chore(i18n): sync translations with latest source changes (chunk 82/148, 100 files)
This commit is contained in:
localizeflow[bot]
parent
861565d9ff
commit
294e7ab7c6
|
|
@ -58,7 +58,7 @@ Ang overfitting ay isang napakahalagang konsepto sa machine learning, at napakah
|
|||
|
||||
Isaalang-alang ang sumusunod na problema ng pag-aapproximate sa 5 puntos (na kinakatawan ng `x` sa mga graph sa ibaba):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Linear model, 2 parameters** | **Non-linear model, 7 parameters**
|
||||
Training error = 5.3 | Training error = 0
|
||||
|
|
@ -79,7 +79,7 @@ Napakahalaga na mahanap ang tamang balanse sa pagitan ng dami ng parameters ng m
|
|||
|
||||
Tulad ng makikita mula sa graph sa itaas, ang overfitting ay maaaring matukoy sa pamamagitan ng napakababang training error, at mataas na validation error. Karaniwan sa panahon ng training, makikita natin ang parehong training at validation errors na nagsisimulang bumaba, at pagkatapos ay sa isang punto maaaring tumigil ang validation error sa pagbaba at magsimulang tumaas. Ito ang magiging senyales ng overfitting, at indikasyon na dapat nating itigil ang training sa puntong ito (o kahit papaano gumawa ng snapshot ng model).
|
||||
|
||||
|
||||
|
||||
|
||||
## Paano maiwasan ang overfitting
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Panimula sa Neural Networks
|
||||
|
||||
|
||||
|
||||
|
||||
Tulad ng tinalakay natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng computer** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan ang direksyong ito ay napatunayang napaka-epektibo. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ Sa kurikulum na ito, magtutuon lamang tayo sa mga modelo ng neural network.
|
|||
|
||||
Mula sa biology, alam natin na ang ating utak ay binubuo ng mga neural cells (neurons), bawat isa ay may maraming "inputs" (dendrites) at isang "output" (axon). Parehong dendrites at axons ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan nila — na kilala bilang synapses — ay maaaring magpakita ng iba't ibang antas ng conductivity, na kinokontrol ng mga neurotransmitters.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Tunay na Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) mula sa Wikipedia)* | Artipisyal na Neuron *(Larawan ng May-akda)*
|
||||
|
||||
Kaya, ang pinakasimpleng matematikal na modelo ng isang neuron ay naglalaman ng ilang inputs X<sub>1</sub>, ..., X<sub>N</sub> at isang output Y, at isang serye ng mga weights W<sub>1</sub>, ..., W<sub>N</sub>. Ang output ay kinakalkula bilang:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.tl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
kung saan ang f ay isang non-linear na **activation function**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ Sa aming [OpenCV Notebook](OpenCV.ipynb), nagbibigay kami ng ilang mga halimbawa
|
|||
|
||||
* **Pre-processing ng larawan ng isang Braille book**. Nakatuon kami sa kung paano namin magagamit ang thresholding, feature detection, perspective transformation, at NumPy manipulations upang paghiwalayin ang mga indibidwal na Braille symbols para sa karagdagang classification ng isang neural network.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Imahe mula sa [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Pagtuklas ng galaw sa video gamit ang frame difference**. Kung ang camera ay nakapirmi, ang mga frame mula sa camera feed ay dapat medyo magkatulad sa isa't isa. Dahil ang mga frame ay kinakatawan bilang arrays, sa pamamagitan lamang ng pagbabawas ng mga arrays para sa dalawang magkasunod na frame ay makakakuha tayo ng pixel difference, na dapat mababa para sa static frames, at magiging mas mataas kapag may makabuluhang galaw sa imahe.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imahe mula sa [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Sa aming [OpenCV Notebook](OpenCV.ipynb), nagbibigay kami ng ilang mga halimbawa
|
|||
- **Dense Optical Flow** ay kinakalkula ang vector field na nagpapakita kung saan gumagalaw ang bawat pixel
|
||||
- **Sparse Optical Flow** ay batay sa pagkuha ng ilang natatanging features sa imahe (hal. edges), at pagbuo ng kanilang trajectory mula frame to frame.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imahe mula sa [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ang VGG-16 ay isang network na nakamit ang 92.7% na katumpakan sa ImageNet top-5 classification noong 2014. Ito ay may ganitong istruktura ng mga layer:
|
||||
|
||||
|
||||
|
||||
|
||||
Tulad ng nakikita mo, sinusunod ng VGG ang tradisyunal na pyramid architecture, na isang sunod-sunod na convolution-pooling layers.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"Kaya, sa isang tipikal na CNN, magkakaroon ng ilang convolutional layers, na may pooling layers sa pagitan ng mga ito upang bawasan ang sukat ng imahe. Dagdag pa rito, pinapataas natin ang bilang ng mga filter, dahil habang nagiging mas advanced ang mga pattern - mas maraming posibleng kombinasyon na kailangang hanapin.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Dahil sa pagbawas ng spatial dimensions at pagtaas ng feature/filter dimensions, ang arkitekturang ito ay tinatawag ding **pyramid architecture**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"Kaya, sa isang tipikal na CNN, magkakaroon ng ilang convolutional layer, na may mga pooling layer sa pagitan ng mga ito upang mabawasan ang dimensyon ng imahe. Dagdag pa rito, pinapataas natin ang bilang ng mga filter, dahil habang nagiging mas kumplikado ang mga pattern, mas maraming posibleng interesanteng kombinasyon ang kailangang hanapin.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Dahil sa pagbawas ng spatial na dimensyon at pagtaas ng feature/filter na dimensyon, ang arkitekturang ito ay tinatawag ding **pyramid architecture**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ Sa totoong buhay, gusto nating makilala ang mga bagay sa isang larawan kahit saa
|
|||
|
||||
Upang makuha ang mga pattern, gagamit tayo ng konsepto ng **convolutional filters**. Tulad ng alam mo, ang isang imahe ay kinakatawan ng isang 2D-matrix, o isang 3D-tensor na may color depth. Ang pag-aapply ng filter ay nangangahulugan na kukuha tayo ng medyo maliit na **filter kernel** matrix, at para sa bawat pixel sa orihinal na imahe, kinakalkula natin ang weighted average kasama ang mga kalapit na puntos. Maaari nating tingnan ito bilang isang maliit na bintana na gumagalaw sa buong imahe, at ina-average ang lahat ng pixels ayon sa mga weights sa filter kernel matrix.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Larawan ni Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Ang paraan ng paggana ng CNN ay batay sa mga sumusunod na mahalagang ideya:
|
|||
* Maaari nating i-disensyo ang network sa paraang ang filters ay matututo nang awtomatiko
|
||||
* Maaari nating gamitin ang parehong paraan upang hanapin ang mga pattern sa high-level features, hindi lamang sa orihinal na imahe. Kaya ang feature extraction ng CNN ay gumagana sa isang hierarchy ng features, simula sa low-level pixel combinations, hanggang sa mas mataas na level na kombinasyon ng mga bahagi ng larawan.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [isang papel ni Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), batay sa [kanilang pananaliksik](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Karamihan sa mga CNN na ginagamit para sa pagproseso ng imahe ay sumusunod sa ti
|
|||
|
||||
Halimbawa, tingnan natin ang arkitektura ng VGG-16, isang network na nakamit ang 92.7% accuracy sa ImageNet's top-5 classification noong 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Kailangan mong sanayin ang isang convolutional neural network upang uriin ang ib
|
|||
|
||||
Gagamitin natin ang [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), na naglalaman ng mga larawan ng 37 iba't ibang lahi ng aso at pusa.
|
||||
|
||||
|
||||
|
||||
|
||||
Upang i-download ang dataset, gamitin ang code snippet na ito:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Upang maipakita ang ideal na pusa, magsisimula tayo sa isang random na noise image, at susubukan nating gamitin ang gradient descent optimization technique upang ayusin ang imahe para makilala ng network ang isang pusa.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Narito ang ating panimulang imahe:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Parehong Keras at PyTorch ay may mga function upang madaling ma-load ang pre-tra
|
|||
|
||||
Narito ang mga sample features na na-extract mula sa larawan ng isang pusa gamit ang VGG-16 network:
|
||||
|
||||
|
||||
|
||||
|
||||
## Dataset ng Cats vs. Dogs
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Ang pre-trained neural network ay naglalaman ng iba't ibang patterns sa loob ng
|
|||
|
||||
Isang approach na maaari nating gawin ay magsimula sa isang random na imahe, at pagkatapos ay subukang gamitin ang **gradient descent optimization** technique upang i-adjust ang imahe na iyon sa paraang magsisimula ang network na isipin na ito ay isang pusa.
|
||||
|
||||
|
||||
|
||||
|
||||
Gayunpaman, kung gagawin natin ito, makakakuha tayo ng isang bagay na halos katulad ng random noise. Ito ay dahil *maraming paraan upang mag-isip ang network na ang input image ay isang pusa*, kabilang ang ilan na hindi makatuwiran sa visual. Bagama't ang mga imahe ay naglalaman ng maraming patterns na tipikal para sa isang pusa, walang anumang constraint upang maging visually distinctive ang mga ito.
|
||||
|
||||
Upang mapabuti ang resulta, maaari tayong magdagdag ng isa pang term sa loss function, na tinatawag na **variation loss**. Ito ay isang metric na nagpapakita kung gaano kahawig ang mga magkatabing pixels ng imahe. Ang pag-minimize ng variation loss ay nagpapakinis sa imahe, at nag-aalis ng noise - kaya mas naipapakita ang mas visually appealing patterns. Narito ang halimbawa ng mga "ideal" na imahe, na na-classify bilang pusa at zebra na may mataas na probability:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ideal Cat* | *Ideal Zebra*
|
||||
|
||||
Ang parehong approach ay maaaring gamitin upang magsagawa ng tinatawag na **adversarial attacks** sa isang neural network. Halimbawa, gusto nating linlangin ang isang neural network at gawing mukhang pusa ang isang aso. Kung kukunin natin ang imahe ng aso, na kinikilala ng network bilang aso, maaari natin itong i-tweak nang kaunti gamit ang gradient descent optimization, hanggang sa magsimulang i-classify ito ng network bilang pusa:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Orihinal na larawan ng aso* | *Larawan ng aso na na-classify bilang pusa*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Dahil sinasanay natin ang autoencoder upang makuha ang pinakamaraming impormasyon mula sa orihinal na larawan para sa tumpak na reconstruction, sinusubukan ng network na hanapin ang pinakamahusay na **embedding** ng input images upang makuha ang kahulugan nito.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Larawan mula sa [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Dahil sinasanay natin ang autoencoder upang makuha ang pinakamaraming impormasyon mula sa orihinal na larawan para sa tumpak na reconstruction, sinusubukan ng network na hanapin ang pinakamahusay na **embedding** ng input images upang makuha ang kahulugan nito.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Larawan mula sa [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Gayunpaman, maaaring gusto nating gamitin ang raw (unlabeled) na data para sa pa
|
|||
|
||||
Dahil tina-train natin ang autoencoder upang makuha ang pinakamaraming impormasyon mula sa orihinal na imahe para sa tumpak na reconstruction, sinusubukan ng network na hanapin ang pinakamahusay na **embedding** ng input images upang makuha ang kahulugan nito.
|
||||
|
||||
|
||||
|
||||
|
||||
> Imahe mula sa [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Ang mga modelo ng image classification na ating tinalakay hanggang ngayon ay tum
|
|||
|
||||
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [YOLO v2 web site](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Kung nais nating hanapin ang isang pusa sa isang larawan, ang isang napakasimple
|
|||
2. Patakbuhin ang image classification sa bawat tile.
|
||||
3. Ang mga tile na may sapat na mataas na activation ay maaaring ituring na naglalaman ng hinahanap na objekto.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Larawan mula sa [Exercise Notebook](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Maaaring makatagpo ka ng mga sumusunod na dataset para sa gawaing ito:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 klase
|
||||
* [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 klase, bounding boxes, at segmentation masks
|
||||
|
||||
|
||||
|
||||
|
||||
## Mga Sukatan para sa Pag-detect ng Objekto
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Maaaring makatagpo ka ng mga sumusunod na dataset para sa gawaing ito:
|
|||
|
||||
Habang madali ang pagsukat ng performance ng algorithm sa image classification, sa pag-detect ng objekto kailangan nating sukatin ang tamang klase pati na rin ang eksaktong lokasyon ng inferred bounding box. Para sa huli, ginagamit natin ang tinatawag na **Intersection over Union** (IoU), na sumusukat kung gaano kahusay ang overlap ng dalawang kahon (o dalawang arbitrary na lugar).
|
||||
|
||||
|
||||
|
||||
|
||||
> *Figure 2 mula sa [napakagandang blog post na ito tungkol sa IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ May dalawang malawak na klase ng mga algorithm sa pag-detect ng objekto:
|
|||
|
||||
Ang [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) ay gumagamit ng [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) upang makabuo ng hierarchical structure ng mga ROI region, na pagkatapos ay ipinapasa sa CNN feature extractors at SVM-classifiers upang matukoy ang klase ng objekto, at linear regression upang matukoy ang mga coordinate ng *bounding box*. [Opisyal na Papel](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Larawan mula kay van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Mga larawan mula sa [blog na ito](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Ang [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) ay gu
|
|||
|
||||
Ang pamamaraang ito ay katulad ng R-CNN, ngunit ang mga region ay tinutukoy pagkatapos ma-apply ang convolution layers.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [Opisyal na Papel](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Ang pamamaraang ito ay katulad ng R-CNN, ngunit ang mga region ay tinutukoy pagk
|
|||
|
||||
Ang pangunahing ideya ng pamamaraang ito ay ang paggamit ng neural network upang mahulaan ang mga ROI - tinatawag na *Region Proposal Network*. [Papel](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [opisyal na papel](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Ang algorithm na ito ay mas mabilis pa kaysa sa Faster R-CNN. Ang pangunahing id
|
|||
1. Ang mga feature ay pinoproseso ng **Position-Sensitive Score Map**. Ang bawat objekto mula sa $C$ klase ay hinahati sa $k\times k$ na mga region, at sinasanay upang mahulaan ang mga bahagi ng mga objekto.
|
||||
1. Para sa bawat bahagi mula sa $k\times k$ na mga region, lahat ng network ay bumoboto para sa klase ng objekto, at ang klase ng objekto na may pinakamataas na boto ang pinipili.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [opisyal na papel](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ Ang YOLO ay isang realtime one-pass algorithm. Ang pangunahing ideya ay ang sumu
|
|||
* Ang larawan ay hinahati sa $S\times S$ na mga region.
|
||||
* Para sa bawat region, **CNN** ay hinuhulaan ang $n$ posibleng mga objekto, *bounding box* coordinates, at *confidence*=*probability* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [opisyal na papel](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Computer Vision
|
||||
|
||||
|
||||
|
||||
|
||||
Sa seksyong ito, matututo tayo tungkol sa:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"Ang **Bag of Words** (BoW) na representasyon ng vector ay ang pinakakaraniwang ginagamit na tradisyunal na representasyon ng vector. Ang bawat salita ay naka-link sa isang index ng vector, at ang elemento ng vector ay naglalaman ng bilang ng paglitaw ng isang salita sa isang partikular na dokumento.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Maaari mo ring isipin ang BoW bilang kabuuan ng lahat ng one-hot-encoded na mga vector para sa bawat indibidwal na salita sa teksto.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"Ang **Bag-of-words** (BoW) na representasyon ng vector ay ang pinakasimple at madaling maunawaan na tradisyunal na representasyon ng vector. Ang bawat salita ay nauugnay sa isang index ng vector, at ang isang elemento ng vector ay naglalaman ng bilang ng paglitaw ng bawat salita sa isang partikular na dokumento.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Maaari mo ring isipin ang BoW bilang kabuuan ng lahat ng one-hot-encoded vectors para sa bawat indibidwal na salita sa teksto.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Sa paggamit ng embedding layer bilang unang layer sa ating network, maaari tayong lumipat mula sa bag-of-words patungo sa **embedding bag** model, kung saan una nating kino-convert ang bawat salita sa ating teksto sa kaukulang embedding, at pagkatapos ay kinakalkula ang isang aggregate function sa lahat ng mga embeddings na iyon, tulad ng `sum`, `average`, o `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Ang ating classifier neural network ay magsisimula sa embedding layer, pagkatapos ay aggregation layer, at linear classifier sa ibabaw nito:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"Sa nakaraang arkitektura, kinakailangan nating i-pad ang lahat ng sequence upang magkapareho ang haba para magkasya ang mga ito sa isang minibatch. Hindi ito ang pinakaepektibong paraan upang i-representa ang mga sequence na may iba't ibang haba - isang alternatibong paraan ay ang paggamit ng **offset** vector, na maglalaman ng mga offset ng lahat ng sequence na nakaimbak sa isang malaking vector.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: Sa larawan sa itaas, ipinapakita namin ang isang sequence ng mga karakter, ngunit sa ating halimbawa, nagtatrabaho tayo sa mga sequence ng salita. Gayunpaman, ang pangkalahatang prinsipyo ng pagre-representa ng mga sequence gamit ang offset vector ay nananatiling pareho.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"Mas mabilis ang CBoW, habang ang skip-gram ay mas mabagal, ngunit mas mahusay sa pag-representa ng mga bihirang salita.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Upang mag-eksperimento gamit ang word2vec embedding na pre-trained sa Google News dataset, maaari nating gamitin ang **gensim** library. Sa ibaba, makikita natin ang mga salitang pinakamalapit sa 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Sa pamamagitan ng paggamit ng embedding layer bilang unang layer sa ating network, maaari tayong lumipat mula sa bag-of-words patungo sa isang **embedding bag** model, kung saan una nating kino-convert ang bawat salita sa ating teksto sa kaukulang embedding, at pagkatapos ay kinakalkula ang isang aggregate function sa lahat ng mga embeddings na iyon, tulad ng `sum`, `average`, o `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Ang ating classifier neural network ay binubuo ng mga sumusunod na layer:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"Mas mabilis ang CBoW, ngunit habang mas mabagal ang skip-gram, mas mahusay ito sa pagrepresenta ng mga bihirang salita.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Upang mag-eksperimento gamit ang Word2Vec embedding na pre-trained sa Google News dataset, maaari nating gamitin ang **gensim** library. Sa ibaba, makikita natin ang mga salitang pinakamalapit sa 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Ang embedding layer ay kukuha ng isang salita bilang input, at magbibigay ng out
|
|||
|
||||
Sa paggamit ng embedding layer bilang unang layer sa ating classifier network, maaari tayong lumipat mula sa bag-of-words patungo sa **embedding bag** model, kung saan una nating kino-convert ang bawat salita sa ating teksto sa kaukulang embedding, at pagkatapos ay kinakalkula ang ilang aggregate function sa lahat ng mga embedding na iyon, tulad ng `sum`, `average`, o `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa may-akda
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Upang magawa ito, kailangan nating i-pre-train ang ating embedding model sa isan
|
|||
|
||||
Mas mabilis ang CBoW, habang ang skip-gram ay mas mabagal, ngunit mas mahusay sa pagrepresenta ng mga bihirang salita.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [papel na ito](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ Sa mga naunang halimbawa, gumamit tayo ng mga pre-trained na semantic embeddings
|
|||
* **Continuous Bag-of-Words** (CBoW), kung saan hinuhulaan natin ang gitnang token $W_0$ sa isang hanay ng mga token $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, kung saan hinuhulaan natin ang isang hanay ng mga kalapit na token {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} mula sa gitnang token $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [papel na ito](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Sa mga nakaraang seksyon, gumamit tayo ng mas mayamang semantic na representasyo
|
|||
|
||||
Upang makuha ang kahulugan ng pagkakasunod-sunod ng teksto, kailangan nating gumamit ng ibang arkitektura ng neural network, na tinatawag na **recurrent neural network**, o RNN. Sa RNN, ipinapasa natin ang ating pangungusap sa network nang paisa-isang simbolo, at ang network ay gumagawa ng isang **estado**, na pagkatapos ay ipinapasa natin muli sa network kasama ang susunod na simbolo.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa may-akda
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Napag-usapan natin ang mga recurrent networks na gumagana sa isang direksyon, mu
|
|||
|
||||
Ang isang Recurrent network, alinman sa one-directional o bidirectional, ay kumukuha ng ilang patterns sa loob ng isang sequence, at maaaring i-store ang mga ito sa isang state vector o ipasa sa output. Tulad ng convolutional networks, maaari tayong bumuo ng isa pang recurrent layer sa ibabaw ng una upang makuha ang mas mataas na level na patterns at bumuo mula sa low-level patterns na nakuha ng unang layer. Ito ay humahantong sa konsepto ng isang **multi-layer RNN** na binubuo ng dalawa o higit pang recurrent networks, kung saan ang output ng nakaraang layer ay ipinapasa sa susunod na layer bilang input.
