chore(i18n): sync translations with latest source changes (chunk 1/1, 203 changes)
This commit is contained in:
localizeflow[bot]
parent
0a8996b7d7
commit
33ce0e5757
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:21:33+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T01:54:09+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-29T08:36:52+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-29T09:31:40+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-29T09:31:19+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-29T09:29:29+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-29T09:28:40+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-29T09:30:57+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-29T09:31:53+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:30:48+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-29T08:42:06+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T14:36:53+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:46:45+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:27:10+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:28:33+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T14:38:40+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-29T09:02:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T08:56:55+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T09:10:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T08:56:25+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-29T09:08:51+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T08:57:14+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-29T09:11:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:48:39+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T08:51:07+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-29T08:52:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T08:50:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T08:49:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T08:50:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-29T08:48:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-29T08:50:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T08:52:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T08:53:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T08:51:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-29T08:54:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T08:53:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-29T08:57:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-29T08:45:13+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T09:01:12+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-29T09:28:22+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T09:00:44+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-29T09:27:00+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T08:58:26+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-29T09:19:12+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T09:00:06+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-29T09:25:41+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T08:57:58+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-29T09:18:15+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T08:58:37+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-29T09:21:11+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T08:59:37+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-29T09:23:22+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T08:59:18+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-29T09:16:04+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T08:47:52+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T08:49:12+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-29T08:41:48+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T08:48:14+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-29T08:40:03+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-29T09:03:00+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-29T08:37:22+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-29T08:43:54+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-29T09:13:33+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-29T09:12:07+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "el"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:44:06+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:21:33+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Επισκόπηση Έργου
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-15T14:34:37+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
[](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/)
|
||||
|
|
@ -21,212 +12,214 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Τεχνητή Νοημοσύνη για Αρχάριους - Ένα Πρόγραμμα Σπουδών
|
||||
