూరాన్ల శాతం, సాధారణంగా 10%-50%), మరియు శిక్షణ సమయంలో ఇది ఇన్‌పుట్ వెక్టర్‌లో యాదృచ్ఛిక అంశాలను జీరో చేస్తుంది, తద్వారా తదుపరి లేయర్‌కు పంపుతుంది. + +ఇది విచిత్రమైన ఆలోచనగా అనిపించవచ్చు, కానీ మీరు [`Dropout.ipynb`](Dropout.ipynb) నోట్బుక్‌లో MNIST అంకెల వర్గీకరణ శిక్షణపై డ్రాప్‌అవుట్ ప్రభావాన్ని చూడవచ్చు. ఇది శిక్షణ వేగాన్ని పెంచుతుంది మరియు తక్కువ శిక్షణ ఎపోక్స్‌లో ఎక్కువ ఖచ్చితత్వాన్ని సాధించడానికి సహాయపడుతుంది. + +ఈ ప్రభావాన్ని కొన్ని విధాలుగా వివరించవచ్చు: + + * ఇది మోడల్‌కు యాదృచ్ఛిక షాక్‌లా భావించవచ్చు, ఇది ఆప్టిమైజేషన్‌ను లోకల్ మినిమమ్ నుండి బయటకు తీస్తుంది + * ఇది *అప్రత్యక్ష మోడల్ సగటు*గా భావించవచ్చు, ఎందుకంటే డ్రాప్‌అవుట్ సమయంలో మనం కొంచెం భిన్నమైన మోడల్‌ను శిక్షణ ఇస్తున్నట్లు అనుకోవచ్చు + +> *కొంతమంది చెబుతారు, మద్యం తాగిన వ్యక్తి ఏదైనా నేర్చుకోవడానికి ప్రయత్నిస్తే, అతను మత్తులో లేని వ్యక్తి కంటే మరుసటి ఉదయం ఆ విషయం మెరుగ్గా గుర్తుంచుకుంటాడని, ఎందుకంటే కొంతమంది న్యూరాన్లు సరిగ్గా పనిచేయకపోవడం వల్ల మెదడు అర్థం చేసుకోవడానికి మెరుగ్గా అనుకూలమవుతుందని. మనం దీన్ని స్వయంగా పరీక్షించలేదు ఇది నిజమో కాదో.* + +## ఓవర్‌ఫిట్టింగ్ నివారణ + +డీప్ లెర్నింగ్‌లో ఒక ముఖ్యమైన అంశం [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) నివారించడం. చాలా శక్తివంతమైన న్యూరల్ నెట్‌వర్క్ మోడల్ ఉపయోగించాలనిపించినా, మోడల్ పారామీటర్ల సంఖ్యను శిక్షణ నమూనాల సంఖ్యతో సమతుల్యం చేయాలి. + +> మనం ముందుగా పరిచయం చేసిన [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) భావనను మీరు బాగా అర్థం చేసుకోవాలి! + +ఓవర్‌ఫిట్టింగ్ నివారించడానికి కొన్ని మార్గాలు ఉన్నాయి: + + * ఎర్లీ స్టాప్పింగ్ -- వాలిడేషన్ సెట్ లో లోపాన్ని నిరంతరం పర్యవేక్షించి, వాలిడేషన్ లోపం పెరగడం ప్రారంభించినప్పుడు శిక్షణను ఆపడం. + * స్పష్టమైన బరువు డికే / రెగ్యులరైజేషన్ -- బరువుల అధిక పరిమాణాలకు లాస్ ఫంక్షన్‌కు అదనపు శిక్షణా జరిమానా జోడించడం, ఇది మోడల్‌ను అస్థిర ఫలితాల నుండి రక్షిస్తుంది + * మోడల్ సగటు -- అనేక మోడల్స్‌ను శిక్షణ ఇస్తూ, ఫలితాలను సగటు చేయడం. ఇది వైవిధ్యాన్ని తగ్గించడంలో సహాయపడుతుంది. + * డ్రాప్‌అవుట్ (అప్రత్యక్ష మోడల్ సగటు) + +## ఆప్టిమైజర్లు / శిక్షణ అల్గోరిథమ్స్ + +శిక్షణలో మరో ముఖ్య అంశం మంచి శిక్షణ అల్గోరిథమ్ ఎంచుకోవడం. సాంప్రదాయ **గ్రాడియెంట్ డిసెంట్** సరైన ఎంపిక అయినప్పటికీ, అది కొన్నిసార్లు చాలా నెమ్మదిగా ఉండవచ్చు లేదా ఇతర సమస్యలకు దారితీస్తుంది. + +డీప్ లెర్నింగ్‌లో, మనం **స్టోకాస్టిక్ గ్రాడియెంట్ డిసెంట్** (SGD) ఉపయోగిస్తాము, ఇది శిక్షణ సెట్ నుండి యాదృచ్ఛికంగా ఎంచుకున్న మినీబ్యాచ్‌లపై వర్తించే గ్రాడియెంట్ డిసెంట్. బరువులు ఈ సూత్రం ద్వారా సవరించబడతాయి: + +wt+1 = wt - η∇ℒ + +### మోమెంటం + +**మోమెంటం SGD**లో, మనం గత దశల నుండి గ్రాడియెంట్ యొక్క ఒక భాగాన్ని నిలుపుకుంటాము. ఇది మనం ఇనర్షియాతో ఎక్కడో కదులుతున్నప్పుడు, విభిన్న దిశలో పంచ్ వచ్చినా, మన మార్గం తక్షణమే మారదు, కానీ మొదటి కదలిక యొక్క కొంత భాగాన్ని కొనసాగిస్తుంది. ఇక్కడ మనం *వేగం* సూచించడానికి మరో వెక్టర్ v ను పరిచయం చేస్తాము: + +* vt+1 = γ vt - η∇ℒ +* wt+1 = wt + vt+1 + +ఇక్కడ γ పారామీటర్ ఇనర్షియాను ఎంత మేర పరిగణలోకి తీసుకుంటుందో సూచిస్తుంది: γ=0 అంటే సాంప్రదాయ SGD; γ=1 అంటే శుద్ధమైన మోషన్ సమీకరణం. + +### ఆడమ్, అడాగ్రాడ్, మొదలైనవి + +ప్రతి లేయర్‌లో మనం సిగ్నల్స్‌ను Wi అనే మ్యాట్రిక్స్‌తో గుణిస్తాము, ||Wi|| ఆధారంగా, గ్రాడియెంట్ 0కి దగ్గరగా తగ్గిపోవచ్చు లేదా ఎప్పటికీ పెరిగిపోవచ్చు. ఇదే Exploding/Vanishing Gradients సమస్య యొక్క మూలం. + +ఈ సమస్యకు ఒక పరిష్కారం గ్రాడియెంట్ దిశను మాత్రమే ఉపయోగించడం, మరియు పరిమాణాన్ని పరిగణలోకి తీసుకోకపోవడం, అంటే: + +wt+1 = wt - η(∇ℒ/||∇ℒ||), ఇక్కడ ||∇ℒ|| = √∑(∇ℒ)2 + +ఈ అల్గోరిథమ్‌ను **Adagrad** అంటారు. అదే భావనను ఉపయోగించే ఇతర అల్గోరిథమ్స్: **RMSProp**, **Adam** + +> **Adam** అనేది అనేక అప్లికేషన్లకు చాలా సమర్థవంతమైన అల్గోరిథమ్‌గా పరిగణించబడుతుంది, కాబట్టి మీరు ఏది ఉపయోగించాలో తెలియకపోతే - Adam ఉపయోగించండి. + +### గ్రాడియెంట్ క్లిప్పింగ్ + +గ్రాడియెంట్ క్లిప్పింగ్ పై చెప్పిన ఆలోచనకు విస్తరణ. ||∇ℒ|| ≤ θ అయితే, మేము అసలు గ్రాడియెంట్‌ను బరువు ఆప్టిమైజేషన్‌లో పరిగణిస్తాము, మరియు ||∇ℒ|| > θ అయితే, గ్రాడియెంట్‌ను దాని నార్మ్‌తో భాగిస్తాము. ఇక్కడ θ ఒక పారామీటర్, ఎక్కువ సందర్భాల్లో θ=1 లేదా θ=10 తీసుకోవచ్చు. + +### లెర్నింగ్ రేట్ డికే + +శిక్షణ విజయానికి η అనే లెర్నింగ్ రేట్ పారామీటర్ చాలా ముఖ్యం. పెద్ద η విలువలు వేగవంతమైన శిక్షణకు దారితీస్తాయని భావించడం తార్కికం, ఇది శిక్షణ ప్రారంభంలో మనం సాధారణంగా కోరుకునేది, తరువాత చిన్న η విలువ నెట్‌వర్క్‌ను సున్నితంగా సర్దుబాటు చేయడానికి సహాయపడుతుంది. కాబట్టి, ఎక్కువ సందర్భాల్లో శిక్షణ సమయంలో η ను తగ్గించడం మంచిది. + +దీన్ని ప్రతి ఎపోక్ తర్వాత η ను కొంత సంఖ్య (ఉదా. 0.98) తో గుణించడం ద్వారా చేయవచ్చు, లేదా మరింత క్లిష్టమైన **లెర్నింగ్ రేట్ షెడ్యూల్** ఉపయోగించవచ్చు. + +## వివిధ నెట్‌వర్క్ ఆర్కిటెక్చర్లు + +మీ సమస్యకు సరైన నెట్‌వర్క్ ఆర్కిటెక్చర్ ఎంచుకోవడం కష్టం కావచ్చు. సాధారణంగా, మనం మన ప్రత్యేక పనికి (లేదా దానికి సమానమైన పనికి) పనిచేసిన ఆర్కిటెక్చర్‌ను ఎంచుకుంటాము. కంప్యూటర్ విజన్ కోసం న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్లపై [మంచి సమీక్ష](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ఇది. + +> మన దగ్గర ఉన్న శిక్షణ నమూనాల సంఖ్యకు తగినంత శక్తివంతమైన ఆర్కిటెక్చర్ ఎంచుకోవడం ముఖ్యం. చాలా శక్తివంతమైన మోడల్ ఎంచుకోవడం [ఓవర్‌ఫిట్టింగ్](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) కు దారితీస్తుంది. + +మరొక మంచి మార్గం అవసరమైన సంక్లిష్టతకు ఆటోమేటిక్‌గా సర్దుబాటు అయ్యే ఆర్కిటెక్చర్ ఉపయోగించడం. కొంత మేరకు, **ResNet** ఆర్కిటెక్చర్ మరియు **Inception** స్వయంచాలకంగా సర్దుబాటు అవుతాయి. [కంప్యూటర్ విజన్ ఆర్కిటెక్చర్లపై మరింత](../07-ConvNets/CNN_Architectures.md) సమాచారం. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/te/lessons/4-ComputerVision/08-TransferLearning/lab/README.md index b76df64f..d254a36a 100644 --- a/translations/te/lessons/4-ComputerVision/08-TransferLearning/lab/README.md +++ b/translations/te/lessons/4-ComputerVision/08-TransferLearning/lab/README.md @@ -1,43 +1,34 @@ - -# ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉపయోగించి ఆక్స్‌ఫర్డ్ పెట్స్ వర్గీకరణ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -మీరు పెట్ నర్సరీ కోసం అన్ని పెట్స్‌ను క్యాటలాగ్ చేయడానికి ఒక అప్లికేషన్ అభివృద్ధి చేయాల్సి ఉందని ఊహించుకోండి. అలాంటి అప్లికేషన్‌లో ఒక గొప్ప ఫీచర్ ఫోటో నుండి జాతిని ఆటోమేటిక్‌గా గుర్తించడం అవుతుంది. ఈ అసైన్‌మెంట్‌లో, మేము ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉపయోగించి [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) పెట్స్ డేటాసెట్ నుండి వాస్తవ జీవిత పెట్ చిత్రాలను వర్గీకరిస్తాము. - -## డేటాసెట్ - -మేము 35 వేర్వేరు కుక్కలు మరియు పిల్లుల జాతులను కలిగిన అసలు [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) పెట్స్ డేటాసెట్‌ను ఉపయోగిస్తాము. - -డేటాసెట్‌ను డౌన్‌లోడ్ చేసుకోవడానికి, ఈ కోడ్ స్నిపెట్ ఉపయోగించండి: - -```python -!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz -!tar xfz images.tar.gz -!rm images.tar.gz -``` - -## నోట్‌బుక్ ప్రారంభం - -ల్యాబ్‌ను ప్రారంభించడానికి [OxfordPets.ipynb](OxfordPets.ipynb) ను ఓపెన్ చేయండి - -## ముఖ్యాంశం - -ట్రాన్స్‌ఫర్ లెర్నింగ్ మరియు ప్రీ-ట్రెయిన్డ్ నెట్‌వర్క్‌లు వాస్తవ ప్రపంచ చిత్ర వర్గీకరణ సమస్యలను సులభంగా పరిష్కరించడానికి సహాయపడతాయి. అయితే, ప్రీ-ట్రెయిన్డ్ నెట్‌వర్క్‌లు సమాన రకమైన చిత్రాలపై బాగా పనిచేస్తాయి, మరియు మనం చాలా భిన్నమైన చిత్రాలను (ఉదా: వైద్య చిత్రాలు) వర్గీకరించడం ప్రారంభిస్తే, ఫలితాలు చాలా తక్కువగా ఉండే అవకాశం ఉంది. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉపయోగించి ఆక్స్‌ఫర్డ్ పెట్స్ వర్గీకరణ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +మీరు పెట్ నర్సరీ కోసం అన్ని పెట్స్‌ను క్యాటలాగ్ చేయడానికి ఒక అప్లికేషన్ అభివృద్ధి చేయాల్సి ఉందని ఊహించుకోండి. అలాంటి అప్లికేషన్‌లో ఒక గొప్ప ఫీచర్ ఫోటో నుండి జాతిని ఆటోమేటిక్‌గా గుర్తించడం అవుతుంది. ఈ అసైన్‌మెంట్‌లో, మేము ట్రాన్స్‌ఫర్ లెర్నింగ్ ఉపయోగించి [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) పెట్స్ డేటాసెట్ నుండి వాస్తవ జీవిత పెట్ చిత్రాలను వర్గీకరిస్తాము. + +## డేటాసెట్ + +మేము 35 వేర్వేరు కుక్కలు మరియు పిల్లుల జాతులను కలిగిన అసలు [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) పెట్స్ డేటాసెట్‌ను ఉపయోగిస్తాము. + +డేటాసెట్‌ను డౌన్‌లోడ్ చేసుకోవడానికి, ఈ కోడ్ స్నిపెట్ ఉపయోగించండి: + +```python +!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz +!tar xfz images.tar.gz +!rm images.tar.gz +``` + +## నోట్‌బుక్ ప్రారంభం + +ల్యాబ్‌ను ప్రారంభించడానికి [OxfordPets.ipynb](OxfordPets.ipynb) ను ఓపెన్ చేయండి + +## ముఖ్యాంశం + +ట్రాన్స్‌ఫర్ లెర్నింగ్ మరియు ప్రీ-ట్రెయిన్డ్ నెట్‌వర్క్‌లు వాస్తవ ప్రపంచ చిత్ర వర్గీకరణ సమస్యలను సులభంగా పరిష్కరించడానికి సహాయపడతాయి. అయితే, ప్రీ-ట్రెయిన్డ్ నెట్‌వర్క్‌లు సమాన రకమైన చిత్రాలపై బాగా పనిచేస్తాయి, మరియు మనం చాలా భిన్నమైన చిత్రాలను (ఉదా: వైద్య చిత్రాలు) వర్గీకరించడం ప్రారంభిస్తే, ఫలితాలు చాలా తక్కువగా ఉండే అవకాశం ఉంది. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/te/lessons/4-ComputerVision/09-Autoencoders/README.md index cf4b5389..f8969bbc 100644 --- a/translations/te/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/te/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -1,12 +1,3 @@ - # ఆటోఎంకోడర్స్ CNNలను శిక్షణ ఇచ్చేటప్పుడు, ఒక సమస్య ఏమిటంటే మనకు చాలా లేబుల్ చేసిన డేటా అవసరం. చిత్రం వర్గీకరణ సందర్భంలో, మనం చిత్రాలను వేర్వేరు తరగతులుగా వర్గీకరించాలి, ఇది ఒక మానవీయ ప్రయత్నం. diff --git a/translations/te/lessons/4-ComputerVision/10-GANs/README.md b/translations/te/lessons/4-ComputerVision/10-GANs/README.md index b2f71597..02d01c6b 100644 --- a/translations/te/lessons/4-ComputerVision/10-GANs/README.md +++ b/translations/te/lessons/4-ComputerVision/10-GANs/README.md @@ -1,12 +1,3 @@ - # జనరేటివ్ అడ్వర్సరియల్ నెట్‌వర్క్స్ మునుపటి విభాగంలో, మనం **జనరేటివ్ మోడల్స్** గురించి నేర్చుకున్నాము: శిక్షణ డేటాసెట్‌లోని చిత్రాలకు సమానమైన కొత్త చిత్రాలను సృష్టించగల మోడల్స్. VAE ఒక మంచి ఉదాహరణ. diff --git a/translations/te/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/te/lessons/4-ComputerVision/11-ObjectDetection/README.md index f60b0020..6210324c 100644 --- a/translations/te/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/te/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -1,12 +1,3 @@ - # ఆబ్జెక్ట్ డిటెక్షన్ ఇప్పటివరకు మనం చూసిన ఇమేజ్ క్లాసిఫికేషన్ మోడల్స్ ఒక చిత్రాన్ని తీసుకుని, ఉదాహరణకు MNIST సమస్యలో 'నంబర్' అనే క్లాస్ వంటి వర్గీకరణ ఫలితాన్ని ఉత్పత్తి చేసేవి. అయితే, చాలా సందర్భాల్లో మనం కేవలం ఒక చిత్రం వస్తువులను చూపిస్తుందని తెలుసుకోవడం కాకుండా, వాటి ఖచ్చితమైన స్థానం కూడా తెలుసుకోవాలనుకుంటాము. ఇదే **ఆబ్జెక్ట్ డిటెక్షన్** యొక్క ముఖ్య ఉద్దేశ్యం. diff --git a/translations/te/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/te/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md index 091c7eba..ba262168 100644 --- a/translations/te/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md +++ b/translations/te/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md @@ -1,79 +1,70 @@ - -# హాలీవుడ్ హెడ్ డేటాసెట్ ఉపయోగించి తల గుర్తింపు - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -వీడియో సర్వేలెన్స్ కెమెరా స్ట్రీమ్‌లో ఉన్న వ్యక్తుల సంఖ్యను లెక్కించడం ఒక ముఖ్యమైన పని, ఇది షాపుల్లో సందర్శకుల సంఖ్య, రెస్టారెంట్‌లో బిజీ గంటలు మొదలైన వాటిని అంచనా వేయడానికి సహాయపడుతుంది. ఈ పనిని పరిష్కరించడానికి, మనం వివిధ కోణాల నుండి మానవ తలలను గుర్తించగలగాలి. మానవ తలలను గుర్తించడానికి ఆబ్జెక్ట్ డిటెక్షన్ మోడల్‌ను శిక్షణ ఇవ్వడానికి, మనం [హాలీవుడ్ హెడ్ డేటాసెట్](https://www.di.ens.fr/willow/research/headdetection/) ఉపయోగించవచ్చు. - -## డేటాసెట్ - -[హాలీవుడ్ హెడ్ డేటాసెట్](https://www.di.ens.fr/willow/research/headdetection/release/HollywoodHeads.zip)లో 224,740 హాలీవుడ్ సినిమాల ఫ్రేమ్‌లలో 369,846 మానవ తలలు అనోటేట్ చేయబడ్డాయి. ఇది [https://host.robots.ox.ac.uk/pascal/VOC/](../../../../../../lessons/4-ComputerVision/11-ObjectDetection/lab/PASCAL VOC) ఫార్మాట్‌లో అందించబడింది, ఇందులో ప్రతి చిత్రానికి ఒక XML వివరణ ఫైల్ కూడా ఉంటుంది, ఇది ఇలా ఉంటుంది: - -```xml - - HollywoodHeads - mov_021_149390.jpeg - - HollywoodHeads 2015 Database - HollywoodHeads 2015 - WILLOW - - - 608 - 320 - 3 - - 0 - - head - - 201 - 1 - 480 - 263 - - 0 - - - head - - 3 - 4 - 241 - 285 - - 0 - - -``` - -ఈ డేటాసెట్‌లో, ఒకే ఒక ఆబ్జెక్ట్ క్లాస్ `head` మాత్రమే ఉంటుంది, మరియు ప్రతి తల కోసం బౌండింగ్ బాక్స్ యొక్క కోఆర్డినేట్లు అందిస్తారు. మీరు XML ను Python లైబ్రరీలతో పార్స్ చేయవచ్చు, లేదా [ఈ లైబ్రరీ](https://pypi.org/project/pascal-voc/) ఉపయోగించి PASCAL VOC ఫార్మాట్‌ను నేరుగా హ్యాండిల్ చేయవచ్చు. - -## ఆబ్జెక్ట్ డిటెక్షన్ శిక్షణ - -మీరు క్రింది మార్గాల్లో ఒకదాన్ని ఉపయోగించి ఆబ్జెక్ట్ డిటెక్షన్ మోడల్‌ను శిక్షణ ఇవ్వవచ్చు: - -* [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste) మరియు దాని Python API ఉపయోగించి క్లౌడ్‌లో ప్రోగ్రామాటిక్‌గా మోడల్‌ను శిక్షణ ఇవ్వడం. కస్టమ్ విజన్ మోడల్ శిక్షణకు కొన్ని వందల చిత్రాలకంటే ఎక్కువ ఉపయోగించలేకపోవచ్చు, కాబట్టి డేటాసెట్ పరిమితం చేయాల్సి రావచ్చు. -* [Keras ట్యుటోరియల్](https://keras.io/examples/vision/retinanet/) నుండి ఉదాహరణ ఉపయోగించి RetinaNet మోడల్ శిక్షణ ఇవ్వడం. -* torchvisionలోని [torchvision.models.detection.RetinaNet](https://pytorch.org/vision/stable/_modules/torchvision/models/detection/retinanet.html) బిల్ట్-ఇన్ మాడ్యూల్ ఉపయోగించడం. - -## ముఖ్యాంశం - -ఆబ్జెక్ట్ డిటెక్షన్ అనేది పరిశ్రమలో తరచుగా అవసరమయ్యే పని. కొన్ని సర్వీసులు (ఉదాహరణకు [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste)) ఆబ్జెక్ట్ డిటెక్షన్ చేయడానికి ఉపయోగించవచ్చు, కానీ ఆబ్జెక్ట్ డిటెక్షన్ ఎలా పనిచేస్తుందో అర్థం చేసుకోవడం మరియు మీ స్వంత మోడల్స్‌ను శిక్షణ ఇవ్వగలగడం చాలా ముఖ్యం. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# హాలీవుడ్ హెడ్ డేటాసెట్ ఉపయోగించి తల గుర్తింపు + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +వీడియో సర్వేలెన్స్ కెమెరా స్ట్రీమ్‌లో ఉన్న వ్యక్తుల సంఖ్యను లెక్కించడం ఒక ముఖ్యమైన పని, ఇది షాపుల్లో సందర్శకుల సంఖ్య, రెస్టారెంట్‌లో బిజీ గంటలు మొదలైన వాటిని అంచనా వేయడానికి సహాయపడుతుంది. ఈ పనిని పరిష్కరించడానికి, మనం వివిధ కోణాల నుండి మానవ తలలను గుర్తించగలగాలి. మానవ తలలను గుర్తించడానికి ఆబ్జెక్ట్ డిటెక్షన్ మోడల్‌ను శిక్షణ ఇవ్వడానికి, మనం [హాలీవుడ్ హెడ్ డేటాసెట్](https://www.di.ens.fr/willow/research/headdetection/) ఉపయోగించవచ్చు. + +## డేటాసెట్ + +[హాలీవుడ్ హెడ్ డేటాసెట్](https://www.di.ens.fr/willow/research/headdetection/release/HollywoodHeads.zip)లో 224,740 హాలీవుడ్ సినిమాల ఫ్రేమ్‌లలో 369,846 మానవ తలలు అనోటేట్ చేయబడ్డాయి. ఇది [https://host.robots.ox.ac.uk/pascal/VOC/](../../../../../../lessons/4-ComputerVision/11-ObjectDetection/lab/PASCAL VOC) ఫార్మాట్‌లో అందించబడింది, ఇందులో ప్రతి చిత్రానికి ఒక XML వివరణ ఫైల్ కూడా ఉంటుంది, ఇది ఇలా ఉంటుంది: + +```xml + + HollywoodHeads + mov_021_149390.jpeg + + HollywoodHeads 2015 Database + HollywoodHeads 2015 + WILLOW + + + 608 + 320 + 3 + + 0 + + head + + 201 + 1 + 480 + 263 + + 0 + + + head + + 3 + 4 + 241 + 285 + + 0 + + +``` + +ఈ డేటాసెట్‌లో, ఒకే ఒక ఆబ్జెక్ట్ క్లాస్ `head` మాత్రమే ఉంటుంది, మరియు ప్రతి తల కోసం బౌండింగ్ బాక్స్ యొక్క కోఆర్డినేట్లు అందిస్తారు. మీరు XML ను Python లైబ్రరీలతో పార్స్ చేయవచ్చు, లేదా [ఈ లైబ్రరీ](https://pypi.org/project/pascal-voc/) ఉపయోగించి PASCAL VOC ఫార్మాట్‌ను నేరుగా హ్యాండిల్ చేయవచ్చు. + +## ఆబ్జెక్ట్ డిటెక్షన్ శిక్షణ + +మీరు క్రింది మార్గాల్లో ఒకదాన్ని ఉపయోగించి ఆబ్జెక్ట్ డిటెక్షన్ మోడల్‌ను శిక్షణ ఇవ్వవచ్చు: + +* [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste) మరియు దాని Python API ఉపయోగించి క్లౌడ్‌లో ప్రోగ్రామాటిక్‌గా మోడల్‌ను శిక్షణ ఇవ్వడం. కస్టమ్ విజన్ మోడల్ శిక్షణకు కొన్ని వందల చిత్రాలకంటే ఎక్కువ ఉపయోగించలేకపోవచ్చు, కాబట్టి డేటాసెట్ పరిమితం చేయాల్సి రావచ్చు. +* [Keras ట్యుటోరియల్](https://keras.io/examples/vision/retinanet/) నుండి ఉదాహరణ ఉపయోగించి RetinaNet మోడల్ శిక్షణ ఇవ్వడం. +* torchvisionలోని [torchvision.models.detection.RetinaNet](https://pytorch.org/vision/stable/_modules/torchvision/models/detection/retinanet.html) బిల్ట్-ఇన్ మాడ్యూల్ ఉపయోగించడం. + +## ముఖ్యాంశం + +ఆబ్జెక్ట్ డిటెక్షన్ అనేది పరిశ్రమలో తరచుగా అవసరమయ్యే పని. కొన్ని సర్వీసులు (ఉదాహరణకు [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste)) ఆబ్జెక్ట్ డిటెక్షన్ చేయడానికి ఉపయోగించవచ్చు, కానీ ఆబ్జెక్ట్ డిటెక్షన్ ఎలా పనిచేస్తుందో అర్థం చేసుకోవడం మరియు మీ స్వంత మోడల్స్‌ను శిక్షణ ఇవ్వగలగడం చాలా ముఖ్యం. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/te/lessons/4-ComputerVision/12-Segmentation/README.md index 8db8d4fb..b04ab6c3 100644 --- a/translations/te/lessons/4-ComputerVision/12-Segmentation/README.md +++ b/translations/te/lessons/4-ComputerVision/12-Segmentation/README.md @@ -1,12 +1,3 @@ - # విభజన మేము ముందుగా ఆబ్జెక్ట్ డిటెక్షన్ గురించి నేర్చుకున్నాము, ఇది చిత్రంలో ఆబ్జెక్టులను వారి *బౌండింగ్ బాక్స్‌లు*ను అంచనా వేయడం ద్వారా గుర్తించడానికి సహాయపడుతుంది. అయితే, కొన్ని పనుల కోసం మాకు కేవలం బౌండింగ్ బాక్స్‌లు మాత్రమే కాకుండా, మరింత ఖచ్చితమైన ఆబ్జెక్ట్ స్థానాన్ని కూడా అవసరం. ఈ పనిని **విభజన** అంటారు. diff --git a/translations/te/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/te/lessons/4-ComputerVision/12-Segmentation/lab/README.md index 9a9f03fe..e5397d4b 100644 --- a/translations/te/lessons/4-ComputerVision/12-Segmentation/lab/README.md +++ b/translations/te/lessons/4-ComputerVision/12-Segmentation/lab/README.md @@ -1,35 +1,26 @@ - -# మానవ శరీర విభజన - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -వీడియో ఉత్పత్తిలో, ఉదాహరణకు వాతావరణ అంచనాల్లో, మనం తరచుగా కెమెరా నుండి మానవ చిత్రాన్ని కట్ చేసి దాన్ని మరొక వీడియోపై ఉంచాలి. ఇది సాధారణంగా **క్రోమా కీ** సాంకేతికతలతో చేయబడుతుంది, అంటే మానవుడు ఒక సమాన రంగు నేపథ్యం ముందు చిత్రీకరించబడతాడు, ఆ నేపథ్యాన్ని తొలగిస్తారు. ఈ ల్యాబ్‌లో, మేము మానవ ఆకారాన్ని కట్ చేయడానికి ఒక న్యూరల్ నెట్‌వర్క్ మోడల్‌ను శిక్షణ ఇస్తాము. - -## డేటాసెట్ - -మేము కాగుల్ నుండి [Segmentation Full Body MADS Dataset](https://www.kaggle.com/datasets/tapakah68/segmentation-full-body-mads-dataset) ఉపయోగించబోతున్నాము. డేటాసెట్‌ను కాగుల్ నుండి మాన్యువల్‌గా డౌన్లోడ్ చేసుకోండి. - -## ప్రారంభ నోట్బుక్ - -ల్యాబ్‌ను ప్రారంభించడానికి [BodySegmentation.ipynb](BodySegmentation.ipynb) ను తెరవండి - -## ముఖ్యాంశం - -శరీర విభజన అనేది మనం వ్యక్తుల చిత్రాలతో చేయగల సాధారణ పనులలో ఒకటి మాత్రమే. మరొక ముఖ్యమైన పనులు **అస్తి గుర్తింపు** మరియు **స్థితి గుర్తింపు**. ఆ పనులు ఎలా అమలు చేయబడతాయో చూడటానికి [OpenPose](https://github.com/CMU-Perceptual-Computing-Lab/openpose) లైబ్రరీని పరిశీలించండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# మానవ శరీర విభజన + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +వీడియో ఉత్పత్తిలో, ఉదాహరణకు వాతావరణ అంచనాల్లో, మనం తరచుగా కెమెరా నుండి మానవ చిత్రాన్ని కట్ చేసి దాన్ని మరొక వీడియోపై ఉంచాలి. ఇది సాధారణంగా **క్రోమా కీ** సాంకేతికతలతో చేయబడుతుంది, అంటే మానవుడు ఒక సమాన రంగు నేపథ్యం ముందు చిత్రీకరించబడతాడు, ఆ నేపథ్యాన్ని తొలగిస్తారు. ఈ ల్యాబ్‌లో, మేము మానవ ఆకారాన్ని కట్ చేయడానికి ఒక న్యూరల్ నెట్‌వర్క్ మోడల్‌ను శిక్షణ ఇస్తాము. + +## డేటాసెట్ + +మేము కాగుల్ నుండి [Segmentation Full Body MADS Dataset](https://www.kaggle.com/datasets/tapakah68/segmentation-full-body-mads-dataset) ఉపయోగించబోతున్నాము. డేటాసెట్‌ను కాగుల్ నుండి మాన్యువల్‌గా డౌన్లోడ్ చేసుకోండి. + +## ప్రారంభ నోట్బుక్ + +ల్యాబ్‌ను ప్రారంభించడానికి [BodySegmentation.ipynb](BodySegmentation.ipynb) ను తెరవండి + +## ముఖ్యాంశం + +శరీర విభజన అనేది మనం వ్యక్తుల చిత్రాలతో చేయగల సాధారణ పనులలో ఒకటి మాత్రమే. మరొక ముఖ్యమైన పనులు **అస్తి గుర్తింపు** మరియు **స్థితి గుర్తింపు**. ఆ పనులు ఎలా అమలు చేయబడతాయో చూడటానికి [OpenPose](https://github.com/CMU-Perceptual-Computing-Lab/openpose) లైబ్రరీని పరిశీలించండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/4-ComputerVision/README.md b/translations/te/lessons/4-ComputerVision/README.md index 26bbdd62..a53bcee2 100644 --- a/translations/te/lessons/4-ComputerVision/README.md +++ b/translations/te/lessons/4-ComputerVision/README.md @@ -1,12 +1,3 @@ - # కంప్యూటర్ విజన్ ![డూడిల్‌లో కంప్యూటర్ విజన్ విషయాల సారాంశం](../../../../translated_images/te/ai-computervision.6506ebebac3fbf76.webp) diff --git a/translations/te/lessons/5-NLP/13-TextRep/README.md b/translations/te/lessons/5-NLP/13-TextRep/README.md index ec81e961..d32eed7b 100644 --- a/translations/te/lessons/5-NLP/13-TextRep/README.md +++ b/translations/te/lessons/5-NLP/13-TextRep/README.md @@ -1,12 +1,3 @@ - # టెక్స్ట్‌ను టెన్సార్లుగా ప్రాతినిధ్యం వహించడం ## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/25) diff --git a/translations/te/lessons/5-NLP/13-TextRep/assignment.md b/translations/te/lessons/5-NLP/13-TextRep/assignment.md index 276424c2..06227e53 100644 --- a/translations/te/lessons/5-NLP/13-TextRep/assignment.md +++ b/translations/te/lessons/5-NLP/13-TextRep/assignment.md @@ -1,19 +1,10 @@ - -# అసైన్‌మెంట్: నోట్‌బుక్స్ - -ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ రన్ చేయండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన మూలాన్ని సూచిస్తూ. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. ఆశ్చర్యకరంగా ఉండే కొత్త డేటాసెట్లను ప్రయత్నించండి, ఉదాహరణకు NUFORC నుండి [UFO సైట్‌యింగ్స్ గురించి ఈ డేటాసెట్](https://www.kaggle.com/datasets/NUFORC/ufo-sightings). - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# అసైన్‌మెంట్: నోట్‌బుక్స్ + +ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ రన్ చేయండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన మూలాన్ని సూచిస్తూ. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. ఆశ్చర్యకరంగా ఉండే కొత్త డేటాసెట్లను ప్రయత్నించండి, ఉదాహరణకు NUFORC నుండి [UFO సైట్‌యింగ్స్ గురించి ఈ డేటాసెట్](https://www.kaggle.com/datasets/NUFORC/ufo-sightings). + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/14-Embeddings/README.md b/translations/te/lessons/5-NLP/14-Embeddings/README.md index 352bf392..3716e67b 100644 --- a/translations/te/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/te/lessons/5-NLP/14-Embeddings/README.md @@ -1,12 +1,3 @@ - # ఎంబెడ్డింగ్స్ ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/27) diff --git a/translations/te/lessons/5-NLP/14-Embeddings/assignment.md b/translations/te/lessons/5-NLP/14-Embeddings/assignment.md index 2d11faa4..a140813a 100644 --- a/translations/te/lessons/5-NLP/14-Embeddings/assignment.md +++ b/translations/te/lessons/5-NLP/14-Embeddings/assignment.md @@ -1,19 +1,10 @@ - -# అసైన్‌మెంట్: నోట్‌బుక్స్ - -ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ రన్ చేయండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన క్రెడిట్‌తో. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. వేరే రకమైన డేటాసెట్‌ను ప్రయత్నించి, మీ పరిశీలనలను డాక్యుమెంట్ చేయండి, ఉదాహరణకు [ఈ Beatles పాటల పదాలు](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) వంటి టెక్స్ట్ ఉపయోగించి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# అసైన్‌మెంట్: నోట్‌బుక్స్ + +ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ రన్ చేయండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన క్రెడిట్‌తో. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. వేరే రకమైన డేటాసెట్‌ను ప్రయత్నించి, మీ పరిశీలనలను డాక్యుమెంట్ చేయండి, ఉదాహరణకు [ఈ Beatles పాటల పదాలు](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) వంటి టెక్స్ట్ ఉపయోగించి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/15-LanguageModeling/README.md b/translations/te/lessons/5-NLP/15-LanguageModeling/README.md index d73e007b..63291fd3 100644 --- a/translations/te/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/te/lessons/5-NLP/15-LanguageModeling/README.md @@ -1,12 +1,3 @@ - # భాషా మోడలింగ్ వర్డ్2వెక్ మరియు గ్లోవ్ వంటి సేమాంటిక్ ఎంబెడ్డింగ్స్ వాస్తవానికి **భాషా మోడలింగ్** వైపు మొదటి అడుగు - భాష యొక్క స్వభావాన్ని ఏదో విధంగా *అర్థం చేసుకోవడం* (లేదా *ప్రతినిధ్యం వహించడం*) కోసం మోడల్స్ సృష్టించడం. diff --git a/translations/te/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/te/lessons/5-NLP/15-LanguageModeling/lab/README.md index add8e5d6..3becd60c 100644 --- a/translations/te/lessons/5-NLP/15-LanguageModeling/lab/README.md +++ b/translations/te/lessons/5-NLP/15-LanguageModeling/lab/README.md @@ -1,42 +1,33 @@ - -# ట్రైనింగ్ స్కిప్-గ్రామ్ మోడల్ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -ఈ ల్యాబ్‌లో, మీరు స్కిప్-గ్రామ్ సాంకేతికత ఉపయోగించి Word2Vec మోడల్‌ను ట్రైన్ చేయడానికి సవాలు చేస్తాము. ఎంబెడ్డింగ్‌తో నెట్‌వర్క్‌ను ట్రైన్ చేసి, $N$-టోకెన్స్-వైడ్ స్కిప్-గ్రామ్ విండోలో పొరుగువారిని అంచనా వేయండి. మీరు [ఈ పాఠం నుండి కోడ్](../CBoW-TF.ipynb) ఉపయోగించి, కొంచెం మార్పులు చేయవచ్చు. - -## డేటాసెట్ - -మీరు ఏదైనా పుస్తకం ఉపయోగించవచ్చు. మీరు [Project Gutenberg](https://www.gutenberg.org/)లో చాలా ఉచిత పాఠ్యాలు కనుగొనవచ్చు, ఉదాహరణకు, ఇది లూయిస్ క్యారోల్ రాసిన [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt)కి ప్రత్యక్ష లింక్. లేదా, మీరు షేక్స్పియర్ నాటకాలు ఉపయోగించవచ్చు, వాటిని క్రింది కోడ్ ద్వారా పొందవచ్చు: - -```python -path_to_file = tf.keras.utils.get_file( - 'shakespeare.txt', - 'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt') -text = open(path_to_file, 'rb').read().decode(encoding='utf-8') -``` - -## అన్వేషణ! - -మీకు సమయం ఉంటే మరియు ఈ విషయం లో మరింత లోతుగా తెలుసుకోవాలనుకుంటే, కొన్ని విషయాలను అన్వేషించండి: - -* ఎంబెడ్డింగ్ పరిమాణం ఫలితాలపై ఎలా ప్రభావం చూపుతుంది? -* వేర్వేరు పాఠ్య శైలులు ఫలితంపై ఎలా ప్రభావం చూపుతాయి? -* చాలా భిన్నమైన పదాలు మరియు వాటి సమానార్థక పదాలను తీసుకుని, వాటి వెక్టర్ ప్రాతినిధ్యాలను పొందండి, PCA ఉపయోగించి కొలతలను 2కి తగ్గించి, వాటిని 2D స్థలంలో ప్లాట్ చేయండి. మీరు ఏవైనా నమూనాలు గమనిస్తారా? - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. +# ట్రైనింగ్ స్కిప్-గ్రామ్ మోడల్ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +ఈ ల్యాబ్‌లో, మీరు స్కిప్-గ్రామ్ సాంకేతికత ఉపయోగించి Word2Vec మోడల్‌ను ట్రైన్ చేయడానికి సవాలు చేస్తాము. ఎంబెడ్డింగ్‌తో నెట్‌వర్క్‌ను ట్రైన్ చేసి, $N$-టోకెన్స్-వైడ్ స్కిప్-గ్రామ్ విండోలో పొరుగువారిని అంచనా వేయండి. మీరు [ఈ పాఠం నుండి కోడ్](../CBoW-TF.ipynb) ఉపయోగించి, కొంచెం మార్పులు చేయవచ్చు. + +## డేటాసెట్ + +మీరు ఏదైనా పుస్తకం ఉపయోగించవచ్చు. మీరు [Project Gutenberg](https://www.gutenberg.org/)లో చాలా ఉచిత పాఠ్యాలు కనుగొనవచ్చు, ఉదాహరణకు, ఇది లూయిస్ క్యారోల్ రాసిన [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt)కి ప్రత్యక్ష లింక్. లేదా, మీరు షేక్స్పియర్ నాటకాలు ఉపయోగించవచ్చు, వాటిని క్రింది కోడ్ ద్వారా పొందవచ్చు: + +```python +path_to_file = tf.keras.utils.get_file( + 'shakespeare.txt', + 'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt') +text = open(path_to_file, 'rb').read().decode(encoding='utf-8') +``` + +## అన్వేషణ! + +మీకు సమయం ఉంటే మరియు ఈ విషయం లో మరింత లోతుగా తెలుసుకోవాలనుకుంటే, కొన్ని విషయాలను అన్వేషించండి: + +* ఎంబెడ్డింగ్ పరిమాణం ఫలితాలపై ఎలా ప్రభావం చూపుతుంది? +* వేర్వేరు పాఠ్య శైలులు ఫలితంపై ఎలా ప్రభావం చూపుతాయి? +* చాలా భిన్నమైన పదాలు మరియు వాటి సమానార్థక పదాలను తీసుకుని, వాటి వెక్టర్ ప్రాతినిధ్యాలను పొందండి, PCA ఉపయోగించి కొలతలను 2కి తగ్గించి, వాటిని 2D స్థలంలో ప్లాట్ చేయండి. మీరు ఏవైనా నమూనాలు గమనిస్తారా? + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/16-RNN/README.md b/translations/te/lessons/5-NLP/16-RNN/README.md index f08da264..00637efe 100644 --- a/translations/te/lessons/5-NLP/16-RNN/README.md +++ b/translations/te/lessons/5-NLP/16-RNN/README.md @@ -1,12 +1,3 @@ - # రికరెంట్ న్యూరల్ నెట్‌వర్క్స్ ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/31) diff --git a/translations/te/lessons/5-NLP/16-RNN/assignment.md b/translations/te/lessons/5-NLP/16-RNN/assignment.md index b8bd5ce4..ac64c9fc 100644 --- a/translations/te/lessons/5-NLP/16-RNN/assignment.md +++ b/translations/te/lessons/5-NLP/16-RNN/assignment.md @@ -1,19 +1,10 @@ - -# అసైన్‌మెంట్: నోట్‌బుక్స్ - -ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ నడిపించండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన క్రెడిట్‌తో. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. వేరే రకమైన డేటాసెట్‌ను ప్రయత్నించి, మీ పరిశీలనలను డాక్యుమెంట్ చేయండి, ఉదాహరణకు [ఈ Kaggle పోటీ డేటాసెట్ గురించి వాతావరణ ట్వీట్లు](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv) వంటి టెక్స్ట్ ఉపయోగించండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# అసైన్‌మెంట్: నోట్‌బుక్స్ + +ఈ పాఠానికి సంబంధించిన నోట్‌బుక్స్‌ను (PyTorch లేదా TensorFlow వెర్షన్ ఏదైనా) ఉపయోగించి, మీ స్వంత డేటాసెట్‌తో మళ్లీ నడిపించండి, ఉదాహరణకు Kaggle నుండి ఒకటి, సరైన క్రెడిట్‌తో. మీ స్వంత పరిశీలనలను హైలైట్ చేయడానికి నోట్‌బుక్‌ను తిరిగి రాయండి. వేరే రకమైన డేటాసెట్‌ను ప్రయత్నించి, మీ పరిశీలనలను డాక్యుమెంట్ చేయండి, ఉదాహరణకు [ఈ Kaggle పోటీ డేటాసెట్ గురించి వాతావరణ ట్వీట్లు](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv) వంటి టెక్స్ట్ ఉపయోగించండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/te/lessons/5-NLP/17-GenerativeNetworks/README.md index a0b7eeb0..617d10fc 100644 --- a/translations/te/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/te/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -1,12 +1,3 @@ - # జనరేటివ్ నెట్‌వర్క్స్ ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/33) diff --git a/translations/te/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/te/lessons/5-NLP/17-GenerativeNetworks/lab/README.md index ea88e001..a8dd5923 100644 --- a/translations/te/lessons/5-NLP/17-GenerativeNetworks/lab/README.md +++ b/translations/te/lessons/5-NLP/17-GenerativeNetworks/lab/README.md @@ -1,27 +1,18 @@ - -# RNNs ఉపయోగించి పద స్థాయి టెక్స్ట్ జనరేషన్ - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -ఈ ల్యాబ్‌లో, మీరు ఏదైనా పుస్తకాన్ని తీసుకుని, దాన్ని డేటాసెట్‌గా ఉపయోగించి పద స్థాయి టెక్స్ట్ జనరేటర్‌ను ట్రెయిన్ చేయాలి. - -## డేటాసెట్ - -మీకు ఏ పుస్తకాన్ని అయినా ఉపయోగించుకోవచ్చు. మీరు చాలా ఉచిత పాఠ్యాలను [Project Gutenberg](https://www.gutenberg.org/) వద్ద పొందవచ్చు, ఉదాహరణకు, ఇది [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) అనే లూయిస్ క్యారోల్ రచనకు నేరుగా లింక్. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# RNNs ఉపయోగించి పద స్థాయి టెక్స్ట్ జనరేషన్ + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +ఈ ల్యాబ్‌లో, మీరు ఏదైనా పుస్తకాన్ని తీసుకుని, దాన్ని డేటాసెట్‌గా ఉపయోగించి పద స్థాయి టెక్స్ట్ జనరేటర్‌ను ట్రెయిన్ చేయాలి. + +## డేటాసెట్ + +మీకు ఏ పుస్తకాన్ని అయినా ఉపయోగించుకోవచ్చు. మీరు చాలా ఉచిత పాఠ్యాలను [Project Gutenberg](https://www.gutenberg.org/) వద్ద పొందవచ్చు, ఉదాహరణకు, ఇది [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) అనే లూయిస్ క్యారోల్ రచనకు నేరుగా లింక్. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/18-Transformers/README.md b/translations/te/lessons/5-NLP/18-Transformers/README.md index 3af87ac5..678bbe5c 100644 --- a/translations/te/lessons/5-NLP/18-Transformers/README.md +++ b/translations/te/lessons/5-NLP/18-Transformers/README.md @@ -1,12 +1,3 @@ - # అటెన్షన్ మెకానిజమ్స్ మరియు ట్రాన్స్‌ఫార్మర్స్ ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/35) diff --git a/translations/te/lessons/5-NLP/18-Transformers/assignment.md b/translations/te/lessons/5-NLP/18-Transformers/assignment.md index be888b93..993a4339 100644 --- a/translations/te/lessons/5-NLP/18-Transformers/assignment.md +++ b/translations/te/lessons/5-NLP/18-Transformers/assignment.md @@ -1,19 +1,10 @@ - -# అసైన్‌మెంట్: ట్రాన్స్‌ఫార్మర్స్ - -HuggingFace పై ట్రాన్స్‌ఫార్మర్స్‌తో ప్రయోగం చేయండి! వారి సైట్‌లో అందుబాటులో ఉన్న వివిధ మోడల్స్‌తో పని చేయడానికి వారు అందించే కొన్ని స్క్రిప్టులను ప్రయత్నించండి: https://huggingface.co/docs/transformers/run_scripts. వారి డేటాసెట్‌లలో ఒకదాన్ని ప్రయత్నించి, ఆ తర్వాత ఈ పాఠ్యాంశం లేదా Kaggle నుండి మీ స్వంత డేటాను దిగుమతి చేసుకుని, ఆసక్తికరమైన టెక్స్ట్‌లను ఉత్పత్తి చేయగలరా చూడండి. మీ పరిశోధనలతో ఒక నోట్‌బుక్ తయారుచేయండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# అసైన్‌మెంట్: ట్రాన్స్‌ఫార్మర్స్ + +HuggingFace పై ట్రాన్స్‌ఫార్మర్స్‌తో ప్రయోగం చేయండి! వారి సైట్‌లో అందుబాటులో ఉన్న వివిధ మోడల్స్‌తో పని చేయడానికి వారు అందించే కొన్ని స్క్రిప్టులను ప్రయత్నించండి: https://huggingface.co/docs/transformers/run_scripts. వారి డేటాసెట్‌లలో ఒకదాన్ని ప్రయత్నించి, ఆ తర్వాత ఈ పాఠ్యాంశం లేదా Kaggle నుండి మీ స్వంత డేటాను దిగుమతి చేసుకుని, ఆసక్తికరమైన టెక్స్ట్‌లను ఉత్పత్తి చేయగలరా చూడండి. మీ పరిశోధనలతో ఒక నోట్‌బుక్ తయారుచేయండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/19-NER/README.md b/translations/te/lessons/5-NLP/19-NER/README.md index 228a93c2..97b5e47e 100644 --- a/translations/te/lessons/5-NLP/19-NER/README.md +++ b/translations/te/lessons/5-NLP/19-NER/README.md @@ -1,12 +1,3 @@ - # పేరుగల సত্ত్వ గుర్తింపు ఇప్పటివరకు, మనం ప్రధానంగా ఒక NLP పనిపై - వర్గీకరణపై - దృష్టి పెట్టాము. అయితే, న్యూరల్ నెట్‌వర్క్‌లతో సాధించగల ఇతర NLP పనులు కూడా ఉన్నాయి. వాటిలో ఒకటి **[పేరుగల సత్త్వ గుర్తింపు](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ఇది వచనంలో ప్రత్యేక సత్త్వాలను గుర్తించడంపై పనిచేస్తుంది, ఉదాహరణకు ప్రదేశాలు, వ్యక్తి పేర్లు, తేదీ-సమయ వ్యవధులు, రసాయన సూత్రాలు మొదలైనవి. diff --git a/translations/te/lessons/5-NLP/19-NER/lab/README.md b/translations/te/lessons/5-NLP/19-NER/lab/README.md index 73a44182..78b20c18 100644 --- a/translations/te/lessons/5-NLP/19-NER/lab/README.md +++ b/translations/te/lessons/5-NLP/19-NER/lab/README.md @@ -1,63 +1,54 @@ - -# NER - -[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. - -## పని - -ఈ ల్యాబ్‌లో, మీరు వైద్య పదజాలం కోసం నేమ్డ్ ఎంటిటీ రికగ్నిషన్ మోడల్‌ను శిక్షణ ఇవ్వాలి. - -## డేటాసెట్ - -NER మోడల్‌ను శిక్షణ ఇవ్వడానికి, వైద్య ఎంటిటీలతో సరైన లేబుల్ చేయబడిన డేటాసెట్ అవసరం. [BC5CDR dataset](https://biocreative.bioinformatics.udel.edu/tasks/biocreative-v/track-3-cdr/) 1500 కంటే ఎక్కువ పత్రాల నుండి లేబుల్ చేయబడిన రోగాలు మరియు రసాయన ఎంటిటీలను కలిగి ఉంది. మీరు వారి వెబ్‌సైట్‌లో రిజిస్టర్ అయిన తర్వాత డేటాసెట్‌ను డౌన్లోడ్ చేసుకోవచ్చు. - -BC5CDR డేటాసెట్ ఇలా ఉంటుంది: - -``` -6794356|t|Tricuspid valve regurgitation and lithium carbonate toxicity in a newborn infant. -6794356|a|A newborn with massive tricuspid regurgitation, atrial flutter, congestive heart failure, and a high serum lithium level is described. This is the first patient to initially manifest tricuspid regurgitation and atrial flutter, and the 11th described patient with cardiac disease among infants exposed to lithium compounds in the first trimester of pregnancy. Sixty-three percent of these infants had tricuspid valve involvement. Lithium carbonate may be a factor in the increasing incidence of congenital heart disease when taken during early pregnancy. It also causes neurologic depression, cyanosis, and cardiac arrhythmia when consumed prior to delivery. -6794356 0 29 Tricuspid valve regurgitation Disease D014262 -6794356 34 51 lithium carbonate Chemical D016651 -6794356 52 60 toxicity Disease D064420 -... -``` - -ఈ డేటాసెట్‌లో, మొదటి రెండు లైన్లలో పత్రం శీర్షిక మరియు సారాంశం ఉంటాయి, ఆ తర్వాత వ్యక్తిగత ఎంటిటీలను, శీర్షిక+సారాంశం బ్లాక్‌లో ప్రారంభం మరియు ముగింపు స్థానాలతో చూపిస్తారు. ఎంటిటీ రకం తో పాటు, మీరు ఈ ఎంటిటీకి సంబంధించిన వైద్య ఆంటాలజీ ID కూడా పొందుతారు. - -దీనిని BIO ఎంకోడింగ్‌గా మార్చడానికి మీరు కొంత Python కోడ్ రాయాలి. - -## నెట్‌వర్క్ - -NER కోసం మొదటి ప్రయత్నం LSTM నెట్‌వర్క్ ఉపయోగించి చేయవచ్చు, మన ఉదాహరణలో మీరు పాఠంలో చూసినట్లుగా. అయితే, NLP పనులలో, [ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్](https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)) మరియు ప్రత్యేకంగా [BERT భాషా మోడల్స్](https://en.wikipedia.org/wiki/BERT_(language_model)) చాలా మెరుగైన ఫలితాలు చూపిస్తాయి. ప్రీ-ట్రెయిన్డ్ BERT మోడల్స్ భాష యొక్క సాధారణ నిర్మాణాన్ని అర్థం చేసుకుంటాయి, మరియు తక్కువ డేటాసెట్ మరియు కంప్యూటేషనల్ ఖర్చులతో ప్రత్యేక పనుల కోసం ఫైన్-ట్యూన్ చేయవచ్చు. - -మనం NER ను వైద్య సందర్భంలో ఉపయోగించబోతున్నందున, వైద్య పాఠ్యాలపై శిక్షణ పొందిన BERT మోడల్ ఉపయోగించడం మంచిది. Microsoft Research [PubMedBERT][PubMedBERT] అనే ప్రీ-ట్రెయిన్డ్ మోడల్ విడుదల చేసింది ([ప్రచురణ][PubMedBERT-Pub]), ఇది [PubMed](https://pubmed.ncbi.nlm.nih.gov/) రిపాజిటరీ నుండి పాఠ్యాలతో ఫైన్-ట్యూన్ చేయబడింది. - -ట్రాన్స్‌ఫార్మర్ మోడల్స్ శిక్షణకు *de facto* స్టాండర్డ్ [Hugging Face Transformers](https://huggingface.co/) లైబ్రరీ. ఇది కమ్యూనిటీ నిర్వహించే ప్రీ-ట్రెయిన్డ్ మోడల్స్ రిపాజిటరీని కూడా కలిగి ఉంది, అందులో PubMedBERT కూడా ఉంది. ఈ మోడల్‌ను లోడ్ చేసి ఉపయోగించడానికి, మనకు కొన్ని కోడ్ లైన్లు మాత్రమే అవసరం: - -```python -model_name = "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract" -classes = ... # తరగతుల సంఖ్య: 2*సంస్థలు+1 -tokenizer = AutoTokenizer.from_pretrained(model_name) -model = BertForTokenClassification.from_pretrained(model_name, classes) -``` - -ఇది `classes` సంఖ్య ఆధారంగా టోకెన్ క్లాసిఫికేషన్ టాస్క్ కోసం నిర్మించిన `model` ను మరియు ఇన్‌పుట్ టెక్స్ట్‌ను టోకెన్లుగా విడగొట్టగల `tokenizer` ఆబ్జెక్ట్‌ను ఇస్తుంది. మీరు డేటాసెట్‌ను BIO ఫార్మాట్‌లోకి మార్చాలి, PubMedBERT టోకెనైజేషన్‌ను పరిగణలోకి తీసుకుని. మీరు [ఈ Python కోడ్](https://gist.github.com/shwars/580b55684be3328eb39ecf01b9cbbd88) ను ప్రేరణగా ఉపయోగించవచ్చు. - -## ముఖ్యాంశం - -ఈ పని మీరు పెద్ద పరిమాణంలో సహజ భాషా పాఠ్యాలపై మరింత అవగాహన పొందాలనుకుంటే ఎదుర్కొనే అసలు పనికి చాలా దగ్గరగా ఉంటుంది. మన సందర్భంలో, శిక్షణ పొందిన మోడల్‌ను [COVID-సంబంధిత పత్రాల డేటాసెట్](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) పై వర్తింపజేసి, మనం ఏ అవగాహనలను పొందగలమో చూడవచ్చు. [ఈ బ్లాగ్ పోస్ట్](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) మరియు [ఈ పత్రం](https://www.mdpi.com/2504-2289/6/1/4) NER ఉపయోగించి ఈ పత్రాల కార్పస్‌పై చేయగల పరిశోధనలను వివరించాయి. - ---- - - -**అస్పష్టత**: -ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు డాక్యుమెంట్ దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. +# NER + +[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. + +## పని + +ఈ ల్యాబ్‌లో, మీరు వైద్య పదజాలం కోసం నేమ్డ్ ఎంటిటీ రికగ్నిషన్ మోడల్‌ను శిక్షణ ఇవ్వాలి. + +## డేటాసెట్ + +NER మోడల్‌ను శిక్షణ ఇవ్వడానికి, వైద్య ఎంటిటీలతో సరైన లేబుల్ చేయబడిన డేటాసెట్ అవసరం. [BC5CDR dataset](https://biocreative.bioinformatics.udel.edu/tasks/biocreative-v/track-3-cdr/) 1500 కంటే ఎక్కువ పత్రాల నుండి లేబుల్ చేయబడిన రోగాలు మరియు రసాయన ఎంటిటీలను కలిగి ఉంది. మీరు వారి వెబ్‌సైట్‌లో రిజిస్టర్ అయిన తర్వాత డేటాసెట్‌ను డౌన్లోడ్ చేసుకోవచ్చు. + +BC5CDR డేటాసెట్ ఇలా ఉంటుంది: + +``` +6794356|t|Tricuspid valve regurgitation and lithium carbonate toxicity in a newborn infant. +6794356|a|A newborn with massive tricuspid regurgitation, atrial flutter, congestive heart failure, and a high serum lithium level is described. This is the first patient to initially manifest tricuspid regurgitation and atrial flutter, and the 11th described patient with cardiac disease among infants exposed to lithium compounds in the first trimester of pregnancy. Sixty-three percent of these infants had tricuspid valve involvement. Lithium carbonate may be a factor in the increasing incidence of congenital heart disease when taken during early pregnancy. It also causes neurologic depression, cyanosis, and cardiac arrhythmia when consumed prior to delivery. +6794356 0 29 Tricuspid valve regurgitation Disease D014262 +6794356 34 51 lithium carbonate Chemical D016651 +6794356 52 60 toxicity Disease D064420 +... +``` + +ఈ డేటాసెట్‌లో, మొదటి రెండు లైన్లలో పత్రం శీర్షిక మరియు సారాంశం ఉంటాయి, ఆ తర్వాత వ్యక్తిగత ఎంటిటీలను, శీర్షిక+సారాంశం బ్లాక్‌లో ప్రారంభం మరియు ముగింపు స్థానాలతో చూపిస్తారు. ఎంటిటీ రకం తో పాటు, మీరు ఈ ఎంటిటీకి సంబంధించిన వైద్య ఆంటాలజీ ID కూడా పొందుతారు. + +దీనిని BIO ఎంకోడింగ్‌గా మార్చడానికి మీరు కొంత Python కోడ్ రాయాలి. + +## నెట్‌వర్క్ + +NER కోసం మొదటి ప్రయత్నం LSTM నెట్‌వర్క్ ఉపయోగించి చేయవచ్చు, మన ఉదాహరణలో మీరు పాఠంలో చూసినట్లుగా. అయితే, NLP పనులలో, [ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్](https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)) మరియు ప్రత్యేకంగా [BERT భాషా మోడల్స్](https://en.wikipedia.org/wiki/BERT_(language_model)) చాలా మెరుగైన ఫలితాలు చూపిస్తాయి. ప్రీ-ట్రెయిన్డ్ BERT మోడల్స్ భాష యొక్క సాధారణ నిర్మాణాన్ని అర్థం చేసుకుంటాయి, మరియు తక్కువ డేటాసెట్ మరియు కంప్యూటేషనల్ ఖర్చులతో ప్రత్యేక పనుల కోసం ఫైన్-ట్యూన్ చేయవచ్చు. + +మనం NER ను వైద్య సందర్భంలో ఉపయోగించబోతున్నందున, వైద్య పాఠ్యాలపై శిక్షణ పొందిన BERT మోడల్ ఉపయోగించడం మంచిది. Microsoft Research [PubMedBERT][PubMedBERT] అనే ప్రీ-ట్రెయిన్డ్ మోడల్ విడుదల చేసింది ([ప్రచురణ][PubMedBERT-Pub]), ఇది [PubMed](https://pubmed.ncbi.nlm.nih.gov/) రిపాజిటరీ నుండి పాఠ్యాలతో ఫైన్-ట్యూన్ చేయబడింది. + +ట్రాన్స్‌ఫార్మర్ మోడల్స్ శిక్షణకు *de facto* స్టాండర్డ్ [Hugging Face Transformers](https://huggingface.co/) లైబ్రరీ. ఇది కమ్యూనిటీ నిర్వహించే ప్రీ-ట్రెయిన్డ్ మోడల్స్ రిపాజిటరీని కూడా కలిగి ఉంది, అందులో PubMedBERT కూడా ఉంది. ఈ మోడల్‌ను లోడ్ చేసి ఉపయోగించడానికి, మనకు కొన్ని కోడ్ లైన్లు మాత్రమే అవసరం: + +```python +model_name = "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract" +classes = ... # తరగతుల సంఖ్య: 2*సంస్థలు+1 +tokenizer = AutoTokenizer.from_pretrained(model_name) +model = BertForTokenClassification.from_pretrained(model_name, classes) +``` + +ఇది `classes` సంఖ్య ఆధారంగా టోకెన్ క్లాసిఫికేషన్ టాస్క్ కోసం నిర్మించిన `model` ను మరియు ఇన్‌పుట్ టెక్స్ట్‌ను టోకెన్లుగా విడగొట్టగల `tokenizer` ఆబ్జెక్ట్‌ను ఇస్తుంది. మీరు డేటాసెట్‌ను BIO ఫార్మాట్‌లోకి మార్చాలి, PubMedBERT టోకెనైజేషన్‌ను పరిగణలోకి తీసుకుని. మీరు [ఈ Python కోడ్](https://gist.github.com/shwars/580b55684be3328eb39ecf01b9cbbd88) ను ప్రేరణగా ఉపయోగించవచ్చు. + +## ముఖ్యాంశం + +ఈ పని మీరు పెద్ద పరిమాణంలో సహజ భాషా పాఠ్యాలపై మరింత అవగాహన పొందాలనుకుంటే ఎదుర్కొనే అసలు పనికి చాలా దగ్గరగా ఉంటుంది. మన సందర్భంలో, శిక్షణ పొందిన మోడల్‌ను [COVID-సంబంధిత పత్రాల డేటాసెట్](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) పై వర్తింపజేసి, మనం ఏ అవగాహనలను పొందగలమో చూడవచ్చు. [ఈ బ్లాగ్ పోస్ట్](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) మరియు [ఈ పత్రం](https://www.mdpi.com/2504-2289/6/1/4) NER ఉపయోగించి ఈ పత్రాల కార్పస్‌పై చేయగల పరిశోధనలను వివరించాయి. + +--- + + +**అస్పష్టత**: +ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు డాక్యుమెంట్ దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/20-LangModels/README.md b/translations/te/lessons/5-NLP/20-LangModels/README.md index afba059f..099ebe59 100644 --- a/translations/te/lessons/5-NLP/20-LangModels/README.md +++ b/translations/te/lessons/5-NLP/20-LangModels/README.md @@ -1,68 +1,59 @@ - -# ముందుగా శిక్షణ పొందిన పెద్ద భాషా మోడల్స్ - -మా గత పనులన్నింటిలోనూ, లేబుల్ చేయబడిన డేటాసెట్ ఉపయోగించి ఒక నిర్దిష్ట పని చేయడానికి న్యూరల్ నెట్‌వర్క్‌ను శిక్షణ ఇచ్చేవాళ్లం. BERT వంటి పెద్ద ట్రాన్స్‌ఫార్మర్ మోడల్స్‌తో, మేము స్వీయ-పర్యవేక్షణ విధానంలో భాషా మోడలింగ్ ఉపయోగించి భాషా మోడల్‌ను నిర్మిస్తాము, ఆ తర్వాత అదనపు డొమైన్-స్పెసిఫిక్ శిక్షణతో నిర్దిష్ట డౌన్‌స్ట్రీమ్ పనికి ప్రత్యేకత ఇస్తాము. అయితే, పెద్ద భాషా మోడల్స్ ఏ డొమైన్-స్పెసిఫిక్ శిక్షణ లేకుండానే కూడా అనేక పనులను పరిష్కరించగలవని నిరూపించబడింది. అటువంటి సామర్థ్యం కలిగిన మోడల్స్ కుటుంబాన్ని **GPT** అంటారు: జనరేటివ్ ప్రీ-ట్రెయిన్డ్ ట్రాన్స్‌ఫార్మర్. - -## [పాఠం ముందు క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/39) - -## టెక్స్ట్ జనరేషన్ మరియు పర్ప్లెక్సిటీ - -డౌన్‌స్ట్రీమ్ శిక్షణ లేకుండా సాధారణ పనులు చేయగల న్యూరల్ నెట్‌వర్క్ ఆలోచనను [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf) పత్రంలో వివరించారు. ప్రధాన ఆలోచన ఏమిటంటే, అనేక ఇతర పనులను **టెక్స్ట్ జనరేషన్** ద్వారా మోడల్ చేయవచ్చు, ఎందుకంటే టెక్స్ట్‌ను అర్థం చేసుకోవడం అంటే దాన్ని ఉత్పత్తి చేయగలగడం. మోడల్ మానవ జ్ఞానాన్ని కవర్ చేసే భారీ టెక్స్ట్ డేటాపై శిక్షణ పొందినందున, ఇది విస్తృత విషయాలపై జ్ఞానం కలిగి ఉంటుంది. - -> టెక్స్ట్‌ను అర్థం చేసుకోవడం మరియు ఉత్పత్తి చేయగలగడం అంటే మన చుట్టూ ఉన్న ప్రపంచం గురించి కూడా కొంత తెలుసుకోవడం. మనుషులు కూడా ఎక్కువగా చదవడం ద్వారా నేర్చుకుంటారు, GPT నెట్‌వర్క్ కూడా ఇదే విధంగా ఉంటుంది. - -టెక్స్ట్ జనరేషన్ నెట్‌వర్క్స్ తదుపరి పదం $$P(w_N)$$ యొక్క సంభావ్యతను అంచనా వేస్తాయి. అయితే, తదుపరి పదం యొక్క అనియంత్రిత సంభావ్యత అంటే ఆ పదం టెక్స్ట్ కార్పస్‌లో కనిపించే సాంద్రత. GPT మాకు **పూర్వ పదాల ఆధారంగా** తదుపరి పదం యొక్క **నిబంధిత సంభావ్యత** ఇస్తుంది: $$P(w_N | w_{n-1}, ..., w_0)$$ - -> మీరు సంభావ్యతల గురించి మరింత తెలుసుకోవడానికి మా [డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/04-stats-and-probability) చూడవచ్చు - -భాషా ఉత్పత్తి మోడల్ నాణ్యతను **పర్ప్లెక్సిటీ** ద్వారా నిర్వచించవచ్చు. ఇది ఒక అంతర్గత ప్రమాణం, ఇది ఏదైనా పని-స్పెసిఫిక్ డేటాసెట్ లేకుండానే మోడల్ నాణ్యతను కొలవడానికి ఉపయోగపడుతుంది. ఇది *వాక్యం సంభావ్యత* అనే భావనపై ఆధారపడి ఉంటుంది - మోడల్ నిజమైనదిగా ఉండే వాక్యానికి ఎక్కువ సంభావ్యత ఇస్తుంది (అంటే మోడల్ దానితో **గందరగోళం చెందదు**), మరియు అర్థం తక్కువ ఉన్న వాక్యాలకు తక్కువ సంభావ్యత ఇస్తుంది (ఉదా: *Can it does what?*). మేము మోడల్‌కు నిజమైన టెక్స్ట్ కార్పస్ నుండి వాక్యాలు ఇస్తే, అవి ఎక్కువ సంభావ్యత కలిగి ఉండాలని, తక్కువ **పర్ప్లెక్సిటీ** కలిగి ఉండాలని ఆశిస్తాము. గణితంగా, ఇది పరీక్షా సెట్ యొక్క సాధారణీకరించిన వ్యతిరేక సంభావ్యతగా నిర్వచించబడుతుంది: -$$ -\mathrm{Perplexity}(W) = \sqrt[N]{1\over P(W_1,...,W_N)} -$$ - -**మీరు [Hugging Face నుండి GPT ఆధారిత టెక్స్ట్ ఎడిటర్](https://transformer.huggingface.co/doc/gpt2-large) ఉపయోగించి టెక్స్ట్ జనరేషన్‌ను ప్రయోగించవచ్చు**. ఈ ఎడిటర్‌లో మీరు మీ టెక్స్ట్ రాయడం ప్రారంభిస్తారు, మరియు **[TAB]** నొక్కితే మీరు అనేక పూర్తి ఎంపికలను పొందుతారు. అవి చాలా చిన్నవిగా ఉంటే లేదా మీరు సంతృప్తి చెందకపోతే - మళ్లీ [TAB] నొక్కండి, మరిన్ని ఎంపికలు, దీర్ఘమైన టెక్స్ట్ భాగాలు కూడా అందుబాటులో ఉంటాయి. - -## GPT ఒక కుటుంబం - -GPT ఒకే ఒక మోడల్ కాదు, కానీ [OpenAI](https://openai.com) అభివృద్ధి చేసి శిక్షణ ఇచ్చిన మోడల్స్ సేకరణ. - -GPT మోడల్స్ కింద: - -| [GPT-2](https://huggingface.co/docs/transformers/model_doc/gpt2#openai-gpt2) | [GPT 3](https://openai.com/research/language-models-are-few-shot-learners) | [GPT-4](https://openai.com/gpt-4) | -| -- | -- | -- | -| 1.5 బిలియన్ పరిమాణాల భాషా మోడల్ | 175 బిలియన్ పరిమాణాల భాషా మోడల్ | 100 ట్రిలియన్ పరిమాణాలు, ఇమేజ్ మరియు టెక్స్ట్ ఇన్‌పుట్‌లను స్వీకరించి టెక్స్ట్ అవుట్‌పుట్ ఇస్తుంది | - -GPT-3 మరియు GPT-4 మోడల్స్ [Microsoft Azure నుండి కాగ్నిటివ్ సర్వీస్‌గా](https://azure.microsoft.com/en-us/services/cognitive-services/openai-service/#overview?WT.mc_id=academic-77998-cacaste) మరియు [OpenAI API](https://openai.com/api/) ద్వారా అందుబాటులో ఉన్నాయి. - -## ప్రాంప్ట్ ఇంజనీరింగ్ - -GPT భాష మరియు కోడ్‌ను అర్థం చేసుకోవడానికి విస్తృత డేటా వాల్యూమ్‌పై శిక్షణ పొందినందున, అవి ఇన్‌పుట్‌లకు (ప్రాంప్ట్‌లు) స్పందనగా అవుట్‌పుట్‌లను ఇస్తాయి. ప్రాంప్ట్‌లు అనగా GPT ఇన్‌పుట్‌లు లేదా ప్రశ్నలు, వీటిలో మోడల్స్‌కు తదుపరి పూర్తి చేయాల్సిన పనుల సూచనలు ఇస్తారు. కావలసిన ఫలితాన్ని పొందడానికి, సరైన పదాలు, ఫార్మాట్లు, పదబంధాలు లేదా చిహ్నాలను ఎంచుకోవడం అవసరం. ఈ విధానాన్ని [ప్రాంప్ట్ ఇంజనీరింగ్](https://learn.microsoft.com/en-us/shows/ai-show/the-basics-of-prompt-engineering-with-azure-openai-service?WT.mc_id=academic-77998-bethanycheum) అంటారు. - -[ఈ డాక్యుమెంటేషన్](https://learn.microsoft.com/en-us/semantic-kernel/prompt-engineering/?WT.mc_id=academic-77998-bethanycheum) ప్రాంప్ట్ ఇంజనీరింగ్ గురించి మరిన్ని వివరాలు అందిస్తుంది. - -## ✍️ ఉదాహరణ నోట్‌బుక్: [OpenAI-GPT తో ఆడుకోవడం](GPT-PyTorch.ipynb) - -తదుపరి నోట్‌బుక్స్‌లో మీ అభ్యాసాన్ని కొనసాగించండి: - -* [OpenAI-GPT మరియు Hugging Face Transformers తో టెక్స్ట్ జనరేట్ చేయడం](GPT-PyTorch.ipynb) - -## ముగింపు - -కొత్త సాధారణ ప్రీ-ట్రెయిన్డ్ భాషా మోడల్స్ కేవలం భాషా నిర్మాణాన్ని మాత్రమే కాకుండా, విస్తృత సహజ భాషా సమాచారాన్ని కూడా కలిగి ఉంటాయి. అందువల్ల, అవి జీరో-షాట్ లేదా ఫ్యూ-షాట్ సెట్టింగ్స్‌లో కొన్ని NLP పనులను సమర్థవంతంగా