|
||||
|
||||
|
||||
|
||||
|
||||
*Larawan mula sa [napakagandang post na ito](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) ni Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Ang recurrent network, one-directional man o bidirectional, ay nakakakuha ng ilang mga pattern sa loob ng isang sequence, at maaaring itago ang mga ito sa state vector o ipasa sa output. Tulad ng convolutional networks, maaari tayong magtayo ng isa pang recurrent layer sa ibabaw ng una upang makuha ang mas mataas na antas ng mga pattern, na binuo mula sa mga low-level pattern na nakuha ng unang layer. Ito ang nagdadala sa atin sa konsepto ng **multi-layer RNN**, na binubuo ng dalawa o higit pang recurrent networks, kung saan ang output ng nakaraang layer ay ipinapasa sa susunod na layer bilang input.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Larawan mula sa [napakagandang post na ito](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) ni Fernando López*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Upang makuha ang kahulugan ng isang sunod-sunod na teksto, gagamit tayo ng arkitektura ng neural network na tinatawag na **recurrent neural network**, o RNN. Kapag gumagamit ng RNN, ipinapasa natin ang ating pangungusap sa network nang paisa-isang token, at ang network ay gumagawa ng isang **estado**, na pagkatapos ay ipinapasa muli sa network kasama ang susunod na token.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Sa ibinigay na input sequence ng mga token $X_0,\\dots,X_n$, ang RNN ay lumilikha ng isang sunod-sunod na mga neural network block, at sinasanay ang sequence na ito mula simula hanggang dulo gamit ang backpropagation. Ang bawat network block ay tumatanggap ng pares $(X_i,S_i)$ bilang input, at gumagawa ng $S_{i+1}$ bilang resulta. Ang huling estado $S_n$ o output $Y_n$ ay ipinapasa sa isang linear classifier upang makabuo ng resulta. Ang lahat ng network block ay may parehong weights, at sinasanay mula simula hanggang dulo gamit ang isang backpropagation pass.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Ang mga recurrent network, unidirectional man o bidirectional, ay kumukuha ng mga pattern sa loob ng isang sequence, at iniimbak ang mga ito sa state vectors o ibinabalik bilang output. Tulad ng convolutional networks, maaari tayong magtayo ng isa pang recurrent layer kasunod ng una upang makuha ang mas mataas na antas ng mga pattern, na binuo mula sa mas mababang antas ng mga pattern na nakuha ng unang layer. Ito ang nagdadala sa atin sa konsepto ng isang **multi-layer RNN**, na binubuo ng dalawa o higit pang recurrent networks, kung saan ang output ng nakaraang layer ay ipinapasa sa susunod na layer bilang input.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Larawan mula sa [napakagandang post na ito](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) ni Fernando López.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Ang paraan ng pagsasanay natin sa RNN upang makabuo ng teksto ay ang sumusunod. Sa bawat hakbang, kukuha tayo ng isang sequence ng mga karakter na may haba na `nchars`, at hihilingin sa network na bumuo ng susunod na output na karakter para sa bawat input na karakter:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Depende sa aktwal na sitwasyon, maaaring gusto rin nating isama ang ilang espesyal na karakter, tulad ng *end-of-sequence* `<eos>`. Sa ating kaso, nais lamang nating sanayin ang network para sa walang katapusang pagbuo ng teksto, kaya't itatakda natin ang laki ng bawat sequence na maging katumbas ng `nchars` na mga token. Dahil dito, ang bawat halimbawa ng pagsasanay ay binubuo ng `nchars` na mga input at `nchars` na mga output (na siyang input sequence na inilipat ng isang simbolo sa kaliwa). Ang minibatch ay binubuo ng ilang ganitong mga sequence.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -111,7 +111,7 @@
|
|||
"\n",
|
||||
"Ang paraan ng pagsasanay natin sa RNN upang lumikha ng mga pamagat ng balita ay ganito. Sa bawat hakbang, kukuha tayo ng isang pamagat, na ipapasok sa isang RNN, at para sa bawat input na karakter, hihilingin natin sa network na lumikha ng susunod na output na karakter:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Para sa huling karakter ng ating sequence, hihilingin natin sa network na lumikha ng `<eos>` token.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Sa RNN architecture na tinalakay natin sa nakaraang unit, bawat RNN unit ay guma
|
|||
|
||||
Ito ay nagbibigay-daan para sa iba't ibang neural architectures na ipinapakita sa larawan sa ibaba:
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa blog post [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) ni [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ Sa unit na ito, magpo-focus tayo sa simpleng generative models na tumutulong sa
|
|||
|
||||
Sasanayin natin ang RNN na ito upang mag-generate ng teksto hakbang-hakbang. Sa bawat hakbang, kukuha tayo ng isang sequence ng mga character na may haba na `nchars`, at hihilingin sa network na mag-generate ng susunod na output character para sa bawat input character:
|
||||
|
||||
|
||||
|
||||
|
||||
Kapag nag-generate ng teksto (sa panahon ng inference), magsisimula tayo sa isang **prompt**, na ipapasa sa RNN cells upang mag-generate ng intermediate state nito, at pagkatapos mula sa state na ito magsisimula ang generation. Mag-generate tayo ng isang character sa bawat pagkakataon, at ipapasa ang state at ang generated character sa isa pang RNN cell upang mag-generate ng susunod, hanggang sa makabuo tayo ng sapat na mga character.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Sa RNNs, ang sequence-to-sequence ay ipinatutupad gamit ang dalawang recurrent n
|
|||
|
||||
Ang **Attention Mechanisms** ay nagbibigay ng paraan upang timbangin ang contextual na epekto ng bawat input vector sa bawat output prediction ng RNN. Ang paraan ng pagpapatupad nito ay sa pamamagitan ng paglikha ng mga shortcut sa pagitan ng mga intermediate states ng input RNN at output RNN. Sa ganitong paraan, kapag gumagawa ng output symbol y<sub>t</sub>, isasaalang-alang natin ang lahat ng input hidden states h<sub>i</sub>, na may iba't ibang weight coefficients α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Ang encoder-decoder model na may additive attention mechanism sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), mula sa [blog post na ito](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Ang attention matrix {α<sub>i,j</sub>} ay kumakatawan sa antas kung paano ang ilang input words ay may papel sa pagbuo ng isang partikular na salita sa output sequence. Narito ang isang halimbawa ng ganitong matrix:
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Ang resulta na nakukuha natin sa positional embedding ay nag-e-embed sa parehong
|
|||
|
||||
Susunod, kailangan nating makuha ang ilang mga pattern sa loob ng ating sequence. Upang gawin ito, gumagamit ang transformers ng **self-attention** mechanism, na mahalagang atensyon na inilapat sa parehong sequence bilang input at output. Ang pag-aapply ng self-attention ay nagbibigay-daan sa atin na isaalang-alang ang **context** sa loob ng pangungusap, at makita kung aling mga salita ang magkakaugnay. Halimbawa, pinapayagan tayo nitong makita kung aling mga salita ang tinutukoy ng mga coreferences, tulad ng *it*, at isaalang-alang din ang konteksto:
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan mula sa [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Dahil ang bawat input position ay na-map nang independyente sa bawat output posi
|
|||
|
||||
Ang **BERT** (Bidirectional Encoder Representations from Transformers) ay isang napakalaking multi-layer transformer network na may 12 layers para sa *BERT-base*, at 24 para sa *BERT-large*. Ang modelo ay unang pre-trained sa isang malaking corpus ng text data (WikiPedia + mga libro) gamit ang unsupervised training (pagpredikta ng mga masked words sa isang pangungusap). Sa panahon ng pre-training, ang modelo ay sumisipsip ng makabuluhang antas ng pag-unawa sa wika na maaaring magamit sa iba pang mga dataset gamit ang fine tuning. Ang prosesong ito ay tinatawag na **transfer learning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Larawan [source](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"Ang **Mekanismo ng Atensyon** ay nagbibigay ng paraan upang timbangin ang kontekstwal na epekto ng bawat input vector sa bawat output prediction ng RNN. Ang paraan ng pagpapatupad nito ay sa pamamagitan ng paglikha ng mga shortcut sa pagitan ng mga intermediate state ng input RNN at output RNN. Sa ganitong paraan, kapag gumagawa ng output symbol $y_t$, isasaalang-alang natin ang lahat ng input hidden states $h_i$, na may iba't ibang timbang na coefficients $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"*Ang encoder-decoder model na may additive attention mechanism mula sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), na binanggit mula sa [blog post na ito](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Ang attention matrix $\\{\\alpha_{i,j}\\}$ ay kumakatawan sa antas kung saan ang ilang input na salita ay may papel sa pagbuo ng isang partikular na salita sa output sequence. Narito ang halimbawa ng ganitong matrix:\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"*Larawan mula sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"Ang **BERT** (Bidirectional Encoder Representations from Transformers) ay isang napakalaking multi-layer transformer network na may 12 layer para sa *BERT-base*, at 24 para sa *BERT-large*. Ang modelo ay unang pre-trained sa malaking corpus ng text data (WikiPedia + mga libro) gamit ang unsupervised training (pagpapredikta ng mga masked na salita sa isang pangungusap). Sa panahon ng pre-training, ang modelo ay sumisipsip ng makabuluhang antas ng pag-unawa sa wika na maaaring magamit sa iba pang mga dataset gamit ang fine tuning. Ang prosesong ito ay tinatawag na **transfer learning**.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"Maraming mga bersyon ng Transformer architectures kabilang ang BERT, DistilBERT, BigBird, OpenGPT3, at iba pa na maaaring i-fine tune. Ang [HuggingFace package](https://github.com/huggingface/) ay nagbibigay ng repository para sa pag-train ng marami sa mga arkitekturang ito gamit ang PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"Ang **Mekanismo ng Atensyon** ay nagbibigay ng paraan upang timbangin ang kontekstwal na epekto ng bawat input vector sa bawat output prediction ng RNN. Ang paraan ng pagpapatupad nito ay sa pamamagitan ng paglikha ng mga shortcut sa pagitan ng mga intermediate state ng input RNN at output RNN. Sa ganitong paraan, kapag gumagawa ng output symbol $y_t$, isasaalang-alang natin ang lahat ng input hidden states $h_i$, na may iba't ibang weight coefficients $\\alpha_{t,i}$. \n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Ang encoder-decoder model na may additive attention mechanism mula sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), na binanggit mula sa [blog post na ito](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Ang attention matrix $\\{\\alpha_{i,j}\\}$ ay kumakatawan sa antas kung saan ang ilang input na salita ay may papel sa pagbuo ng isang partikular na salita sa output sequence. Narito ang halimbawa ng ganitong matrix:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Larawan mula sa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -223,7 +223,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) ay isang napakalaking multi-layer transformer network na may 12 layers para sa *BERT-base*, at 24 para sa *BERT-large*. Ang modelo ay unang sinanay gamit ang malaking corpus ng text data (WikiPedia + mga libro) gamit ang unsupervised training (pagpapredikta ng mga nakatagong salita sa isang pangungusap). Sa panahon ng pre-training, ang modelo ay nakakapulot ng mataas na antas ng pag-unawa sa wika na maaaring magamit sa iba pang mga dataset sa pamamagitan ng fine tuning. Ang prosesong ito ay tinatawag na **transfer learning**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Maraming mga bersyon ng Transformer architectures kabilang ang BERT, DistilBERT, BigBird, OpenGPT3, at iba pa na maaaring i-fine tune.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Dahil kailangan nating bumuo ng one-to-one na kaugnayan sa pagitan ng mga token at klase, maaari tayong mag-train ng tamang **many-to-many** neural network model mula sa larawang ito:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Larawan mula sa [blog post na ito](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) ni [Andrej Karpathy](http://karpathy.github.io/). Ang mga NER token classification models ay tumutugma sa pinakakanan na network architecture sa larawang ito.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Natural Language Processing
|
||||
|
||||
|
||||
|
||||
|
||||
Sa seksyong ito, magtutuon tayo sa paggamit ng Neural Networks upang harapin ang mga gawain na may kaugnayan sa **Natural Language Processing (NLP)**. Maraming mga problema sa NLP na nais nating masolusyunan ng mga computer:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Maaari mong buksan ang isa sa mga modelo, halimbawa **Biology → Flock
|
|||
|
||||
Pagkatapos buksan ang modelo, dadalhin ka sa pangunahing screen ng NetLogo. Narito ang isang sample na modelo na naglalarawan sa populasyon ng mga lobo at tupa, na may limitadong resources (damo).
|
||||
|
||||
|
||||
|
||||
|
||||
> Screenshot ni Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Pangkalahatang-ideya
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote ni [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Matapos ang tagumpay ng mga transformer model sa paglutas ng mga gawain sa NLP,
|
|||
|
||||
Ang pangunahing ideya ng CLIP ay ang kakayahang ihambing ang mga text prompt sa isang imahe at tukuyin kung gaano kahusay na tumutugma ang imahe sa prompt.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Larawan mula sa [blog post na ito](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Kapag ang modelong ito ay na-pretrain na, maaari nating bigyan ito ng batch ng m
|
|||
|
||||
Halimbawa, kailangan nating i-classify ang mga imahe sa pagitan ng, sabihin nating, pusa, aso, at tao. Sa kasong ito, maaari nating bigyan ang modelo ng isang imahe, at isang serye ng mga text prompt: "*isang larawan ng pusa*", "*isang larawan ng aso*", "*isang larawan ng tao*". Sa resultang vector ng 3 probabilidad, pipiliin lang natin ang index na may pinakamataas na halaga.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Larawan mula sa [blog post na ito](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Alamin ang higit pa tungkol sa VQGAN sa [Taming Transformers](https://compvis.gi
|
|||
|
||||
Isa sa mga mahalagang pagkakaiba ng VQGAN sa tradisyunal na GAN ay ang huli ay kayang gumawa ng disenteng imahe mula sa anumang input vector, habang ang VQGAN ay malamang na makagawa ng imahe na hindi coherent. Kaya, kailangan nating gabayan pa ang proseso ng paggawa ng imahe, at magagawa ito gamit ang CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Upang makabuo ng isang imahe na tumutugma sa isang text prompt, nagsisimula tayo sa isang random encoding vector na ipinapasa sa VQGAN upang makabuo ng isang imahe. Pagkatapos, ginagamit ang CLIP upang makabuo ng isang loss function na nagpapakita kung gaano kahusay na tumutugma ang imahe sa text prompt. Ang layunin ay i-minimize ang loss na ito, gamit ang back propagation upang ayusin ang mga parameter ng input vector.
|
||||
|
||||
Isang mahusay na library na nagpapatupad ng VQGAN+CLIP ay ang [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Larawang ginawa mula sa prompt *isang closeup watercolor portrait ng batang lalaking guro ng panitikan na may hawak na libro* | Larawang ginawa mula sa prompt *isang closeup oil portrait ng batang babaeng guro ng computer science na may hawak na computer* | Larawang ginawa mula sa prompt *isang closeup oil portrait ng matandang lalaking guro ng matematika sa harap ng blackboard*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T00:03:30+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T11:40:24+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "tr"
|
||||
}
|
||||
|
|
@ -10,128 +10,127 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Yapay Zeka Başlangıç Eğitimi - Bir Müfredat
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote [@girlie_mac](https://twitter.com/girlie_mac) tarafından_ |
|
||||
|
||||
12 haftalık, 24 derslik müfredatımızla **Yapay Zeka** (AI) dünyasını keşfedin! Pratik dersler, kısa sınavlar ve laboratuvar çalışmalarını içerir. Müfredat başlangıç dostudur ve TensorFlow ile PyTorch gibi araçların yanı sıra yapay zekâ etiğini kapsar
|
||||
| AI For Beginners - _Sketchnote - [@girlie_mac](https://twitter.com/girlie_mac) tarafından_ |
|
||||
|
||||
12 haftalık, 24 derslik müfredatımızla **Yapay Zeka** (AI) dünyasını keşfedin! Uygulamalı dersler, quizler ve laboratuvarlar içerir. Müfredat başlangıç düzeyine uygundur ve TensorFlow ve PyTorch gibi araçların yanı sıra yapay zekâ etiğini de kapsar.
|
||||
|
||||
### 🌐 Çok Dilli Destek
|
||||
|
||||
#### GitHub Action ile desteklenir (Otomatik ve Her Zaman Güncel)
|
||||
#### GitHub Action ile desteklenir (Otomatik & Her Zaman Güncel)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[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](../te/README.md) | [Thai](../th/README.md) | [Turkish](./README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arapça](../ar/README.md) | [Bengalce](../bn/README.md) | [Bulgarca](../bg/README.md) | [Burmaca (Myanmar)](../my/README.md) | [Çince (Basitleştirilmiş)](../zh/README.md) | [Çince (Geleneksel, Hong Kong)](../hk/README.md) | [Çince (Geleneksel, Makao)](../mo/README.md) | [Çince (Geleneksel, Tayvan)](../tw/README.md) | [Hırvatça](../hr/README.md) | [Çekçe](../cs/README.md) | [Danca](../da/README.md) | [Hollandaca](../nl/README.md) | [Estonca](../et/README.md) | [Fince](../fi/README.md) | [Fransızca](../fr/README.md) | [Almanca](../de/README.md) | [Yunanca](../el/README.md) | [İbranice](../he/README.md) | [Hintçe](../hi/README.md) | [Macarca](../hu/README.md) | [Endonezce](../id/README.md) | [İtalyanca](../it/README.md) | [Japonca](../ja/README.md) | [Kannada](../kn/README.md) | [Korece](../ko/README.md) | [Litvanca](../lt/README.md) | [Malayca](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalce](../ne/README.md) | [Nijerya Pidjini](../pcm/README.md) | [Norveççe](../no/README.md) | [Farsça (Farsi)](../fa/README.md) | [Lehçe](../pl/README.md) | [Portekizce (Brezilya)](../br/README.md) | [Portekizce (Portekiz)](../pt/README.md) | [Pencapça (Gurmukhi)](../pa/README.md) | [Rumence](../ro/README.md) | [Rusça](../ru/README.md) | [Sırpça (Kiril)](../sr/README.md) | [Slovakça](../sk/README.md) | [Slovence](../sl/README.md) | [İspanyolca](../es/README.md) | [Svahili](../sw/README.md) | [İsveççe](../sv/README.md) | [Tagalog (Filipince)](../tl/README.md) | [Tamilce](../ta/README.md) | [Telugu](../te/README.md) | [Tayca](../th/README.md) | [Türkçe](./README.md) | [Ukraynaca](../uk/README.md) | [Urduca](../ur/README.md) | [Vietnamca](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Ek çeviri dilleri isterseniz desteklenen diller [burada](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) listelenmiştir**
|
||||
|
||||
## Topluluğa Katılın
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Neleri Öğreneceksiniz
|
||||
## Neler öğreneceksiniz
|
||||
|
||||
**[Kursun Zihin Haritası](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Bu müfredatta şunları öğreneceksiniz:
|
||||
|
||||
* Yapay Zekâya farklı yaklaşımlar; "iyi eski" sembolik yaklaşım olan **Bilgi Temsili** ve akıl yürütme dahil ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* Modern yapay zekânın merkezinde yer alan **Sinir Ağları** ve **Derin Öğrenme**. Bu önemli konuların arkasındaki kavramları en popüler iki çerçeve olan [TensorFlow](http://Tensorflow.org) ve [PyTorch](http://pytorch.org) ile yazılmış kod örnekleriyle göstereceğiz.