# Τεχνητή Νοημοσύνη για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα Σπουδών
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Τεχνητή Νοημοσύνη για Αρχάριους - _Σχεδιάγραμμα από τη [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| Τεχνητή Νοημοσύνη για Αρχάριους - _Σημειώσεις από [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Εξερευνήστε τον κόσμο της **Τεχνητής Νοημοσύνης** (AI) με το 12-εβδομάδων, 24-μαθημάτων πρόγραμμα σπουδών μας! Περιλαμβάνει πρακτικά μαθήματα, κουίζ και εργαστήρια. Το πρόγραμμα είναι φιλικό για αρχάριους και καλύπτει εργαλεία όπως TensorFlow και PyTorch, καθώς και θέματα ηθικής στην AI.
|
||||
Εξερευνήστε τον κόσμο της **Τεχνητής Νοημοσύνης** (AI) με το 12-εβδομαδιαίο, 24-μαθημάτων πρόγραμμα σπουδών μας! Περιλαμβάνει πρακτικά μαθήματα, τεστ και εργαστήρια. Το πρόγραμμα είναι φιλικό για αρχάριους και καλύπτει εργαλεία όπως TensorFlow και PyTorch, καθώς και ζητήματα ηθικής στην AI
|
||||
|
||||
### 🌐 Υποστήριξη Πολλών Γλωσσών
|
||||
|
||||
#### Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)
|
||||
### 🌐 Υποστήριξη Πολλαπλών Γλωσσών
|
||||
|
||||
#### Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένη & Πάντα Ενημερωμένη)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Αραβικά](../ar/README.md) | [Βεγγαλικά](../bn/README.md) | [Βουλγαρικά](../bg/README.md) | [Βιρμανικά (Μιανμάρ)](../my/README.md) | [Κινέζικα (Απλοποιημένα)](../zh/README.md) | [Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ)](../hk/README.md) | [Κινέζικα (Παραδοσιακά, Μακάου)](../mo/README.md) | [Κινέζικα (Παραδοσιακά, Ταϊβάν)](../tw/README.md) | [Κροατικά](../hr/README.md) | [Τσέχικα](../cs/README.md) | [Δανικά](../da/README.md) | [Ολλανδικά](../nl/README.md) | [Εσθονικά](../et/README.md) | [Φινλανδικά](../fi/README.md) | [Γαλλικά](../fr/README.md) | [Γερμανικά](../de/README.md) | [Ελληνικά](./README.md) | [Εβραϊκά](../he/README.md) | [Χίντι](../hi/README.md) | [Ουγγρικά](../hu/README.md) | [Ινδονησιακά](../id/README.md) | [Ιταλικά](../it/README.md) | [Ιαπωνικά](../ja/README.md) | [Κανάντα](../kn/README.md) | [Κορεατικά](../ko/README.md) | [Λιθουανικά](../lt/README.md) | [Μαλαισιανά](../ms/README.md) | [Μαλαγιαλάμ](../ml/README.md) | [Μαραθικά](../mr/README.md) | [Νεπάλι](../ne/README.md) | [Νιγηριανά Πίνγκιν](../pcm/README.md) | [Νορβηγικά](../no/README.md) | [Περσικά (Φαρσί)](../fa/README.md) | [Πολωνικά](../pl/README.md) | [Πορτογαλικά (Βραζιλίας)](../br/README.md) | [Πορτογαλικά (Πορτογαλίας)](../pt/README.md) | [Πουντζαμπικά (Gurmukhi)](../pa/README.md) | [Ρουμανικά](../ro/README.md) | [Ρωσικά](../ru/README.md) | [Σερβικά (Κυριλλικά)](../sr/README.md) | [Σλοβακικά](../sk/README.md) | [Σλοβενικά](../sl/README.md) | [Ισπανικά](../es/README.md) | [Σουαχίλι](../sw/README.md) | [Σουηδικά](../sv/README.md) | [Ταγκάλιγκ (Φιλιππινέζικα)](../tl/README.md) | [Ταμίλ](../ta/README.md) | [Τελούγκου](../te/README.md) | [Ταϊλανδικά](../th/README.md) | [Τουρκικά](../tr/README.md) | [Ουκρανικά](../uk/README.md) | [Ουρντού](../ur/README.md) | [Βιετναμικά](../vi/README.md)
|
||||
[Αραβικά](../ar/README.md) | [Μπενγκάλι](../bn/README.md) | [Βουλγαρικά](../bg/README.md) | [Βιρμανικά (Μιανμάρ)](../my/README.md) | [Κινέζικα (Απλοποιημένα)](../zh-CN/README.md) | [Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ)](../zh-HK/README.md) | [Κινέζικα (Παραδοσιακά, Μακάο)](../zh-MO/README.md) | [Κινέζικα (Παραδοσιακά, Ταϊβάν)](../zh-TW/README.md) | [Κροατικά](../hr/README.md) | [Τσέχικα](../cs/README.md) | [Δανικά](../da/README.md) | [Ολλανδικά](../nl/README.md) | [Εσθονικά](../et/README.md) | [Φινλανδικά](../fi/README.md) | [Γαλλικά](../fr/README.md) | [Γερμανικά](../de/README.md) | [Ελληνικά](./README.md) | [Εβραϊκά](../he/README.md) | [Χίντι](../hi/README.md) | [Ουγγρικά](../hu/README.md) | [Ινδονησιακά](../id/README.md) | [Ιταλικά](../it/README.md) | [Ιαπωνικά](../ja/README.md) | [Κανάντα](../kn/README.md) | [Κορεατικά](../ko/README.md) | [Λιθουανικά](../lt/README.md) | [Μαλαισιανά](../ms/README.md) | [Μαλαγιάλαμ](../ml/README.md) | [Μαράθι](../mr/README.md) | [Νεπάλ](../ne/README.md) | [Νιγηριανή Πίτζιν](../pcm/README.md) | [Νορβηγικά](../no/README.md) | [Περσικά (Φαρσί)](../fa/README.md) | [Πολωνικά](../pl/README.md) | [Πορτογαλικά (Βραζιλία)](../pt-BR/README.md) | [Πορτογαλικά (Πορτογαλία)](../pt-PT/README.md) | [Πουντζαμπικά (Γκουρμούκι)](../pa/README.md) | [Ρουμανικά](../ro/README.md) | [Ρωσικά](../ru/README.md) | [Σερβικά (Κυριλλικά)](../sr/README.md) | [Σλοβακικά](../sk/README.md) | [Σλοβενικά](../sl/README.md) | [Ισπανικά](../es/README.md) | [Σουαχίλι](../sw/README.md) | [Σουηδικά](../sv/README.md) | [Ταγκαλόγκ (Φιλιππινέζικα)](../tl/README.md) | [Ταμίλ](../ta/README.md) | [Τελούγκου](../te/README.md) | [Ταϊλανδικά](../th/README.md) | [Τούρκικα](../tr/README.md) | [Ουκρανικά](../uk/README.md) | [Ουρντού](../ur/README.md) | [Βιετναμέζικα](../vi/README.md)
|
||||
|
||||
> **Προτιμάτε να Κλωνοποιήσετε Τοπικά;**
|
||||
> **Προτιμάτε να κάνετε τοποθέτηση τοπικά;**
|
||||
|
||||
> Αυτό το αποθετήριο περιλαμβάνει 50+ μεταφράσεις γλωσσών, οι οποίες αυξάνουν σημαντικά το μέγεθος λήψης. Για κλωνοποίηση χωρίς μεταφράσεις, χρησιμοποιήστε sparse checkout:
|
||||
> Αυτό το αποθετήριο περιλαμβάνει 50+ μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κάνετε τοποθέτηση χωρίς τις μεταφράσεις, χρησιμοποιήστε sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ γρηγορότερη λήψη.