పరిష్కరించగలవు. - -## [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/40) - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# ముందుగా శిక్షణ పొందిన పెద్ద భాషా మోడల్స్ + +మా గత పనులన్నింటిలోనూ, లేబుల్ చేయబడిన డేటాసెట్ ఉపయోగించి ఒక నిర్దిష్ట పని చేయడానికి న్యూరల్ నెట్‌వర్క్‌ను శిక్షణ ఇచ్చేవాళ్లం. BERT వంటి పెద్ద ట్రాన్స్‌ఫార్మర్ మోడల్స్‌తో, మేము స్వీయ-పర్యవేక్షణ విధానంలో భాషా మోడలింగ్ ఉపయోగించి భాషా మోడల్‌ను నిర్మిస్తాము, ఆ తర్వాత అదనపు డొమైన్-స్పెసిఫిక్ శిక్షణతో నిర్దిష్ట డౌన్‌స్ట్రీమ్ పనికి ప్రత్యేకత ఇస్తాము. అయితే, పెద్ద భాషా మోడల్స్ ఏ డొమైన్-స్పెసిఫిక్ శిక్షణ లేకుండానే కూడా అనేక పనులను పరిష్కరించగలవని నిరూపించబడింది. అటువంటి సామర్థ్యం కలిగిన మోడల్స్ కుటుంబాన్ని **GPT** అంటారు: జనరేటివ్ ప్రీ-ట్రెయిన్డ్ ట్రాన్స్‌ఫార్మర్. + +## [పాఠం ముందు క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/39) + +## టెక్స్ట్ జనరేషన్ మరియు పర్ప్లెక్సిటీ + +డౌన్‌స్ట్రీమ్ శిక్షణ లేకుండా సాధారణ పనులు చేయగల న్యూరల్ నెట్‌వర్క్ ఆలోచనను [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf) పత్రంలో వివరించారు. ప్రధాన ఆలోచన ఏమిటంటే, అనేక ఇతర పనులను **టెక్స్ట్ జనరేషన్** ద్వారా మోడల్ చేయవచ్చు, ఎందుకంటే టెక్స్ట్‌ను అర్థం చేసుకోవడం అంటే దాన్ని ఉత్పత్తి చేయగలగడం. మోడల్ మానవ జ్ఞానాన్ని కవర్ చేసే భారీ టెక్స్ట్ డేటాపై శిక్షణ పొందినందున, ఇది విస్తృత విషయాలపై జ్ఞానం కలిగి ఉంటుంది. + +> టెక్స్ట్‌ను అర్థం చేసుకోవడం మరియు ఉత్పత్తి చేయగలగడం అంటే మన చుట్టూ ఉన్న ప్రపంచం గురించి కూడా కొంత తెలుసుకోవడం. మనుషులు కూడా ఎక్కువగా చదవడం ద్వారా నేర్చుకుంటారు, GPT నెట్‌వర్క్ కూడా ఇదే విధంగా ఉంటుంది. + +టెక్స్ట్ జనరేషన్ నెట్‌వర్క్స్ తదుపరి పదం $$P(w_N)$$ యొక్క సంభావ్యతను అంచనా వేస్తాయి. అయితే, తదుపరి పదం యొక్క అనియంత్రిత సంభావ్యత అంటే ఆ పదం టెక్స్ట్ కార్పస్‌లో కనిపించే సాంద్రత. GPT మాకు **పూర్వ పదాల ఆధారంగా** తదుపరి పదం యొక్క **నిబంధిత సంభావ్యత** ఇస్తుంది: $$P(w_N | w_{n-1}, ..., w_0)$$ + +> మీరు సంభావ్యతల గురించి మరింత తెలుసుకోవడానికి మా [డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/04-stats-and-probability) చూడవచ్చు + +భాషా ఉత్పత్తి మోడల్ నాణ్యతను **పర్ప్లెక్సిటీ** ద్వారా నిర్వచించవచ్చు. ఇది ఒక అంతర్గత ప్రమాణం, ఇది ఏదైనా పని-స్పెసిఫిక్ డేటాసెట్ లేకుండానే మోడల్ నాణ్యతను కొలవడానికి ఉపయోగపడుతుంది. ఇది *వాక్యం సంభావ్యత* అనే భావనపై ఆధారపడి ఉంటుంది - మోడల్ నిజమైనదిగా ఉండే వాక్యానికి ఎక్కువ సంభావ్యత ఇస్తుంది (అంటే మోడల్ దానితో **గందరగోళం చెందదు**), మరియు అర్థం తక్కువ ఉన్న వాక్యాలకు తక్కువ సంభావ్యత ఇస్తుంది (ఉదా: *Can it does what?*). మేము మోడల్‌కు నిజమైన టెక్స్ట్ కార్పస్ నుండి వాక్యాలు ఇస్తే, అవి ఎక్కువ సంభావ్యత కలిగి ఉండాలని, తక్కువ **పర్ప్లెక్సిటీ** కలిగి ఉండాలని ఆశిస్తాము. గణితంగా, ఇది పరీక్షా సెట్ యొక్క సాధారణీకరించిన వ్యతిరేక సంభావ్యతగా నిర్వచించబడుతుంది: +$$ +\mathrm{Perplexity}(W) = \sqrt[N]{1\over P(W_1,...,W_N)} +$$ + +**మీరు [Hugging Face నుండి GPT ఆధారిత టెక్స్ట్ ఎడిటర్](https://transformer.huggingface.co/doc/gpt2-large) ఉపయోగించి టెక్స్ట్ జనరేషన్‌ను ప్రయోగించవచ్చు**. ఈ ఎడిటర్‌లో మీరు మీ టెక్స్ట్ రాయడం ప్రారంభిస్తారు, మరియు **[TAB]** నొక్కితే మీరు అనేక పూర్తి ఎంపికలను పొందుతారు. అవి చాలా చిన్నవిగా ఉంటే లేదా మీరు సంతృప్తి చెందకపోతే - మళ్లీ [TAB] నొక్కండి, మరిన్ని ఎంపికలు, దీర్ఘమైన టెక్స్ట్ భాగాలు కూడా అందుబాటులో ఉంటాయి. + +## GPT ఒక కుటుంబం + +GPT ఒకే ఒక మోడల్ కాదు, కానీ [OpenAI](https://openai.com) అభివృద్ధి చేసి శిక్షణ ఇచ్చిన మోడల్స్ సేకరణ. + +GPT మోడల్స్ కింద: + +| [GPT-2](https://huggingface.co/docs/transformers/model_doc/gpt2#openai-gpt2) | [GPT 3](https://openai.com/research/language-models-are-few-shot-learners) | [GPT-4](https://openai.com/gpt-4) | +| -- | -- | -- | +| 1.5 బిలియన్ పరిమాణాల భాషా మోడల్ | 175 బిలియన్ పరిమాణాల భాషా మోడల్ | 100 ట్రిలియన్ పరిమాణాలు, ఇమేజ్ మరియు టెక్స్ట్ ఇన్‌పుట్‌లను స్వీకరించి టెక్స్ట్ అవుట్‌పుట్ ఇస్తుంది | + +GPT-3 మరియు GPT-4 మోడల్స్ [Microsoft Azure నుండి కాగ్నిటివ్ సర్వీస్‌గా](https://azure.microsoft.com/en-us/services/cognitive-services/openai-service/#overview?WT.mc_id=academic-77998-cacaste) మరియు [OpenAI API](https://openai.com/api/) ద్వారా అందుబాటులో ఉన్నాయి. + +## ప్రాంప్ట్ ఇంజనీరింగ్ + +GPT భాష మరియు కోడ్‌ను అర్థం చేసుకోవడానికి విస్తృత డేటా వాల్యూమ్‌పై శిక్షణ పొందినందున, అవి ఇన్‌పుట్‌లకు (ప్రాంప్ట్‌లు) స్పందనగా అవుట్‌పుట్‌లను ఇస్తాయి. ప్రాంప్ట్‌లు అనగా GPT ఇన్‌పుట్‌లు లేదా ప్రశ్నలు, వీటిలో మోడల్స్‌కు తదుపరి పూర్తి చేయాల్సిన పనుల సూచనలు ఇస్తారు. కావలసిన ఫలితాన్ని పొందడానికి, సరైన పదాలు, ఫార్మాట్లు, పదబంధాలు లేదా చిహ్నాలను ఎంచుకోవడం అవసరం. ఈ విధానాన్ని [ప్రాంప్ట్ ఇంజనీరింగ్](https://learn.microsoft.com/en-us/shows/ai-show/the-basics-of-prompt-engineering-with-azure-openai-service?WT.mc_id=academic-77998-bethanycheum) అంటారు. + +[ఈ డాక్యుమెంటేషన్](https://learn.microsoft.com/en-us/semantic-kernel/prompt-engineering/?WT.mc_id=academic-77998-bethanycheum) ప్రాంప్ట్ ఇంజనీరింగ్ గురించి మరిన్ని వివరాలు అందిస్తుంది. + +## ✍️ ఉదాహరణ నోట్‌బుక్: [OpenAI-GPT తో ఆడుకోవడం](GPT-PyTorch.ipynb) + +తదుపరి నోట్‌బుక్స్‌లో మీ అభ్యాసాన్ని కొనసాగించండి: + +* [OpenAI-GPT మరియు Hugging Face Transformers తో టెక్స్ట్ జనరేట్ చేయడం](GPT-PyTorch.ipynb) + +## ముగింపు + +కొత్త సాధారణ ప్రీ-ట్రెయిన్డ్ భాషా మోడల్స్ కేవలం భాషా నిర్మాణాన్ని మాత్రమే కాకుండా, విస్తృత సహజ భాషా సమాచారాన్ని కూడా కలిగి ఉంటాయి. అందువల్ల, అవి జీరో-షాట్ లేదా ఫ్యూ-షాట్ సెట్టింగ్స్‌లో కొన్ని NLP పనులను సమర్థవంతంగా పరిష్కరించగలవు. + +## [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/40) + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/5-NLP/README.md b/translations/te/lessons/5-NLP/README.md index 991a5cb5..c28fde46 100644 --- a/translations/te/lessons/5-NLP/README.md +++ b/translations/te/lessons/5-NLP/README.md @@ -1,12 +1,3 @@ - # సహజ భాషా ప్రాసెసింగ్ ![NLP పనుల సారాంశం ఒక డ్రాయింగ్‌లో](../../../../translated_images/te/ai-nlp.b22dcb8ca4707cea.webp) diff --git a/translations/te/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/te/lessons/6-Other/21-GeneticAlgorithms/README.md index 432ebb7c..474d4142 100644 --- a/translations/te/lessons/6-Other/21-GeneticAlgorithms/README.md +++ b/translations/te/lessons/6-Other/21-GeneticAlgorithms/README.md @@ -1,93 +1,84 @@ - -# జనెటిక్ అల్గోరిథమ్స్ - -## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/41) - -**జనెటిక్ అల్గోరిథమ్స్** (GA) అనేవి AIకి సంబంధించిన **ఎవల్యూషనరీ పద్ధతిపై** ఆధారపడి ఉంటాయి, ఇందులో ఒక జనాభా యొక్క అభివృద్ధి పద్ధతులను ఉపయోగించి ఒక నిర్దిష్ట సమస్యకు ఉత్తమ పరిష్కారాన్ని పొందుతారు. ఇవి 1975లో [జాన్ హెన్రీ హోలాండ్](https://wikipedia.org/wiki/John_Henry_Holland) ప్రతిపాదించారు. - -జనెటిక్ అల్గోరిథమ్స్ ఈ క్రింది ఆలోచనలపై ఆధారపడి ఉంటాయి: - -* సమస్యకు సరైన పరిష్కారాలను **జీన్స్** రూపంలో ప్రాతినిధ్యం వహించవచ్చు -* **క్రాసోవర్** ద్వారా రెండు పరిష్కారాలను కలిపి కొత్త సరైన పరిష్కారాన్ని పొందవచ్చు -* **సెలెక్షన్** ద్వారా కొన్ని **ఫిట్‌నెస్ ఫంక్షన్** ఉపయోగించి ఉత్తమ పరిష్కారాలను ఎంచుకుంటారు -* **మ్యూటేషన్స్** పరిష్కారాన్ని స్థిరంగా ఉండకుండా చేసి స్థానిక కనిష్టం నుండి బయటపడేందుకు ఉపయోగిస్తారు - -మీరు జనెటిక్ అల్గోరిథమ్ అమలు చేయాలనుకుంటే, ఈ క్రింది అంశాలు అవసరం: - - * సమస్య పరిష్కారాలను **జీన్స్** g∈Γ రూపంలో కోడింగ్ చేసే పద్ధతిని కనుగొనాలి - * జీన్స్ సెట్ Γ పై **ఫిట్‌నెస్ ఫంక్షన్** fit: Γ→**R** నిర్వచించాలి. చిన్న ఫంక్షన్ విలువలు మెరుగైన పరిష్కారాలను సూచిస్తాయి. - * రెండు జీన్స్ కలిపి కొత్త సరైన పరిష్కారాన్ని పొందేందుకు **క్రాసోవర్** పద్ధతిని నిర్వచించాలి crossover: Γ2→Γ. - * **మ్యూటేషన్** పద్ధతిని నిర్వచించాలి mutate: Γ→Γ. - -చాలా సందర్భాల్లో, క్రాసోవర్ మరియు మ్యూటేషన్ అనేవి జీన్స్‌ను సంఖ్యా శ్రేణులు లేదా బిట్ వెక్టర్లుగా సులభంగా నిర్వహించే అల్గోరిథమ్స్ ఉంటాయి. - -జనెటిక్ అల్గోరిథమ్ యొక్క ప్రత్యేక అమలు సందర్భం ప్రకారం మారవచ్చు, కానీ మొత్తం నిర్మాణం ఇలా ఉంటుంది: - -1. ప్రారంభ జనాభా G⊂Γ ఎంచుకోండి -2. ఈ దశలో అమలు చేయాల్సిన ఆపరేషన్‌ను యాదృచ్ఛికంగా ఎంచుకోండి: క్రాసోవర్ లేదా మ్యూటేషన్ -3. **క్రాసోవర్**: - * యాదృచ్ఛికంగా రెండు జీన్స్ g1, g2 ∈ G ఎంచుకోండి - * క్రాసోవర్ గణన చేయండి g=crossover(g1,g2) - * fit(g)1) లేదా fit(g)2) అయితే - జనాభాలో సంబంధిత జీన్‌ను gతో మార్చండి. -4. **మ్యూటేషన్** - యాదృచ్ఛిక జీన్ g∈G ఎంచుకుని దాన్ని mutate(g)తో మార్చండి -5. దశ 2 నుండి పునరావృతం చేయండి, fit విలువ తగినంత చిన్నదైనంతవరకు లేదా దశల పరిమితి చేరేవరకు. - -## సాధారణ పనులు - -జనెటిక్ అల్గోరిథమ్స్ సాధారణంగా పరిష్కరించే పనులు: - -1. షెడ్యూల్ ఆప్టిమైజేషన్ -1. ఉత్తమ ప్యాకింగ్ -1. ఉత్తమ కటింగ్ -1. సమగ్ర శోధన వేగవంతం చేయడం - -## ✍️ వ్యాయామాలు: జనెటిక్ అల్గోరిథమ్స్ - -క్రింది నోట్బుక్స్‌లో మీ అభ్యాసాన్ని కొనసాగించండి: - -[ఈ నోట్బుక్](Genetic.ipynb)కి వెళ్లి జనెటిక్ అల్గోరిథమ్స్ ఉపయోగించిన రెండు ఉదాహరణలను చూడండి: - -1. నిధుల సమాన విభజన -1. 8 క్వీన్స్ సమస్య - -## ముగింపు - -జనెటిక్ అల్గోరిథమ్స్ అనేక సమస్యలను, లాజిస్టిక్స్ మరియు శోధన సమస్యలను పరిష్కరించడానికి ఉపయోగిస్తారు. ఈ రంగం మానసిక శాస్త్రం మరియు కంప్యూటర్ సైన్స్ అంశాలను కలిపిన పరిశోధనల ద్వారా ప్రేరణ పొందింది. - -## 🚀 సవాలు - -"జనెటిక్ అల్గోరిథమ్స్ అమలు చేయడం సులభం, కానీ వాటి ప్రవర్తన అర్థం చేసుకోవడం కష్టం." [source](https://wikipedia.org/wiki/Genetic_algorithm) సుడోకు పజిల్ వంటి సమస్యను పరిష్కరించే జనెటిక్ అల్గోరిథమ్ అమలును కనుగొని, దాని పని విధానాన్ని స్కెచ్ లేదా ఫ్లోచార్ట్ రూపంలో వివరించండి. - -## [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/42) - -## సమీక్ష & స్వీయ అధ్యయనం - -[ఈ అద్భుతమైన వీడియో](https://www.youtube.com/watch?v=qv6UVOQ0F44)ను చూడండి, ఇందులో జనెటిక్ అల్గోరిథమ్స్ ద్వారా శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్స్ ఉపయోగించి కంప్యూటర్ సూపర్ మారియో గేమ్ ఆడటం ఎలా నేర్చుకుంటుందో వివరించబడింది. ఇలాంటి గేమ్స్ ఆడటానికి కంప్యూటర్ ఎలా నేర్చుకుంటుందో [తదుపరి విభాగంలో](../22-DeepRL/README.md) మరింత తెలుసుకుంటాం. - -## [అసైన్‌మెంట్: డయోఫాంటైన్ సమీకరణ](Diophantine.ipynb) - -మీ లక్ష్యం **డయోఫాంటైన్ సమీకరణ**ను పరిష్కరించడం - ఇది పూర్తి సంఖ్యల మూలాలు కలిగిన సమీకరణ. ఉదాహరణకు, a+2b+3c+4d=30 అనే సమీకరణను తీసుకోండి. ఈ సమీకరణను సంతృప్తి పరచే పూర్తి సంఖ్యల మూలాలను కనుగొనాలి. - -*ఈ అసైన్‌మెంట్ [ఈ పోస్ట్](https://habr.com/post/128704/) నుండి ప్రేరణ పొందింది.* - -సూచనలు: - -1. మూలాలను [0;30] పరిధిలో పరిగణించవచ్చు -1. జీన్‌గా, మూల విలువల జాబితాను ఉపయోగించండి - -ప్రారంభ బిందువుగా [Diophantine.ipynb](Diophantine.ipynb) ఉపయోగించండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. +# జనెటిక్ అల్గోరిథమ్స్ + +## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/41) + +**జనెటిక్ అల్గోరిథమ్స్** (GA) అనేవి AIకి సంబంధించిన **ఎవల్యూషనరీ పద్ధతిపై** ఆధారపడి ఉంటాయి, ఇందులో ఒక జనాభా యొక్క అభివృద్ధి పద్ధతులను ఉపయోగించి ఒక నిర్దిష్ట సమస్యకు ఉత్తమ పరిష్కారాన్ని పొందుతారు. ఇవి 1975లో [జాన్ హెన్రీ హోలాండ్](https://wikipedia.org/wiki/John_Henry_Holland) ప్రతిపాదించారు. + +జనెటిక్ అల్గోరిథమ్స్ ఈ క్రింది ఆలోచనలపై ఆధారపడి ఉంటాయి: + +* సమస్యకు సరైన పరిష్కారాలను **జీన్స్** రూపంలో ప్రాతినిధ్యం వహించవచ్చు +* **క్రాసోవర్** ద్వారా రెండు పరిష్కారాలను కలిపి కొత్త సరైన పరిష్కారాన్ని పొందవచ్చు +* **సెలెక్షన్** ద్వారా కొన్ని **ఫిట్‌నెస్ ఫంక్షన్** ఉపయోగించి ఉత్తమ పరిష్కారాలను ఎంచుకుంటారు +* **మ్యూటేషన్స్** పరిష్కారాన్ని స్థిరంగా ఉండకుండా చేసి స్థానిక కనిష్టం నుండి బయటపడేందుకు ఉపయోగిస్తారు + +మీరు జనెటిక్ అల్గోరిథమ్ అమలు చేయాలనుకుంటే, ఈ క్రింది అంశాలు అవసరం: + + * సమస్య పరిష్కారాలను **జీన్స్** g∈Γ రూపంలో కోడింగ్ చేసే పద్ధతిని కనుగొనాలి + * జీన్స్ సెట్ Γ పై **ఫిట్‌నెస్ ఫంక్షన్** fit: Γ→**R** నిర్వచించాలి. చిన్న ఫంక్షన్ విలువలు మెరుగైన పరిష్కారాలను సూచిస్తాయి. + * రెండు జీన్స్ కలిపి కొత్త సరైన పరిష్కారాన్ని పొందేందుకు **క్రాసోవర్** పద్ధతిని నిర్వచించాలి crossover: Γ2→Γ. + * **మ్యూటేషన్** పద్ధతిని నిర్వచించాలి mutate: Γ→Γ. + +చాలా సందర్భాల్లో, క్రాసోవర్ మరియు మ్యూటేషన్ అనేవి జీన్స్‌ను సంఖ్యా శ్రేణులు లేదా బిట్ వెక్టర్లుగా సులభంగా నిర్వహించే అల్గోరిథమ్స్ ఉంటాయి. + +జనెటిక్ అల్గోరిథమ్ యొక్క ప్రత్యేక అమలు సందర్భం ప్రకారం మారవచ్చు, కానీ మొత్తం నిర్మాణం ఇలా ఉంటుంది: + +1. ప్రారంభ జనాభా G⊂Γ ఎంచుకోండి +2. ఈ దశలో అమలు చేయాల్సిన ఆపరేషన్‌ను యాదృచ్ఛికంగా ఎంచుకోండి: క్రాసోవర్ లేదా మ్యూటేషన్ +3. **క్రాసోవర్**: + * యాదృచ్ఛికంగా రెండు జీన్స్ g1, g2 ∈ G ఎంచుకోండి + * క్రాసోవర్ గణన చేయండి g=crossover(g1,g2) + * fit(g)1) లేదా fit(g)2) అయితే - జనాభాలో సంబంధిత జీన్‌ను gతో మార్చండి. +4. **మ్యూటేషన్** - యాదృచ్ఛిక జీన్ g∈G ఎంచుకుని దాన్ని mutate(g)తో మార్చండి +5. దశ 2 నుండి పునరావృతం చేయండి, fit విలువ తగినంత చిన్నదైనంతవరకు లేదా దశల పరిమితి చేరేవరకు. + +## సాధారణ పనులు + +జనెటిక్ అల్గోరిథమ్స్ సాధారణంగా పరిష్కరించే పనులు: + +1. షెడ్యూల్ ఆప్టిమైజేషన్ +1. ఉత్తమ ప్యాకింగ్ +1. ఉత్తమ కటింగ్ +1. సమగ్ర శోధన వేగవంతం చేయడం + +## ✍️ వ్యాయామాలు: జనెటిక్ అల్గోరిథమ్స్ + +క్రింది నోట్బుక్స్‌లో మీ అభ్యాసాన్ని కొనసాగించండి: + +[ఈ నోట్బుక్](Genetic.ipynb)కి వెళ్లి జనెటిక్ అల్గోరిథమ్స్ ఉపయోగించిన రెండు ఉదాహరణలను చూడండి: + +1. నిధుల సమాన విభజన +1. 8 క్వీన్స్ సమస్య + +## ముగింపు + +జనెటిక్ అల్గోరిథమ్స్ అనేక సమస్యలను, లాజిస్టిక్స్ మరియు శోధన సమస్యలను పరిష్కరించడానికి ఉపయోగిస్తారు. ఈ రంగం మానసిక శాస్త్రం మరియు కంప్యూటర్ సైన్స్ అంశాలను కలిపిన పరిశోధనల ద్వారా ప్రేరణ పొందింది. + +## 🚀 సవాలు + +"జనెటిక్ అల్గోరిథమ్స్ అమలు చేయడం సులభం, కానీ వాటి ప్రవర్తన అర్థం చేసుకోవడం కష్టం." [source](https://wikipedia.org/wiki/Genetic_algorithm) సుడోకు పజిల్ వంటి సమస్యను పరిష్కరించే జనెటిక్ అల్గోరిథమ్ అమలును కనుగొని, దాని పని విధానాన్ని స్కెచ్ లేదా ఫ్లోచార్ట్ రూపంలో వివరించండి. + +## [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ai/quiz/42) + +## సమీక్ష & స్వీయ అధ్యయనం + +[ఈ అద్భుతమైన వీడియో](https://www.youtube.com/watch?v=qv6UVOQ0F44)ను చూడండి, ఇందులో జనెటిక్ అల్గోరిథమ్స్ ద్వారా శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్స్ ఉపయోగించి కంప్యూటర్ సూపర్ మారియో గేమ్ ఆడటం ఎలా నేర్చుకుంటుందో వివరించబడింది. ఇలాంటి గేమ్స్ ఆడటానికి కంప్యూటర్ ఎలా నేర్చుకుంటుందో [తదుపరి విభాగంలో](../22-DeepRL/README.md) మరింత తెలుసుకుంటాం. + +## [అసైన్‌మెంట్: డయోఫాంటైన్ సమీకరణ](Diophantine.ipynb) + +మీ లక్ష్యం **డయోఫాంటైన్ సమీకరణ**ను పరిష్కరించడం - ఇది పూర్తి సంఖ్యల మూలాలు కలిగిన సమీకరణ. ఉదాహరణకు, a+2b+3c+4d=30 అనే సమీకరణను తీసుకోండి. ఈ సమీకరణను సంతృప్తి పరచే పూర్తి సంఖ్యల మూలాలను కనుగొనాలి. + +*ఈ అసైన్‌మెంట్ [ఈ పోస్ట్](https://habr.com/post/128704/) నుండి ప్రేరణ పొందింది.* + +సూచనలు: + +1. మూలాలను [0;30] పరిధిలో పరిగణించవచ్చు +1. జీన్‌గా, మూల విలువల జాబితాను ఉపయోగించండి + +ప్రారంభ బిందువుగా [Diophantine.ipynb](Diophantine.ipynb) ఉపయోగించండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/6-Other/22-DeepRL/README.md b/translations/te/lessons/6-Other/22-DeepRL/README.md index 24a02fb7..4bc23f5f 100644 --- a/translations/te/lessons/6-Other/22-DeepRL/README.md +++ b/translations/te/lessons/6-Other/22-DeepRL/README.md @@ -1,12 +1,3 @@ - # డీప్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ (RL) అనేది పర్యవేక్షిత లెర్నింగ్ మరియు పర్యవేక్షణ లేని లెర్నింగ్ తర్వాత ఒక ప్రాథమిక మెషీన్ లెర్నింగ్ పద్ధతిగా భావించబడుతుంది. పర్యవేక్షిత లెర్నింగ్‌లో మనం ఫలితాలు తెలిసిన డేటాసెట్‌పై ఆధారపడతాము, కానీ RL **చేసి నేర్చుకోవడం** అనే సిద్ధాంతంపై ఆధారపడి ఉంటుంది. ఉదాహరణకు, మనం మొదటిసారి కంప్యూటర్ గేమ్‌ను చూసినప్పుడు, నియమాలు తెలియకపోయినా ఆడటం మొదలుపెడతాము, ఆడుతూ మన ప్రవర్తనను సర్దుబాటు చేసుకుంటూ మన నైపుణ్యాలను మెరుగుపరుస్తాము. diff --git a/translations/te/lessons/6-Other/22-DeepRL/lab/README.md b/translations/te/lessons/6-Other/22-DeepRL/lab/README.md index 7c01d54a..014792c1 100644 --- a/translations/te/lessons/6-Other/22-DeepRL/lab/README.md +++ b/translations/te/lessons/6-Other/22-DeepRL/lab/README.md @@ -1,12 +1,3 @@ - # మౌంటైన్ కార్ నుండి తప్పించుకోవడానికి శిక్షణ [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) నుండి ల్యాబ్ అసైన్‌మెంట్. diff --git a/translations/te/lessons/6-Other/23-MultiagentSystems/README.md b/translations/te/lessons/6-Other/23-MultiagentSystems/README.md index d22ba1bc..3f1fa294 100644 --- a/translations/te/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/te/lessons/6-Other/23-MultiagentSystems/README.md @@ -1,12 +1,3 @@ - # బహుళ-ఏజెంట్ వ్యవస్థలు బుద్ధిమత్తను సాధించడానికి ఒక సాధ్యమైన మార్గం అనేది **ఎమర్జెంట్** (లేదా **సినర్జెటిక్**) దృష్టికోణం, ఇది అనేక సాపేక్షంగా సులభమైన ఏజెంట్ల సమ్మిళిత ప్రవర్తన మొత్తం వ్యవస్థ యొక్క మరింత సంక్లిష్టమైన (లేదా బుద్ధిమంతమైన) ప్రవర్తనకు దారితీస్తుందని ఆధారపడింది. స 이 సిద్ధాంతం [సమూహ బుద్ధిమత్త](https://en.wikipedia.org/wiki/Collective_intelligence), [ఎమర్జెంటిజం](https://en.wikipedia.org/wiki/Global_brain) మరియు [ఎవల్యూషనరీ సైబర్నెటిక్స్](https://en.wikipedia.org/wiki/Global_brain) సూత్రాలపై ఆధారపడి ఉంటుంది, ఇవి తక్కువ స్థాయి వ్యవస్థల నుండి సరైన రీతిలో కలిపినప్పుడు ఉన్నత స్థాయి వ్యవస్థలకు అదనపు విలువ లభిస్తుందని (ఇది *మెటాసిస్టమ్ ట్రాన్సిషన్ సూత్రం* అని పిలవబడుతుంది) చెబుతాయి. diff --git a/translations/te/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/te/lessons/6-Other/23-MultiagentSystems/assignment.md index 41e3e641..872fccf5 100644 --- a/translations/te/lessons/6-Other/23-MultiagentSystems/assignment.md +++ b/translations/te/lessons/6-Other/23-MultiagentSystems/assignment.md @@ -1,21 +1,12 @@ - -# నెట్‌లాగో అసైన్‌మెంట్ - -నెట్‌లాగో లైబ్రరీలోని ఒక మోడల్‌ను తీసుకుని, దాన్ని వాస్తవ జీవిత పరిస్థితిని όσο సన్నిహితంగా అనుకరించడానికి ఉపయోగించండి. మంచి ఉదాహరణగా Alternative Visualizations ఫోల్డర్‌లోని Virus మోడల్‌ను సవరించి, అది COVID-19 వ్యాప్తిని ఎలా మోడల్ చేయగలదో చూపించవచ్చు. మీరు వాస్తవ జీవిత వైరల్ వ్యాప్తిని అనుకరించే మోడల్‌ను నిర్మించగలరా? - -మీ పని చూపించడానికి ఒక కాపీని సేవ్ చేసి, మోడల్ వాస్తవ ప్రపంచ పరిస్థితితో ఎలా సంబంధం ఉందో వివరించే వీడియో డెమోను తయారు చేయండి. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# నెట్‌లాగో అసైన్‌మెంట్ + +నెట్‌లాగో లైబ్రరీలోని ఒక మోడల్‌ను తీసుకుని, దాన్ని వాస్తవ జీవిత పరిస్థితిని όσο సన్నిహితంగా అనుకరించడానికి ఉపయోగించండి. మంచి ఉదాహరణగా Alternative Visualizations ఫోల్డర్‌లోని Virus మోడల్‌ను సవరించి, అది COVID-19 వ్యాప్తిని ఎలా మోడల్ చేయగలదో చూపించవచ్చు. మీరు వాస్తవ జీవిత వైరల్ వ్యాప్తిని అనుకరించే మోడల్‌ను నిర్మించగలరా? + +మీ పని చూపించడానికి ఒక కాపీని సేవ్ చేసి, మోడల్ వాస్తవ ప్రపంచ పరిస్థితితో ఎలా సంబంధం ఉందో వివరించే వీడియో డెమోను తయారు చేయండి. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/7-Ethics/README.md b/translations/te/lessons/7-Ethics/README.md index 3f679a38..b9a3a629 100644 --- a/translations/te/lessons/7-Ethics/README.md +++ b/translations/te/lessons/7-Ethics/README.md @@ -1,56 +1,47 @@ - -# నైతిక మరియు బాధ్యతాయుత AI - -మీరు ఈ కోర్సును దాదాపు పూర్తి చేసుకున్నారు, మరియు ఇప్పటివరకు మీరు స్పష్టంగా అర్థం చేసుకున్నారని ఆశిస్తున్నాను, AI అనేది డేటాలో సంబంధాలను కనుగొనడానికి మరియు మానవ ప్రవర్తన యొక్క కొన్ని అంశాలను అనుకరించడానికి మోడల్స్‌ను శిక్షణ ఇవ్వడానికి అనుమతించే అనేక గణిత పద్ధతులపై ఆధారపడి ఉంటుంది. ఈ చరిత్రలో, AI ను డేటా నుండి నమూనాలను వెలికి తీయడానికి మరియు ఆ నమూనాలను కొత్త సమస్యలను పరిష్కరించడానికి ఉపయోగించే శక్తివంతమైన సాధనంగా పరిగణిస్తాము. - -## [పూర్వ-లెక్చర్ క్విజ్](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5/) - -కానీ, సైన్స్ ఫిక్షన్‌లో మనం తరచుగా AI మానవజాతికి ప్రమాదాన్ని కలిగించే కథలను చూస్తాము. సాధారణంగా ఆ కథలు ఏదో రకమైన AI తిరుగుబాటుపై కేంద్రీకృతమవుతాయి, AI మానవులను ఎదుర్కోవాలని నిర్ణయించుకుంటుంది. ఇది AIకి ఏదో రకమైన భావోద్వేగం లేదా దాని అభివృద్ధికర్తలు ఊహించని నిర్ణయాలు తీసుకునే సామర్థ్యం ఉందని సూచిస్తుంది. - -ఈ కోర్సులో నేర్చుకున్న AI పెద్ద మ్యాట్రిక్స్ గణితమే. ఇది మన సమస్యలను పరిష్కరించడంలో సహాయపడే శక్తివంతమైన సాధనం, మరియు ఏ ఇతర శక్తివంతమైన సాధనంలా - ఇది మంచికీ చెడుకీ ఉపయోగించవచ్చు. ముఖ్యంగా, ఇది *తప్పుగా ఉపయోగించబడవచ్చు*. - -## బాధ్యతాయుత AI సూత్రాలు - -AI యొక్క అనుకోని లేదా ఉద్దేశపూర్వక దుర్వినియోగాన్ని నివారించడానికి, Microsoft ముఖ్యమైన [బాధ్యతాయుత AI సూత్రాలు](https://www.microsoft.com/ai/responsible-ai?WT.mc_id=academic-77998-cacaste)ని ప్రకటించింది. ఈ సూత్రాలకు ఆధారమైన భావనలు: - -* **న్యాయం** అనేది *మోడల్ పక్షపాతాలు* అనే ముఖ్య సమస్యకు సంబంధించినది, ఇది పక్షపాత డేటాను శిక్షణకు ఉపయోగించడం వల్ల కలగవచ్చు. ఉదాహరణకు, ఒక వ్యక్తికి సాఫ్ట్‌వేర్ డెవలపర్ ఉద్యోగం పొందే అవకాశాన్ని అంచనా వేయడానికి ప్రయత్నించినప్పుడు, మోడల్ ఎక్కువగా పురుషులకు ప్రాధాన్యత ఇస్తుంది - ఎందుకంటే శిక్షణ డేటాసెట్ పురుషులపై పక్షపాతంగా ఉండవచ్చు. మేము శిక్షణ డేటాను జాగ్రత్తగా సమతుల్యం చేయాలి మరియు పక్షపాతాలను నివారించడానికి మోడల్‌ను పరిశీలించాలి, మరియు మోడల్ మరింత సంబంధిత లక్షణాలను పరిగణలోకి తీసుకోవాలి. -* **నమ్మకదారితనం మరియు భద్రత**. స్వభావం ప్రకారం, AI మోడల్స్ తప్పులు చేయవచ్చు. ఒక న్యూరల్ నెట్‌వర్క్ సంభావ్యతలను ఇస్తుంది, మరియు నిర్ణయాలు తీసుకునేటప్పుడు దాన్ని పరిగణలోకి తీసుకోవాలి. ప్రతి మోడల్‌కు కొంత సరిగా గుర్తింపు మరియు పునఃస్మరణ ఉంటుంది, మరియు తప్పు సలహా కలిగించే హానిని నివారించడానికి దాన్ని అర్థం చేసుకోవాలి. -* **గోప్యత మరియు భద్రత**కి AI-సంబంధిత కొన్ని ప్రభావాలు ఉంటాయి. ఉదాహరణకు, మేము ఒక మోడల్ శిక్షణకు కొంత డేటాను ఉపయోగించినప్పుడు, ఆ డేటా ఏదో విధంగా మోడల్‌లో "ఇంటిగ్రేట్" అవుతుంది. ఒకవైపు, అది భద్రత మరియు గోప్యతను పెంచుతుంది, మరొకవైపు - మోడల్ ఏ డేటాతో శిక్షణ పొందిందో గుర్తుంచుకోవాలి. -* **సమగ్రత** అంటే మేము AIని మనుషులను మార్చడానికి కాకుండా, వారిని పెంపొందించడానికి మరియు మన పని మరింత సృజనాత్మకంగా చేయడానికి నిర్మిస్తున్నాము. ఇది న్యాయంతో కూడా సంబంధం కలిగి ఉంటుంది, ఎందుకంటే తక్కువ ప్రాతినిధ్యం ఉన్న సమాజాలతో వ్యవహరించేటప్పుడు, మేము సేకరించే డేటాసెట్‌లు ఎక్కువగా పక్షపాతంగా ఉండే అవకాశం ఉంటుంది, మరియు ఆ సమాజాలు AI ద్వారా సరిగ్గా చేర్చబడి, సరైన రీతిలో నిర్వహించబడాలి. -* **పారదర్శకత**. ఇందులో AI ఉపయోగిస్తున్నట్లు ఎప్పుడూ స్పష్టంగా ఉండటం కూడా ఉంటుంది. అలాగే, ఎక్కడైనా సాధ్యమైతే, మేము *అర్థం చేసుకోవదగిన* AI వ్యవస్థలను ఉపయోగించాలనుకుంటాము. -* **బాధ్యత**. AI మోడల్స్ కొన్ని నిర్ణయాలు తీసుకున్నప్పుడు, ఆ నిర్ణయాలకు ఎవరు బాధ్యత వహించారో ఎప్పుడూ స్పష్టంగా ఉండదు. AI నిర్ణయాల బాధ్యత ఎక్కడ ఉందో అర్థం చేసుకోవాలి. చాలా సందర్భాల్లో, ముఖ్యమైన నిర్ణయాలు తీసుకునేటప్పుడు మనుషులను చేర్చడం మంచిది, తద్వారా నిజమైన వ్యక్తులు బాధ్యత వహిస్తారు. - -## బాధ్యతాయుత AI కోసం సాధనాలు - -Microsoft [బాధ్యతాయుత AI టూల్‌బాక్స్](https://github.com/microsoft/responsible-ai-toolbox)ని అభివృద్ధి చేసింది, ఇది కొన్ని సాధనాలను కలిగి ఉంది: - -* అర్థం చేసుకోవడపు డాష్‌బోర్డు (InterpretML) -* న్యాయ డాష్‌బోర్డు (FairLearn) -* లోపాల విశ్లేషణ డాష్‌బోర్డు -* బాధ్యతాయుత AI డాష్‌బోర్డు, ఇందులో - - - EconML - కారణాత్మక విశ్లేషణ కోసం సాధనం, ఇది "ఏమైతే" ప్రశ్నలపై దృష్టి సారిస్తుంది - - DiCE - ప్రత్యామ్నాయ విశ్లేషణ సాధనం, ఇది మోడల్ నిర్ణయాన్ని ప్రభావితం చేయడానికి ఏ లక్షణాలను మార్చాలి అనేది చూపిస్తుంది - -AI నైతికత గురించి మరింత సమాచారం కోసం, దయచేసి [ఈ పాఠం](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/3-fairness?WT.mc_id=academic-77998-cacaste)ని చూడండి, ఇది మెషీన్ లెర్నింగ్ పాఠ్యాంశంలో ఉంది మరియు అసైన్‌మెంట్లను కూడా కలిగి ఉంది. - -## సమీక్ష & స్వీయ అధ్యయనం - -బాధ్యతాయుత AI గురించి మరింత తెలుసుకోవడానికి ఈ [లెర్న్ పాత్](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77998-cacaste)ను తీసుకోండి. - -## [పోస్ట్-లెక్చర్ క్విజ్](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6/) - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# నైతిక మరియు బాధ్యతాయుత AI + +మీరు ఈ కోర్సును దాదాపు పూర్తి చేసుకున్నారు, మరియు ఇప్పటివరకు మీరు స్పష్టంగా అర్థం చేసుకున్నారని ఆశిస్తున్నాను, AI అనేది డేటాలో సంబంధాలను కనుగొనడానికి మరియు మానవ ప్రవర్తన యొక్క కొన్ని అంశాలను అనుకరించడానికి మోడల్స్‌ను శిక్షణ ఇవ్వడానికి అనుమతించే అనేక గణిత పద్ధతులపై ఆధారపడి ఉంటుంది. ఈ చరిత్రలో, AI ను డేటా నుండి నమూనాలను వెలికి తీయడానికి మరియు ఆ నమూనాలను కొత్త సమస్యలను పరిష్కరించడానికి ఉపయోగించే శక్తివంతమైన సాధనంగా పరిగణిస్తాము. + +## [పూర్వ-లెక్చర్ క్విజ్](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5/) + +కానీ, సైన్స్ ఫిక్షన్‌లో మనం తరచుగా AI మానవజాతికి ప్రమాదాన్ని కలిగించే కథలను చూస్తాము. సాధారణంగా ఆ కథలు ఏదో రకమైన AI తిరుగుబాటుపై కేంద్రీకృతమవుతాయి, AI మానవులను ఎదుర్కోవాలని నిర్ణయించుకుంటుంది. ఇది AIకి ఏదో రకమైన భావోద్వేగం లేదా దాని అభివృద్ధికర్తలు ఊహించని నిర్ణయాలు తీసుకునే సామర్థ్యం ఉందని సూచిస్తుంది. + +ఈ కోర్సులో నేర్చుకున్న AI పెద్ద మ్యాట్రిక్స్ గణితమే. ఇది మన సమస్యలను పరిష్కరించడంలో సహాయపడే శక్తివంతమైన సాధనం, మరియు ఏ ఇతర శక్తివంతమైన సాధనంలా - ఇది మంచికీ చెడుకీ ఉపయోగించవచ్చు. ముఖ్యంగా, ఇది *తప్పుగా ఉపయోగించబడవచ్చు*. + +## బాధ్యతాయుత AI సూత్రాలు + +AI యొక్క అనుకోని లేదా ఉద్దేశపూర్వక దుర్వినియోగాన్ని నివారించడానికి, Microsoft ముఖ్యమైన [బాధ్యతాయుత AI సూత్రాలు](https://www.microsoft.com/ai/responsible-ai?WT.mc_id=academic-77998-cacaste)ని ప్రకటించింది. ఈ సూత్రాలకు ఆధారమైన భావనలు: + +* **న్యాయం** అనేది *మోడల్ పక్షపాతాలు* అనే ముఖ్య సమస్యకు సంబంధించినది, ఇది పక్షపాత డేటాను శిక్షణకు ఉపయోగించడం వల్ల కలగవచ్చు. ఉదాహరణకు, ఒక వ్యక్తికి సాఫ్ట్‌వేర్ డెవలపర్ ఉద్యోగం పొందే అవకాశాన్ని అంచనా వేయడానికి ప్రయత్నించినప్పుడు, మోడల్ ఎక్కువగా పురుషులకు ప్రాధాన్యత ఇస్తుంది - ఎందుకంటే శిక్షణ డేటాసెట్ పురుషులపై పక్షపాతంగా ఉండవచ్చు. మేము శిక్షణ డేటాను జాగ్రత్తగా సమతుల్యం చేయాలి మరియు పక్షపాతాలను నివారించడానికి మోడల్‌ను పరిశీలించాలి, మరియు మోడల్ మరింత సంబంధిత లక్షణాలను పరిగణలోకి తీసుకోవాలి. +* **నమ్మకదారితనం మరియు భద్రత**. స్వభావం ప్రకారం, AI మోడల్స్ తప్పులు చేయవచ్చు. ఒక న్యూరల్ నెట్‌వర్క్ సంభావ్యతలను ఇస్తుంది, మరియు నిర్ణయాలు తీసుకునేటప్పుడు దాన్ని పరిగణలోకి తీసుకోవాలి. ప్రతి మోడల్‌కు కొంత సరిగా గుర్తింపు మరియు పునఃస్మరణ ఉంటుంది, మరియు తప్పు సలహా కలిగించే హానిని నివారించడానికి దాన్ని అర్థం చేసుకోవాలి. +* **గోప్యత మరియు భద్రత**కి AI-సంబంధిత కొన్ని ప్రభావాలు ఉంటాయి. ఉదాహరణకు, మేము ఒక మోడల్ శిక్షణకు కొంత డేటాను ఉపయోగించినప్పుడు, ఆ డేటా ఏదో విధంగా మోడల్‌లో "ఇంటిగ్రేట్" అవుతుంది. ఒకవైపు, అది భద్రత మరియు గోప్యతను పెంచుతుంది, మరొకవైపు - మోడల్ ఏ డేటాతో శిక్షణ పొందిందో గుర్తుంచుకోవాలి. +* **సమగ్రత** అంటే మేము AIని మనుషులను మార్చడానికి కాకుండా, వారిని పెంపొందించడానికి మరియు మన పని మరింత సృజనాత్మకంగా చేయడానికి నిర్మిస్తున్నాము. ఇది న్యాయంతో కూడా సంబంధం కలిగి ఉంటుంది, ఎందుకంటే తక్కువ ప్రాతినిధ్యం ఉన్న సమాజాలతో వ్యవహరించేటప్పుడు, మేము సేకరించే డేటాసెట్‌లు ఎక్కువగా పక్షపాతంగా ఉండే అవకాశం ఉంటుంది, మరియు ఆ సమాజాలు AI ద్వారా సరిగ్గా చేర్చబడి, సరైన రీతిలో నిర్వహించబడాలి. +* **పారదర్శకత**. ఇందులో AI ఉపయోగిస్తున్నట్లు ఎప్పుడూ స్పష్టంగా ఉండటం కూడా ఉంటుంది. అలాగే, ఎక్కడైనా సాధ్యమైతే, మేము *అర్థం చేసుకోవదగిన* AI వ్యవస్థలను ఉపయోగించాలనుకుంటాము. +* **బాధ్యత**. AI మోడల్స్ కొన్ని నిర్ణయాలు తీసుకున్నప్పుడు, ఆ నిర్ణయాలకు ఎవరు బాధ్యత వహించారో ఎప్పుడూ స్పష్టంగా ఉండదు. AI నిర్ణయాల బాధ్యత ఎక్కడ ఉందో అర్థం చేసుకోవాలి. చాలా సందర్భాల్లో, ముఖ్యమైన నిర్ణయాలు తీసుకునేటప్పుడు మనుషులను చేర్చడం మంచిది, తద్వారా నిజమైన వ్యక్తులు బాధ్యత వహిస్తారు. + +## బాధ్యతాయుత AI కోసం సాధనాలు + +Microsoft [బాధ్యతాయుత AI టూల్‌బాక్స్](https://github.com/microsoft/responsible-ai-toolbox)ని అభివృద్ధి చేసింది, ఇది కొన్ని సాధనాలను కలిగి ఉంది: + +* అర్థం చేసుకోవడపు డాష్‌బోర్డు (InterpretML) +* న్యాయ డాష్‌బోర్డు (FairLearn) +* లోపాల విశ్లేషణ డాష్‌బోర్డు +* బాధ్యతాయుత AI డాష్‌బోర్డు, ఇందులో + + - EconML - కారణాత్మక విశ్లేషణ కోసం సాధనం, ఇది "ఏమైతే" ప్రశ్నలపై దృష్టి సారిస్తుంది + - DiCE - ప్రత్యామ్నాయ విశ్లేషణ సాధనం, ఇది మోడల్ నిర్ణయాన్ని ప్రభావితం చేయడానికి ఏ లక్షణాలను మార్చాలి అనేది చూపిస్తుంది + +AI నైతికత గురించి మరింత సమాచారం కోసం, దయచేసి [ఈ పాఠం](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/3-fairness?WT.mc_id=academic-77998-cacaste)ని చూడండి, ఇది మెషీన్ లెర్నింగ్ పాఠ్యాంశంలో ఉంది మరియు అసైన్‌మెంట్లను కూడా కలిగి ఉంది. + +## సమీక్ష & స్వీయ అధ్యయనం + +బాధ్యతాయుత AI గురించి మరింత తెలుసుకోవడానికి ఈ [లెర్న్ పాత్](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77998-cacaste)ను తీసుకోండి. + +## [పోస్ట్-లెక్చర్ క్విజ్](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6/) + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/README.md b/translations/te/lessons/README.md index 1be0ba86..7e03380f 100644 --- a/translations/te/lessons/README.md +++ b/translations/te/lessons/README.md @@ -1,12 +1,3 @@ - # అవలోకనం ![డూడుల్‌లో అవలోకనం](../../../translated_images/te/ai-overview.0857791951d19500.webp) diff --git a/translations/te/lessons/X-Extras/X1-MultiModal/README.md b/translations/te/lessons/X-Extras/X1-MultiModal/README.md index 614ca275..2bb7fee3 100644 --- a/translations/te/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/te/lessons/X-Extras/X1-MultiModal/README.md @@ -1,12 +1,3 @@ - # బహుముఖ నెట్‌వర్క్స్ NLP పనులను పరిష్కరించడంలో ట్రాన్స్‌ఫార్మర్ మోడల్స్ విజయవంతమైన తర్వాత, అదే లేదా సమానమైన నిర్మాణాలను కంప్యూటర్ విజన్ పనులకు కూడా వర్తింపజేశారు. విజన్ మరియు సహజ భాషా సామర్థ్యాలను *కలిపే* మోడల్స్ నిర్మించడంలో పెరుగుతున్న ఆసక్తి ఉంది. అలాంటి ప్రయత్నాల్లో ఒకటి OpenAI ద్వారా చేయబడింది, దాన్ని CLIP మరియు DALL.E అని పిలుస్తారు. diff --git a/translations/te/lessons/sketchnotes/LICENSE.md b/translations/te/lessons/sketchnotes/LICENSE.md index a554abf9..ed1b1bc1 100644 --- a/translations/te/lessons/sketchnotes/LICENSE.md +++ b/translations/te/lessons/sketchnotes/LICENSE.md @@ -1,276 +1,267 @@ - -అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ - -======================================================================= - -క్రియేటివ్ కామన్స్ కార్పొరేషన్ ("క్రియేటివ్ కామన్స్") ఒక లా ఫర్మ్ కాదు మరియు -చట్ట సేవలు లేదా చట్ట సలహాలు అందించదు. క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సుల పంపిణీ -ఒక న్యాయవాది-క్లయింట్ లేదా ఇతర సంబంధాన్ని సృష్టించదు. క్రియేటివ్ కామన్స్ తన లైసెన్సులు మరియు సంబంధిత -సమాచారాన్ని "అనుసంధానంగా" అందిస్తుంది. క్రియేటివ్ కామన్స్ తన లైసెన్సుల గురించి, వాటి -నియమాలు మరియు షరతుల కింద లైసెన్స్ పొందిన ఏదైనా పదార్థం లేదా సంబంధిత సమాచారంపై -ఏ వారంటీలు ఇవ్వదు. క్రియేటివ్ కామన్స్ వాటి ఉపయోగం వల్ల కలిగే నష్టాలకు -పూర్తి పరిమితి వరకు బాధ్యతను తిరస్కరిస్తుంది. - -క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సులు ఉపయోగించడం - -క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సులు సృష్టికర్తలు మరియు ఇతర హక్కుదారులు -మూల రచనల మరియు కాపీరైట్ మరియు క్రింది పబ్లిక్ లైసెన్స్‌లో పేర్కొన్న కొన్ని ఇతర హక్కులకు -అధీనమైన ఇతర పదార్థాలను పంచుకునేందుకు ఉపయోగించగల ఒక ప్రమాణిత నిబంధనలు మరియు షరతుల సమాహారం అందిస్తాయి. -క్రింది పరిగణనలు సమాచార ప్రయోజనాల కోసం మాత్రమే, అవి పూర్తిగా కావు మరియు -మా లైసెన్సుల భాగం కావు. - - లైసెన్సర్లు కోసం పరిగణనలు: మా పబ్లిక్ లైసెన్సులు - కాపీరైట్ మరియు కొన్ని ఇతర హక్కుల ద్వారా పరిమితం చేయబడిన - పదార్థాన్ని ప్రజలకు ఉపయోగించడానికి అనుమతి ఇవ్వడానికి అధికారం ఉన్నవారికి - ఉపయోగించడానికి ఉద్దేశించబడ్డాయి. మా లైసెన్సులు తిరస్కరించలేనివి. - లైసెన్సర్లు వారు ఎంచుకున్న లైసెన్సు నిబంధనలు మరియు షరతులను - వర్తింపజేసే ముందు చదవాలి మరియు అర్థం చేసుకోవాలి. - లైసెన్సర్లు ప్రజలు పదార్థాన్ని ఆశించిన విధంగా పునర్వినియోగం చేసేందుకు - అవసరమైన అన్ని హక్కులను పొందాలి. లైసెన్సర్లు లైసెన్సు కింద లేనివి - స్పష్టంగా గుర్తించాలి. ఇందులో ఇతర CC-లైసెన్స్ పొందిన పదార్థం లేదా - కాపీరైట్ మినహాయింపు లేదా పరిమితి కింద ఉపయోగించిన పదార్థం కూడా ఉంటుంది. - లైసెన్సర్లు కోసం మరిన్ని పరిగణనలు: - wiki.creativecommons.org/Considerations_for_licensors - - ప్రజల కోసం పరిగణనలు: మా పబ్లిక్ లైసెన్సులలో ఒకదాన్ని ఉపయోగించడం ద్వారా, - లైసెన్సర్ ప్రజలకు నిర్దిష్ట నిబంధనలు మరియు షరతుల కింద లైసెన్స్ పొందిన పదార్థాన్ని - ఉపయోగించడానికి అనుమతి ఇస్తారు. లైసెన్సర్ అనుమతి అవసరం లేకపోతే—for - ఉదాహరణకు, వర్తించే మినహాయింపు లేదా పరిమితి కారణంగా—ఆ ఉపయోగం లైసెన్సు ద్వారా నియంత్రించబడదు. - మా లైసెన్సులు కేవలం కాపీరైట్ మరియు లైసెన్సర్ అనుమతించగలిగే కొన్ని ఇతర హక్కుల కింద మాత్రమే అనుమతులు ఇస్తాయి. - లైసెన్స్ పొందిన పదార్థం ఉపయోగం ఇతర కారణాల వల్ల పరిమితం కావచ్చు, ఉదాహరణకు ఇతరులకు - ఆ పదార్థంపై కాపీరైట్ లేదా ఇతర హక్కులు ఉన్నప్పుడు. లైసెన్సర్ ప్రత్యేక అభ్యర్థనలు చేయవచ్చు, - ఉదాహరణకు అన్ని మార్పులను గుర్తించమని లేదా వివరించమని అడగవచ్చు. - మా లైసెన్సులు అవసరం చేయకపోయినా, మీరు ఆ అభ్యర్థనలను తగినంత గౌరవించమని ప్రోత్సహించబడతారు. - ప్రజల కోసం మరిన్ని పరిగణనలు: - wiki.creativecommons.org/Considerations_for_licensees - -======================================================================= - -క్రియేటివ్ కామన్స్ అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ పబ్లిక్ లైసెన్స్ - -లైసెన్స్ పొందిన