|
||||
* Görüntüler ve metinle çalışma için **Sinirsel Mimariler**. Güncel modelleri ele alacağız ancak en son teknolojiler konusunda biraz geride kalabiliriz.
|
||||
* Daha az popüler AI yaklaşımları, örneğin **Genetik Algoritmalar** ve **Çok Ajanlı Sistemler**.
|
||||
* **Bilgi Temsili** ve akıl yürütme ile birlikte "iyi eski" sembolik yaklaşım dahil olmak üzere Yapay Zekâ'ya farklı yaklaşımlar ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* Modern yapay zekânın merkezinde yer alan **Sinir Ağları** ve **Derin Öğrenme**. Bu önemli konuların arkasındaki kavramları, en popüler iki çerçeve olan [TensorFlow](http://Tensorflow.org) ve [PyTorch](http://pytorch.org) ile verilen kod örnekleri üzerinden açıklayacağız.
|
||||
* Görseller ve metin ile çalışmak için **Sinir Mimarileri**. Güncel modelleri kapsayacağız fakat en son gelişmeler açısından biraz eksik kalabiliriz.
|
||||
* **Genetik Algoritmalar** ve **Çok Ajanlı Sistemler** gibi daha az popüler AI yaklaşımları.
|
||||
|
||||
Bu müfredatta neleri kapsamayacağız:
|
||||
Bu müfredatta kapsamayacaklarımız:
|
||||
|
||||
> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulabilirsiniz](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Bu dersle ilgili tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* İş dünyasında **AI kullanımı** ile ilgili iş senaryoları. Microsoft Learn'de bulunan [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) öğrenme yolunu veya [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)'u, [INSEAD](https://www.insead.edu/) ile işbirliği içinde geliştirilmiş olanı, incelemeyi düşünün.
|
||||
* **Klasik Makine Öğrenimi**, bu konu bizim [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) projemizde iyi bir şekilde anlatılmıştır.
|
||||
* **Cognitive Services** kullanılarak oluşturulan pratik AI uygulamaları. Bunun için Microsoft Learn'deki [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)** ve diğer modüllerle başlamanızı öneririz.
|
||||
* Belirli ML **Bulut Çerçeveleri**, örneğin [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) veya [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [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) ve [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) öğrenme yollarını kullanmayı düşünün.
|
||||
* **Konuşma Tabanlı AI** ve **Sohbet Botları**. Bunun için ayrı bir [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) öğrenme yolu vardır; ayrıca daha fazla ayrıntı için [bu blog yazısına](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) bakabilirsiniz.
|
||||
* Derin öğrenmenin arkasındaki **Derin Matematik**. Bunun için Ian Goodfellow, Yoshua Bengio ve Aaron Courville tarafından yazılmış [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) kitabını öneririz; bu kitap ayrıca çevrimiçi olarak [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) adresinde mevcuttur.
|
||||
* **İş dünyasında AI** kullanımına ilişkin iş vakaları. Microsoft Learn'deki [İş kullanıcıları için Yapay Zekâya Giriş](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) öğrenim yolunu veya [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) programını (INSEAD ile iş birliğiyle geliştirilmiştir) inceleyin.
|
||||
* **Klasik Makine Öğrenimi**, bu konu bizim [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) içinde iyi şekilde anlatılmaktadır.
|
||||
* **Cognitive Services** kullanılarak oluşturulan pratik AI uygulamaları. Bunun için Microsoft Learn'deki [görsel](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [doğal dil işleme](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum) modülleri, **[Azure OpenAI Hizmeti ile Üretken Yapay Zeka](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ve diğerlerini incelemenizi öneririz.
|
||||
* [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) veya [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum) gibi belirli ML **Bulut Çerçeveleri**. [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) ve [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) öğrenim yollarını göz önünde bulundurun.
|
||||
* **Konuşma Tabanlı AI** ve **Sohbet Botları**. Ayrı bir [Konuşma Tabanlı AI çözümleri oluşturma](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) öğrenim yolu bulunmaktadır; daha fazla detay için [bu blog yazısına](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) da bakabilirsiniz.
|
||||
* Derin öğrenmenin arkasındaki **Derin Matematik**. Bunun için Ian Goodfellow, Yoshua Bengio ve Aaron Courville tarafından yazılan [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) kitabını öneririz; bu kitap çevrimiçi olarak da [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) adresinde mevcuttur.
|
||||
|
||||
_Bulut'ta Yapay Zeka_ konularına yumuşak bir giriş için [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) öğrenme yolunu almayı düşünebilirsiniz.
|
||||
_Bulut üzerinde AI_ konularına yumuşak bir giriş için [Azure üzerinde yapay zekâ ile başlama](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) öğrenim yolunu almayı düşünebilirsiniz.
|
||||
|
||||
# İçerik
|
||||
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Ders Bağlantısı | PyTorch/Keras/TensorFlow | Laboratuvar |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Course Setup](./lessons/0-course-setup/setup.md) | [Setup Your Development Environment](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Kurs Kurulumu](./lessons/0-course-setup/setup.md) | [Geliştirme Ortamınızı Kurun](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Yapay Zekâya Giriş**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Yapay Zekânın Tanıtımı ve Tarihçesi](./lessons/1-Intro/README.md) | - | - |
|
||||
| 01 | [Yapay Zekâ: Giriş ve Tarihçe](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Sembolik Yapay Zeka** |
|
||||
| 02 | [Bilgi Temsili ve Uzman Sistemler](./lessons/2-Symbolic/README.md) | [Uzman Sistemler](./lessons/2-Symbolic/Animals.ipynb) / [Ontoloji](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Kavram Grafiği](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Sinir Ağlarına Giriş**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Not Defteri](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratuvar](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Çok Katmanlı Perceptron ve Kendi Çerçevemizi Oluşturma](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Not Defteri](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratuvar](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Framework'lere Giriş (PyTorch/TensorFlow) ve Aşırı Uyum](./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) | [Laboratuvar](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Bilgisayarla Görme**](./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'da Bilgisayarla Görmeyi Keşfedin](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Bilgisayarla Görmeye Giriş. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Not Defteri](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 05 | [Çerçevelere Giriş (PyTorch/TensorFlow) ve Aşırı Uyum](./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) | [Laboratuvar](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Bilgisayarlı Görüntüleme**](./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'da Bilgisayarlı Görüntüyü Keşfedin](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Bilgisayarlı Görüntülemeye Giriş. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Not Defteri](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolüsyonel Sinir Ağları](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Mimarileri](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Önceden Eğitilmiş Ağlar ve Transfer Öğrenimi](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Eğitim İpuçları](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 08 | [Önceden Eğitilmiş Ağlar ve Transfer Öğrenme](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Eğitim Püf Noktaları](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Otoenkoderler ve VAE'ler](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatif Çekişmeli Ağlar & Sanatsal Stil Transferi](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 10 | [Üretken Çekişmeli Ağlar ve Sanatsal Stil Transferi](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Nesne Tespiti](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratuvar](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Anlamsal Segmentasyon. 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) | |
|
||||
| 12 | [Semantik Segmentasyon. 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 | [**Doğal Dil İşleme**](./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 Azure'da Doğal Dil İşlemeyi Keşfedin](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Metin Temsili. 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 | [Anlamsal kelime gömme teknikleri. Word2Vec and 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 | [Dil Modellemesi. Kendi gömme vektörlerinizi eğitme](./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) | [Laboratuvar](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 13 | [Metin Temsili. 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 | [Semantik kelime gömmeleri. Word2Vec ve 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 | [Dil Modellemesi. Kendi gömmelerinizi eğitme](./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) | [Laboratuvar](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Tekrarlayan Sinir Ağları](./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 | [Generatif Tekrarlayan Ağlar](./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) | [Laboratuvar](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Üretken Tekrarlayan Ağlar](./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) | [Laboratuvar](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer'lar. 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 | [Adlandırılmış Varlık Tanıma](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratuvar](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Büyük Dil Modelleri, Prompt Programlama ve Az-Örnekli Görevler](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | Diğer Yapay Zeka Teknikleri || |
|
||||
| 20 | [Büyük Dil Modelleri, İstem Programlama ve Az-Örnek Görevler](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Diğer Yapay Zeka Teknikleri** || |
|
||||
| 21 | [Genetik Algoritmalar](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Not Defteri](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Derin Pekiştirmeli Öğrenme](./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) | [Laboratuvar](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Çok Ajanlı Sistemler](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Yapay Zeka Etiği** | | |
|
||||
| 24 | [Yapay Zeka Etiği ve Sorumlu Yapay Zeka](./lessons/7-Ethics/README.md) | [Microsoft Learn: Sorumlu Yapay Zeka İlkeleri](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Ekstra** | | |
|
||||
| IX | **Ekstralar** | | |
|
||||
| 25 | [Çok Modlu Ağlar, CLIP ve VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Not Defteri](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Her ders içerir
|
||||
|
||||
* Ön okuma materyalleri
|
||||
* Çalıştırılabilir Jupyter not defterleri, genellikle belirli bir framework'e (**PyTorch** veya **TensorFlow**) özeldir. Çalıştırılabilir not defteri aynı zamanda çok fazla teorik materyal içerir; bu nedenle konuyu anlamak için not defterin en az bir sürümünü (ya **PyTorch** ya da **TensorFlow**) incelemeniz gerekir.
|
||||
* Bazı konular için mevcut olan **Laboratuvarlar**, öğrendiğiniz materyali belirli bir probleme uygulamayı denemeniz için fırsat sunar.
|
||||
* Ön okuma materyali
|
||||
* Çalıştırılabilir Jupyter Not Defterleri, genellikle belirli bir çerçeveye özgüdür (**PyTorch** veya **TensorFlow**). Çalıştırılabilir not defteri ayrıca çok fazla teorik materyal içerir, bu nedenle konuyu anlamak için not defterinin en az bir sürümünü (PyTorch veya TensorFlow) incelemeniz gerekir.
|
||||
* Bazı konular için mevcut **Laboratuvarlar**, öğrendiğiniz materyali belirli bir probleme uygulamayı deneme fırsatı sunar.
|
||||
* Bazı bölümler ilgili konuları kapsayan [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modüllerine bağlantılar içerir.
|
||||
|
||||
## Başlarken
|
||||
|
||||
### 🎯 Yapay zekaya yeni misiniz? Buradan başlayın!
|
||||
### 🎯 Yapay zeka konusunda yeni misiniz? Buradan başlayın!
|
||||
|
||||
Yapay zekaya tamamen yenilseniz ve hızlı, uygulamalı örnekler istiyorsanız, [**Yeni Başlayanlar İçin Örnekler**](./examples/README.md)'e göz atın! Bunlar şunları içerir:
|
||||
Yapay zekaya tamamen yeniyseniz ve hızlı, uygulamalı örnekler istiyorsanız, [**Yeni Başlayanlar için Örnekler**](./examples/README.md)! Bunlar şunları içerir:
|
||||
|
||||
- 🌟 **Hello AI World** - İlk yapay zeka programınız (örüntü tanıma)
|
||||
- 🧠 **Basit Sinir Ağı** - Sıfırdan bir sinir ağı oluşturun
|
||||
- 🖼️ **Görüntü Sınıflandırıcı** - Görüntüleri ayrıntılı açıklamalarla sınıflandırın
|
||||
- 💬 **Metin Duyarlılığı** - Metnin olumlu/olumsuz olduğunu analiz et
|
||||
- 🌟 **Merhaba AI Dünyası** - İlk yapay zeka programınız (desen tanıma)
|
||||
- 🧠 **Basit Sinir Ağı** - Baştan bir sinir ağı oluşturun
|
||||
- 🖼️ **Görüntü Sınıflandırıcı** - Görüntüleri ayrıntılı yorumlarla sınıflandırın
|
||||
- 💬 **Metin Duygu Analizi** - Pozitif/negatif metinleri analiz et
|
||||
|
||||
Bu örnekler, tam müfredata başlamadan önce yapay zeka kavramlarını anlamanıza yardımcı olmak için tasarlanmıştır.
|
||||
Bu örnekler, tam müfredata geçmeden önce yapay zeka kavramlarını anlamanıza yardımcı olmak için tasarlanmıştır.
|
||||
|
||||
### 📚 Tam Müfredat Kurulumu
|
||||
|
||||
- Geliştirme ortamınızı kurmanıza yardımcı olmak için bir [kurulum dersi](./lessons/0-course-setup/setup.md) oluşturduk. - Eğitmenler için, sizin için de bir [müfredat kurulum dersi](./lessons/0-course-setup/for-teachers.md) oluşturduk!
|
||||
- VSCode veya Codepace'te [kodu nasıl çalıştıracağınız](./lessons/0-course-setup/how-to-run.md)
|
||||
- We have created a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- How to [Kodu VSCode veya Codepace'te Çalıştırma](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Aşağıdaki adımları izleyin:
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
|
|
@ -141,29 +140,29 @@ Don't forget to star (🌟) this repo to find it easier later.
|
|||
|
||||
## Diğer Öğrenenlerle Tanışın
|
||||
|
||||
Bu kursu alan diğer öğrenenlerle tanışmak, bağlantı kurmak ve destek almak için [resmi AI Discord sunucumuza](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) katılın.
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
Eğer ürün geri bildiriminiz veya geliştirme sırasında sorularınız varsa [Azure AI Foundry Geliştirici Forumu](https://aka.ms/foundry/forum)
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Sınavlar
|
||||
## Quizler
|
||||
|
||||
> **Sınavlara dair bir not**: Tüm sınavlar etc\quiz-app içindeki Quiz-app klasöründe yer alır, veya [Çevrimiçi Burada](https://ff-quizzes.netlify.app/) Derslerin içinden bağlantılıdır; quiz uygulaması yerel olarak çalıştırılabilir veya Azure'a dağıtılabilir; `quiz-app` klasöründeki talimatları izleyin. Kademeli olarak yerelleştirilmektedirler.
|
||||
> **Quizler hakkında bir not**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Çevrimiçi Burada](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## Yardım İstiyoruz
|
||||
## Yardım İsteniyor
|
||||
|
||||
Önerileriniz veya yazım ya da kod hataları buldunuz mu? Bir issue açın veya pull request oluşturun.
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## Özel Teşekkürler
|
||||
|
||||
* **✍️ Birincil Yazar:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editör:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote illüstratörü:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Quiz Oluşturucusu:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Temel Katkıda Bulunanlar:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✅ Sınav Oluşturan:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Ana Katkıda Bulunanlar:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Diğer Müfredatlar
|
||||
|
||||
Ekibimiz başka müfredatlar da üretiyor! İnceleyin:
|
||||
Our team produces other curricula! Check out:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -172,7 +171,7 @@ Ekibimiz başka müfredatlar da üretiyor! İnceleyin:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Ajanlar
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -180,44 +179,44 @@ Ekibimiz başka müfredatlar da üretiyor! İnceleyin:
|
|||
|
||||
---
|
||||
|
||||
### Generative AI Series
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Üretken Yapay Zeka Serisi
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-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
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Temel Öğrenme
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot Series
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
### Copilot Serisi
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Yardım Alma
|
||||
|
||||
Eğer AI uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa. MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle birlik olun. Soruların memnuniyetle karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.
|
||||
Eğer takılırsanız veya AI uygulamaları geliştirme hakkında sorularınız olursa, MCP hakkında tartışmalara katılarak diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Soruların memnuniyetle karşılandığı ve bilginin serbestçe paylaşıldığı destekleyici bir topluluktur.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Geliştirirken ürünle ilgili geri bildiriminiz veya hatalarınız varsa şu adresi ziyaret edin:
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Feragatname**:
|
||||
Bu belge, Yapay Zekâ çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için azami çaba gösterilse de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Yetkili kaynak olarak belgenin orijinal dili esas alınmalıdır. Kritik bilgiler için profesyonel bir insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumlamadan sorumlu değiliz.
|
||||
Feragatname:
|
||||
Bu belge, yapay zeka çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi dili itibarıyla yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel bir insan çevirisi önerilir. Bu çevirinin kullanılması sonucu ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan sorumlu değiliz.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Yapay Zekaya Giriş
|
||||
|
||||
|
||||
|
||||
|
||||
> Çizim: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Başlangıçta, bilgisayarlar [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) tarafından iyi tanımlanmış bir prosedürü - bir algoritmayı - takip ederek sayılar üzerinde işlem yapmak için icat edilmiştir. Modern bilgisayarlar, 19. yüzyılda önerilen orijinal modelden çok daha gelişmiş olmasına rağmen, hala kontrollü hesaplama fikrini takip etmektedir. Bu nedenle, bir hedefe ulaşmak için gereken adımların tam sırasını bildiğimiz sürece bir bilgisayarı bir şey yapması için programlamak mümkündür.
|
||||
|
||||
|
||||
|
||||
|
||||
> Fotoğraf: [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Daha fazla bilgi için **[Yapay Genel Zeka](https://en.wikipedia.org/wiki/Artifi
|
|||
|
||||
**[Zeka](https://en.wikipedia.org/wiki/Intelligence)** terimiyle uğraşırken karşılaşılan sorunlardan biri, bu terimin net bir tanımının olmamasıdır. Zekanın **soyut düşünce** veya **öz farkındalık** ile bağlantılı olduğunu iddia edebilirsiniz, ancak bunu doğru bir şekilde tanımlayamayız.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Fotoğraf](https://unsplash.com/photos/75715CVEJhI): [Amber Kipp](https://unsplash.com/@sadmax) tarafından Unsplash'tan alınmıştır.