|
||||
> Με αυτόν τον τρόπο έχετε όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Αν επιθυμείτε να υποστηριχθούν επιπλέον γλώσσες μεταφράσεων, αυτές αναγράφονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Αν θέλετε να υποστηριχθούν επιπλέον γλώσσες μετάφρασης, αυτές αναφέρονται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Εγγραφείτε στην Κοινότητα
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Τι θα μάθετε
|
||||
|
||||
**[Εννοιολογικός Χάρτης του Μαθήματος](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Χάρτης Εννοιών του Μαθήματος](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Σε αυτό το πρόγραμμα σπουδών, θα μάθετε:
|
||||
|
||||
* Διαφορετικές προσεγγίσεις στην Τεχνητή Νοημοσύνη, συμπεριλαμβανομένης της "παραδοσιακής" συμβολικής προσέγγισης με **Αναπαράσταση Γνώσης** και λογική ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Νευρωνικά Δίκτυα** και **Βαθιά Μάθηση**, που βρίσκονται στον πυρήνα της σύγχρονης AI. Θα αναδείξουμε τις έννοιες πίσω από αυτά τα σημαντικά θέματα χρησιμοποιώντας κώδικα σε δύο από τα πιο δημοφιλή πλαίσια - [TensorFlow](http://Tensorflow.org) και [PyTorch](http://pytorch.org).
|
||||
* **Νευρωνικές Αρχιτεκτονικές** για εργασία με εικόνες και κείμενο. Θα καλύψουμε πρόσφατα μοντέλα, αλλά ίσως λείπει λίγη από την τελευταία λέξη της τεχνολογίας.
|
||||
* Λιγότερο δημοφιλείς προσεγγίσεις AI, όπως **Γενετικοί Αλγόριθμοι** και **Συστήματα Πολυ-Πρακτόρων**.
|
||||
* Διαφορετικές προσεγγίσεις στην Τεχνητή Νοημοσύνη, συμπεριλαμβανομένης της "παλιάς καλής" συμβολικής προσέγγισης με **Αναπαράσταση Γνώσης** και συλλογισμό ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Νευρωνικά Δίκτυα** και **Βαθιά Μάθηση**, που αποτελούν τον πυρήνα της σύγχρονης AI. Θα απεικονίσουμε τις έννοιες πίσω από αυτά τα σημαντικά θέματα με κώδικα σε δύο από τα πιο δημοφιλή frameworks - [TensorFlow](http://Tensorflow.org) και [PyTorch](http://pytorch.org).
|
||||
* **Νευρωνικές Αρχιτεκτονικές** για επεξεργασία εικόνων και κειμένου. Θα καλύψουμε πρόσφατα μοντέλα, αλλά ίσως να μην είναι πλήρως state-of-the-art.
|
||||
* Λιγότερο δημοφιλείς προσεγγίσεις AI, όπως **Γενετικοί Αλγόριθμοι** και **Πολυ-πρακτορικά Συστήματα**.
|
||||
|
||||
Τι δεν θα καλυφθεί σε αυτό το πρόγραμμα σπουδών:
|
||||
|
||||
> [Βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας στο Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn μας](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Επιχειρηματικά παραδείγματα χρήσης της **AI στις Επιχειρήσεις**. Σκεφτείτε να παρακολουθήσετε τη διαδρομή μάθησης [Εισαγωγή στην AI για επιχειρηματικούς χρήστες](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) στο Microsoft Learn, ή το [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), που αναπτύχθηκε σε συνεργασία με το [INSEAD](https://www.insead.edu/).
|
||||
* **Κλασική Μηχανική Μάθηση**, που περιγράφεται καλά στο πρόγραμμα σπουδών μας [Machine Learning for Beginners](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Πρακτικές εφαρμογές AI που χρησιμοποιούν **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Για αυτό, προτείνουμε να ξεκινήσετε με τα μονοπάτια Microsoft Learn για [όραση](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [επεξεργασία φυσικής γλώσσας](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Γεννητική AI με το Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** και άλλα.
|
||||
* Συγκεκριμένα πλαίσια ML στο cloud, όπως [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), ή [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Σκεφτείτε να χρησιμοποιήσετε τα μονοπάτια μάθησης [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) και [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).