హక్కులను (క్రింద నిర్వచించబడిన) ఉపయోగించడం ద్వారా, మీరు ఈ క్రియేటివ్ కామన్స్ -అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ పబ్లిక్ లైసెన్స్ ("పబ్లిక్ లైసెన్స్") నిబంధనలు మరియు షరతులకు -బాధ్యులవుతారని అంగీకరిస్తారు. ఈ పబ్లిక్ లైసెన్స్ ఒక ఒప్పందంగా భావించబడితే, -ఈ నిబంధనలు మరియు షరతులను మీరు అంగీకరించడం కోసం లైసెన్స్ హక్కులు మీకు -నివ్వబడతాయి, మరియు లైసెన్సర్ ఈ నిబంధనలు మరియు షరతుల కింద లైసెన్స్ పొందిన పదార్థాన్ని అందించడం ద్వారా -లైసెన్సర్ పొందే లాభాల కోసం మీకు హక్కులు ఇస్తారు. - -సెక్షన్ 1 -- నిర్వచనలు. - - a. అనుకూలీకరించిన పదార్థం అంటే కాపీరైట్ మరియు సమాన హక్కులకు లోబడి, - లైసెన్స్ పొందిన పదార్థం నుండి ఉత్పన్నమయ్యే లేదా ఆధారపడే పదార్థం, - ఇందులో లైసెన్స్ పొందిన పదార్థం అనువదించబడింది, మార్చబడింది, - అమర్చబడింది, మార్చబడింది లేదా ఇతర విధంగా కాపీరైట్ మరియు సమాన హక్కుల కింద అనుమతి అవసరమయ్యే - విధంగా సవరించబడింది. ఈ పబ్లిక్ లైసెన్స్ ప్రయోజనాల కోసం, లైసెన్స్ పొందిన పదార్థం - సంగీత కృతి, ప్రదర్శన లేదా శబ్ద రికార్డింగ్ అయితే, అనుకూలీకరించిన పదార్థం ఎప్పుడూ - లైసెన్స్ పొందిన పదార్థం ఒక కదిలే చిత్రంతో సమయ సంబంధంలో సింక్ చేయబడినప్పుడు ఉత్పత్తి అవుతుంది. - - b. అనుకూలీకర్త యొక్క లైసెన్స్ అంటే మీరు ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల ప్రకారం - అనుకూలీకరించిన పదార్థంలో మీ కాపీరైట్ మరియు సమాన హక్కులకు వర్తింపజేసే లైసెన్స్. - - c. BY-SA అనుకూల లైసెన్స్ అంటే creativecommons.org/compatiblelicenses లో జాబితా చేయబడిన, - క్రియేటివ్ కామన్స్ ఈ పబ్లిక్ లైసెన్స్‌కు సమానమైనదిగా ఆమోదించిన లైసెన్స్. - - d. కాపీరైట్ మరియు సమాన హక్కులు అంటే కాపీరైట్ మరియు/లేదా కాపీరైట్‌కు దగ్గరగా సంబంధించిన - హక్కులు, పరిమితి లేకుండా, ప్రదర్శన, ప్రసారం, శబ్ద రికార్డింగ్, మరియు Sui Generis డేటాబేస్ హక్కులు, - హక్కులను ఎలా లేబుల్ చేయబడిందో లేదా వర్గీకరించబడిందో సంబంధం లేకుండా. ఈ పబ్లిక్ లైసెన్స్ - ప్రయోజనాల కోసం, సెక్షన్ 2(b)(1)-(2)లో పేర్కొన్న హక్కులు కాపీరైట్ మరియు సమాన హక్కులు కాదు. - - e. సమర్థవంతమైన సాంకేతిక చర్యలు అంటే సరైన అధికారం లేకుండా - 1996 డిసెంబర్ 20న ఆమోదించబడిన WIPO కాపీరైట్ ఒప్పందం ఆర్టికల్ 11 కింద - మరియు/లేదా సమాన అంతర్జాతీయ ఒప్పందాల కింద అమలు చేసే చట్టాల ప్రకారం - దాటవేయలేని చర్యలు. - - f. మినహాయింపులు మరియు పరిమితులు అంటే న్యాయసమ్మత ఉపయోగం, న్యాయసమ్మత వ్యవహారం, - మరియు/లేదా కాపీరైట్ మరియు సమాన హక్కులకు వర్తించే మీ లైసెన్స్ పొందిన పదార్థం - ఉపయోగానికి వర్తించే ఏ ఇతర మినహాయింపు లేదా పరిమితి. - - g. లైసెన్స్ అంశాలు అంటే క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్ పేరులో పేర్కొన్న లైసెన్స్ లక్షణాలు. - ఈ పబ్లిక్ లైసెన్స్ యొక్క లైసెన్స్ అంశాలు అట్రిబ్యూషన్ మరియు షేర్ అలైక్. - - h. లైసెన్స్ పొందిన పదార్థం అంటే లైసెన్సర్ ఈ పబ్లిక్ లైసెన్స్ వర్తింపజేసిన కళాత్మక లేదా సాహిత్య కృతి, - డేటాబేస్ లేదా ఇతర పదార్థం. - - i. లైసెన్స్ హక్కులు అంటే ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద మీకు ఇచ్చిన హక్కులు, - ఇవి మీ లైసెన్స్ పొందిన పదార్థం ఉపయోగానికి వర్తించే అన్ని కాపీరైట్ మరియు సమాన హక్కులకు పరిమితం - మరియు లైసెన్సర్ వాటిని లైసెన్స్ చేయడానికి అధికారం కలిగి ఉన్నారు. - - j. లైసెన్సర్ అంటే ఈ పబ్లిక్ లైసెన్స్ కింద హక్కులు ఇస్తున్న వ్యక్తి(లు) లేదా సంస్థ(లు). - - k. పంచుకోవడం అంటే లైసెన్స్ హక్కుల కింద అనుమతి అవసరమయ్యే ఏ విధానమో లేదా ప్రక్రియతో - పదార్థాన్ని ప్రజలకు అందించడం, ఉదాహరణకు పునరుత్పత్తి, ప్రజా ప్రదర్శన, ప్రజా ప్రదర్శన, - పంపిణీ, వ్యాప్తి, కమ్యూనికేషన్ లేదా దిగుమతి, మరియు ప్రజలకు పదార్థాన్ని అందించడం, - ప్రజలు తమకు ఇష్టమైన స్థలం మరియు సమయానికి పదార్థాన్ని యాక్సెస్ చేసుకునే విధంగా. - - l. Sui Generis డేటాబేస్ హక్కులు అంటే 1996 మార్చి 11న యూరోపియన్ పార్లమెంట్ మరియు కౌన్సిల్ - డైరెక్టివ్ 96/9/EC ప్రకారం డేటాబేసుల చట్టపరమైన రక్షణపై హక్కులు, - మార్పులు మరియు/లేదా వారసత్వం పొందినవి, అలాగే ప్రపంచంలో ఎక్కడైనా సమానమైన హక్కులు. - - m. మీరు అంటే ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ హక్కులను ఉపయోగిస్తున్న వ్యక్తి లేదా సంస్థ. - మీకు అనుగుణంగా అర్థం. - -సెక్షన్ 2 -- పరిధి. - - a. లైసెన్స్ మంజూరు. - - 1. ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద, - లైసెన్సర్ మీరు లైసెన్స్ పొందిన పదార్థంలో లైసెన్స్ హక్కులను - ప్రపంచవ్యాప్తంగా, రాయితీ రహిత, ఉపలైసెన్స్ ఇవ్వలేని, ప్రత్యేక హక్కుల లేని, - తిరస్కరించలేని లైసెన్స్ ఇస్తారు: - - a. లైసెన్స్ పొందిన పదార్థాన్ని మొత్తం లేదా భాగంగా పునరుత్పత్తి చేయడం మరియు పంచుకోవడం; మరియు - - b. అనుకూలీకరించిన పదార్థాన్ని ఉత్పత్తి చేయడం, పునరుత్పత్తి చేయడం మరియు పంచుకోవడం. - - 2. మినహాయింపులు మరియు పరిమితులు. మీ ఉపయోగానికి మినహాయింపులు మరియు పరిమితులు వర్తిస్తే, - ఈ పబ్లిక్ లైసెన్స్ వర్తించదు మరియు మీరు దీని నిబంధనలు మరియు షరతులను పాటించాల్సిన అవసరం లేదు. - - 3. కాలం. ఈ పబ్లిక్ లైసెన్స్ కాలం సెక్షన్ 6(a)లో పేర్కొనబడింది. - - 4. మీడియా మరియు ఫార్మాట్లు; సాంకేతిక సవరణలు అనుమతించబడతాయి. లైసెన్సర్ మీరు - లైసెన్స్ హక్కులను అన్ని మీడియా మరియు ఫార్మాట్లలో ఉపయోగించడానికి అనుమతిస్తారు, - ఇప్పటి వరకు తెలిసిన లేదా భవిష్యత్తులో సృష్టించబడే వాటిలో, - మరియు దీని కోసం అవసరమైన సాంకేతిక సవరణలు చేయడానికి అనుమతిస్తారు. - లైసెన్సర్ మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి అవసరమైన సాంకేతిక సవరణలు చేయడాన్ని - నిషేధించడానికి లేదా హక్కు లేదా అధికారం వాదించడానికి ఒప్పుకోరు. - ఈ సెక్షన్ 2(a)(4) కింద అనుమతించబడిన సవరణలు చేయడం అనుకూలీకరించిన పదార్థం - ఉత్పత్తి చేయదు. - - 5. దిగువన ఉన్న గ్రహీతలు. - - a. లైసెన్సర్ నుండి ఆఫర్ -- లైసెన్స్ పొందిన పదార్థం. లైసెన్స్ పొందిన పదార్థం ప్రతి గ్రహీత - ఆటోమేటిక్‌గా లైసెన్సర్ నుండి ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద - లైసెన్స్ హక్కులను ఉపయోగించడానికి ఆఫర్ పొందుతారు. - - b. లైసెన్సర్ నుండి అదనపు ఆఫర్ -- అనుకూలీకరించిన పదార్థం. - మీరు పంపిన అనుకూలీకరించిన పదార్థం ప్రతి గ్రహీత - ఆటోమేటిక్‌గా లైసెన్సర్ నుండి అనుకూలీకర్త యొక్క లైసెన్స్ నిబంధనలు కింద - లైసెన్స్ హక్కులను ఉపయోగించడానికి ఆఫర్ పొందుతారు. - - c. దిగువన ఉన్న పరిమితులు లేవు. మీరు లైసెన్స్ పొందిన పదార్థంపై - అదనపు లేదా వేరే నిబంధనలు లేదా షరతులు పెట్టలేరు, - లేదా ఎలాంటి సమర్థవంతమైన సాంకేతిక చర్యలు వర్తింపజేయలేరు, - అవి లైసెన్స్ హక్కులను ఉపయోగించడాన్ని పరిమితం చేస్తే. - - 6. ఎటువంటి మద్దతు లేదు. ఈ పబ్లిక్ లైసెన్స్‌లో ఏదీ మీరు లైసెన్సర్ లేదా - అట్రిబ్యూషన్ పొందే ఇతరులు మద్దతు ఇచ్చారని లేదా అధికారిక స్థితి ఇచ్చారని - సూచించడానికి అనుమతి ఇవ్వదు. - - b. ఇతర హక్కులు. - - 1. నైతిక హక్కులు, ఉదాహరణకు సమగ్రత హక్కు, ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ చేయబడవు, - అలాగే ప్రజాదరణ, గోప్యత మరియు/లేదా ఇతర వ్యక్తిత్వ హక్కులు; అయితే, సాధ్యమైనంతవరకు, - లైసెన్సర్ ఈ హక్కులను వదిలివేస్తారు లేదా మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి - అవసరమైన పరిమితి వరకు వాటిని వాదించకుండా ఒప్పుకుంటారు. - - 2. పేటెంట్ మరియు ట్రేడ్‌మార్క్ హక్కులు ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ చేయబడవు. - - 3. సాధ్యమైనంతవరకు, లైసెన్సర్ మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి - రాయితీలు సేకరించే హక్కును వదిలివేస్తారు, ప్రత్యక్షంగా లేదా - సేకరణ సమాజం ద్వారా ఏ స్వచ్ఛంద లేదా వదిలివేయదగిన చట్టబద్ధ లేదా - బలవంతపు లైసెన్సింగ్ పథకం కింద. ఇతర అన్ని సందర్భాలలో లైసెన్సర్ - స్పష్టంగా ఆ రాయితీలను సేకరించే హక్కును రిజర్వ్ చేసుకుంటారు. - -సెక్షన్ 3 -- లైసెన్స్ షరతులు. - -మీరు లైసెన్స్ హక్కులను ఉపయోగించడం కింద పేర్కొన్న షరతులకు అనుగుణంగా ఉంటుంది. - - a. అట్రిబ్యూషన్. - - 1. మీరు లైసెన్స్ పొందిన పదార్థాన్ని పంచుకుంటే (మార్పు చేసిన రూపంలో కూడా), - మీరు చేయవలసినవి: - - a. లైసెన్సర్ లైసెన్స్ పొందిన పదార్థంతో అందించిన వాటిని నిలుపుకోవాలి: - - i. లైసెన్స్ పొందిన పదార్థం సృష్టికర్త(లు) మరియు అట్రిబ్యూషన్ పొందే ఇతరుల గుర్తింపు, - లైసెన్సర్ కోరిన ఏ విధానంలోనైనా (పseudonym సహా); - - ii. కాపీరైట్ నోటీసు; - - iii. ఈ పబ్లిక్ లైసెన్స్‌కు సూచించే నోటీసు; - - iv. వారంటీల నిరాకరణకు సూచించే నోటీసు; - - v. లైసెన్స్ పొందిన పదార్థానికి URI లేదా హైపర్‌లింక్, సాధ్యమైనంతవరకు; - - b. మీరు లైసెన్స్ పొందిన పదార్థాన్ని మార్చినట్లయితే సూచించాలి మరియు - గత మార్పుల సూచనను నిలుపుకోవాలి; - - c. లైసెన్స్ పొందిన పదార్థం ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ పొందినదని సూచించాలి, - మరియు ఈ పబ్లిక్ లైసెన్స్ యొక్క పాఠ్యం లేదా URI లేదా హైపర్‌లింక్‌ను చేర్చాలి. - - 2. మీరు సెక్షన్ 3(a)(1)లోని షరతులను మీరు లైసెన్స్ పొందిన పదార్థాన్ని పంచే - మీడియం, మార్గం మరియు సందర్భం ఆధారంగా ఏ విధానంలోనైనా తగినంతగా - -హక్కులు, ఆపై మీరు సుయి జనెరిస్ డేటాబేస్ హక్కులు కలిగి ఉన్న డేటాబేస్ (కాని దాని వ్యక్తిగత విషయాలు కాదు) అనేది అనుకూలీకరించిన పదార్థం, - -సెక్షన్ 3(b) ప్రయోజనాల కోసం సహా; మరియు -c. మీరు డేటాబేస్ యొక్క మొత్తం లేదా పెద్ద భాగాన్ని పంచుకుంటే, మీరు సెక్షన్ 3(a) లోని షరతులను పాటించాలి. - -సందేహ నివారణ కోసం, ఈ సెక్షన్ 4 మీకు ఈ పబ్లిక్ లైసెన్స్ కింద ఉన్న హక్కులు ఇతర కాపీరైట్ మరియు సమాన హక్కులను కలిగి ఉన్నప్పుడు మీ బాధ్యతలను భర్తీ చేయదు, కానీ అదనంగా ఉంటుంది. - - -సెక్షన్ 5 -- వారంటీల నిరాకరణ మరియు బాధ్యత పరిమితి. - -a. లైసెన్సర్ వేరు గా ప్రత్యేకంగా తీసుకున్నట్లయితే తప్ప, సాధ్యమైనంతవరకు, లైసెన్సర్ లైసెన్స్ పొందిన పదార్థాన్ని "అలాగే ఉన్నట్లు" మరియు "అందుబాటులో ఉన్నట్లు" అందిస్తుంది, మరియు లైసెన్స్ పొందిన పదార్థం గురించి ఎలాంటి వ్యక్తిగత, సూచిత, చట్టబద్ధ, లేదా ఇతర రకాల వారంటీలను ఇవ్వదు. ఇందులో, పరిమితి లేకుండా, హక్కుల వారంటీలు, మార్కెటబిలిటీ, నిర్దిష్ట ప్రయోజనానికి అనుకూలత, ఉల్లంఘనల లేమి, దాచిన లేదా ఇతర లోపాల లేమి, ఖచ్చితత్వం, లేదా తప్పుల ఉనికి లేదా లేమి, తెలిసిన లేదా కనుగొనగలిగినవో కాదో అన్నది కూడా ఉన్నాయి. వారంటీల నిరాకరణలు పూర్తిగా లేదా భాగంగా అనుమతించబడని చోట్ల, ఈ నిరాకరణ మీకు వర్తించకపోవచ్చు. - -b. సాధ్యమైనంతవరకు, ఎలాంటి చట్టపరమైన సిద్ధాంతం (పరిమితి లేకుండా, నిర్లక్ష్యం సహా) ఆధారంగా లైసెన్సర్ మీకు ప్రత్యక్ష, ప్రత్యేక, పరోక్ష, అనుకోని, ఫలితాత్మక, శిక్షాత్మక, ఉదాహరణాత్మక లేదా ఇతర నష్టాలు, ఖర్చులు, వ్యయాలు లేదా నష్టపరిహారాలకు బాధ్యుడవడు కాదు, ఈ పబ్లిక్ లైసెన్స్ లేదా లైసెన్స్ పొందిన పదార్థం ఉపయోగం కారణంగా, లైసెన్సర్ అలాంటి నష్టాలు, ఖర్చులు, వ్యయాలు లేదా నష్టపరిహారాల అవకాశాన్ని ముందుగానే తెలియజేసినా కూడా. బాధ్యత పరిమితి పూర్తిగా లేదా భాగంగా అనుమతించబడని చోట్ల, ఈ పరిమితి మీకు వర్తించకపోవచ్చు. - -c. పైగా ఇచ్చిన వారంటీల నిరాకరణ మరియు బాధ్యత పరిమితి, సాధ్యమైనంతవరకు, పూర్తిగా నిరాకరణ మరియు అన్ని బాధ్యతల నుండి మినహాయింపు గా అర్థం చేసుకోవాలి. - - -సెక్షన్ 6 -- కాలం మరియు ముగింపు. - -a. ఈ పబ్లిక్ లైసెన్స్ కాపీరైట్ మరియు సమాన హక్కుల కాలం పాటు వర్తిస్తుంది. అయితే, మీరు ఈ పబ్లిక్ లైసెన్స్ ను పాటించకపోతే, ఈ పబ్లిక్ లైసెన్స్ కింద మీ హక్కులు ఆటోమేటిక్ గా ముగుస్తాయి. - -b. సెక్షన్ 6(a) కింద మీ లైసెన్స్ పొందిన పదార్థం ఉపయోగ హక్కు ముగిసినప్పుడు, అది పునరుద్ధరించబడుతుంది: - - 1. మీరు ఉల్లంఘనను కనుగొన్న 30 రోజుల్లో దాన్ని సరిచేస్తే, ఆ తేదీ నుండి ఆటోమేటిక్ గా; లేదా - - 2. లైసెన్సర్ స్పష్టంగా పునరుద్ధరణ చేసినప్పుడు. - -సందేహ నివారణ కోసం, ఈ సెక్షన్ 6(b) మీ ఉల్లంఘనలకు లైసెన్సర్ తీసుకునే పరిష్కార హక్కులను ప్రభావితం చేయదు. - -c. సందేహ నివారణ కోసం, లైసెన్సర్ వేరే షరతులు లేదా నిబంధనల కింద లైసెన్స్ పొందిన పదార్థాన్ని అందించవచ్చు లేదా ఎప్పుడైనా పంపిణీని ఆపవచ్చు; అయితే, అలా చేయడం ఈ పబ్లిక్ లైసెన్స్ ను ముగించదు. - -d. సెక్షన్లు 1, 5, 6, 7, మరియు 8 ఈ పబ్లిక్ లైసెన్స్ ముగిసిన తర్వాత కూడా అమలులో ఉంటాయి. - - -సెక్షన్ 7 -- ఇతర షరతులు మరియు నిబంధనలు. - -a. మీరు స్పష్టంగా అంగీకరించకపోతే, లైసెన్సర్ మీరు తెలియజేసే అదనపు లేదా వేరే షరతులు లేదా నిబంధనలకు బద్ధబాధకుడు కాదు. - -b. లైసెన్స్ పొందిన పదార్థం గురించి ఇక్కడ పేర్కొనని ఏవైనా ఏర్పాట్లు, అర్థం చేసుకోవడాలు లేదా ఒప్పందాలు ఈ పబ్లిక్ లైసెన్స్ యొక్క షరతులు మరియు నిబంధనల నుండి వేరుగా మరియు స్వతంత్రంగా ఉంటాయి. - - -సెక్షన్ 8 -- వివరణ. - -a. సందేహ నివారణ కోసం, ఈ పబ్లిక్ లైసెన్స్ లైసెన్స్ పొందిన పదార్థం ఉపయోగంపై చట్టబద్ధంగా అనుమతించబడిన ఉపయోగాలను తగ్గించదు, పరిమితం చేయదు, ఆంక్షలు విధించదు లేదా షరతులు పెట్టదు. - -b. సాధ్యమైనంతవరకు, ఈ పబ్లిక్ లైసెన్స్ లోని ఏ నిబంధన అమలు చేయలేనిదిగా భావిస్తే, దాన్ని అమలు చేయగలిగే కనిష్ట పరిమితి వరకు ఆటోమేటిక్ గా సవరించబడుతుంది. ఆ నిబంధన సవరించలేనిదైతే, అది ఈ పబ్లిక్ లైసెన్స్ నుండి వేరుచేయబడుతుంది, మిగతా షరతులు మరియు నిబంధనల అమలుపై ప్రభావం లేకుండా. - -c. లైసెన్సర్ స్పష్టంగా అంగీకరించకపోతే, ఈ పబ్లిక్ లైసెన్స్ లోని ఏ షరతు లేదా నిబంధనను మినహాయించరు మరియు పాటించకపోవడాన్ని అనుమతించరు. - -d. ఈ పబ్లిక్ లైసెన్స్ లో ఏమి ఉన్నా, లైసెన్సర్ లేదా మీరు పొందే ఏవైనా ప్రత్యేక హక్కులు మరియు రక్షణలను పరిమితం చేయడం లేదా వదిలివేయడం కాదు, వాటిని అర్థం చేసుకోవడం కాదు, వాటిపై ప్రభావం చూపదు, వాటిని చట్టపరమైన అధికారాల నుండి రక్షణ కల్పించే హక్కులు కూడా ఉన్నాయి. - - -======================================================================= - -క్రియేటివ్ కామన్స్ తన పబ్లిక్ లైసెన్స్‌ల పార్టీ కాదు. అయినప్పటికీ, క్రియేటివ్ కామన్స్ తన ప్రచురించే పదార్థానికి ఒక పబ్లిక్ లైసెన్స్ వర్తింపజేయాలని ఎంచుకోవచ్చు మరియు ఆ సందర్భాల్లో "లైసెన్సర్" గా పరిగణించబడుతుంది. క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్‌ల వచనం CC0 పబ్లిక్ డొమైన్ డెడికేషన్ కింద ప్రజా డొమైన్‌కు అంకితం చేయబడింది. పదార్థం క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్ కింద పంచబడిందని సూచించడానికిగానీ లేదాcreativecommons.org/policies వద్ద ప్రచురించిన క్రియేటివ్ కామన్స్ విధానాల ప్రకారం అనుమతించబడిన విధంగా కాకుండా, క్రియేటివ్ కామన్స్ "Creative Commons" ట్రేడ్‌మార్క్ లేదా ఇతర ట్రేడ్‌మార్క్ లేదా లోగోలను ముందస్తు రాత అనుమతి లేకుండా ఉపయోగించడానికి అనుమతించదు, ఇందులో పరిమితి లేకుండా, దాని పబ్లిక్ లైసెన్స్‌లలో అనధికార మార్పులు చేయడం లేదా లైసెన్స్ పొందిన పదార్థం ఉపయోగంపై ఏ ఇతర ఏర్పాట్లు, అర్థం చేసుకోవడాలు లేదా ఒప్పందాలు కూడా ఉన్నాయి. సందేహ నివారణ కోసం, ఈ పేరాగ్రాఫ్ పబ్లిక్ లైసెన్స్‌ల భాగం కాదు. - -క్రియేటివ్ కామన్స్‌ను creativecommons.org వద్ద సంప్రదించవచ్చు. - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ + +======================================================================= + +క్రియేటివ్ కామన్స్ కార్పొరేషన్ ("క్రియేటివ్ కామన్స్") ఒక లా ఫర్మ్ కాదు మరియు +చట్ట సేవలు లేదా చట్ట సలహాలు అందించదు. క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సుల పంపిణీ +ఒక న్యాయవాది-క్లయింట్ లేదా ఇతర సంబంధాన్ని సృష్టించదు. క్రియేటివ్ కామన్స్ తన లైసెన్సులు మరియు సంబంధిత +సమాచారాన్ని "అనుసంధానంగా" అందిస్తుంది. క్రియేటివ్ కామన్స్ తన లైసెన్సుల గురించి, వాటి +నియమాలు మరియు షరతుల కింద లైసెన్స్ పొందిన ఏదైనా పదార్థం లేదా సంబంధిత సమాచారంపై +ఏ వారంటీలు ఇవ్వదు. క్రియేటివ్ కామన్స్ వాటి ఉపయోగం వల్ల కలిగే నష్టాలకు +పూర్తి పరిమితి వరకు బాధ్యతను తిరస్కరిస్తుంది. + +క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సులు ఉపయోగించడం + +క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్సులు సృష్టికర్తలు మరియు ఇతర హక్కుదారులు +మూల రచనల మరియు కాపీరైట్ మరియు క్రింది పబ్లిక్ లైసెన్స్‌లో పేర్కొన్న కొన్ని ఇతర హక్కులకు +అధీనమైన ఇతర పదార్థాలను పంచుకునేందుకు ఉపయోగించగల ఒక ప్రమాణిత నిబంధనలు మరియు షరతుల సమాహారం అందిస్తాయి. +క్రింది పరిగణనలు సమాచార ప్రయోజనాల కోసం మాత్రమే, అవి పూర్తిగా కావు మరియు +మా లైసెన్సుల భాగం కావు. + + లైసెన్సర్లు కోసం పరిగణనలు: మా పబ్లిక్ లైసెన్సులు + కాపీరైట్ మరియు కొన్ని ఇతర హక్కుల ద్వారా పరిమితం చేయబడిన + పదార్థాన్ని ప్రజలకు ఉపయోగించడానికి అనుమతి ఇవ్వడానికి అధికారం ఉన్నవారికి + ఉపయోగించడానికి ఉద్దేశించబడ్డాయి. మా లైసెన్సులు తిరస్కరించలేనివి. + లైసెన్సర్లు వారు ఎంచుకున్న లైసెన్సు నిబంధనలు మరియు షరతులను + వర్తింపజేసే ముందు చదవాలి మరియు అర్థం చేసుకోవాలి. + లైసెన్సర్లు ప్రజలు పదార్థాన్ని ఆశించిన విధంగా పునర్వినియోగం చేసేందుకు + అవసరమైన అన్ని హక్కులను పొందాలి. లైసెన్సర్లు లైసెన్సు కింద లేనివి + స్పష్టంగా గుర్తించాలి. ఇందులో ఇతర CC-లైసెన్స్ పొందిన పదార్థం లేదా + కాపీరైట్ మినహాయింపు లేదా పరిమితి కింద ఉపయోగించిన పదార్థం కూడా ఉంటుంది. + లైసెన్సర్లు కోసం మరిన్ని పరిగణనలు: + wiki.creativecommons.org/Considerations_for_licensors + + ప్రజల కోసం పరిగణనలు: మా పబ్లిక్ లైసెన్సులలో ఒకదాన్ని ఉపయోగించడం ద్వారా, + లైసెన్సర్ ప్రజలకు నిర్దిష్ట నిబంధనలు మరియు షరతుల కింద లైసెన్స్ పొందిన పదార్థాన్ని + ఉపయోగించడానికి అనుమతి ఇస్తారు. లైసెన్సర్ అనుమతి అవసరం లేకపోతే—for + ఉదాహరణకు, వర్తించే మినహాయింపు లేదా పరిమితి కారణంగా—ఆ ఉపయోగం లైసెన్సు ద్వారా నియంత్రించబడదు. + మా లైసెన్సులు కేవలం కాపీరైట్ మరియు లైసెన్సర్ అనుమతించగలిగే కొన్ని ఇతర హక్కుల కింద మాత్రమే అనుమతులు ఇస్తాయి. + లైసెన్స్ పొందిన పదార్థం ఉపయోగం ఇతర కారణాల వల్ల పరిమితం కావచ్చు, ఉదాహరణకు ఇతరులకు + ఆ పదార్థంపై కాపీరైట్ లేదా ఇతర హక్కులు ఉన్నప్పుడు. లైసెన్సర్ ప్రత్యేక అభ్యర్థనలు చేయవచ్చు, + ఉదాహరణకు అన్ని