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Alternatif olarak, beynimizdeki en basit öğeleri – bir nöronu – modelleme
|
|||
|
||||
> | Peki ya ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Bazı verilere dayanarak bir problemi çözmeyi öğrenen bilgisayar temelli yapay zeka kısmına **Makine Öğrenimi** denir. Bu kursta klasik makine öğrenimini ele almayacağız - sizi ayrı bir [Makine Öğrenimi için Başlangıç](http://aka.ms/ml-beginners) müfredatına yönlendiriyoruz. |  |
|
||||
> | Bazı verilere dayanarak bir problemi çözmeyi öğrenen bilgisayar temelli yapay zeka kısmına **Makine Öğrenimi** denir. Bu kursta klasik makine öğrenimini ele almayacağız - sizi ayrı bir [Makine Öğrenimi için Başlangıç](http://aka.ms/ml-beginners) müfredatına yönlendiriyoruz. |  |
|
||||
|
||||
## Yapay Zekanın Kısa Tarihi
|
||||
|
||||
Yapay Zeka, yirminci yüzyılın ortalarında bir alan olarak başladı. Başlangıçta, sembolik akıl yürütme yaygın bir yaklaşımdı ve uzman sistemler gibi bazı sınırlı problem alanlarında uzman gibi davranabilen bilgisayar programları gibi önemli başarılara yol açtı. Ancak, bu yaklaşımın iyi ölçeklenmediği kısa sürede anlaşıldı. Bir uzmandan bilgi çıkarmak, bunu bir bilgisayarda temsil etmek ve bilgi tabanını doğru tutmak çok karmaşık bir görev ve birçok durumda pratik olmaktan çok pahalı olduğu ortaya çıktı. Bu, 1970'lerde [AI Kışı](https://en.wikipedia.org/wiki/AI_winter) olarak adlandırılan döneme yol açtı.
|
||||
|
||||
<img alt="Yapay Zekanın Kısa Tarihi" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.tr.png" width="70%"/>
|
||||
<img alt="Yapay Zekanın Kısa Tarihi" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.tr.png" width="70%"/>
|
||||
|
||||
> Görsel: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Benzer şekilde, "konuşan programlar" (Turing testini geçebilecek türden) olu
|
|||
* Cortana, Siri veya Google Asistan gibi modern asistanlar, konuşmayı metne dönüştürmek ve niyetimizi tanımak için Sinir ağlarını kullanan ve ardından gerekli eylemleri gerçekleştirmek için bazı akıl yürütme veya açık algoritmalar kullanan hibrit sistemlerdir.
|
||||
* Gelecekte, diyaloğu tamamen kendi başına yönetebilecek tam bir sinir temelli model bekleyebiliriz. Son zamanlardaki GPT ve [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) sinir ağı ailesi bu konuda büyük başarılar göstermektedir.
|
||||
|
||||
<img alt="Turing testinin evrimi" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.tr.png" width="70%"/>
|
||||
<img alt="Turing testinin evrimi" src="../../../../translated_images/turing-test-evol.4184696701293ead.tr.png" width="70%"/>
|
||||
> Görsel Dmitry Soshnikov tarafından, [fotoğraf](https://unsplash.com/photos/r8LmVbUKgns) [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto) tarafından, Unsplash
|
||||
|
||||
## Son Dönem AI Araştırmaları
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"Bu örnekte, bazı fiziksel özelliklere dayanarak bir hayvanı belirlemek için basit bir bilgi tabanlı sistem uygulayacağız. Sistem aşağıdaki AND-OR ağacı ile temsil edilebilir (bu, ağacın bir kısmıdır, kolayca daha fazla kural ekleyebiliriz):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Bilgi Temsili ve Uzman Sistemler
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Sembolik AI'deki önemli kavramlardan biri **bilgi**dir. Bilgiyi *bilgi* veya *v
|
|||
|
||||
Bu nedenle, **bilgi temsili** problemi, bilgiyi bir bilgisayar içinde veri şeklinde etkili bir şekilde temsil etmenin bir yolunu bulmaktır, böylece otomatik olarak kullanılabilir hale gelir. Bu bir spektrum olarak görülebilir:
|
||||
|
||||
|
||||
|
||||
|
||||
> Resim: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Blok Sözdizimi | Girinti | | |
|
|||
|
||||
Sembolik AI'nın erken başarılarından biri, **uzman sistemler** olarak adlandırılan sistemlerdi - belirli bir problem alanında uzman gibi davranmak üzere tasarlanmış bilgisayar sistemleri. Bu sistemler, bir veya daha fazla insan uzmandan çıkarılan bir **bilgi tabanı**na dayanıyordu ve bunun üzerinde akıl yürütme yapan bir **çıkarım motoru** içeriyordu.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
İnsan sinir sisteminin basitleştirilmiş yapısı | Bilgi tabanlı sistemin mimarisi
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Uzman sistemler, insan akıl yürütme sistemine benzer şekilde inşa edilir, b
|
|||
|
||||
Örneğin, fiziksel özelliklere dayanarak bir hayvanı belirleyen bir uzman sistemini ele alalım:
|
||||
|
||||
|
||||
|
||||
|
||||
> Resim: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1255,7 +1255,7 @@
|
|||
"* Düşük eğitim kaybı - model, yeterli ifade gücüne sahip olduğu için eğitim verisini iyi bir şekilde tahmin edebilir.\n",
|
||||
"* Doğrulama kaybı, eğitim kaybından çok daha yüksek olabilir ve eğitim sırasında artmaya başlayabilir - bunun nedeni modelin eğitim noktalarını \"ezberlemesi\" ve \"genel resmi\" kaybetmesidir.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Bu resimde, `x` eğitim verisini, `o` ise doğrulama verisini temsil eder. Sol tarafta - doğrusal model (tek katmanlı), verinin doğasını oldukça iyi tahmin eder. Sağ tarafta - aşırı öğrenmiş model, eğitim verisini mükemmel bir şekilde tahmin eder, ancak diğer herhangi bir veriyle anlam ifade etmeyi bırakır (doğrulama hatası çok yüksektir).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Aşırı öğrenme, makine öğreniminde son derece önemli bir kavramdır ve do
|
|||
|
||||
Aşağıdaki 5 noktayı (grafiklerde `x` ile gösterilen) yaklaşık olarak tahmin etme problemini düşünün:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Doğrusal model, 2 parametre** | **Doğrusal olmayan model, 7 parametre**
|
||||
Eğitim hatası = 5.3 | Eğitim hatası = 0
|
||||
|
|
@ -79,7 +79,7 @@ Modelin zenginliği (parametre sayısı) ile eğitim örneklerinin sayısı aras
|
|||
|
||||
Yukarıdaki grafikten görebileceğiniz gibi, aşırı öğrenme çok düşük bir eğitim hatası ve yüksek bir doğrulama hatası ile tespit edilebilir. Normalde eğitim sırasında hem eğitim hem de doğrulama hatalarının azalmaya başladığını görürüz, ancak bir noktada doğrulama hatası azalmayı durdurabilir ve artmaya başlayabilir. Bu, aşırı öğrenmenin bir işareti ve eğitimi muhtemelen bu noktada durdurmamız gerektiğinin (veya en azından modelin bir anlık görüntüsünü almamız gerektiğinin) göstergesidir.
|
||||
|
||||
|
||||
|
||||
|
||||
## Aşırı Öğrenme Nasıl Önlenir?
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Sinir Ağlarına Giriş
|
||||
|
||||
|
||||
|
||||
|
||||
Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmekten geçer. 20. yüzyılın ortalarından itibaren araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşım büyük ölçüde başarılı oldu. Beynin bu tür matematiksel modellerine **sinir ağları** denir.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ Bu müfredatta yalnızca sinir ağı modellerine odaklanacağız.
|
|||
|
||||
Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (dendritler) ve tek bir "çıkışa" (akson) sahip olan sinir hücrelerinden (nöronlar) oluşur. Hem dendritler hem de aksonlar elektrik sinyalleri iletebilir ve aralarındaki bağlantılar — sinapslar olarak bilinir — iletkenlik derecelerini değiştirebilir. Bu iletkenlik, nörotransmitterler tarafından düzenlenir.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Gerçek Nöron *([Resim](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia'dan)* | Yapay Nöron *(Yazarın Görseli)*
|
||||
|
||||
Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş X<sub>1</sub>, ..., X<sub>N</sub> ve bir çıkış Y ile bir dizi ağırlık W<sub>1</sub>, ..., W<sub>N</sub> içerir. Çıkış şu şekilde hesaplanır:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.tr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
burada f, bazı doğrusal olmayan **aktivasyon fonksiyonudur**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ Bir görüntüyü sinir ağına beslemeden önce, birkaç ön işleme adımı uy
|
|||
|
||||
* **Braille kitabının bir fotoğrafını ön işleme**. Eşikleme, özellik tespiti, perspektif dönüşümü ve NumPy manipülasyonlarını kullanarak bireysel Braille sembollerini bir sinir ağı tarafından daha fazla sınıflandırma için ayırmaya odaklanıyoruz.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Görüntü [OpenCV.ipynb](OpenCV.ipynb) dosyasından alınmıştır.
|
||||
|
||||
* **Video içinde hareketi kare farkı kullanarak tespit etme**. Kamera sabit ise, kamera akışından gelen kareler birbirine oldukça benzer olmalıdır. Kareler diziler olarak temsil edildiğinden, iki ardışık kare için bu dizileri çıkararak piksel farkını elde edebiliriz; bu fark statik kareler için düşük olmalı ve görüntüde önemli bir hareket olduğunda artmalıdır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görüntü [OpenCV.ipynb](OpenCV.ipynb) dosyasından alınmıştır.
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Bir görüntüyü sinir ağına beslemeden önce, birkaç ön işleme adımı uy
|
|||
- **Yoğun Optik Akış**, her pikselin nereye hareket ettiğini gösteren vektör alanını hesaplar.
|
||||
- **Seyrek Optik Akış**, görüntüdeki bazı belirgin özellikleri (örneğin kenarları) alır ve bunların kareden kareye olan hareket yolunu oluşturur.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görüntü [OpenCV.ipynb](OpenCV.ipynb) dosyasından alınmıştır.
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16, 2014 yılında ImageNet top-5 sınıflandırmasında %92.7 doğruluk elde eden bir ağdır. Katman yapısı şu şekildedir:
|
||||
|
||||
|
||||
|
||||
|
||||
Gördüğünüz gibi, VGG geleneksel bir piramit mimarisini takip eder; bu, bir dizi evrişim-havuzlama katmanıdır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) kaynağından alınmıştır.
|
||||
|
||||
|
|
|
|||
|
|
@ -262,7 +262,7 @@
|
|||
"\n",
|
||||
"Bu nedenle, tipik bir CNN'de birkaç evrişim katmanı bulunur ve bunların arasında görüntünün boyutlarını azaltmak için havuzlama katmanları yer alır. Ayrıca filtre sayısını artırırız, çünkü desenler daha karmaşık hale geldikçe - dikkate alınması gereken daha fazla ilginç kombinasyon ortaya çıkar.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Mekansal boyutların azalması ve özellik/filtre boyutlarının artması nedeniyle, bu mimariye aynı zamanda **piramit mimarisi** denir.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -361,7 +361,7 @@
|
|||
"\n",
|
||||
"Bu nedenle, tipik bir CNN'de birkaç evrişim katmanı bulunur ve bunların arasında görüntünün boyutlarını küçültmek için havuzlama katmanları yer alır. Ayrıca, desenler daha karmaşık hale geldikçe, aramamız gereken daha fazla ilginç kombinasyon olduğu için filtre sayısını artırırız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Mekansal boyutların azalması ve özellik/filtre boyutlarının artması nedeniyle, bu mimariye **piramit mimarisi** de denir.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ Gerçek hayatta, bir görüntüdeki nesneleri tam olarak nerede olduklarına bak
|
|||
|
||||
Desenleri çıkarmak için **evrişimsel filtreler** kavramını kullanacağız. Bildiğiniz gibi, bir görüntü 2D bir matris veya renk derinliği olan bir 3D tensör olarak temsil edilir. Bir filtre uygulamak, nispeten küçük bir **filtre çekirdeği** matrisini alıp, orijinal görüntüdeki her bir piksel için komşu noktalarla ağırlıklı ortalamayı hesaplamak anlamına gelir. Bunu, filtre çekirdeği matrisindeki ağırlıklara göre tüm pikselleri ortalayan küçük bir pencerenin tüm görüntü üzerinde kayması gibi düşünebiliriz.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Görsel: Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ CNN'lerin çalışma şekli şu önemli fikirlere dayanır:
|
|||
* Ağı, filtrelerin otomatik olarak eğitileceği şekilde tasarlayabiliriz.
|
||||
* Aynı yaklaşımı yalnızca orijinal görüntüde değil, yüksek seviyeli özelliklerdeki desenleri bulmak için de kullanabiliriz. Böylece, CNN özellik çıkarımı, düşük seviyeli piksel kombinasyonlarından başlayarak, görüntü parçalarının daha yüksek seviyeli kombinasyonlarına kadar bir özellik hiyerarşisi üzerinde çalışır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel: [Hislop-Lynch'in bir makalesinden](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), [araştırmalarına dayanarak](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Görüntü işleme için kullanılan çoğu CNN, sözde piramit mimarisini takip
|
|||
|
||||
Örneğin, 2014 yılında ImageNet'in ilk 5 sınıflandırmasında %92.7 doğruluk elde eden VGG-16 ağının mimarisine bakalım:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel: [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Bir evcil hayvan yuvası için tüm evcil hayvanları kataloglamak amacıyla bir
|
|||
|
||||
[Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) veri setini kullanacağız. Bu veri seti, 37 farklı köpek ve kedi cinsine ait görüntüler içerir.
|
||||
|
||||
|
||||
|
||||
|
||||
Veri setini indirmek için şu kod parçacığını kullanın:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"İdeal kediyi görselleştirmek için rastgele bir gürültü görüntüsüyle başlayacağız ve bir ağın kediyi tanımasını sağlamak için görüntüyü ayarlamak amacıyla gradyan iniş optimizasyon tekniğini kullanmaya çalışacağız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"İşte başlangıç görüntümüz:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Hem Keras hem de PyTorch, yaygın mimariler için önceden eğitilmiş sinir ağ
|
|||
|
||||
İşte VGG-16 ağı tarafından bir kedi resminden çıkarılan örnek özellikler:
|
||||
|
||||
|
||||
|
||||
|
||||
## Kediler ve Köpekler Veri Kümesi
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Transfer öğrenimini ilgili not defterlerinde nasıl çalıştığını göreli
|
|||
|
||||
Alabileceğimiz bir yaklaşım, rastgele bir görüntüyle başlamak ve ardından **gradyan iniş optimizasyonu** tekniğini kullanarak bu görüntüyü ağın bir kedi olduğunu düşünmesini sağlayacak şekilde ayarlamaktır.
|
||||
|
||||
|
||||
|
||||
|
||||
Ancak bunu yaparsak, rastgele bir gürültüye çok benzeyen bir şey elde ederiz. Bunun nedeni, *ağın giriş görüntüsünü bir kedi olarak düşünmesini sağlamanın birçok yolu olmasıdır*, bunların bazıları görsel olarak mantıklı değildir. Bu görüntüler kediye özgü birçok desen içerirken, görsel olarak ayırt edici olmalarını sağlayacak bir kısıtlama yoktur.
|
||||
|
||||
Sonucu iyileştirmek için kayıp fonksiyonuna **varyasyon kaybı** adı verilen başka bir terim ekleyebiliriz. Bu, görüntünün komşu piksellerinin ne kadar benzer olduğunu gösteren bir metriktir. Varyasyon kaybını minimize etmek, görüntüyü daha düzgün hale getirir ve gürültüyü ortadan kaldırır - böylece daha görsel olarak çekici desenler ortaya çıkar. İşte yüksek olasılıkla kedi ve zebra olarak sınıflandırılan bu "ideal" görüntülere bir örnek:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*İdeal Kedi* | *İdeal Zebra*
|
||||
|
||||
Benzer bir yaklaşım, sinir ağına karşı **adversaryal saldırılar** gerçekleştirmek için kullanılabilir. Diyelim ki bir sinir ağını kandırmak ve bir köpeği kedi gibi göstermek istiyoruz. Eğer ağ tarafından köpek olarak tanınan bir köpek görüntüsü alırsak, bunu biraz ayarlayarak gradyan iniş optimizasyonu kullanabiliriz, ta ki ağ bunu kedi olarak sınıflandırana kadar:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Orijinal köpek resmi* | *Kedi olarak sınıflandırılan köpek resmi*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Otoenkoderi, orijinal görüntüden mümkün olduğunca fazla bilgiyi doğru bir şekilde yeniden oluşturmak için yakalamaya çalışacak şekilde eğittiğimizden, ağ, giriş görüntülerinin anlamını yakalamak için en iyi **gömülü temsili (embedding)** bulmaya çalışır.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Görsel [Keras blogu](https://blog.keras.io/building-autoencoders-in-keras.html)'ndan alınmıştır.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Otoenkoderi, orijinal görüntüden mümkün olduğunca fazla bilgi yakalamak ve doğru bir şekilde yeniden oluşturmak için eğittiğimizden, ağ giriş görüntülerinin anlamını yakalamak için en iyi **gömülü temsili** bulmaya çalışır.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Keras blogundan](https://blog.keras.io/building-autoencoders-in-keras.html) alınmış görüntü*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Ancak, CNN özellik çıkarıcılarını eğitmek için ham (etiketlenmemiş) ve
|
|||
|
||||
Otomatik kodlayıcıyı, orijinal görüntüden mümkün olduğunca fazla bilgi yakalamak ve doğru bir şekilde yeniden oluşturmak için eğittiğimizden, ağ en iyi **gömülü temsili** bulmaya çalışır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Keras blogundan](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Bugüne kadar ele aldığımız görüntü sınıflandırma modelleri, bir gör
|
|||
|
||||
## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [YOLO v2 web sitesi](https://pjreddie.com/darknet/yolov2/) üzerinden alınmıştır.
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Bir resimde bir kediyi bulmak istediğimizi varsayalım, nesne tespiti için ço
|
|||
2. Her bir karede görüntü sınıflandırma işlemi gerçekleştirin.
|
||||
3. Yeterince yüksek aktivasyon veren kareler, ilgili nesneyi içeriyor olarak kabul edilebilir.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Görsel [Egzersiz Defteri](ObjectDetection-TF.ipynb) üzerinden alınmıştır.*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Bu görev için aşağıdaki veri setleriyle karşılaşabilirsiniz:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 sınıf
|
||||
* [COCO](http://cocodataset.org/#home) - Bağlamdaki Yaygın Nesneler. 80 sınıf, sınır kutuları ve segmentasyon maskeleri
|
||||
|
||||
|
||||
|
||||
|
||||
## Nesne Tespiti Metrikleri
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Bu görev için aşağıdaki veri setleriyle karşılaşabilirsiniz:
|
|||
|
||||
Görüntü sınıflandırma için algoritmanın ne kadar iyi performans gösterdiğini ölçmek kolaydır, ancak nesne tespiti için hem sınıfın doğruluğunu hem de tahmin edilen sınır kutusu konumunun hassasiyetini ölçmemiz gerekir. İkincisi için, **Kesişim Bölü Birleşim** (IoU) adı verilen bir ölçüm kullanırız, bu iki kutunun (veya iki rastgele alanın) ne kadar iyi örtüştüğünü ölçer.
|
||||
|
||||
|
||||
|
||||
|
||||
> *[Bu harika IoU blog yazısından](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) alınan Şekil 2.*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Nesne tespiti algoritmaları iki geniş sınıfa ayrılır:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf), ROI bölgelerinin hiyerarşik yapısını oluşturmak için [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) kullanır. Bu bölgeler daha sonra CNN özellik çıkarıcıları ve SVM sınıflandırıcıları aracılığıyla nesne sınıfını belirlemek ve *sınır kutusu* koordinatlarını belirlemek için doğrusal regresyon ile işlenir. [Resmi Makale](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Görsel van de Sande ve ark. ICCV’11'dan alınmıştır.*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Görseller [bu blogdan](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e) alınmıştır.*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Nesne tespiti algoritmaları iki geniş sınıfa ayrılır:
|
|||
|
||||
Bu yaklaşım R-CNN'e benzer, ancak bölgeler konvolüsyon katmanları uygulandıktan sonra tanımlanır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Resmi Makale](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 üzerinden alınmıştır.
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Bu yaklaşım R-CNN'e benzer, ancak bölgeler konvolüsyon katmanları uyguland
|
|||
|
||||
Bu yaklaşımın ana fikri, ROI'leri tahmin etmek için sinir ağı kullanmaktır - *Bölge Öneri Ağı* olarak adlandırılır. [Makale](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Resmi Makale](https://arxiv.org/pdf/1506.01497.pdf) üzerinden alınmıştır.
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Bu algoritma, Daha Hızlı R-CNN'den bile daha hızlıdır. Ana fikir şu şekil
|
|||
2. Özellikler **Pozisyon-Duyarlı Skor Haritası** tarafından işlenir. $C$ sınıflarından her bir nesne $k\times k$ bölgelere ayrılır ve nesne parçalarını tahmin etmek için eğitim yapılır.
|
||||
3. $k\times k$ bölgelerden her bir parça için tüm ağlar nesne sınıfları için oy kullanır ve maksimum oyu alan nesne sınıfı seçilir.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Resmi Makale](https://arxiv.org/abs/1605.06409) üzerinden alınmıştır.
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO, gerçek zamanlı tek geçişli bir algoritmadır. Ana fikir şu şekildedi
|
|||
* Görüntü $S\times S$ bölgelere ayrılır.
|
||||
* Her bölge için **CNN**, $n$ olası nesneleri, *sınır kutusu* koordinatlarını ve *güven* = *olasılık* * IoU tahmin eder.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [Resmi Makale](https://arxiv.org/abs/1506.02640) üzerinden alınmıştır.
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Bilgisayarlı Görü
|
||||
|
||||
|
||||
|
||||
|
||||
Bu bölümde şunları öğreneceğiz:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Kelime Torbası** (BoW) vektör temsili, en yaygın kullanılan geleneksel vektör temsilidir. Her kelime bir vektör indeksine bağlanır ve vektör elemanı, bir belgedeki bir kelimenin kaç kez geçtiğini içerir.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Not**: BoW'yu, metindeki bireysel kelimeler için tekil olarak bir-hot kodlanmış vektörlerin toplamı olarak da düşünebilirsiniz.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Bag-of-words** (BoW) vektör temsili, anlaması en basit geleneksel vektör temsilidir. Her kelime bir vektör indeksine bağlanır ve bir vektör elemanı, belirli bir belgede her kelimenin kaç kez geçtiğini içerir.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Not**: BoW'yu, metindeki bireysel kelimeler için tekil olarak birleştirilmiş tüm one-hot-encoded vektörlerin toplamı olarak da düşünebilirsiniz.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Ağımızda ilk katman olarak gömme katmanını kullanarak, kelime torbasından **gömme torbası** modeline geçebiliriz. Bu modelde, metnimizdeki her kelimeyi ilgili gömmeye dönüştürürüz ve ardından bu gömmeler üzerinde `sum`, `average` veya `max` gibi bir toplama fonksiyonu hesaplarız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Sınıflandırıcı sinir ağımız, gömme katmanı ile başlayacak, ardından toplama katmanı ve en üstte doğrusal bir sınıflandırıcı ile devam edecektir:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"Önceki mimaride, dizileri bir minibatch'e sığdırmak için hepsini aynı uzunlukta doldurmamız gerekiyordu. Bu, değişken uzunluklu dizileri temsil etmenin en verimli yolu değildir - başka bir yaklaşım, tüm dizilerin bir büyük vektördeki offsetlerini tutan bir **offset** vektörü kullanmak olabilir.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Not**: Yukarıdaki resimde karakter dizisi gösteriyoruz, ancak örneğimizde kelime dizileriyle çalışıyoruz. Ancak, dizileri offset vektörüyle temsil etme genel prensibi aynı kalır.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW daha hızlıdır, ancak atlama-gramı daha yavaş olmasına rağmen nadir kelimeleri temsil etmede daha iyi bir iş çıkarır.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News veri seti üzerinde önceden eğitilmiş word2vec gömüsünü denemek için **gensim** kütüphanesini kullanabiliriz. Aşağıda 'neural' kelimesine en benzer kelimeleri buluyoruz.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Ağımızdaki ilk katman olarak bir gömme katmanı kullanarak, kelime torbasından **gömme torbası** modeline geçebiliriz. Bu modelde, önce metnimizdeki her kelimeyi karşılık gelen gömmeye dönüştürürüz ve ardından bu gömmelerin tümü üzerinde `sum`, `average` veya `max` gibi bir toplama fonksiyonu hesaplarız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Sınıflandırıcı sinir ağımız şu katmanlardan oluşur:\n",
|
||||
"\n",
|
||||
|
|
@ -281,7 +281,7 @@
|
|||
"\n",
|
||||
"CBoW daha hızlıdır, ancak skip-gram daha yavaş olmasına rağmen nadir kelimeleri temsil etmede daha başarılıdır.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News veri seti üzerinde önceden eğitilmiş Word2Vec gömüsünü denemek için **gensim** kütüphanesini kullanabiliriz. Aşağıda 'neural' kelimesine en benzer kelimeleri buluyoruz.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Bu nedenle, gömülü temsil katmanı bir kelimeyi giriş olarak alır ve belirl
|
|||
|
||||
Sınıflandırıcı ağımızda ilk katman olarak bir gömülü temsil katmanı kullanarak, kelime torbasından **gömülü torba** modeline geçebiliriz. Bu modelde, önce metnimizdeki her kelimeyi ilgili gömülü temsile dönüştürürüz ve ardından bu gömülü temsillerin tümü üzerinde `sum`, `average` veya `max` gibi bir toplama fonksiyonu hesaplarız.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel yazar tarafından oluşturulmuştur
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Bunu yapmak için, gömülü temsil modelimizi büyük bir metin koleksiyonu üz
|
|||
|
||||
CBoW daha hızlıdır, ancak atlama-gram daha yavaş olmasına rağmen nadir kelimeleri temsil etmede daha iyi bir iş çıkarır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [bu makaleden](https://arxiv.org/pdf/1301.3781.pdf) alınmıştır
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ Dil modellemesinin temel fikri, modelleri etiketlenmemiş veri kümeleri üzerin
|
|||
* **Continuous Bag-of-Words** (CBoW), burada bir token dizisindeki $W_{-N}$, ..., $W_N$ arasında ortadaki token $W_0$'ı tahmin ederiz.
|
||||
* **Skip-gram**, burada ortadaki token $W_0$'dan komşu tokenlerin bir setini {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} tahmin ederiz.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [bu makaleden](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Metin dizisinin anlamını yakalamak için, **tekrarlayan sinir ağı** veya RNN adı verilen başka bir sinir ağı mimarisi kullanmamız gerekir. RNN'de, cümlemizi ağdan bir sembol biriminde geçiririz ve ağ bir **durum** üretir, bu durumu bir sonraki sembolle birlikte tekrar ağa geçiririz.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel yazar tarafından oluşturulmuştur
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Durum C'nin bileşenleri, açılıp kapatılabilen bayraklar olarak düşünüle
|
|||
|
||||
Tek yönlü veya çift yönlü bir tekrarlayan ağ, bir dizideki belirli kalıpları yakalar ve bunları bir durum vektörüne depolayabilir veya çıktıya aktarabilir. Konvolüsyonel ağlarda olduğu gibi, ilk katman tarafından çıkarılan düşük seviyeli kalıplardan daha yüksek seviyeli kalıpları yakalamak ve inşa etmek için ilk katmanın üzerine başka bir tekrarlayan katman inşa edebiliriz. Bu bizi, önceki katmanın çıktısının bir sonraki katmana giriş olarak geçtiği iki veya daha fazla tekrarlayan ağdan oluşan bir **çok katmanlı RNN** kavramına götürür.
|
||||
|
||||
|
||||
|
||||
|
||||
*[Bu harika yazıdan](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) Fernando López tarafından alınmıştır.*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Tekrarlayan ağlar, tek yönlü veya çift yönlü olsun, bir dizideki belirli desenleri yakalar ve bunları durum vektörüne kaydedebilir veya çıktıya aktarabilir. Konvolüsyonel ağlarda olduğu gibi, birinci katman tarafından çıkarılan düşük seviyeli desenlerden daha yüksek seviyeli desenleri yakalamak için birinci katmanın üzerine başka bir tekrarlayan katman inşa edebiliriz. Bu bizi, bir önceki katmanın çıktısının bir sonraki katmana giriş olarak geçtiği, iki veya daha fazla tekrarlayan ağdan oluşan **çok katmanlı RNN** kavramına götürür.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Fernando López'in [bu harika yazısından](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) alınmış bir görsel*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Bir metin dizisinin anlamını yakalamak için, **tekrarlayan sinir ağı** veya RNN adı verilen bir sinir ağı mimarisi kullanacağız. RNN kullanırken, cümlemizi ağı birer birer token olarak geçiririz ve ağ bir **durum** üretir, bu durumu bir sonraki token ile birlikte tekrar ağa iletiriz.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Token giriş dizisi $X_0,\\dots,X_n$ verildiğinde, RNN bir sinir ağı blokları dizisi oluşturur ve bu diziyi baştan sona geri yayılım kullanarak eğitir. Her ağ bloğu $(X_i,S_i)$ çiftini giriş olarak alır ve sonuç olarak $S_{i+1}$ üretir. Son durum $S_n$ veya çıktı $Y_n$, sonucu üretmek için doğrusal bir sınıflandırıcıya gider. Tüm ağ blokları aynı ağırlıkları paylaşır ve tek bir geri yayılım geçişiyle baştan sona eğitilir.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Tek yönlü veya çift yönlü tekrarlayan ağlar, bir dizideki desenleri yakalar ve bunları durum vektörlerine kaydeder veya çıktı olarak döndürür. Konvolüsyonel ağlarda olduğu gibi, birinci katman tarafından çıkarılan alt düzey desenlerden daha yüksek düzey desenleri yakalamak için birinci katmanın ardından başka bir tekrarlayan katman ekleyebiliriz. Bu bizi **çok katmanlı RNN** kavramına götürür; bu, iki veya daha fazla tekrarlayan ağdan oluşur ve önceki katmanın çıktısı bir sonraki katmana giriş olarak aktarılır.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Fernando López'in [bu harika yazısından](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) alınmış bir resim.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"RNN'yi metin üretmek üzere eğitme yöntemimiz şu şekilde olacak. Her adımda, `nchars` uzunluğunda bir karakter dizisi alacağız ve ağdan her bir giriş karakteri için bir sonraki çıkış karakterini üretmesini isteyeceğiz:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Gerçek senaryoya bağlı olarak, *dizinin sonu* `<eos>` gibi bazı özel karakterleri de dahil etmek isteyebiliriz. Ancak bizim durumumuzda, ağı sonsuz metin üretimi için eğitmek istiyoruz, bu nedenle her bir dizinin boyutunu `nchars` tokenine eşit olarak sabitleyeceğiz. Sonuç olarak, her bir eğitim örneği `nchars` giriş ve `nchars` çıkıştan (giriş dizisinin bir sembol sola kaydırılmış hali) oluşacak. Minibatch, bu tür birkaç diziden oluşacak.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -113,7 +113,7 @@
|
|||
"\n",
|
||||
"RNN'i haber başlıkları üretmek için şu şekilde eğiteceğiz. Her adımda bir başlık alacağız, bu başlık bir RNN'e verilecek ve her bir giriş karakteri için ağdan bir sonraki çıkış karakterini üretmesini isteyeceğiz:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Dizimizin son karakteri için ağdan `<eos>` tokenini üretmesini isteyeceğiz.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Tekrarlayan Sinir Ağları (RNN'ler) ve Uzun Kısa Süreli Bellek Hücreleri (LS
|
|||
|
||||
Bu, aşağıdaki resimde gösterilen farklı sinir ağı mimarilerini mümkün kılar:
|
||||
|
||||
|
||||
|
||||
|
||||
> Resim, [Andrej Karpaty](http://karpathy.github.io/) tarafından yazılan [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) blog yazısından alınmıştır.
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ Bu birimde, metin üretmemize yardımcı olan basit üretici modeller üzerine o
|
|||
|
||||
Bu RNN'yi adım adım metin üretmek için eğiteceğiz. Her adımda, `nchars` uzunluğunda bir karakter dizisi alacağız ve ağdan her giriş karakteri için bir sonraki çıktı karakterini üretmesini isteyeceğiz:
|
||||
|
||||
|
||||
|
||||
|
||||
Metin üretirken (çıkarsama sırasında), bazı **başlangıç** verileriyle başlarız. Bu veri RNN hücrelerinden geçirilerek ara durumu oluşturur ve ardından üretim başlar. Her seferinde bir karakter üretiriz ve durumu ve üretilen karakteri bir sonraki karakteri üretmek için başka bir RNN hücresine geçiririz. Bu işlem yeterli sayıda karakter üretilene kadar devam eder.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ RNN'lerle diziden-diziye yaklaşımı, iki tekrarlayan ağ tarafından uygulanı
|
|||
|
||||
**Dikkat Mekanizmaları**, RNN'nin her bir çıktı tahmininde her bir giriş vektörünün bağlamsal etkisini ağırlıklandırmanın bir yolunu sağlar. Bu, giriş RNN'nin ara durumları ile çıkış RNN arasında kısayollar oluşturarak uygulanır. Bu şekilde, çıktı sembolü y<sub>t</sub>'yi oluştururken, farklı ağırlık katsayıları α<sub>t,i</sub> ile tüm giriş gizli durumlarını h<sub>i</sub> dikkate alırız.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf) tarafından önerilen eklemeli dikkat mekanizması ile encoder-decoder modeli, [bu blog yazısından](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) alıntılanmıştır.
|
||||
|
||||
Dikkat matrisi {α<sub>i,j</sub>} belirli giriş kelimelerinin çıktı dizisindeki bir kelimenin oluşturulmasında oynadığı rolü temsil eder. Aşağıda böyle bir matrisin örneği verilmiştir:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf) (Şekil 3) tarafından önerilen şekil.
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Pozisyonel gömme ile elde ettiğimiz sonuç, hem orijinal tokenı hem de dizide
|
|||
|
||||
Sonraki adımda, dizimizdeki bazı desenleri yakalamamız gerekir. Bunu yapmak için transformerlar **kendine dikkat** mekanizmasını kullanır; bu, giriş ve çıkış olarak aynı diziye uygulanan dikkattir. Kendine dikkat uygulamak, cümle içindeki **bağlamı** dikkate almamızı ve hangi kelimelerin birbirleriyle ilişkili olduğunu görmemizi sağlar. Örneğin, *it* gibi zamirlerin hangi kelimelere atıfta bulunduğunu görmemizi ve bağlamı dikkate almamızı sağlar:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Google Blogundan](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) alınan görsel.
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Her giriş pozisyonu bağımsız olarak her çıkış pozisyonuna eşlendiğinde
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers), *BERT-base* için 12 katman ve *BERT-large* için 24 katman içeren çok büyük bir çok katmanlı transformer ağıdır. Model, büyük bir metin veri kümesi (WikiPedia + kitaplar) üzerinde denetimsiz eğitim (bir cümledeki maskelenmiş kelimeleri tahmin etme) kullanılarak önceden eğitilir. Ön eğitim sırasında model, dil anlayışının önemli seviyelerini emer ve bu daha sonra diğer veri kümeleriyle ince ayar yapılarak kullanılabilir. Bu sürece **transfer öğrenme** denir.
|
||||
|
||||
|
||||
|
||||
|
||||
> Görsel [kaynağı](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@ RNN'lerle, dizi-dizi işlemi, bir giriş dizisini gizli bir duruma dönüştüre
|
|||
|
||||
**Dikkat Mekanizmaları**, RNN'nin her bir çıktı tahmini üzerindeki her giriş vektörünün bağlamsal etkisini ağırlıklandırmanın bir yolunu sunar. Bu, giriş RNN'sinin ara durumları ile çıktı RNN'si arasında kısayollar oluşturarak uygulanır. Bu şekilde, çıktı sembolü y<sub>t</sub> üretilirken, farklı ağırlık katsayıları α<sub>t,i</sub> ile tüm giriş gizli durumları h<sub>i</sub> dikkate alınacaktır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Eklemeli dikkat mekanizmasına sahip kodlayıcı-çözücü modeli [Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf) tarafından, [bu blog yazısından](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) alıntıdır.
|
||||
|
||||
Dikkat matris {α<sub>i,j</sub>} belirli giriş kelimelerinin bir çıktı dizisindeki belirli bir kelimenin üretilmesindeki rolünü temsil eder. Aşağıda böyle bir matrisin örneği verilmiştir:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf) (Şekil 3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@ Konumsal gömme ile elde ettiğimiz sonuç, hem orijinal tokenı hem de dizideki
|
|||
|
||||
Sonraki adım, dizimizdeki bazı desenleri yakalamaktır. Bunu yapmak için, transformerlar **kendine dikkat** mekanizmasını kullanır; bu, esasen aynı diziyi girdi ve çıktı olarak uygulanan dikkattir. Kendine dikkati uygulamak, cümle içindeki **bağlamı** dikkate almamızı sağlar ve hangi kelimelerin birbiriyle ilişkili olduğunu görmemize olanak tanır. Örneğin, hangi kelimelerin *o* gibi referanslarla ifade edildiğini görmemizi sağlar ve ayrıca bağlamı dikkate alır:
|
||||
|
||||
|
||||
|
||||
|
||||
> Resim [Google Blogu](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) kaynaklı
|
||||
|
||||
|
|
@ -82,7 +82,7 @@ Her bir giriş konumu bağımsız olarak her bir çıkış konumuna eşlendiğin
|
|||
|
||||
**BERT** (Transformerlardan İkili Kodlayıcı Temsilleri), *BERT-base* için 12 katman ve *BERT-large* için 24 katman içeren çok büyük bir çok katmanlı transformer ağıdır. Model, öncelikle geniş bir metin veri kümesi (WikiPedia + kitaplar) üzerinde denetimsiz eğitim (bir cümlede maskelenmiş kelimeleri tahmin etme) kullanılarak önceden eğitilir. Ön eğitim sırasında model, daha sonra ince ayar ile diğer veri kümeleri ile kullanılabilecek önemli düzeyde dil anlayışı kazanır. Bu süreç **aktarım öğrenimi** olarak adlandırılır.