మార్పులను గుర్తించమని లేదా వివరించమని అడగవచ్చు. + మా లైసెన్సులు అవసరం చేయకపోయినా, మీరు ఆ అభ్యర్థనలను తగినంత గౌరవించమని ప్రోత్సహించబడతారు. + ప్రజల కోసం మరిన్ని పరిగణనలు: + wiki.creativecommons.org/Considerations_for_licensees + +======================================================================= + +క్రియేటివ్ కామన్స్ అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ పబ్లిక్ లైసెన్స్ + +లైసెన్స్ పొందిన హక్కులను (క్రింద నిర్వచించబడిన) ఉపయోగించడం ద్వారా, మీరు ఈ క్రియేటివ్ కామన్స్ +అట్రిబ్యూషన్-షేర్ అలైక్ 4.0 ఇంటర్నేషనల్ పబ్లిక్ లైసెన్స్ ("పబ్లిక్ లైసెన్స్") నిబంధనలు మరియు షరతులకు +బాధ్యులవుతారని అంగీకరిస్తారు. ఈ పబ్లిక్ లైసెన్స్ ఒక ఒప్పందంగా భావించబడితే, +ఈ నిబంధనలు మరియు షరతులను మీరు అంగీకరించడం కోసం లైసెన్స్ హక్కులు మీకు +నివ్వబడతాయి, మరియు లైసెన్సర్ ఈ నిబంధనలు మరియు షరతుల కింద లైసెన్స్ పొందిన పదార్థాన్ని అందించడం ద్వారా +లైసెన్సర్ పొందే లాభాల కోసం మీకు హక్కులు ఇస్తారు. + +సెక్షన్ 1 -- నిర్వచనలు. + + a. అనుకూలీకరించిన పదార్థం అంటే కాపీరైట్ మరియు సమాన హక్కులకు లోబడి, + లైసెన్స్ పొందిన పదార్థం నుండి ఉత్పన్నమయ్యే లేదా ఆధారపడే పదార్థం, + ఇందులో లైసెన్స్ పొందిన పదార్థం అనువదించబడింది, మార్చబడింది, + అమర్చబడింది, మార్చబడింది లేదా ఇతర విధంగా కాపీరైట్ మరియు సమాన హక్కుల కింద అనుమతి అవసరమయ్యే + విధంగా సవరించబడింది. ఈ పబ్లిక్ లైసెన్స్ ప్రయోజనాల కోసం, లైసెన్స్ పొందిన పదార్థం + సంగీత కృతి, ప్రదర్శన లేదా శబ్ద రికార్డింగ్ అయితే, అనుకూలీకరించిన పదార్థం ఎప్పుడూ + లైసెన్స్ పొందిన పదార్థం ఒక కదిలే చిత్రంతో సమయ సంబంధంలో సింక్ చేయబడినప్పుడు ఉత్పత్తి అవుతుంది. + + b. అనుకూలీకర్త యొక్క లైసెన్స్ అంటే మీరు ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల ప్రకారం + అనుకూలీకరించిన పదార్థంలో మీ కాపీరైట్ మరియు సమాన హక్కులకు వర్తింపజేసే లైసెన్స్. + + c. BY-SA అనుకూల లైసెన్స్ అంటే creativecommons.org/compatiblelicenses లో జాబితా చేయబడిన, + క్రియేటివ్ కామన్స్ ఈ పబ్లిక్ లైసెన్స్‌కు సమానమైనదిగా ఆమోదించిన లైసెన్స్. + + d. కాపీరైట్ మరియు సమాన హక్కులు అంటే కాపీరైట్ మరియు/లేదా కాపీరైట్‌కు దగ్గరగా సంబంధించిన + హక్కులు, పరిమితి లేకుండా, ప్రదర్శన, ప్రసారం, శబ్ద రికార్డింగ్, మరియు Sui Generis డేటాబేస్ హక్కులు, + హక్కులను ఎలా లేబుల్ చేయబడిందో లేదా వర్గీకరించబడిందో సంబంధం లేకుండా. ఈ పబ్లిక్ లైసెన్స్ + ప్రయోజనాల కోసం, సెక్షన్ 2(b)(1)-(2)లో పేర్కొన్న హక్కులు కాపీరైట్ మరియు సమాన హక్కులు కాదు. + + e. సమర్థవంతమైన సాంకేతిక చర్యలు అంటే సరైన అధికారం లేకుండా + 1996 డిసెంబర్ 20న ఆమోదించబడిన WIPO కాపీరైట్ ఒప్పందం ఆర్టికల్ 11 కింద + మరియు/లేదా సమాన అంతర్జాతీయ ఒప్పందాల కింద అమలు చేసే చట్టాల ప్రకారం + దాటవేయలేని చర్యలు. + + f. మినహాయింపులు మరియు పరిమితులు అంటే న్యాయసమ్మత ఉపయోగం, న్యాయసమ్మత వ్యవహారం, + మరియు/లేదా కాపీరైట్ మరియు సమాన హక్కులకు వర్తించే మీ లైసెన్స్ పొందిన పదార్థం + ఉపయోగానికి వర్తించే ఏ ఇతర మినహాయింపు లేదా పరిమితి. + + g. లైసెన్స్ అంశాలు అంటే క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్ పేరులో పేర్కొన్న లైసెన్స్ లక్షణాలు. + ఈ పబ్లిక్ లైసెన్స్ యొక్క లైసెన్స్ అంశాలు అట్రిబ్యూషన్ మరియు షేర్ అలైక్. + + h. లైసెన్స్ పొందిన పదార్థం అంటే లైసెన్సర్ ఈ పబ్లిక్ లైసెన్స్ వర్తింపజేసిన కళాత్మక లేదా సాహిత్య కృతి, + డేటాబేస్ లేదా ఇతర పదార్థం. + + i. లైసెన్స్ హక్కులు అంటే ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద మీకు ఇచ్చిన హక్కులు, + ఇవి మీ లైసెన్స్ పొందిన పదార్థం ఉపయోగానికి వర్తించే అన్ని కాపీరైట్ మరియు సమాన హక్కులకు పరిమితం + మరియు లైసెన్సర్ వాటిని లైసెన్స్ చేయడానికి అధికారం కలిగి ఉన్నారు. + + j. లైసెన్సర్ అంటే ఈ పబ్లిక్ లైసెన్స్ కింద హక్కులు ఇస్తున్న వ్యక్తి(లు) లేదా సంస్థ(లు). + + k. పంచుకోవడం అంటే లైసెన్స్ హక్కుల కింద అనుమతి అవసరమయ్యే ఏ విధానమో లేదా ప్రక్రియతో + పదార్థాన్ని ప్రజలకు అందించడం, ఉదాహరణకు పునరుత్పత్తి, ప్రజా ప్రదర్శన, ప్రజా ప్రదర్శన, + పంపిణీ, వ్యాప్తి, కమ్యూనికేషన్ లేదా దిగుమతి, మరియు ప్రజలకు పదార్థాన్ని అందించడం, + ప్రజలు తమకు ఇష్టమైన స్థలం మరియు సమయానికి పదార్థాన్ని యాక్సెస్ చేసుకునే విధంగా. + + l. Sui Generis డేటాబేస్ హక్కులు అంటే 1996 మార్చి 11న యూరోపియన్ పార్లమెంట్ మరియు కౌన్సిల్ + డైరెక్టివ్ 96/9/EC ప్రకారం డేటాబేసుల చట్టపరమైన రక్షణపై హక్కులు, + మార్పులు మరియు/లేదా వారసత్వం పొందినవి, అలాగే ప్రపంచంలో ఎక్కడైనా సమానమైన హక్కులు. + + m. మీరు అంటే ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ హక్కులను ఉపయోగిస్తున్న వ్యక్తి లేదా సంస్థ. + మీకు అనుగుణంగా అర్థం. + +సెక్షన్ 2 -- పరిధి. + + a. లైసెన్స్ మంజూరు. + + 1. ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద, + లైసెన్సర్ మీరు లైసెన్స్ పొందిన పదార్థంలో లైసెన్స్ హక్కులను + ప్రపంచవ్యాప్తంగా, రాయితీ రహిత, ఉపలైసెన్స్ ఇవ్వలేని, ప్రత్యేక హక్కుల లేని, + తిరస్కరించలేని లైసెన్స్ ఇస్తారు: + + a. లైసెన్స్ పొందిన పదార్థాన్ని మొత్తం లేదా భాగంగా పునరుత్పత్తి చేయడం మరియు పంచుకోవడం; మరియు + + b. అనుకూలీకరించిన పదార్థాన్ని ఉత్పత్తి చేయడం, పునరుత్పత్తి చేయడం మరియు పంచుకోవడం. + + 2. మినహాయింపులు మరియు పరిమితులు. మీ ఉపయోగానికి మినహాయింపులు మరియు పరిమితులు వర్తిస్తే, + ఈ పబ్లిక్ లైసెన్స్ వర్తించదు మరియు మీరు దీని నిబంధనలు మరియు షరతులను పాటించాల్సిన అవసరం లేదు. + + 3. కాలం. ఈ పబ్లిక్ లైసెన్స్ కాలం సెక్షన్ 6(a)లో పేర్కొనబడింది. + + 4. మీడియా మరియు ఫార్మాట్లు; సాంకేతిక సవరణలు అనుమతించబడతాయి. లైసెన్సర్ మీరు + లైసెన్స్ హక్కులను అన్ని మీడియా మరియు ఫార్మాట్లలో ఉపయోగించడానికి అనుమతిస్తారు, + ఇప్పటి వరకు తెలిసిన లేదా భవిష్యత్తులో సృష్టించబడే వాటిలో, + మరియు దీని కోసం అవసరమైన సాంకేతిక సవరణలు చేయడానికి అనుమతిస్తారు. + లైసెన్సర్ మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి అవసరమైన సాంకేతిక సవరణలు చేయడాన్ని + నిషేధించడానికి లేదా హక్కు లేదా అధికారం వాదించడానికి ఒప్పుకోరు. + ఈ సెక్షన్ 2(a)(4) కింద అనుమతించబడిన సవరణలు చేయడం అనుకూలీకరించిన పదార్థం + ఉత్పత్తి చేయదు. + + 5. దిగువన ఉన్న గ్రహీతలు. + + a. లైసెన్సర్ నుండి ఆఫర్ -- లైసెన్స్ పొందిన పదార్థం. లైసెన్స్ పొందిన పదార్థం ప్రతి గ్రహీత + ఆటోమేటిక్‌గా లైసెన్సర్ నుండి ఈ పబ్లిక్ లైసెన్స్ నిబంధనలు మరియు షరతుల కింద + లైసెన్స్ హక్కులను ఉపయోగించడానికి ఆఫర్ పొందుతారు. + + b. లైసెన్సర్ నుండి అదనపు ఆఫర్ -- అనుకూలీకరించిన పదార్థం. + మీరు పంపిన అనుకూలీకరించిన పదార్థం ప్రతి గ్రహీత + ఆటోమేటిక్‌గా లైసెన్సర్ నుండి అనుకూలీకర్త యొక్క లైసెన్స్ నిబంధనలు కింద + లైసెన్స్ హక్కులను ఉపయోగించడానికి ఆఫర్ పొందుతారు. + + c. దిగువన ఉన్న పరిమితులు లేవు. మీరు లైసెన్స్ పొందిన పదార్థంపై + అదనపు లేదా వేరే నిబంధనలు లేదా షరతులు పెట్టలేరు, + లేదా ఎలాంటి సమర్థవంతమైన సాంకేతిక చర్యలు వర్తింపజేయలేరు, + అవి లైసెన్స్ హక్కులను ఉపయోగించడాన్ని పరిమితం చేస్తే. + + 6. ఎటువంటి మద్దతు లేదు. ఈ పబ్లిక్ లైసెన్స్‌లో ఏదీ మీరు లైసెన్సర్ లేదా + అట్రిబ్యూషన్ పొందే ఇతరులు మద్దతు ఇచ్చారని లేదా అధికారిక స్థితి ఇచ్చారని + సూచించడానికి అనుమతి ఇవ్వదు. + + b. ఇతర హక్కులు. + + 1. నైతిక హక్కులు, ఉదాహరణకు సమగ్రత హక్కు, ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ చేయబడవు, + అలాగే ప్రజాదరణ, గోప్యత మరియు/లేదా ఇతర వ్యక్తిత్వ హక్కులు; అయితే, సాధ్యమైనంతవరకు, + లైసెన్సర్ ఈ హక్కులను వదిలివేస్తారు లేదా మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి + అవసరమైన పరిమితి వరకు వాటిని వాదించకుండా ఒప్పుకుంటారు. + + 2. పేటెంట్ మరియు ట్రేడ్‌మార్క్ హక్కులు ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ చేయబడవు. + + 3. సాధ్యమైనంతవరకు, లైసెన్సర్ మీరు లైసెన్స్ హక్కులను ఉపయోగించడానికి + రాయితీలు సేకరించే హక్కును వదిలివేస్తారు, ప్రత్యక్షంగా లేదా + సేకరణ సమాజం ద్వారా ఏ స్వచ్ఛంద లేదా వదిలివేయదగిన చట్టబద్ధ లేదా + బలవంతపు లైసెన్సింగ్ పథకం కింద. ఇతర అన్ని సందర్భాలలో లైసెన్సర్ + స్పష్టంగా ఆ రాయితీలను సేకరించే హక్కును రిజర్వ్ చేసుకుంటారు. + +సెక్షన్ 3 -- లైసెన్స్ షరతులు. + +మీరు లైసెన్స్ హక్కులను ఉపయోగించడం కింద పేర్కొన్న షరతులకు అనుగుణంగా ఉంటుంది. + + a. అట్రిబ్యూషన్. + + 1. మీరు లైసెన్స్ పొందిన పదార్థాన్ని పంచుకుంటే (మార్పు చేసిన రూపంలో కూడా), + మీరు చేయవలసినవి: + + a. లైసెన్సర్ లైసెన్స్ పొందిన పదార్థంతో అందించిన వాటిని నిలుపుకోవాలి: + + i. లైసెన్స్ పొందిన పదార్థం సృష్టికర్త(లు) మరియు అట్రిబ్యూషన్ పొందే ఇతరుల గుర్తింపు, + లైసెన్సర్ కోరిన ఏ విధానంలోనైనా (పseudonym సహా); + + ii. కాపీరైట్ నోటీసు; + + iii. ఈ పబ్లిక్ లైసెన్స్‌కు సూచించే నోటీసు; + + iv. వారంటీల నిరాకరణకు సూచించే నోటీసు; + + v. లైసెన్స్ పొందిన పదార్థానికి URI లేదా హైపర్‌లింక్, సాధ్యమైనంతవరకు; + + b. మీరు లైసెన్స్ పొందిన పదార్థాన్ని మార్చినట్లయితే సూచించాలి మరియు + గత మార్పుల సూచనను నిలుపుకోవాలి; + + c. లైసెన్స్ పొందిన పదార్థం ఈ పబ్లిక్ లైసెన్స్ కింద లైసెన్స్ పొందినదని సూచించాలి, + మరియు ఈ పబ్లిక్ లైసెన్స్ యొక్క పాఠ్యం లేదా URI లేదా హైపర్‌లింక్‌ను చేర్చాలి. + + 2. మీరు సెక్షన్ 3(a)(1)లోని షరతులను మీరు లైసెన్స్ పొందిన పదార్థాన్ని పంచే + మీడియం, మార్గం మరియు సందర్భం ఆధారంగా ఏ విధానంలోనైనా తగినంతగా + +హక్కులు, ఆపై మీరు సుయి జనెరిస్ డేటాబేస్ హక్కులు కలిగి ఉన్న డేటాబేస్ (కాని దాని వ్యక్తిగత విషయాలు కాదు) అనేది అనుకూలీకరించిన పదార్థం, + +సెక్షన్ 3(b) ప్రయోజనాల కోసం సహా; మరియు +c. మీరు డేటాబేస్ యొక్క మొత్తం లేదా పెద్ద భాగాన్ని పంచుకుంటే, మీరు సెక్షన్ 3(a) లోని షరతులను పాటించాలి. + +సందేహ నివారణ కోసం, ఈ సెక్షన్ 4 మీకు ఈ పబ్లిక్ లైసెన్స్ కింద ఉన్న హక్కులు ఇతర కాపీరైట్ మరియు సమాన హక్కులను కలిగి ఉన్నప్పుడు మీ బాధ్యతలను భర్తీ చేయదు, కానీ అదనంగా ఉంటుంది. + + +సెక్షన్ 5 -- వారంటీల నిరాకరణ మరియు బాధ్యత పరిమితి. + +a. లైసెన్సర్ వేరు గా ప్రత్యేకంగా తీసుకున్నట్లయితే తప్ప, సాధ్యమైనంతవరకు, లైసెన్సర్ లైసెన్స్ పొందిన పదార్థాన్ని "అలాగే ఉన్నట్లు" మరియు "అందుబాటులో ఉన్నట్లు" అందిస్తుంది, మరియు లైసెన్స్ పొందిన పదార్థం గురించి ఎలాంటి వ్యక్తిగత, సూచిత, చట్టబద్ధ, లేదా ఇతర రకాల వారంటీలను ఇవ్వదు. ఇందులో, పరిమితి లేకుండా, హక్కుల వారంటీలు, మార్కెటబిలిటీ, నిర్దిష్ట ప్రయోజనానికి అనుకూలత, ఉల్లంఘనల లేమి, దాచిన లేదా ఇతర లోపాల లేమి, ఖచ్చితత్వం, లేదా తప్పుల ఉనికి లేదా లేమి, తెలిసిన లేదా కనుగొనగలిగినవో కాదో అన్నది కూడా ఉన్నాయి. వారంటీల నిరాకరణలు పూర్తిగా లేదా భాగంగా అనుమతించబడని చోట్ల, ఈ నిరాకరణ మీకు వర్తించకపోవచ్చు. + +b. సాధ్యమైనంతవరకు, ఎలాంటి చట్టపరమైన సిద్ధాంతం (పరిమితి లేకుండా, నిర్లక్ష్యం సహా) ఆధారంగా లైసెన్సర్ మీకు ప్రత్యక్ష, ప్రత్యేక, పరోక్ష, అనుకోని, ఫలితాత్మక, శిక్షాత్మక, ఉదాహరణాత్మక లేదా ఇతర నష్టాలు, ఖర్చులు, వ్యయాలు లేదా నష్టపరిహారాలకు బాధ్యుడవడు కాదు, ఈ పబ్లిక్ లైసెన్స్ లేదా లైసెన్స్ పొందిన పదార్థం ఉపయోగం కారణంగా, లైసెన్సర్ అలాంటి నష్టాలు, ఖర్చులు, వ్యయాలు లేదా నష్టపరిహారాల అవకాశాన్ని ముందుగానే తెలియజేసినా కూడా. బాధ్యత పరిమితి పూర్తిగా లేదా భాగంగా అనుమతించబడని చోట్ల, ఈ పరిమితి మీకు వర్తించకపోవచ్చు. + +c. పైగా ఇచ్చిన వారంటీల నిరాకరణ మరియు బాధ్యత పరిమితి, సాధ్యమైనంతవరకు, పూర్తిగా నిరాకరణ మరియు అన్ని బాధ్యతల నుండి మినహాయింపు గా అర్థం చేసుకోవాలి. + + +సెక్షన్ 6 -- కాలం మరియు ముగింపు. + +a. ఈ పబ్లిక్ లైసెన్స్ కాపీరైట్ మరియు సమాన హక్కుల కాలం పాటు వర్తిస్తుంది. అయితే, మీరు ఈ పబ్లిక్ లైసెన్స్ ను పాటించకపోతే, ఈ పబ్లిక్ లైసెన్స్ కింద మీ హక్కులు ఆటోమేటిక్ గా ముగుస్తాయి. + +b. సెక్షన్ 6(a) కింద మీ లైసెన్స్ పొందిన పదార్థం ఉపయోగ హక్కు ముగిసినప్పుడు, అది పునరుద్ధరించబడుతుంది: + + 1. మీరు ఉల్లంఘనను కనుగొన్న 30 రోజుల్లో దాన్ని సరిచేస్తే, ఆ తేదీ నుండి ఆటోమేటిక్ గా; లేదా + + 2. లైసెన్సర్ స్పష్టంగా పునరుద్ధరణ చేసినప్పుడు. + +సందేహ నివారణ కోసం, ఈ సెక్షన్ 6(b) మీ ఉల్లంఘనలకు లైసెన్సర్ తీసుకునే పరిష్కార హక్కులను ప్రభావితం చేయదు. + +c. సందేహ నివారణ కోసం, లైసెన్సర్ వేరే షరతులు లేదా నిబంధనల కింద లైసెన్స్ పొందిన పదార్థాన్ని అందించవచ్చు లేదా ఎప్పుడైనా పంపిణీని ఆపవచ్చు; అయితే, అలా చేయడం ఈ పబ్లిక్ లైసెన్స్ ను ముగించదు. + +d. సెక్షన్లు 1, 5, 6, 7, మరియు 8 ఈ పబ్లిక్ లైసెన్స్ ముగిసిన తర్వాత కూడా అమలులో ఉంటాయి. + + +సెక్షన్ 7 -- ఇతర షరతులు మరియు నిబంధనలు. + +a. మీరు స్పష్టంగా అంగీకరించకపోతే, లైసెన్సర్ మీరు తెలియజేసే అదనపు లేదా వేరే షరతులు లేదా నిబంధనలకు బద్ధబాధకుడు కాదు. + +b. లైసెన్స్ పొందిన పదార్థం గురించి ఇక్కడ పేర్కొనని ఏవైనా ఏర్పాట్లు, అర్థం చేసుకోవడాలు లేదా ఒప్పందాలు ఈ పబ్లిక్ లైసెన్స్ యొక్క షరతులు మరియు నిబంధనల నుండి వేరుగా మరియు స్వతంత్రంగా ఉంటాయి. + + +సెక్షన్ 8 -- వివరణ. + +a. సందేహ నివారణ కోసం, ఈ పబ్లిక్ లైసెన్స్ లైసెన్స్ పొందిన పదార్థం ఉపయోగంపై చట్టబద్ధంగా అనుమతించబడిన ఉపయోగాలను తగ్గించదు, పరిమితం చేయదు, ఆంక్షలు విధించదు లేదా షరతులు పెట్టదు. + +b. సాధ్యమైనంతవరకు, ఈ పబ్లిక్ లైసెన్స్ లోని ఏ నిబంధన అమలు చేయలేనిదిగా భావిస్తే, దాన్ని అమలు చేయగలిగే కనిష్ట పరిమితి వరకు ఆటోమేటిక్ గా సవరించబడుతుంది. ఆ నిబంధన సవరించలేనిదైతే, అది ఈ పబ్లిక్ లైసెన్స్ నుండి వేరుచేయబడుతుంది, మిగతా షరతులు మరియు నిబంధనల అమలుపై ప్రభావం లేకుండా. + +c. లైసెన్సర్ స్పష్టంగా అంగీకరించకపోతే, ఈ పబ్లిక్ లైసెన్స్ లోని ఏ షరతు లేదా నిబంధనను మినహాయించరు మరియు పాటించకపోవడాన్ని అనుమతించరు. + +d. ఈ పబ్లిక్ లైసెన్స్ లో ఏమి ఉన్నా, లైసెన్సర్ లేదా మీరు పొందే ఏవైనా ప్రత్యేక హక్కులు మరియు రక్షణలను పరిమితం చేయడం లేదా వదిలివేయడం కాదు, వాటిని అర్థం చేసుకోవడం కాదు, వాటిపై ప్రభావం చూపదు, వాటిని చట్టపరమైన అధికారాల నుండి రక్షణ కల్పించే హక్కులు కూడా ఉన్నాయి. + + +======================================================================= + +క్రియేటివ్ కామన్స్ తన పబ్లిక్ లైసెన్స్‌ల పార్టీ కాదు. అయినప్పటికీ, క్రియేటివ్ కామన్స్ తన ప్రచురించే పదార్థానికి ఒక పబ్లిక్ లైసెన్స్ వర్తింపజేయాలని ఎంచుకోవచ్చు మరియు ఆ సందర్భాల్లో "లైసెన్సర్" గా పరిగణించబడుతుంది. క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్‌ల వచనం CC0 పబ్లిక్ డొమైన్ డెడికేషన్ కింద ప్రజా డొమైన్‌కు అంకితం చేయబడింది. పదార్థం క్రియేటివ్ కామన్స్ పబ్లిక్ లైసెన్స్ కింద పంచబడిందని సూచించడానికిగానీ లేదాcreativecommons.org/policies వద్ద ప్రచురించిన క్రియేటివ్ కామన్స్ విధానాల ప్రకారం అనుమతించబడిన విధంగా కాకుండా, క్రియేటివ్ కామన్స్ "Creative Commons" ట్రేడ్‌మార్క్ లేదా ఇతర ట్రేడ్‌మార్క్ లేదా లోగోలను ముందస్తు రాత అనుమతి లేకుండా ఉపయోగించడానికి అనుమతించదు, ఇందులో పరిమితి లేకుండా, దాని పబ్లిక్ లైసెన్స్‌లలో అనధికార మార్పులు చేయడం లేదా లైసెన్స్ పొందిన పదార్థం ఉపయోగంపై ఏ ఇతర ఏర్పాట్లు, అర్థం చేసుకోవడాలు లేదా ఒప్పందాలు కూడా ఉన్నాయి. సందేహ నివారణ కోసం, ఈ పేరాగ్రాఫ్ పబ్లిక్ లైసెన్స్‌ల భాగం కాదు. + +క్రియేటివ్ కామన్స్‌ను creativecommons.org వద్ద సంప్రదించవచ్చు. + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/lessons/sketchnotes/README.md b/translations/te/lessons/sketchnotes/README.md index 461f90ee..0b52e928 100644 --- a/translations/te/lessons/sketchnotes/README.md +++ b/translations/te/lessons/sketchnotes/README.md @@ -1,21 +1,12 @@ - -అన్ని పాఠ్యాంశాల స్కెచ్‌నోట్లు ఇక్కడ డౌన్లోడ్ చేసుకోవచ్చు. - -🎨 సృష్టికర్త: టోమోమీ ఇమురా (ట్విట్టర్: [@girlie_mac](https://twitter.com/girlie_mac), గిట్‌హబ్: [girliemac](https://github.com/girliemac)) - -[![CC BY-SA 4.0](https://img.shields.io/badge/License-CC%20BY--SA%204.0-lightgrey.svg)](https://creativecommons.org/licenses/by-sa/4.0/) - ---- - - -**అస్పష్టత**: -ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు డాక్యుమెంట్ దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +అన్ని పాఠ్యాంశాల స్కెచ్‌నోట్లు ఇక్కడ డౌన్లోడ్ చేసుకోవచ్చు. + +🎨 సృష్టికర్త: టోమోమీ ఇమురా (ట్విట్టర్: [@girlie_mac](https://twitter.com/girlie_mac), గిట్‌హబ్: [girliemac](https://github.com/girliemac)) + +[![CC BY-SA 4.0](https://img.shields.io/badge/License-CC%20BY--SA%204.0-lightgrey.svg)](https://creativecommons.org/licenses/by-sa/4.0/) + +--- + + +**అస్పష్టత**: +ఈ డాక్యుమెంట్‌ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు డాక్యుమెంట్ దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file diff --git a/translations/te/troubleshoot.md b/translations/te/troubleshoot.md index f2cf388e..9165df95 100644 --- a/translations/te/troubleshoot.md +++ b/translations/te/troubleshoot.md @@ -1,289 +1,280 @@ - -# AI-For-Beginners సమస్య పరిష్కార మార్గదర్శకం - -ఈ మార్గదర్శకం [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) రిపాజిటరీ ఉపయోగించేటప్పుడు లేదా దానిలో సహకరించేటప్పుడు ఎదురయ్యే సాధారణ సమస్యలను పరిష్కరించడంలో మీకు సహాయం చేస్తుంది. ప్రతి సమస్యకు నేపథ్యం, లక్షణాలు, వివరణలు మరియు దశల వారీ పరిష్కారాలు ఉన్నాయి. - ---- - -## విషయ సూచిక - -- [సాధారణ సమస్యలు](../..) -- [ఇన్‌స్టాలేషన్ సమస్యలు](../..) -- [కాన్ఫిగరేషన్ సమస్యలు](../..) -- [నోట్‌బుక్స్ నడపడం](../..) -- [పనితీరు సమస్యలు](../..) -- [పాఠ్యపుస్తక వెబ్‌సైట్ సమస్యలు](../..) -- [సహకారం సమస్యలు](../..) -- [సాధారణ ప్రశ్నలు](../..) -- [సహాయం పొందడం](../..) - ---- - -## సాధారణ సమస్యలు - -### 1. రిపాజిటరీ సరిగ్గా క్లోన్ అవడం లేదు - -**నేపథ్యం:** రిపాజిటరీని మీ యంత్రానికి కాపీ చేసుకోవడానికి క్లోనింగ్ అవసరం. - -**లక్షణాలు:** -- Error: `fatal: repository not found` -- Error: `Permission denied (publickey)` - -**సాధ్యమైన కారణాలు:** -- తప్పు రిపాజిటరీ URL -- అనుమతులు సరిపోలకపోవడం -- SSH కీలు సెట్ చేయబడకపోవడం - -**పరిష్కారాలు:** -1. **రిపాజిటరీ URL ని తనిఖీ చేయండి.