|
||||
|
||||
|
||||
|
||||
|
||||
> Resim [kaynak](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Dikkat Mekanizmaları**, her bir giriş vektörünün RNN'nin her bir çıktı tahmini üzerindeki bağlamsal etkisini ağırlıklandırmanın bir yolunu sağlar. Bu, giriş RNN'nin ara durumları ile çıkış RNN arasında kısayollar oluşturarak uygulanır. Bu şekilde, çıktı sembolü $y_t$ oluşturulurken, farklı ağırlık katsayıları $\\alpha_{t,i}$ ile tüm giriş gizli durumlarını $h_i$ dikkate alırız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau ve ark., 2015](https://arxiv.org/pdf/1409.0473.pdf) çalışmasından alınan ve [bu blog yazısından](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) alıntılanan eklemeli dikkat mekanizmalı encoder-decoder modeli]*\n",
|
||||
"\n",
|
||||
"Dikkat matrisi $\\{\\alpha_{i,j}\\}$, belirli giriş kelimelerinin çıktı dizisindeki bir kelimenin oluşturulmasında oynadığı rol derecesini temsil eder. Aşağıda böyle bir matrisin örneği verilmiştir:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau ve ark., 2015](https://arxiv.org/pdf/1409.0473.pdf) çalışmasından alınan (Şekil 3)]*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers), *BERT-base* için 12 katman ve *BERT-large* için 24 katman içeren çok büyük bir çok katmanlı transformer ağıdır. Model, büyük bir metin veri kümesi (WikiPedia + kitaplar) üzerinde denetimsiz eğitim (bir cümledeki maskelenmiş kelimeleri tahmin etme) kullanılarak önce önceden eğitilir. Önceden eğitim sırasında model, önemli bir dil anlayışı seviyesini emer ve bu daha sonra diğer veri kümeleriyle ince ayar yapılarak kullanılabilir. Bu sürece **transfer öğrenme** denir.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Transformer mimarilerinin BERT, DistilBERT, BigBird, OpenGPT3 ve daha fazlası gibi birçok varyasyonu vardır ve bunlar ince ayar yapılabilir. [HuggingFace paketi](https://github.com/huggingface/) PyTorch ile bu mimarilerin birçoğunu eğitmek için bir depo sağlar.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Dikkat Mekanizmaları**, her bir giriş vektörünün RNN'nin her bir çıktı tahmini üzerindeki bağlamsal etkisini ağırlıklandırmanın bir yolunu sunar. Bu, giriş RNN'sinin ara durumları ile çıkış RNN'si arasında kısayollar oluşturarak uygulanır. Bu şekilde, $y_t$ çıktı sembolünü üretirken, farklı ağırlık katsayıları $\\alpha_{t,i}$ ile tüm giriş gizli durumlarını $h_i$ dikkate alırız.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf)'teki toplamsal dikkat mekanizmasına sahip kodlayıcı-çözücü modeli, [bu blog yazısından](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) alıntılanmıştır.*\n",
|
||||
"\n",
|
||||
"Dikkat matrisi $\\{\\alpha_{i,j}\\}$, belirli giriş kelimelerinin çıktı dizisindeki bir kelimenin oluşturulmasında ne derece etkili olduğunu temsil eder. Aşağıda böyle bir matrisin örneği verilmiştir:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau ve diğerleri, 2015](https://arxiv.org/pdf/1409.0473.pdf)'ten alınan şekil (Şekil 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -225,7 +225,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers), *BERT-base* için 12 katman ve *BERT-large* için 24 katman içeren çok büyük bir çok katmanlı transformer ağıdır. Model, büyük bir metin veri kümesi (Vikipedi + kitaplar) üzerinde denetimsiz eğitim (bir cümledeki maskelenmiş kelimeleri tahmin etme) kullanılarak önce önceden eğitilir. Ön eğitim sırasında model, önemli bir dil anlama seviyesini öğrenir ve bu bilgi, diğer veri kümeleriyle ince ayar yapılarak kullanılabilir. Bu sürece **transfer öğrenimi** denir.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"BERT, DistilBERT, BigBird, OpenGPT3 ve daha fazlası gibi ince ayar yapılabilen birçok Transformer mimarisi varyasyonu bulunmaktadır.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -57,7 +57,7 @@ bebekte | O
|
|||
|
||||
Tokenler ve sınıflar arasında birebir bir ilişki kurmamız gerektiğinden, bu resimden **çoktan-çoka** bir sinir ağı modeli eğitebiliriz:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Görsel, [Andrej Karpathy](http://karpathy.github.io/) tarafından yazılmış [bu blog yazısından](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) alınmıştır. NER token sınıflandırma modelleri, bu resimdeki en sağdaki ağ mimarisine karşılık gelir.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Doğal Dil İşleme
|
||||
|
||||
|
||||
|
||||
|
||||
Bu bölümde, **Doğal Dil İşleme (NLP)** ile ilgili görevleri çözmek için Sinir Ağlarını kullanmaya odaklanacağız. Bilgisayarların çözmesini istediğimiz birçok NLP problemi bulunmaktadır:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Bir modeli açabilirsiniz, örneğin **Biology → Flocking**.
|
|||
|
||||
Modeli açtıktan sonra, ana NetLogo ekranına yönlendirilirsiniz. İşte sınırlı kaynaklar (ot) göz önüne alındığında kurtlar ve koyunların popülasyonunu açıklayan örnek bir model.
|
||||
|
||||
|
||||
|
||||
|
||||
> Dmitry Soshnikov tarafından ekran görüntüsü
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Genel Bakış
|
||||
|
||||
|
||||
|
||||
|
||||
> Çizim notu: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Transformer modellerinin NLP görevlerini çözmedeki başarısından sonra, ayn
|
|||
|
||||
CLIP'in temel fikri, metin istemlerini bir görüntüyle karşılaştırabilmek ve görüntünün istemle ne kadar iyi eşleştiğini belirlemektir.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Resim [bu blog yazısından](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Bu model önceden eğitildikten sonra, bir grup görüntü ve bir grup metin ist
|
|||
|
||||
Diyelim ki görüntüleri kediler, köpekler ve insanlar arasında sınıflandırmamız gerekiyor. Bu durumda, modele bir görüntü ve bir dizi metin istemi verebiliriz: "*bir kedi resmi*", "*bir köpek resmi*", "*bir insan resmi*". Sonuçta elde edilen 3 olasılık vektöründe en yüksek değere sahip indeksi seçmemiz yeterlidir.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Resim [bu blog yazısından](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ VQGAN hakkında daha fazla bilgi edinmek için [Taming Transformers](https://com
|
|||
|
||||
VQGAN ile geleneksel GAN arasındaki önemli farklardan biri, geleneksel GAN'ın herhangi bir giriş vektöründen düzgün bir görüntü üretebilmesi, ancak VQGAN'ın tutarlı bir görüntü üretme olasılığının düşük olmasıdır. Bu nedenle, görüntü oluşturma sürecini daha fazla yönlendirmemiz gerekir ve bu CLIP kullanılarak yapılabilir.
|
||||
|
||||
|
||||
|
||||
|
||||
Bir metin istemine karşılık gelen bir görüntü oluşturmak için, rastgele bir kodlama vektörüyle başlarız ve bu vektör VQGAN'dan geçirilerek bir görüntü oluşturulur. Daha sonra CLIP, görüntünün metin istemine ne kadar iyi uyduğunu gösteren bir kayıp fonksiyonu üretmek için kullanılır. Amaç, bu kaybı minimize etmek ve geri yayılım kullanarak giriş vektör parametrelerini ayarlamaktır.
|
||||
|
||||
VQGAN+CLIP'i uygulayan harika bir kütüphane [Pixray](http://github.com/pixray/pixray)'dir.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
*Edebiyat öğretmeni olan genç bir erkeğin kitapla yakın çekim suluboya portresi* isteminden üretilen resim | *Bilgisayar bilimi öğretmeni olan genç bir kadının bilgisayarla yakın çekim yağlı boya portresi* isteminden üretilen resim | *Matematik öğretmeni olan yaşlı bir erkeğin kara tahta önünde yakın çekim yağlı boya portresi* isteminden üretilen resim
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-24T23:13:16+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T10:33:21+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "tw"
|
||||
}
|
||||
|
|
@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
|
|
@ -21,116 +21,116 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
# 人工智慧入門課程
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _速寫筆記 由 [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| 人工智慧入門 - _速寫筆記 作者 [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
探索 **人工智慧**（AI）的世界，透過我們為期 12 週、共 24 節課的課程！它包含實作課程、測驗與實驗。課程對初學者友善，涵蓋像 TensorFlow 和 PyTorch 等工具，以及 AI 倫理議題。
|
||||
探索 **人工智慧**（AI）的世界，透過我們為期 12 週、共 24 節課的課程！課程包含實作課程、測驗與實驗室練習。課程適合初學者，涵蓋 TensorFlow 與 PyTorch 等工具，以及 AI 倫理議題。
|
||||
|
||||
### 🌐 多語言支援
|
||||
|
||||
#### 透過 GitHub Action 支援（自動且隨時更新）
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語（緬甸）](../my/README.md) | [中文（簡體）](../zh/README.md) | [中文（繁體，香港）](../hk/README.md) | [中文（繁體，澳門）](../mo/README.md) | [中文（繁體，台灣）](./README.md) | [克羅地亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印尼語](../id/README.md) | [義大利語](../it/README.md) | [日語](../ja/README.md) | [坎納達語](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [尼日利亞皮欽語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語（Farsi）](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語（巴西）](../br/README.md) | [葡萄牙語（葡萄牙）](../pt/README.md) | [旁遮普語（Gurmukhi）](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語（西里爾字母）](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛維尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [他加祿語（菲律賓）](../tl/README.md) | [泰米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md)
|
||||
[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語 (Myanmar)](../my/README.md) | [中文（簡體）](../zh/README.md) | [中文（繁體，香港）](../hk/README.md) | [中文（繁體，澳門）](../mo/README.md) | [中文（繁體，台灣）](./README.md) | [克羅埃西亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印度尼西亞語](../id/README.md) | [義大利語](../it/README.md) | [日語](../ja/README.md) | [卡納達語](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [尼日利亞洋涇浜語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語（Farsi）](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語（巴西）](../br/README.md) | [葡萄牙語（葡萄牙）](../pt/README.md) | [旁遮普語（Gurmukhi）](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語（西里爾）](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛文尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [他加祿語（菲律賓）](../tl/README.md) | [坦米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**如果您希望加入額外的翻譯語言，支援清單列在 [這裡](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**如果您希望新增其他翻譯，支援的語言列在 [這裡](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## 加入社群
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## 您將學到什麼
|
||||
## 您將學到的內容
|
||||
|
||||
**[課程心智圖](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
在本課程中，您將學習：
|
||||
在本課程中，您將學習到：
|
||||
|
||||
* 不同的人工智慧方法，包括以「符號」為主的傳統方法，使用 **知識表示** 與推理（[GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)）。
|
||||
* 位於現代 AI 核心的 **神經網路** 與 **深度學習**。我們將使用兩個最受歡迎的框架（[TensorFlow](http://Tensorflow.org) 和 [PyTorch](http://pytorch.org)）中的程式碼來說明這些重要主題背後的概念。
|
||||
* 用於處理影像與文本的 **神經架構**。我們會涵蓋近期的模型，但在最新研究方面可能略有不足。
|
||||
* 較少見的 AI 方法，例如 **遺傳演算法** 與 **多代理系統**。
|
||||
* 不同的人工智慧方法，包括老派的符號式方法（具有 **知識表示** 與推理），([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))。
|
||||
* **神經網路**與**深度學習**，它們是現代 AI 的核心。我們將使用兩個最受歡迎的框架中的程式碼來說明這些重要主題背後的概念 - [TensorFlow](http://Tensorflow.org) 與 [PyTorch](http://pytorch.org)。
|
||||
* 用於處理影像和文字的**神經架構**。我們將涵蓋近期的模型，但在最先進技術方面可能會有些不足。
|
||||
* 較少見的 AI 方法，例如 **遺傳演算法** 與 **多智能體系統**。
|
||||
|
||||
本課程不會涵蓋的內容：
|
||||
|
||||
> [在我們的 Microsoft Learn 集合中可以找到本課程的所有額外資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [在我們的 Microsoft Learn 集合中，找到本課程的所有額外資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* 使用 **AI 在商業上的案例**。建議參考 Microsoft Learn 上的 [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 課程路徑，或與 [INSEAD](https://www.insead.edu/) 合作開發的 [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。
|
||||
* **經典機器學習**，已在我們的 [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) 中有很好的描述。
|
||||
* 使用 **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 建構的實務 AI 應用。對此，我們建議您先從 Microsoft Learn 的 [視覺](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)、[自然語言處理](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)、**[使用 Azure OpenAI Service 的生成式 AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** 等模組開始學習。
|
||||
* 特定的機器學習 **雲端框架**，例如 [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)、或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。建議參考 [使用 Azure Machine Learning 構建並操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) 及 [使用 Azure Databricks 構建並操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) 這兩條學習路徑。
|
||||
* **對話式 AI** 與 **聊天機器人**。有一條單獨的學習路徑 [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum)，您也可以參考 [這篇部落格文章](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) 以取得更多細節。
|
||||
* 深入的 **深度學習數學**。對此，我們建議參考 Ian Goodfellow、Yoshua Bengio 與 Aaron Courville 的《Deep Learning》（可線上取得：[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)）。
|
||||
* 在商業中使用 **AI in Business** 的實務案例。建議參考 Microsoft Learn 上的 [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，或與 [INSEAD](https://www.insead.edu/) 合作開發的 [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。
|
||||
* **經典的機器學習**，我們在 [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) 中已有詳細說明。
|
||||
* 使用 **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 建置的實務 AI 應用。對此，我們建議您從 Microsoft Learn 的影像相關模組（[vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)）、[自然語言處理](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum) 與 **[使用 Azure OpenAI 服務的生成式 AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** 等模組開始。
|
||||
* 特定的機器學習 **雲端框架**，例如 [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) 或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。建議使用 [使用 Azure Machine Learning 建置與操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) 與 [使用 Azure Databricks 建置與操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) 的學習路徑。
|
||||
* **對話式 AI** 與 **聊天機器人**。有獨立的 [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，您也可以參考 [這篇部落格文章](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) 以獲得更多細節。
|
||||
* 深入的深度學習數學基礎。對此，我們建議參考 Ian Goodfellow、Yoshua Bengio 與 Aaron Courville 的著作 [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)，該書也可線上取得：[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)。
|
||||
|
||||
若要溫和地介紹「雲端中的 AI」主題，您可以考慮修習 [在 Azure 上開始使用人工智慧](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) 的學習路徑。
|
||||
想要溫和地入門「雲端上的 AI」主題，您可以考慮學習 [在 Azure 上開始使用人工智慧](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) 的學習路徑。
|
||||
|
||||
# 內容
|
||||
|
||||
| | 課程連結 | PyTorch/Keras/TensorFlow | 實驗 |
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [課程設定](./lessons/0-course-setup/setup.md) | [設定您的開發環境](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**人工智慧導論**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [人工智慧的介紹與歷史](./lessons/1-Intro/README.md) | - | - |
|
||||
| I | [**人工智慧介紹**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [人工智慧簡介與歷史](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **符號式 AI** |
|
||||
| 02 | [知識表示與專家系統](./lessons/2-Symbolic/README.md) | [專家系統](./lessons/2-Symbolic/Animals.ipynb) / [本體論](./lessons/2-Symbolic/FamilyOntology.ipynb) /[概念圖](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**神經網路導論**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| III | [**神經網路介紹**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [感知器](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [筆記本](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [實作](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [多層感知器與建立我們自己的框架](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [筆記本](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [實作](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [框架入門 (PyTorch/TensorFlow) 與過擬合](./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) | [實作](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**電腦視覺**](./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)| [在 Microsoft Azure 上探索電腦視覺](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [電腦視覺入門。OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [筆記本](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [實作](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [卷積神經網路](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN 架構](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [實作](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [預訓練網路與遷移學習](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [訓練技巧](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [實作](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [自動編碼器與變分自動編碼器 (VAE)](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 08 | [預訓練網路與轉移學習](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [訓練技巧](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [實作](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [自編碼器與變分自編碼器 (VAE)](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [生成對抗網路與藝術風格轉換](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [物件偵測](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [實作](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [語意分割。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 | [**自然語言處理**](./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) | [在 Microsoft Azure 上探索自然語言處理](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [文字表示。詞袋 (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) | |
|
||||
| 13 | [文字表示。Bag-of-Words/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 | [語意詞向量。Word2Vec 與 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 | [語言模型。訓練自己的詞向量](./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) | [實作](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 15 | [語言模型。訓練你自己的詞向量](./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) | [實作](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [循環神經網路](./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 | [生成式循環網路](./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) | [實作](./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) | |
|
||||
| 17 | [生成型循環網路](./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) | [實作](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer。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 | [命名實體識別](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [實作](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [大型語言模型、提示程式設計與少量學習任務](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **其他 AI 技術** || |
|
||||
| 21 | [遺傳演算法](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [筆記本](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 20 | [大型語言模型、提示程式設計與少量範例任務](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | [**其他 AI 技術**] || |
|
||||
| 21 | [基因演算法](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [筆記本](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [深度強化學習](./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) | [實作](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [多代理系統](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI 倫理** | | |
|
||||
| 24 | [AI 倫理與負責任的人工智慧](./lessons/7-Ethics/README.md) | [Microsoft Learn：負責任的 AI 原則](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **額外內容** | | |
|
||||
| VII | [**AI 倫理**] | | |
|
||||
| 24 | [AI 倫理與負責任的 AI](./lessons/7-Ethics/README.md) | [Microsoft Learn：負責任 AI 原則](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | [**額外內容**] | | |
|
||||
| 25 | [多模態網路、CLIP 與 VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [筆記本](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## 每堂課包含
|
||||
|
||||
* 課前閱讀材料
|
||||
* 可執行的 Jupyter 筆記本，通常依框架區分（**PyTorch** 或 **TensorFlow**）。可執行筆記本也包含大量理論內容，因此要理解主題，你需要至少閱讀其中一個版本的筆記本（PyTorch 或 TensorFlow）。
|
||||
* **實作**：部分主題提供實作練習，讓你有機會嘗試將所學應用於特定問題。
|
||||
* 部分章節包含連結到 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 的模組，涵蓋相關主題。
|
||||
* 預讀材料
|
||||
* 可執行的 Jupyter 筆記本，經常針對特定框架（**PyTorch** 或 **TensorFlow**）。可執行的筆記本也包含大量理論內容，因此要理解該主題，你需要至少通讀其中一個版本的筆記本（PyTorch 或 TensorFlow）。
|
||||
* 某些主題提供 **實作**，讓你有機會將所學應用於特定問題。
|
||||
* 部分章節包含指向 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 的模組連結，涵蓋相關主題。
|
||||
|
||||
## 開始使用
|
||||
|
||||
### 🎯 新手入門 AI？從這裡開始！
|
||||
### 🎯 AI 新手？從這裡開始！
|
||||
|
||||
如果你完全沒接觸過 AI，想要快速、實作導向的範例，請查看我們的 [**入門範例**](./examples/README.md)！這些包括：
|
||||
如果你完全是 AI 新手，想要快速、實作範例，可查看我們的 [**初學者友善範例**](./examples/README.md)！這些範例包括：
|
||||
|
||||
- 🌟 **Hello AI World** - 你的第一個 AI 程式（模式辨識）
|
||||
- 🧠 **Simple Neural Network** - 從頭建立一個神經網路
|
||||
- 🖼️ **Image Classifier** - 使用詳細註解進行影像分類
|
||||
- 💬 **文字情感** - 分析正面/負面文字
|
||||
- 💬 **文字情緒分析** - 分析正面/負面文字
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 完整課程設定
|
||||
|
||||
- 我們已建立一個 [設定課程](./lessons/0-course-setup/setup.md) 以協助你設定開發環境。 - 對教育者，我們也為你建立了一個 [教師用課程設定教學](./lessons/0-course-setup/for-teachers.md)！
|
||||
- 如何在 [VSCode 或 Codepace 中執行程式碼](./lessons/0-course-setup/how-to-run.md)
|
||||
- We have created a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [課程設定教學](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- 如何 [在 VSCode 或 Codepace 中執行程式碼](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
請依照以下步驟：
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
|
|
@ -140,25 +140,25 @@ Don't forget to star (🌟) this repo to find it easier later.
|
|||
|
||||
## 認識其他學習者
|
||||
|
||||
加入我們的 [官方 AI Discord 伺服器](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum)，與其他參與本課程的學習者交流、建立人脈並獲得支援。
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
如果在建置時有產品回饋或問題，請造訪我們的 [Azure AI Foundry 開發者論壇](https://aka.ms/foundry/forum)
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## 測驗
|
||||
## 小測驗
|
||||
|
||||
> **關於測驗的一則說明**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [線上在此](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
> **關於小測驗的說明**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [線上在此](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## 尋求協助
|
||||
## 需要協助
|
||||
|
||||
你有建議或發現拼字或程式碼錯誤嗎？Raise an issue or create a pull request.
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## 特別感謝
|
||||
|
||||
* **✍️ 主要作者:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 編輯:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 手繪筆記插畫者:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ 測驗建立者:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 核心貢獻者:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ 主要作者：** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 編輯：** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 手繪速寫插畫：** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ 測驗創作者：** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 核心貢獻者：** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## 其他課程
|
||||
|
||||
|
|
@ -166,51 +166,51 @@ Our team produces other curricula! Check out:
|
|||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### 生成式 AI 系列
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Generative AI Series
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### 核心學習
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Core Learning
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot 系列
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
### Copilot Series
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## 取得協助
|
||||
## 尋求協助
|
||||
|
||||
如果你卡住或對建置 AI 應用有任何問題，請加入學習者與資深開發者的討論（關於 MCP）。這是一個友善的社群，歡迎提出問題並自由分享知識。
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
如果在建置時有產品回饋或錯誤，請造訪：
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
|
|
@ -218,5 +218,5 @@ Our team produces other curricula! Check out:
|
|||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
免責聲明：
|
||||
本文件係使用 AI 翻譯服務 Co-op Translator (https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們力求準確，但請注意，自動翻譯可能包含錯誤或不精確之處。原始語言的文件應視為具權威性的來源。對於重要或關鍵資訊，建議採用專業人工翻譯。本公司不對因使用本翻譯而產生的任何誤解或誤譯承擔責任。
|
||||
本文件由 AI 翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們力求準確，但請注意自動翻譯可能包含錯誤或不精確之處。原始語言的文件應視為具權威性的版本。對於關鍵資訊，建議採用專業人工翻譯。因使用本翻譯而導致的任何誤解或錯誤詮釋，我們概不負責。
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 人工智慧簡介
|
||||
|
||||
|
||||
|
||||
|
||||
> 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
最初，電腦由 [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) 發明，用來根據明確定義的程序（演算法）操作數字。現代電腦雖然比19世紀提出的原型複雜得多，但仍然遵循受控計算的理念。因此，只要我們知道達成目標所需的精確步驟，就可以編程讓電腦完成某些事情。
|
||||
|
||||
|
||||
|
||||
|
||||
> 照片由 [Vickie Soshnikova](http://twitter.com/vickievalerie) 提供
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
在討論**[智能](https://en.wikipedia.org/wiki/Intelligence)**這個術語時，其中一個問題是我們對此並沒有明確的定義。有人可能認為智能與**抽象思維**或**自我意識**相關，但我們無法準確定義它。
|
||||
|
||||
|
||||
|
||||
|
||||
> [照片](https://unsplash.com/photos/75715CVEJhI)由 [Amber Kipp](https://unsplash.com/@sadmax) 提供，來自 Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> | 那機器學習呢？ | |
|
||||
> |--------------|-----------|
|
||||
> | 基於電腦通過某些數據學習解決問題的人工智慧部分稱為**機器學習**。我們不會在本課程中考慮傳統機器學習——我們推薦您參考單獨的 [機器學習初學者課程](http://aka.ms/ml-beginners)。 |  |
|
||||
> | 基於電腦通過某些數據學習解決問題的人工智慧部分稱為**機器學習**。我們不會在本課程中考慮傳統機器學習——我們推薦您參考單獨的 [機器學習初學者課程](http://aka.ms/ml-beginners)。 |  |
|
||||
|
||||
## 人工智慧的簡史
|
||||
|
||||
人工智慧作為一個領域始於20世紀中期。最初，符號推理是主要方法，並取得了一些重要成功，例如專家系統——能夠在某些有限問題領域中充當專家的電腦程序。然而，很快就發現這種方法的可擴展性不佳。從專家中提取知識、在電腦中表示知識並保持知識庫的準確性，事實證明是一項非常複雜且在許多情況下成本過高的任務。這導致了1970年代的所謂[人工智慧寒冬](https://en.wikipedia.org/wiki/AI_winter)。
|
||||
|
||||
<img alt="人工智慧簡史" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.tw.png" width="70%"/>
|
||||
<img alt="人工智慧簡史" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.tw.png" width="70%"/>
|
||||
|
||||
> 圖片由 [Dmitry Soshnikov](http://soshnikov.com) 提供
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* 現代助理，例如 Cortana、Siri 或 Google Assistant，都是混合系統，使用神經網路將語音轉換為文本並識別我們的意圖，然後採用一些推理或明確算法執行所需操作。
|
||||
* 未來，我們可能期待一個完全基於神經網路的模型能夠自行處理對話。最近的 GPT 和 [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) 神經網路系列顯示了巨大的成功。
|
||||
|
||||
<img alt="圖靈測試的演變" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.tw.png" width="70%"/>
|
||||
<img alt="圖靈測試的演變" src="../../../../translated_images/turing-test-evol.4184696701293ead.tw.png" width="70%"/>
|
||||
> 圖片由 Dmitry Soshnikov 提供，[照片](https://unsplash.com/photos/r8LmVbUKgns) 由 [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto) 提供，Unsplash
|
||||
|
||||
## 最近的人工智慧研究
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 知識表示與專家系統
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote by [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
因此，**知識表示**的問題是找到某種有效的方法，將知識以數據的形式表示在計算機中，使其能夠自動使用。這可以看作是一個光譜：
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Python | 區塊語法 | 縮排
|
|||
|
||||
符號 AI 的早期成功之一是所謂的**專家系統**——設計用於在某些有限問題領域中充當專家的計算機系統。它們基於從一位或多位人類專家提取的**知識庫**，並包含一個在其上進行推理的**推理引擎**。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----------------------------------|----------------------------------------
|
||||
人類神經系統的簡化結構 | 基於知識的系統架構
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Python | 區塊語法 | 縮排
|
|||
|
||||
例如，讓我們考慮以下基於動物物理特徵的專家系統：
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
考慮以下近似 5 個點的問題（圖中的 `x` 表示點）：
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**線性模型，2 個參數** | **非線性模型，7 個參數**
|
||||
訓練誤差 = 5.3 | 訓練誤差 = 0
|
||||
|
|
@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
從上圖可以看出，過擬合可以通過非常低的訓練誤差和非常高的驗證誤差來檢測。通常在訓練過程中，我們會看到訓練誤差和驗證誤差都開始下降，但在某個時候，驗證誤差可能停止下降並開始上升。這將是過擬合的跡象，表明我們應該停止訓練（或者至少保存模型的快照）。
|
||||
|
||||
|
||||
|
||||
|
||||
## 如何防止過擬合
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 神經網路簡介
|
||||
|
||||
|
||||
|
||||
|
||||
如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這一方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
從生物學中，我們知道大腦由神經細胞（神經元）組成，每個神經元有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都能傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這些導電性由神經遞質調節。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
|
||||
|
||||
因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.tw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
其中 f 是某種非線性的**激活函數**。
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
* **預處理盲文書的照片**。我們專注於如何使用閾值處理、特徵檢測、透視變換和 NumPy 操作來分離單個盲文符號，以便進一步由神經網路進行分類。
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> 圖片來自 [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **使用幀差檢測影片中的運動**。如果相機是固定的，那麼相機畫面中的幀應該彼此非常相似。由於幀被表示為陣列，只需對兩個連續幀的陣列進行相減，我們就能得到像素差異，靜態幀的差異應該很低，而當影像中有顯著運動時，差異會變高。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來自 [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
- **密集光流** 計算每個像素的移動向量場
|
||||
- **稀疏光流** 基於影像中的一些顯著特徵（例如邊緣），並從幀到幀構建它們的軌跡。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來自 [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 是一個在 2014 年 ImageNet top-5 分類中達到 92.7% 準確率的網路。它的層結構如下：
|
||||
|
||||
|
||||
|
||||
|
||||
如圖所示，VGG 採用了傳統的金字塔架構，也就是一系列的卷積-池化層。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
為了提取模式，我們將使用**卷積濾波器**的概念。正如你所知，圖像是由一個二維矩陣或具有顏色深度的三維張量表示的。應用濾波器意味著我們取一個相對較小的**濾波器核**矩陣，並對原始圖像中的每個像素與其鄰近點進行加權平均。我們可以將其視為一個小窗口滑過整個圖像，並根據濾波器核矩陣中的權重對所有像素進行平均。
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> 圖片來源：Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ CNN 的工作方式基於以下重要思想：
|
|||
* 我們可以設計網絡，使濾波器能夠自動訓練
|
||||
* 我們可以使用相同的方法來在高層次特徵中找到模式，而不僅僅是在原始圖像中。因此，CNN 的特徵提取在特徵的層次結構中工作，從低層次的像素組合開始，到更高層次的圖像部分組合。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Hislop-Lynch 的論文](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d)，基於[他們的研究](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CNN 的工作方式基於以下重要思想：
|
|||
|
||||
例如，讓我們看看 VGG-16 的架構，這是一個在 2014 年 ImageNet 的 top-5 分類中達到 92.7% 準確率的網絡：
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
我們將使用 [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/)，該數據集包含 37 種不同品種的狗和貓的圖片。
|
||||
|
||||
|
||||
|
||||
|
||||
要下載數據集，請使用以下程式碼片段：
|
||||
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見
|
|||
|
||||
以下是 VGG-16 網路從一張貓的圖片中提取的特徵示例：
|
||||
|
||||
|
||||
|
||||
|
||||
## 貓與狗數據集
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見
|
|||
|
||||
我們可以採取的一種方法是從一張隨機圖像開始，然後嘗試使用**梯度下降優化**技術調整該圖像，使得網路認為它是一隻貓。
|
||||
|
||||
|
||||
|
||||
|
||||
然而，如果我們這樣做，我們會得到一些非常接近隨機噪聲的東西。這是因為*有很多方法可以讓網路認為輸入圖像是一隻貓*，其中一些方法在視覺上並不合理。雖然這些圖像包含了許多典型於貓的模式，但並沒有任何約束使它們在視覺上具有辨識度。
|
||||
|
||||
為了改善結果，我們可以在損失函數中添加另一個項，稱為**變異損失**。這是一種衡量圖像中相鄰像素相似程度的指標。最小化變異損失可以使圖像更平滑，並消除噪聲——從而揭示出更具視覺吸引力的模式。以下是一些這樣的「理想」圖像的例子，它們被高概率地分類為貓和斑馬：
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*理想貓* | *理想斑馬*
|
||||
|
||||
類似的方法可以用來對神經網路進行所謂的**對抗性攻擊**。假設我們想要欺騙神經網路，讓一隻狗看起來像一隻貓。如果我們拿一張狗的圖片，該圖片被網路識別為狗，然後稍微調整它，使用梯度下降優化，直到網路開始將其分類為貓：
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*原始狗圖片* | *被分類為貓的狗圖片*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
由於我們訓練自動編碼器以捕捉原始圖像中的盡可能多的信息以進行準確重建，網絡會嘗試找到最佳的**嵌入**來捕捉輸入圖像的含義。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Keras 博客](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[YOLO v2 網站](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. 對每個區塊進行影像分類。
|
||||
3. 對於分類結果有足夠高信心的區塊，可以認為包含目標物件。
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來源：[練習筆記本](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 包含 20 個類別
|
||||
* [COCO](http://cocodataset.org/#home) - 常見物件的上下文。包含 80 個類別、邊界框和分割遮罩
|
||||
|
||||
|
||||
|
||||
|
||||
## 物件偵測的評估指標
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
在影像分類中，衡量算法表現相對簡單；但在物件偵測中，我們需要同時衡量類別的正確性以及推測邊界框位置的精確性。對於後者，我們使用所謂的**交集比聯集** (IoU)，它衡量兩個框（或任意兩個區域）的重疊程度。
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來源：[這篇優秀的 IoU 部落格文章](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ $$
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) 使用[選擇性搜索](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf)生成 ROI 區域的層次結構，然後通過 CNN 特徵提取器和 SVM 分類器來確定物件類別，並通過線性回歸確定*邊界框*座標。[官方論文](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來源：van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來源：[這篇部落格](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ $$
|
|||
|
||||
這種方法與 R-CNN 類似，但區域是在卷積層應用後定義的。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[官方論文](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf)，[arXiv](https://arxiv.org/pdf/1504.08083.pdf)，2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ $$
|
|||
|
||||
這種方法的主要思想是使用神經網路來預測 ROI，即所謂的*區域提案網路* (Region Proposal Network)。[論文](https://arxiv.org/pdf/1506.01497.pdf)，2016
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[官方論文](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ $$
|
|||
2. 特徵通過**位置敏感分數圖** (Position-Sensitive Score Map) 處理。每個類別 $C$ 的物件被分成 $k\times k$ 區域，我們訓練模型來預測物件的部分。
|
||||
3. 對於 $k\times k$ 區域中的每個部分，所有網路對物件類別進行投票，選擇投票最多的物件類別。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[官方論文](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO 是一種即時的一次通過算法。主要思想如下：
|
|||
* 將圖片分成 $S\times S$ 區域。
|
||||
* 對每個區域，**CNN** 預測 $n$ 個可能的物件、*邊界框*座標以及*信心值*=*概率* * IoU。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[官方論文](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 電腦視覺
|
||||
|
||||
|
||||
|
||||
|
||||
在本節中，我們將學習以下內容：
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
通過在分類器網絡中使用嵌入層作為第一層，我們可以從詞袋模型切換到 **嵌入袋** 模型。在嵌入袋模型中，我們首先將文本中的每個詞轉換為相應的嵌入，然後對所有嵌入計算某種聚合函數，例如 `sum`、`average` 或 `max`。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片由作者提供
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
CBoW 訓練速度更快，而 Skip-Gram 雖然較慢，但在表示不常見詞方面效果更好。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[這篇論文](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **連續詞袋模型** (CBoW)，在詞元序列 $W_{-N}$, ..., $W_N$ 中預測中間的詞元 $W_0$。
|
||||
* **Skip-gram**，通過中間詞元 $W_0$ 預測一組相鄰的詞元 {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$}。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[這篇論文](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
為了捕捉文本序列的意義，我們需要使用另一種神經網絡架構，稱為**循環神經網絡**（Recurrent Neural Network，簡稱 RNN）。在 RNN 中，我們將句子逐個符號地傳遞給網絡，網絡會生成某種**狀態**，然後將該狀態與下一個符號一起再次傳遞給網絡。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片由作者提供
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ LSTM 網絡的組織方式與 RNN 類似，但有兩個狀態會從層到層傳
|
|||
|
||||
循環網絡（無論是單向還是雙向）能夠捕捉序列中的某些模式，並將它們存儲到狀態向量中或傳遞到輸出中。與卷積網絡類似，我們可以在第一層之上構建另一個循環層，以捕捉更高層次的模式，並基於第一層提取的低層次模式進行構建。這引出了**多層 RNN** 的概念，它由兩個或更多循環網絡組成，其中前一層的輸出作為輸入傳遞到下一層。
|
||||
|
||||
|
||||
|
||||
|
||||
*圖片來自 Fernando López 的[這篇精彩文章](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3)*
|
||||
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
這使得不同的神經網絡架構成為可能，如下圖所示：
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來源：[Andrej Karpaty](http://karpathy.github.io/) 的博客文章 [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
我們將訓練這個 RNN 逐步生成文本。在每一步中，我們將取一個長度為 `nchars` 的字符序列，並要求網絡為每個輸入字符生成下一個輸出字符：
|
||||
|
||||
|
||||
|
||||
|
||||
在生成文本（推理過程中），我們從某個**提示**開始，將其通過 RNN 單元生成中間狀態，然後從該狀態開始生成。我們一次生成一個字符，並將狀態和生成的字符傳遞給另一個 RNN 單元以生成下一個字符，直到生成足夠的字符。
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**注意機制**提供了一種方法，能夠對每個輸入向量對RNN輸出預測的上下文影響進行加權。其實現方式是通過在輸入RNN的中間狀態和輸出RNN之間建立捷徑。在生成輸出符號y<sub>t</sub>時，我們會考慮所有輸入隱藏狀態h<sub>i</sub>，並賦予不同的權重係數α<sub>t,i</sub>。
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)中的加性注意機制編碼器-解碼器模型，引用自[這篇博客文章](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
注意矩陣{α<sub>i,j</sub>}表示某些輸入詞在生成輸出序列中的某個詞時所起的作用程度。以下是一個這樣的矩陣示例：
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來自[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)（圖3）
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Transformer的主要理念之一是避免RNN的序列特性，並創建一個在
|
|||
|
||||
接下來，我們需要捕捉序列中的一些模式。為此，Transformer使用了**自注意機制**，這本質上是將注意機制應用於相同的輸入和輸出序列。應用自注意機制使我們能夠考慮句子中的**上下文**，並查看哪些詞是相互關聯的。例如，它使我們能夠看到哪些詞是由指代詞（如*它*）指代的，並且能夠考慮上下文：
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片來自[Google的博客](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Transformer的主要理念之一是避免RNN的序列特性，並創建一個在
|
|||
|
||||
**BERT**（Bidirectional Encoder Representations from Transformers）是一個非常大的多層Transformer網絡，*BERT-base*有12層，*BERT-large*有24層。該模型首先在大規模文本數據（維基百科+書籍）上進行無監督訓練（預測句子中的被遮蔽詞）。在預訓練過程中，模型吸收了大量的語言理解能力，這些能力可以通過微調其他數據集來利用。這個過程稱為**遷移學習**。
|
||||
|
||||
|
||||
|
||||
|
||||
> 圖片[來源](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ NER 模型本質上是 **標記分類模型**，因為對於每個輸入的標
|
|||
|
||||
由於我們需要在標記和類別之間建立一對一的對應關係，我們可以從這張圖中訓練一個右側的 **多對多** 神經網絡模型：
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來自 [這篇部落格文章](http://karpathy.github.io/2015/05/21/rnn-effectiveness/)，作者為 [Andrej Karpathy](http://karpathy.github.io/)。NER 標記分類模型對應於圖片中最右側的網絡架構。*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 自然語言處理
|
||||
|
||||
|
||||
|
||||
|
||||
在本章節中，我們將專注於使用神經網絡來處理與**自然語言處理 (NLP)**相關的任務。我們希望電腦能夠解決許多NLP問題：
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ NetLogo的一大優點是它包含一個可供試用的工作模型庫。進入*
|
|||
|
||||
打開模型後，你會進入NetLogo的主界面。以下是一個描述狼和羊的種群模型，給定有限資源（草地）。
|
||||
|
||||
|
||||
|
||||
|
||||
> Dmitry Soshnikov提供的截圖
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# 概覽
|
||||
|
||||
|
||||
|
||||
|
||||
> 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
CLIP 的主要理念是能夠比較文本提示與圖像，並確定圖像與提示的匹配程度。
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來自[這篇博客文章](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ CLIP 模型/庫可以從 [OpenAI GitHub](https://github.com/openai/CLIP) 獲取
|
|||
|
||||
假設我們需要將圖像分類為貓、狗和人類。在這種情況下，我們可以給模型一張圖像，以及一系列文本提示：“*一張貓的圖片*”、“*一張狗的圖片*”、“*一張人類的圖片*”。在結果的 3 個概率向量中，我們只需選擇值最高的索引。
|
||||
|
||||
|
||||
|
||||
|
||||
> *圖片來自[這篇博客文章](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ VQGAN 與普通 [GAN](../../4-ComputerVision/10-GANs/README.md) 的主要區別
|
|||
|
||||
VQGAN 與傳統 GAN 的一個重要區別在於，後者可以從任何輸入向量生成一張像樣的圖像，而 VQGAN 可能生成一張不連貫的圖像。因此，我們需要進一步引導圖像創建過程，而這可以通過 CLIP 完成。
|
||||
|
||||
|
||||
|
||||
|
||||
為了生成與文本提示相對應的圖像，我們從一些隨機編碼向量開始，將其傳遞給 VQGAN 以生成圖像。然後使用 CLIP 生成一個損失函數，該函數顯示圖像與文本提示的匹配程度。目標是最小化這個損失，通過反向傳播調整輸入向量參數。
|
||||
|
||||
一個實現 VQGAN+CLIP 的優秀庫是 [Pixray](http://github.com/pixray/pixray)
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
由提示 *一幅年輕男性文學教師手持書本的水彩特寫肖像* 生成的圖片 | 由提示 *一幅年輕女性計算機科學教師手持電腦的油畫特寫肖像* 生成的圖片 | 由提示 *一幅年長男性數學教師站在黑板前的油畫特寫肖像* 生成的圖片
|
||||
|
||||
|
|
|
|||
|
|
@ -1,17 +1,17 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:45:57+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T13:32:19+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "uk"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
|
|
@ -19,116 +19,116 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Штучний інтелект для початківців — Навчальна програма
|
||||
# Штучний інтелект для початківців — навчальна програма
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Штучний інтелект для початківців - _Скетчнот від [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| Штучний інтелект для початківців - _Ескіз від [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Дослідіть світ **Штучного інтелекту** (AI) за допомогою нашої 12-тижневої, 24-урочної навчальної програми! Вона містить практичні уроки, вікторини та лабораторні роботи. Програма підходить для початківців і охоплює інструменти, такі як TensorFlow і PyTorch, а також етику в AI
|
||||
Explore the world of **штучного інтелекту** (ШІ) with our 12-week, 24-lesson curriculum! Вона включає практичні уроки, тести та лабораторні роботи. The curriculum is beginner-friendly and covers tools like TensorFlow and PyTorch, as well as ethics in AI
|
||||
|
||||
### 🌐 Підтримка кількох мов
|
||||
|
||||
#### Підтримується через GitHub Action (автоматично та завжди оновлюється)
|
||||
#### Підтримується через GitHub Action (автоматизовано та завжди актуально)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Арабська](../ar/README.md) | [Бенгальська](../bn/README.md) | [Болгарська](../bg/README.md) | [Бірманська (Мʼянма)](../my/README.md) | [Китайська (спрощена)](../zh/README.md) | [Китайська (традиційна, Гонконг)](../hk/README.md) | [Китайська (традиційна, Макао)](../mo/README.md) | [Китайська (традиційна, Тайвань)](../tw/README.md) | [Хорватська](../hr/README.md) | [Чеська](../cs/README.md) | [Данська](../da/README.md) | [Нідерландська](../nl/README.md) | [Естонська](../et/README.md) | [Фінська](../fi/README.md) | [Французька](../fr/README.md) | [Німецька](../de/README.md) | [Грецька](../el/README.md) | [Іврит](../he/README.md) | [Гінді](../hi/README.md) | [Угорська](../hu/README.md) | [Індонезійська](../id/README.md) | [Італійська](../it/README.md) | [Японська](../ja/README.md) | [Каннада](../kn/README.md) | [Корейська](../ko/README.md) | [Литовська](../lt/README.md) | [Малайська](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхі](../mr/README.md) | [Непальська](../ne/README.md) | [Нігерійський підин](../pcm/README.md) | [Норвезька](../no/README.md) | [Перська (фарсі)](../fa/README.md) | [Польська](../pl/README.md) | [Португальська (Бразилія)](../br/README.md) | [Португальська (Португалія)](../pt/README.md) | [Пенджабі (гурмухі)](../pa/README.md) | [Румунська](../ro/README.md) | [Російська](../ru/README.md) | [Сербська (кирилиця)](../sr/README.md) | [Словацька](../sk/README.md) | [Словенська](../sl/README.md) | [Іспанська](../es/README.md) | [Свахілі](../sw/README.md) | [Шведська](../sv/README.md) | [Тагальська (філіппінська)](../tl/README.md) | [Таміл](../ta/README.md) | [Телугу](../te/README.md) | [Тайська](../th/README.md) | [Турецька](../tr/README.md) | [Українська](./README.md) | [Урду](../ur/README.md) | [Вʼєтнамська](../vi/README.md)
|
||||
[Арабська](../ar/README.md) | [Бенгальська](../bn/README.md) | [Болгарська](../bg/README.md) | [Бірманська (М'янма)](../my/README.md) | [Китайська (спрощена)](../zh/README.md) | [Китайська (традиційна, Гонконг)](../hk/README.md) | [Китайська (традиційна, Макао)](../mo/README.md) | [Китайська (традиційна, Тайвань)](../tw/README.md) | [Хорватська](../hr/README.md) | [Чеська](../cs/README.md) | [Данська](../da/README.md) | [Нідерландська](../nl/README.md) | [Естонська](../et/README.md) | [Фінська](../fi/README.md) | [Французька](../fr/README.md) | [Німецька](../de/README.md) | [Грецька](../el/README.md) | [Іврит](../he/README.md) | [Хінді](../hi/README.md) | [Угорська](../hu/README.md) | [Індонезійська](../id/README.md) | [Італійська](../it/README.md) | [Японська](../ja/README.md) | [Каннада](../kn/README.md) | [Корейська](../ko/README.md) | [Литовська](../lt/README.md) | [Малайська](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхі](../mr/README.md) | [Непальська](../ne/README.md) | [Нігерійський піджин](../pcm/README.md) | [Норвезька](../no/README.md) | [Перська (фарсі)](../fa/README.md) | [Польська](../pl/README.md) | [Португальська (Бразилія)](../br/README.md) | [Португальська (Португалія)](../pt/README.md) | [Пенджабська (гурмукхі)](../pa/README.md) | [Румунська](../ro/README.md) | [Російська](../ru/README.md) | [Сербська (кирилиця)](../sr/README.md) | [Словацька](../sk/README.md) | [Словенська](../sl/README.md) | [Іспанська](../es/README.md) | [Суахілі](../sw/README.md) | [Шведська](../sv/README.md) | [Тагальська (філіппінська)](../tl/README.md) | [Тамільська](../ta/README.md) | [Телугу](../te/README.md) | [Тайська](../th/README.md) | [Турецька](../tr/README.md) | [Українська](./README.md) | [Урду](../ur/README.md) | [В'єтнамська](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Якщо ви бажаєте підтримку додаткових мов перекладу, їх список наведено [тут](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Приєднуйтесь до спільноти