** - HTTPS URL ఉపయోగించండి: - ``` - git clone https://github.com/microsoft/AI-For-Beginners.git - ``` -2. **SSH పనిచేయకపోతే HTTPS కి మారండి.** - `Permission denied (publickey)` అనే లోపం వస్తే, SSH బదులు పై HTTPS లింక్ ఉపయోగించండి. -3. **SSH కీలు సెట్ చేయండి (ఐచ్ఛికం).** - SSH ఉపయోగించాలనుకుంటే, [GitHub యొక్క SSH గైడ్](https://docs.github.com/en/authentication/connecting-to-github-with-ssh) ను అనుసరించండి. - ---- - -## ఇన్‌స్టాలేషన్ సమస్యలు - -### 2. Python వాతావరణ సమస్యలు - -**నేపథ్యం:** రిపాజిటరీ Python మరియు వివిధ లైబ్రరీలపై ఆధారపడి ఉంటుంది. - -**లక్షణాలు:** -- Error: `ModuleNotFoundError: No module named ''` -- స్క్రిప్టులు లేదా నోట్‌బుక్స్ నడిపేటప్పుడు ఇంపోర్ట్ లోపాలు - -**సాధ్యమైన కారణాలు:** -- డిపెండెన్సీలు ఇన్‌స్టాల్ చేయబడకపోవడం -- తప్పు Python వెర్షన్ - -**పరిష్కారాలు:** -1. **వర్చువల్ ఎన్విరాన్‌మెంట్ సెట్ చేయండి.** - ```bash - python -m venv venv - source venv/bin/activate # విండోస్‌లో: venv\Scripts\activate - ``` -2. **డిపెండెన్సీలు ఇన్‌స్టాల్ చేయండి.** - ```bash - pip install -r requirements.txt - ``` -3. **Python వెర్షన్ తనిఖీ చేయండి.** - Python 3.7 లేదా కొత్త వెర్షన్ ఉపయోగించండి. - ```bash - python --version - ``` - -### 3. Jupyter ఇన్‌స్టాల్ కాలేదు - -**నేపథ్యం:** నోట్‌బుక్స్ ముఖ్యమైన అభ్యాస వనరు. - -**లక్షణాలు:** -- Error: `jupyter: command not found` -- నోట్‌బుక్స్ ప్రారంభం కావడం లేదు - -**సాధ్యమైన కారణాలు:** -- Jupyter ఇన్‌స్టాల్ కాలేదు - -**పరిష్కారాలు:** -1. **Jupyter Notebook ఇన్‌స్టాల్ చేయండి.** - ```bash - pip install notebook - ``` - లేదా, Anaconda ఉపయోగిస్తుంటే: - ```bash - conda install notebook - ``` -2. **Jupyter Notebook ప్రారంభించండి.** - ```bash - jupyter notebook - ``` - -### 4. డిపెండెన్సీ వెర్షన్ ఘర్షణలు - -**నేపథ్యం:** ప్యాకేజీ వెర్షన్లు సరిపోకపోతే ప్రాజెక్టులు విఫలమవుతాయి. - -**లక్షణాలు:** -- అనుకూలం కాని వెర్షన్ల గురించి లోపాలు లేదా హెచ్చరికలు - -**సాధ్యమైన కారణాలు:** -- పాత లేదా ఘర్షణ కలిగించే Python ప్యాకేజీలు - -**పరిష్కారాలు:** -1. **శుభ్రమైన వాతావరణంలో ఇన్‌స్టాల్ చేయండి.** - పాత వర్చువల్ ఎన్విరాన్‌మెంట్ లేదా కండా ఎన్విరాన్‌మెంట్ తొలగించి కొత్తది సృష్టించండి. -2. **ఖచ్చితమైన వెర్షన్లు ఉపయోగించండి.** - ఎప్పుడూ ఈ కింద ఇచ్చిన ఆదేశం నడపండి: - ```bash - pip install -r requirements.txt - ``` - ఇది విఫలమైతే, README లో చెప్పినట్లుగా మిస్సింగ్ ప్యాకేజీలను మాన్యువల్‌గా ఇన్‌స్టాల్ చేయండి. - ---- - -## కాన్ఫిగరేషన్ సమస్యలు - -### 5. ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ కాలేదు - -**నేపథ్యం:** కొన్ని మాడ్యూల్స్ కి కీలు, టోకెన్లు లేదా కాన్ఫిగరేషన్ సెట్టింగ్స్ అవసరం. - -**లక్షణాలు:** -- Error: `KeyError` లేదా కాన్ఫిగరేషన్ లేని హెచ్చరికలు - -**సాధ్యమైన కారణాలు:** -- అవసరమైన ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ కాలేదు - -**పరిష్కారాలు:** -1. **`.env.example` లేదా ఇలాంటి ఫైళ్లను తనిఖీ చేయండి.** -2. **`.env` ఫైల్ సృష్టించి అవసరమైన విలువలు నింపండి.** -3. **ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ చేసిన తర్వాత టెర్మినల్ లేదా IDE ని రీలోడ్ చేయండి.** - ---- - -## నోట్‌బుక్స్ నడపడం - -### 6. నోట్‌బుక్ తెరవడం లేదా నడపడం లేదు - -**నేపథ్యం:** Jupyter నోట్‌బుక్స్ సరైన సెటప్ అవసరం. - -**లక్షణాలు:** -- నోట్‌బుక్ ప్రారంభం కావడం లేదు -- బ్రౌజర్ ఆటోమేటిక్‌గా తెరవడం లేదు - -**సాధ్యమైన కారణాలు:** -- Jupyter ఇన్‌స్టాల్ కాలేదు -- బ్రౌజర్ కాన్ఫిగరేషన్ సమస్యలు - -**పరిష్కారాలు:** -1. **Jupyter ఇన్‌స్టాల్ చేయండి (పై ఇన్‌స్టాలేషన్ సమస్యలు చూడండి).** -2. **నోట్‌బుక్స్ మాన్యువల్‌గా తెరవండి.** - - టెర్మినల్ నుండి URL (ఉదా: `http://localhost:8888/?token=...`) కాపీ చేసి బ్రౌజర్‌లో పేస్ట్ చేయండి. - -### 7. కర్నెల్ క్రాష్ అవడం లేదా ఫ్రీజ్ అవడం - -**నేపథ్యం:** రిసోర్స్ పరిమితులు లేదా కోడ్ లోపాల వల్ల కర్నెల్ క్రాష్ అవుతుంది. - -**లక్షణాలు:** -- కర్నెల్ మరణించడం లేదా పునఃప్రారంభం అవడం -- Out-of-memory లోపాలు - -**సాధ్యమైన కారణాలు:** -- పెద్ద డేటాసెట్‌లు -- అనుకూలం కాని కోడ్ లేదా ప్యాకేజీలు - -**పరిష్కారాలు:** -1. **కర్నెల్ రీస్టార్ట్ చేయండి.** - Jupyter లో "Restart Kernel" బటన్ ఉపయోగించండి. -2. **మెమరీ వినియోగం తనిఖీ చేయండి.** - ఉపయోగించని అప్లికేషన్లు మూసివేయండి. -3. **క్లౌడ్ ప్లాట్‌ఫారమ్‌లపై నోట్‌బుక్స్ నడపండి.** - [Google Colab](https://colab.research.google.com/) లేదా [Azure Notebooks](https://notebooks.azure.com/) ఉపయోగించండి. - ---- - -## పనితీరు సమస్యలు - -### 8. నోట్‌బుక్స్ నెమ్మదిగా నడుస్తున్నాయి - -**నేపథ్యం:** కొన్ని AI పనులు ఎక్కువ మెమరీ మరియు CPU అవసరం. - -**లక్షణాలు:** -- నెమ్మదిగా అమలు -- ల్యాప్‌టాప్ ఫ్యాన్ ఎక్కువగా పనిచేస్తోంది - -**సాధ్యమైన కారణాలు:** -- పెద్ద డేటాసెట్‌లు లేదా మోడల్స్ -- పరిమిత సిస్టమ్ వనరులు - -**పరిష్కారాలు:** -1. **క్లౌడ్ ప్లాట్‌ఫారమ్ ఉపయోగించండి.** - - నోట్‌బుక్‌ను Colab లేదా Azure Notebooks కు అప్‌లోడ్ చేయండి. -2. **డేటాసెట్ పరిమాణం తగ్గించండి.** - - అభ్యాసానికి నమూనా డేటాను ఉపయోగించండి. -3. **అవసరంలేని ప్రోగ్రామ్స్ మూసివేయండి.** - - సిస్టమ్ RAM ను ఖాళీ చేయండి. - ---- - -## పాఠ్యపుస్తక వెబ్‌సైట్ సమస్యలు - -### 9. అధ్యాయం లోడ్ కావడం లేదు - -**నేపథ్యం:** ఆన్‌లైన్ పాఠ్యపుస్తకం పాఠాలు మరియు అధ్యాయాలను చూపిస్తుంది. - -**లక్షణాలు:** -- ఒక అధ్యాయం (ఉదా: Transformers/BERT) కనిపించడం లేదా తెరవడం లేదు - -**తెలిసిన సమస్య:** -- [Issue #303](https://github.com/microsoft/AI-For-Beginners/issues/303): “18 Transformers. BERT. can't be opened on the textbook website.” కారణం ఫైల్ పేరు లోపం (`READMEtransformers.md` బదులు `README.md`). - -**పరిష్కారాలు:** -1. **ఫైల్ పేరు మార్పుల లోపాలను తనిఖీ చేయండి.** - మీరు సహకరించేవారైతే, అధ్యాయం ఫైళ్లను `README.md` గా పేరు మార్చండి. -2. **లేకపోయిన ఫైళ్లను నివేదించండి.** - అధ్యాయం పేరు మరియు లోప వివరాలతో GitHub ఇష్యూ ఓపెన్ చేయండి. - ---- - -## సహకారం సమస్యలు - -### 10. PR అంగీకరించబడడం లేదు లేదా బిల్డ్స్ విఫలమవుతున్నాయి - -**నేపథ్యం:** సహకారాలు పరీక్షలు పాస్ అవ్వాలి మరియు మార్గదర్శకాలు పాటించాలి. - -**లక్షణాలు:** -- పుల్ రిక్వెస్ట్ తిరస్కరించబడింది -- CI/CD పైప్‌లైన్ లోపాలు - -**సాధ్యమైన కారణాలు:** -- పరీక్షలు విఫలమవడం -- కోడింగ్ ప్రమాణాలు పాటించకపోవడం - -**పరిష్కారాలు:** -1. **సహకార మార్గదర్శకాలు చదవండి.** - రిపాజిటరీ యొక్క [CONTRIBUTING.md](https://github.com/microsoft/AI-For-Beginners/blob/main/CONTRIBUTING.md) అనుసరించండి. -2. **పుష్ చేయక ముందు స్థానికంగా పరీక్షలు నడపండి.** -3. **లింటింగ్ నియమాలు లేదా ఫార్మాటింగ్ అవసరాలు తనిఖీ చేయండి.** - ---- - -## సాధారణ ప్రశ్నలు - -### నేను ప్రత్యేక మాడ్యూల్స్ కోసం సహాయం ఎక్కడ పొందగలను? -- ప్రతి మాడ్యూల్ సాధారణంగా తన README కలిగి ఉంటుంది. అక్కడి నుండి సెటప్ మరియు ఉపయోగ సూచనలు ప్రారంభించండి. - -### బగ్ నివేదించాలంటే లేదా ఫీచర్ అభ్యర్థించాలంటే ఎలా? -- [GitHub Issue ఓపెన్ చేయండి](https://github.com/microsoft/AI-For-Beginners/issues/new) స్పష్టమైన వివరణ మరియు పునరుత్పత్తి దశలతో. - -### నా సమస్య జాబితాలో లేకపోతే సహాయం అడగవచ్చా? -- అవును! ముందుగా ఉన్న ఇష్యూలను శోధించండి, మీ సమస్య దొరకకపోతే కొత్త ఇష్యూ సృష్టించండి. - ---- - -## సహాయం పొందడం - -- **ఇష్యూలను తనిఖీ చేయండి:** [GitHub Issues](https://github.com/microsoft/AI-For-Beginners/issues) -- **ప్రశ్నలు అడగండి:** GitHub Discussions ఉపయోగించండి లేదా ఇష్యూ ఓపెన్ చేయండి. -- **కమ్యూనిటీ:** చాట్/ఫోరమ్ ఎంపికల కోసం రిపాజిటరీ లింకులను చూడండి. - ---- - -_చివరిసారిగా నవీకరించబడింది: 2025-09-20_ - ---- - - -**అస్పష్టత**: -ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. +# AI-For-Beginners సమస్య పరిష్కార మార్గదర్శకం + +ఈ మార్గదర్శకం [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) రిపాజిటరీ ఉపయోగించేటప్పుడు లేదా దానిలో సహకరించేటప్పుడు ఎదురయ్యే సాధారణ సమస్యలను పరిష్కరించడంలో మీకు సహాయం చేస్తుంది. ప్రతి సమస్యకు నేపథ్యం, లక్షణాలు, వివరణలు మరియు దశల వారీ పరిష్కారాలు ఉన్నాయి. + +--- + +## విషయ సూచిక + +- [సాధారణ సమస్యలు](../..) +- [ఇన్‌స్టాలేషన్ సమస్యలు](../..) +- [కాన్ఫిగరేషన్ సమస్యలు](../..) +- [నోట్‌బుక్స్ నడపడం](../..) +- [పనితీరు సమస్యలు](../..) +- [పాఠ్యపుస్తక వెబ్‌సైట్ సమస్యలు](../..) +- [సహకారం సమస్యలు](../..) +- [సాధారణ ప్రశ్నలు](../..) +- [సహాయం పొందడం](../..) + +--- + +## సాధారణ సమస్యలు + +### 1. రిపాజిటరీ సరిగ్గా క్లోన్ అవడం లేదు + +**నేపథ్యం:** రిపాజిటరీని మీ యంత్రానికి కాపీ చేసుకోవడానికి క్లోనింగ్ అవసరం. + +**లక్షణాలు:** +- Error: `fatal: repository not found` +- Error: `Permission denied (publickey)` + +**సాధ్యమైన కారణాలు:** +- తప్పు రిపాజిటరీ URL +- అనుమతులు సరిపోలకపోవడం +- SSH కీలు సెట్ చేయబడకపోవడం + +**పరిష్కారాలు:** +1. **రిపాజిటరీ URL ని తనిఖీ చేయండి.** + HTTPS URL ఉపయోగించండి: + ``` + git clone https://github.com/microsoft/AI-For-Beginners.git + ``` +2. **SSH పనిచేయకపోతే HTTPS కి మారండి.** + `Permission denied (publickey)` అనే లోపం వస్తే, SSH బదులు పై HTTPS లింక్ ఉపయోగించండి. +3. **SSH కీలు సెట్ చేయండి (ఐచ్ఛికం).** + SSH ఉపయోగించాలనుకుంటే, [GitHub యొక్క SSH గైడ్](https://docs.github.com/en/authentication/connecting-to-github-with-ssh) ను అనుసరించండి. + +--- + +## ఇన్‌స్టాలేషన్ సమస్యలు + +### 2. Python వాతావరణ సమస్యలు + +**నేపథ్యం:** రిపాజిటరీ Python మరియు వివిధ లైబ్రరీలపై ఆధారపడి ఉంటుంది. + +**లక్షణాలు:** +- Error: `ModuleNotFoundError: No module named ''` +- స్క్రిప్టులు లేదా నోట్‌బుక్స్ నడిపేటప్పుడు ఇంపోర్ట్ లోపాలు + +**సాధ్యమైన కారణాలు:** +- డిపెండెన్సీలు ఇన్‌స్టాల్ చేయబడకపోవడం +- తప్పు Python వెర్షన్ + +**పరిష్కారాలు:** +1. **వర్చువల్ ఎన్విరాన్‌మెంట్ సెట్ చేయండి.** + ```bash + python -m venv venv + source venv/bin/activate # విండోస్‌లో: venv\Scripts\activate + ``` +2. **డిపెండెన్సీలు ఇన్‌స్టాల్ చేయండి.** + ```bash + pip install -r requirements.txt + ``` +3. **Python వెర్షన్ తనిఖీ చేయండి.** + Python 3.7 లేదా కొత్త వెర్షన్ ఉపయోగించండి. + ```bash + python --version + ``` + +### 3. Jupyter ఇన్‌స్టాల్ కాలేదు + +**నేపథ్యం:** నోట్‌బుక్స్ ముఖ్యమైన అభ్యాస వనరు. + +**లక్షణాలు:** +- Error: `jupyter: command not found` +- నోట్‌బుక్స్ ప్రారంభం కావడం లేదు + +**సాధ్యమైన కారణాలు:** +- Jupyter ఇన్‌స్టాల్ కాలేదు + +**పరిష్కారాలు:** +1. **Jupyter Notebook ఇన్‌స్టాల్ చేయండి.** + ```bash + pip install notebook + ``` + లేదా, Anaconda ఉపయోగిస్తుంటే: + ```bash + conda install notebook + ``` +2. **Jupyter Notebook ప్రారంభించండి.** + ```bash + jupyter notebook + ``` + +### 4. డిపెండెన్సీ వెర్షన్ ఘర్షణలు + +**నేపథ్యం:** ప్యాకేజీ వెర్షన్లు సరిపోకపోతే ప్రాజెక్టులు విఫలమవుతాయి. + +**లక్షణాలు:** +- అనుకూలం కాని వెర్షన్ల గురించి లోపాలు లేదా హెచ్చరికలు + +**సాధ్యమైన కారణాలు:** +- పాత లేదా ఘర్షణ కలిగించే Python ప్యాకేజీలు + +**పరిష్కారాలు:** +1. **శుభ్రమైన వాతావరణంలో ఇన్‌స్టాల్ చేయండి.** + పాత వర్చువల్ ఎన్విరాన్‌మెంట్ లేదా కండా ఎన్విరాన్‌మెంట్ తొలగించి కొత్తది సృష్టించండి. +2. **ఖచ్చితమైన వెర్షన్లు ఉపయోగించండి.** + ఎప్పుడూ ఈ కింద ఇచ్చిన ఆదేశం నడపండి: + ```bash + pip install -r requirements.txt + ``` + ఇది విఫలమైతే, README లో చెప్పినట్లుగా మిస్సింగ్ ప్యాకేజీలను మాన్యువల్‌గా ఇన్‌స్టాల్ చేయండి. + +--- + +## కాన్ఫిగరేషన్ సమస్యలు + +### 5. ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ కాలేదు + +**నేపథ్యం:** కొన్ని మాడ్యూల్స్ కి కీలు, టోకెన్లు లేదా కాన్ఫిగరేషన్ సెట్టింగ్స్ అవసరం. + +**లక్షణాలు:** +- Error: `KeyError` లేదా కాన్ఫిగరేషన్ లేని హెచ్చరికలు + +**సాధ్యమైన కారణాలు:** +- అవసరమైన ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ కాలేదు + +**పరిష్కారాలు:** +1. **`.env.example` లేదా ఇలాంటి ఫైళ్లను తనిఖీ చేయండి.** +2. **`.env` ఫైల్ సృష్టించి అవసరమైన విలువలు నింపండి.** +3. **ఎన్విరాన్‌మెంట్ వేరియబుల్స్ సెట్ చేసిన తర్వాత టెర్మినల్ లేదా IDE ని రీలోడ్ చేయండి.** + +--- + +## నోట్‌బుక్స్ నడపడం + +### 6. నోట్‌బుక్ తెరవడం లేదా నడపడం లేదు + +**నేపథ్యం:** Jupyter నోట్‌బుక్స్ సరైన సెటప్ అవసరం. + +**లక్షణాలు:** +- నోట్‌బుక్ ప్రారంభం కావడం లేదు +- బ్రౌజర్ ఆటోమేటిక్‌గా తెరవడం లేదు + +**సాధ్యమైన కారణాలు:** +- Jupyter ఇన్‌స్టాల్ కాలేదు +- బ్రౌజర్ కాన్ఫిగరేషన్ సమస్యలు + +**పరిష్కారాలు:** +1. **Jupyter ఇన్‌స్టాల్ చేయండి (పై ఇన్‌స్టాలేషన్ సమస్యలు చూడండి).** +2. **నోట్‌బుక్స్ మాన్యువల్‌గా తెరవండి.** + - టెర్మినల్ నుండి URL (ఉదా: `http://localhost:8888/?token=...`) కాపీ చేసి బ్రౌజర్‌లో పేస్ట్ చేయండి. + +### 7. కర్నెల్ క్రాష్ అవడం లేదా ఫ్రీజ్ అవడం + +**నేపథ్యం:** రిసోర్స్ పరిమితులు లేదా కోడ్ లోపాల వల్ల కర్నెల్ క్రాష్ అవుతుంది. + +**లక్షణాలు:** +- కర్నెల్ మరణించడం లేదా పునఃప్రారంభం అవడం +- Out-of-memory లోపాలు + +**సాధ్యమైన కారణాలు:** +- పెద్ద డేటాసెట్‌లు +- అనుకూలం కాని కోడ్ లేదా ప్యాకేజీలు + +**పరిష్కారాలు:** +1. **కర్నెల్ రీస్టార్ట్ చేయండి.** + Jupyter లో "Restart Kernel" బటన్ ఉపయోగించండి. +2. **మెమరీ వినియోగం తనిఖీ చేయండి.** + ఉపయోగించని అప్లికేషన్లు మూసివేయండి. +3. **క్లౌడ్ ప్లాట్‌ఫారమ్‌లపై నోట్‌బుక్స్ నడపండి.** + [Google Colab](https://colab.research.google.com/) లేదా [Azure Notebooks](https://notebooks.azure.com/) ఉపయోగించండి. + +--- + +## పనితీరు సమస్యలు + +### 8. నోట్‌బుక్స్ నెమ్మదిగా నడుస్తున్నాయి + +**నేపథ్యం:** కొన్ని AI పనులు ఎక్కువ మెమరీ మరియు CPU అవసరం. + +**లక్షణాలు:** +- నెమ్మదిగా అమలు +- ల్యాప్‌టాప్ ఫ్యాన్ ఎక్కువగా పనిచేస్తోంది + +**సాధ్యమైన కారణాలు:** +- పెద్ద డేటాసెట్‌లు లేదా మోడల్స్ +- పరిమిత సిస్టమ్ వనరులు + +**పరిష్కారాలు:** +1. **క్లౌడ్ ప్లాట్‌ఫారమ్ ఉపయోగించండి.** + - నోట్‌బుక్‌ను Colab లేదా Azure Notebooks కు అప్‌లోడ్ చేయండి. +2. **డేటాసెట్ పరిమాణం తగ్గించండి.** + - అభ్యాసానికి నమూనా డేటాను ఉపయోగించండి. +3. **అవసరంలేని ప్రోగ్రామ్స్ మూసివేయండి.** + - సిస్టమ్ RAM ను ఖాళీ చేయండి. + +--- + +## పాఠ్యపుస్తక వెబ్‌సైట్ సమస్యలు + +### 9. అధ్యాయం లోడ్ కావడం లేదు + +**నేపథ్యం:** ఆన్‌లైన్ పాఠ్యపుస్తకం పాఠాలు మరియు అధ్యాయాలను చూపిస్తుంది. + +**లక్షణాలు:** +- ఒక అధ్యాయం (ఉదా: Transformers/BERT) కనిపించడం లేదా తెరవడం లేదు + +**తెలిసిన సమస్య:** +- [Issue #303](https://github.com/microsoft/AI-For-Beginners/issues/303): “18 Transformers. BERT. can't be opened on the textbook website.” కారణం ఫైల్ పేరు లోపం (`READMEtransformers.md` బదులు `README.md`). + +**పరిష్కారాలు:** +1. **ఫైల్ పేరు మార్పుల లోపాలను తనిఖీ చేయండి.** + మీరు సహకరించేవారైతే, అధ్యాయం ఫైళ్లను `README.md` గా పేరు మార్చండి. +2. **లేకపోయిన ఫైళ్లను నివేదించండి.** + అధ్యాయం పేరు మరియు లోప వివరాలతో GitHub ఇష్యూ ఓపెన్ చేయండి. + +--- + +## సహకారం సమస్యలు + +### 10. PR అంగీకరించబడడం లేదు లేదా బిల్డ్స్ విఫలమవుతున్నాయి + +**నేపథ్యం:** సహకారాలు పరీక్షలు పాస్ అవ్వాలి మరియు మార్గదర్శకాలు పాటించాలి. + +**లక్షణాలు:** +- పుల్ రిక్వెస్ట్ తిరస్కరించబడింది +- CI/CD పైప్‌లైన్ లోపాలు + +**సాధ్యమైన కారణాలు:** +- పరీక్షలు విఫలమవడం +- కోడింగ్ ప్రమాణాలు పాటించకపోవడం + +**పరిష్కారాలు:** +1. **సహకార మార్గదర్శకాలు చదవండి.** + రిపాజిటరీ యొక్క [CONTRIBUTING.md](https://github.com/microsoft/AI-For-Beginners/blob/main/CONTRIBUTING.md) అనుసరించండి. +2. **పుష్ చేయక ముందు స్థానికంగా పరీక్షలు నడపండి.** +3. **లింటింగ్ నియమాలు లేదా ఫార్మాటింగ్ అవసరాలు తనిఖీ చేయండి.** + +--- + +## సాధారణ ప్రశ్నలు + +### నేను ప్రత్యేక మాడ్యూల్స్ కోసం సహాయం ఎక్కడ పొందగలను? +- ప్రతి మాడ్యూల్ సాధారణంగా తన README కలిగి ఉంటుంది. అక్కడి నుండి సెటప్ మరియు ఉపయోగ సూచనలు ప్రారంభించండి. + +### బగ్ నివేదించాలంటే లేదా ఫీచర్ అభ్యర్థించాలంటే ఎలా? +- [GitHub Issue ఓపెన్ చేయండి](https://github.com/microsoft/AI-For-Beginners/issues/new) స్పష్టమైన వివరణ మరియు పునరుత్పత్తి దశలతో. + +### నా సమస్య జాబితాలో లేకపోతే సహాయం అడగవచ్చా? +- అవును! ముందుగా ఉన్న ఇష్యూలను శోధించండి, మీ సమస్య దొరకకపోతే కొత్త ఇష్యూ సృష్టించండి. + +--- + +## సహాయం పొందడం + +- **ఇష్యూలను తనిఖీ చేయండి:** [GitHub Issues](https://github.com/microsoft/AI-For-Beginners/issues) +- **ప్రశ్నలు అడగండి:** GitHub Discussions ఉపయోగించండి లేదా ఇష్యూ ఓపెన్ చేయండి. +- **కమ్యూనిటీ:** చాట్/ఫోరమ్ ఎంపికల కోసం రిపాజిటరీ లింకులను చూడండి. + +--- + +_చివరిసారిగా నవీకరించబడింది: 2025-09-20_ + +--- + + +**అస్పష్టత**: +ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము. \ No newline at end of file