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Чого ви навчитесь
|
||||
|
||||
**[Ментальна карта курсу](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Ментальна мапа курсу](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
У цій навчальній програмі ви дізнаєтесь:
|
||||
|
||||
* Різні підходи до Штучного інтелекту, включно зі «старим добрим» символічним підходом з **представленням знань** та логічним виведенням ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Нейронні мережі** та **глибоке навчання**, які є ядром сучасного ШІ. Ми проілюструємо концепції цих важливих тем за допомогою коду в двох з найпопулярніших фреймворків - [TensorFlow](http://Tensorflow.org) та [PyTorch](http://pytorch.org).
|
||||
* **Нейронні архітектури** для роботи з зображеннями та текстом. Ми розглянемо сучасні моделі, але, можливо, будемо трохи відставати від найновіших досягнень.
|
||||
* Менш популярні підходи в ШІ, такі як **генетичні алгоритми** та **багатое агентні системи**.
|
||||
* Різні підходи до штучного інтелекту, включаючи "старий добрий" символічний підхід із **представленням знань** та виведенням ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Нейронні мережі** та **глибинне навчання**, які є серцем сучасного ШІ. Ми проілюструємо концепції за цими важливими темами за допомогою коду в двох із найпопулярніших фреймворків - [TensorFlow](http://Tensorflow.org) і [PyTorch](http://pytorch.org).
|
||||
* **Нейронні архітектури** для роботи з зображеннями та текстом. Ми охопимо сучасні моделі, але можливо трохи відставатимемо від найновіших досягнень.
|
||||
* Менш поширені підходи в ШІ, такі як **генетичні алгоритми** та **багатоагентні системи**.
|
||||
|
||||
Чого ми не охоплюватимемо в цій навчальній програмі:
|
||||
Що ми не будемо охоплювати в цій програмі:
|
||||
|
||||
> [Знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Бізнес-кейси використання **AI в бізнесі**. Розгляньте можливість проходження навчального шляху [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn або [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), розробленого у співпраці з [INSEAD](https://www.insead.edu/).
|
||||
* **Класичне машинне навчання**, яке добре описане в нашій навчальній програмі [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практичні AI-застосунки, побудовані з використанням **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Для цього ми рекомендуємо почати з модулів Microsoft Learn для [computer vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обробки природної мови](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)** та ін.
|
||||
* Специфічні ML **хмарні фреймворки**, такі як [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) або [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Розгляньте використання навчальних шляхів [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) та [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).
|
||||
* **Розмовний ШІ** та **чат-боти**. Існує окремий навчальний шлях [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а також ви можете звернутися до [цієї публікації в блозі](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для отримання додаткових деталей.
|
||||
* **Глибока математика**, що лежить в основі глибокого навчання. Для цього ми рекомендуємо книгу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) від Ian Goodfellow, Yoshua Bengio та Aaron Courville, яка також доступна онлайн за адресою [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Бізнес-кейси використання **ШІ в бізнесі**. Розгляньте проходження навчального шляху [Вступ до ШІ для бізнес-користувачів](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn, або [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), розроблену у співпраці з [INSEAD](https://www.insead.edu/).
|
||||
* **Класичне машинне навчання**, яке добре описане в нашій [навчальній програмі «Машинне навчання для початківців»](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практичні AI-додатки, побудовані з використанням **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Для цього ми радимо почати з модулів Microsoft Learn для [комп'ютерного зору](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обробки природної мови](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративний ШІ з Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** та інші.
|
||||
* Конкретні хмарні фреймворки для МЛ, такі як [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) або [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Розгляньте використання навчальних шляхів [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) та [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).
|
||||
* **Розмовний ШІ** та **чат-боти**. Існує окремий навчальний шлях [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а також ви можете звернутися до [цієї публікації в блозі](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для детальнішої інформації.
|
||||
* **Глибока математика**, яка стоїть за глибинним навчанням. Для цього ми рекомендуємо книгу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) авторів Ian Goodfellow, Yoshua Bengio та Aaron Courville, яка також доступна онлайн за адресою [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Для м’якого вступу до тем _AI у хмарі_ ви можете розглянути навчальний шлях [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).
|
||||
Для м’якого введення в теми _ШІ в хмарі_ ви можете розглянути проходження навчального шляху [Початок роботи зі штучним інтелектом в Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn.
|
||||
|
||||
# Зміст
|
||||
|
||||
| | Посилання на урок | PyTorch/Keras/TensorFlow | Лабораторна робота |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Налаштування курсу](./lessons/0-course-setup/setup.md) | [Налаштуйте своє середовище розробки](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Вступ до Штучного інтелекту**](./lessons/1-Intro/README.md) | | |
|
||||
| 0 | [Налаштування курсу](./lessons/0-course-setup/setup.md) | [Налаштування середовища розробки](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Вступ до ШІ**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Вступ та історія ШІ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Символічний ШІ** |
|
||||
| 02 | [Представлення знань та експертні системи](./lessons/2-Symbolic/README.md) | [Експертні системи](./lessons/2-Symbolic/Animals.ipynb) / [Онтологія](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф концепцій](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Вступ до нейронних мереж**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Блокнот](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаб](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Багатошаровий перцептрон і створення власного фреймворку](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Блокнот](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаб](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Вступ до фреймворків (PyTorch/TensorFlow) та перенавчання](./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) | [Лаб](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Комп'ютерний зір**](./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)| [Дослідити комп'ютерний зір на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Вступ до комп'ютерного зору. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Блокнот](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаб](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Згорткові нейронні мережі](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архітектури CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лаб](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Попередньо навчені мережі та трансферне навчання](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Поради для навчання](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Блокнот](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лабораторна робота](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Багатошаровий перцептрон та створення власного фреймворку](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Блокнот](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лабораторна робота](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Вступ до фреймворків (PyTorch/TensorFlow) та перенавчання](./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) | [Лабораторна робота](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Комп'ютерний зір**](./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)| [Досліджуйте комп'ютерний зір на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Вступ до комп'ютерного зору. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Блокнот](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лабораторна робота](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Згорткові нейронні мережі](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архітектури CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лабораторна робота](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Попередньо навчені мережі та перенесення навчання](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Поради з навчання](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лабораторна робота](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автокодери та VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Генеративні змагальні мережі та передача художнього стилю](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Виявлення об'єктів](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лаб](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 10 | [Генеративно-змагальні мережі та перенесення художнього стилю](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Виявлення об'єктів](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лабораторна робота](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Семантична сегментація. 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 | [**Обробка природної мови**](./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) | [Дослідити обробку природної мови на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Подання тексту. 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 | [Семантичні вбудовування слів. Word2Vec і 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 | [Мовне моделювання. Навчання власних вбудовувань](./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) | [Лаб](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| V | [**Обробка природної мови**](./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) | [Досліджуйте обробку природної мови на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представлення тексту. 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 | [Семантичні векторні представлення слів. Word2Vec і 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 | [Моделювання мови. Навчання власних векторних представлень](./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) | [Лабораторна робота](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Рекурентні нейронні мережі](./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 | [Генеративні рекурентні мережі](./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) | [Лаб](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Генеративні рекурентні мережі](./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) | [Лабораторна робота](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Трансформери. 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 | [Розпізнавання іменованих сутностей](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лаб](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Великі мовні моделі, програмування підказок і завдання з малою кількістю прикладів](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Інші методи штучного інтелекту** || |
|
||||
| 19 | [Розпізнавання іменованих сутностей](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лабораторна робота](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Великі мовні моделі, програмування підказок та задачі з малою кількістю прикладів](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Інші методи ШІ** || |
|
||||
| 21 | [Генетичні алгоритми](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Блокнот](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Глибоке підкріплювальне навчання](./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) | [Лаб](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 22 | [Глибоке підкріплювальне навчання](./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) | [Лабораторна робота](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Багатоагентні системи](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Етика ШІ** | | |
|
||||
| 24 | [Етика ШІ та відповідальний ШІ](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципи відповідального ШІ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Додатково** | | |
|
||||
| 25 | [Багатомодальні мережі, CLIP і VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Блокнот](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| IX | **Додаткові матеріали** | | |
|
||||
| 25 | [Багатомодальні мережі, CLIP та VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Блокнот](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Кожен урок містить
|
||||
|
||||
* Матеріали для попереднього ознайомлення
|
||||
* Виконувані Jupyter-блокноти, які часто специфічні для фреймворку (**PyTorch** або **TensorFlow**). Виконуваний блокнот також містить багато теоретичного матеріалу, тому для розуміння теми необхідно пройти принаймні одну версію блокнота (або PyTorch, або TensorFlow).
|
||||
* **Лабораторні роботи** доступні для деяких тем, які дають вам можливість спробувати застосувати вивчений матеріал до конкретної задачі.
|
||||
* Деякі розділи містять посилання на [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) модулі, що охоплюють суміжні теми.
|
||||
* Підготовчі матеріали
|
||||
* Виконувані Jupyter-ноутбуки, які часто специфічні для фреймворку (**PyTorch** або **TensorFlow**). Виконуваний ноутбук також містить багато теоретичного матеріалу, тому, щоб зрозуміти тему, вам потрібно пройти щонайменше одну версію ноутбука (або PyTorch, або TensorFlow).
|
||||
* **Лабораторні роботи** доступні для деяких тем, що дають вам можливість спробувати застосувати вивчений матеріал до конкретної задачі.
|
||||
* Деякі розділи містять посилання на [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) модулі, які охоплюють суміжні теми.
|
||||
|
||||
## Початок роботи
|
||||
|
||||
### 🎯 Ви новачок у ШІ? Почніть тут!
|
||||
### 🎯 Новачок у ШІ? Почніть тут!
|
||||
|
||||
Якщо ви повністю новачок у ШІ і хочете швидкі практичні приклади, перегляньте наші [**Приклади для початківців**](./examples/README.md)! Серед них:
|
||||
Якщо ви повністю новачок у ШІ і хочете швидкі практичні приклади, перегляньте наші [**Приклади для початківців**](./examples/README.md)! Вони включають:
|
||||
|
||||
- 🌟 **Hello AI World** - Ваша перша програма ШІ (розпізнавання шаблонів)
|
||||
- 🧠 **Simple Neural Network** - Побудуйте нейронну мережу з нуля
|
||||
- 🖼️ **Image Classifier** - Класифікація зображень з детальними коментарями
|
||||
- 💬 **Аналіз сентименту тексту** - Визначає позитивний чи негативний тон тексту
|
||||
- 💬 **Тональність тексту** - Аналіз позитивного/негативного тексту
|
||||
|
||||
Ці приклади створені, щоб допомогти вам зрозуміти концепції ШІ перед тим, як переходити до повного курсу.
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 Повне налаштування курсу
|
||||
### 📚 Налаштування повної навчальної програми
|
||||
|
||||
- We have created a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- How to [Run the code in a VSCode or a Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Ми створили a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - Для викладачів, ми також створили a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- Як [запустити код у VSCode або Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
|
||||
|
|
@ -140,27 +140,27 @@ Don't forget to star (🌟) this repo to find it easier later.
|
|||
|
||||
## Познайомтеся з іншими учнями
|
||||
|
||||
Приєднуйтесь до нашого [офіційного сервера AI в Discord](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), щоб познайомитися та налагодити зв'язки з іншими учасниками цього курсу та отримати підтримку.
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
Якщо у вас є відгуки щодо продукту або питання під час розробки, відвідайте наш [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Вікторини
|
||||
## Quizzes
|
||||
|
||||
> **Нотатка про вікторини**: Усі вікторини знаходяться в папці Quiz-app у etc\quiz-app, або [Online Here](https://ff-quizzes.netlify.app/) Вони пов'язані з уроками; додаток вікторин можна запускати локально або розгортати в Azure; дотримуйтесь інструкцій у папці `quiz-app`. Їх поступово локалізують.
|
||||
> **Примітка щодо тестів**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## Потрібна допомога
|
||||
|
||||
Чи маєте пропозиції або знайшли орфографічні помилки чи помилки в коді? Створіть issue або зробіть pull request.
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## Особлива подяка
|
||||
|
||||
* **✍️ Головний автор:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Редактор:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ілюстратор скетчноту:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Автор вікторин:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🎨 Ілюстратор скетч-нотаток:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Автор тестів:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Ключові учасники:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Інші навчальні курси
|
||||
## Інші навчальні програми
|
||||
|
||||
Our team produces other curricula! Check out:
|
||||
|
||||
|
|
@ -171,11 +171,11 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
### Azure / Edge / MCP / Агенти
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
|
|
@ -187,36 +187,36 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Основні курси
|
||||
### Основне навчання
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WTmc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Серія Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Як отримати допомогу
|
||||
## Отримання допомоги
|
||||
|
||||
Якщо ви застрягли або маєте питання щодо створення додатків на ШІ, приєднуйтесь до інших учнів та досвідчених розробників у дискусіях про MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно діляться.
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Якщо у вас є відгуки щодо продукту або виникають помилки під час розробки, відвідайте:
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Відмова від відповідальності:
|
||||
Цей документ було перекладено з використанням сервісу перекладу на основі штучного інтелекту Co-op Translator (https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, просимо врахувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується скористатися послугами професійного перекладача. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.
|
||||
**Відмова від відповідальності**:
|
||||
Цей документ було перекладено за допомогою сервісу перекладу на основі штучного інтелекту [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладача. Ми не несемо відповідальності за будь-які непорозуміння або помилкові тлумачення, що виникли внаслідок використання цього перекладу.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in New Issue