|
||||
* **Συνομιλητική AI** και **Chat Bots**. Υπάρχει ξεχωριστό μονοπάτι μάθησης [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), και μπορείτε επίσης να ανατρέξετε σε [αυτό το blog post](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) για περισσότερες λεπτομέρειες.
|
||||
* **Βαθιά Μαθηματικά** πίσω από τη βαθιά μάθηση. Για αυτό, προτείνουμε το βιβλίο [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) από τους Ian Goodfellow, Yoshua Bengio και Aaron Courville, που είναι διαθέσιμο και online στο [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Επιχειρηματικές περιπτώσεις χρήσης της **AI στις Επιχειρήσεις**. Σκεφτείτε να ακολουθήσετε την εκπαιδευτική διαδρομή [Εισαγωγή στην AI για επιχειρηματικούς χρήστες](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) στο Microsoft Learn, ή το [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), που αναπτύχθηκε σε συνεργασία με το [INSEAD](https://www.insead.edu/).
|
||||
* **Κλασική Μηχανική Μάθηση**, που περιγράφεται καλά στο [Πρόγραμμα Σπουδών Μηχανικής Μάθησης για Αρχάριους](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Πρακτικές εφαρμογές AI που βασίζονται σε **[Υπηρεσίες Γνώσης](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Για αυτό, προτείνουμε να ξεκινήσετε με τα μαθήματα στο Microsoft Learn για [όραση](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [επεξεργασία φυσικής γλώσσας](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Γενετική AI με Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** και άλλα.
|
||||
* Ειδικά **Cloud Frameworks** για ML, όπως [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), ή [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Σκεφτείτε να χρησιμοποιήσετε τις εκπαιδευτικές διαδρομές [Κατασκευή και λειτουργία λύσεων μηχανικής μάθησης με Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) και [Κατασκευή και Λειτουργία Λύσεων Μηχανικής Μάθησης με Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Συνομιλητική AI** και **Chat Bots**. Υπάρχει ξεχωριστή εκπαιδευτική διαδρομή [Δημιουργία συνομιλητικών λύσεων AI](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), και μπορείτε επίσης να αναφερθείτε σε [αυτό το άρθρο ιστολογίου](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) για περισσότερες λεπτομέρειες.
|
||||
* **Βαθιά Μαθηματικά** πίσω από τη βαθιά μάθηση. Για αυτό, προτείνουμε το βιβλίο [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) των Ian Goodfellow, Yoshua Bengio και Aaron Courville, που είναι επίσης διαθέσιμο online στο [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Για μια απλή εισαγωγή στα θέματα _AI στο Cloud_ μπορείτε να παρακολουθήσετε το Μονοπάτι Μάθησης [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).
|
||||
Για μια απλή εισαγωγή στα θέματα _AI στο Cloud_ μπορείτε να ακολουθήσετε την Εκπαιδευτική Διαδρομή [Ξεκινήστε με τεχνητή νοημοσύνη στο Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Περιεχόμενο
|
||||
|
||||
| | Σύνδεσμος Μαθήματος | PyTorch/Keras/TensorFlow | Εργαστήριο |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Ρύθμιση Μαθήματος](./lessons/0-course-setup/setup.md) | [Ρύθμιση του περιβάλλοντος ανάπτυξής σας](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Ρύθμιση Μαθήματος](./lessons/0-course-setup/setup.md) | [Ρύθμιση Περιβάλλοντος Ανάπτυξης](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Εισαγωγή στην AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Εισαγωγή και Ιστορία της AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Συμβολική AI** |
|
||||
| 02 | [Αναπαράσταση Γνώσης και Συστήματα Ειδικών](./lessons/2-Symbolic/README.md) | [Συστήματα Ειδικών](./lessons/2-Symbolic/Animals.ipynb) / [Οντολογία](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Γράφημα Εννοιών](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Αναπαράσταση Γνώσης και Ειδικά Συστήματα](./lessons/2-Symbolic/README.md) | [Ειδικά Συστήματα](./lessons/2-Symbolic/Animals.ipynb) / [Οντολογία](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Γράφος Εννοιών](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Εισαγωγή στα Νευρωνικά Δίκτυα**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Περσέπτρων](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Τετράδιο](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Πολυεπίπεδο Περσέπτρων και Δημιουργία του δικού μας Πλαισίου Εργασίας](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Τετράδιο](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Εισαγωγή σε Πλαίσια Εργασίας (PyTorch/TensorFlow) και Υπερεκπαίδευση](./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) | [Εργαστήριο](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Υπολογιστική Όραση**](./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)| [Εξερευνήστε την Υπολογιστική Όραση στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Εισαγωγή στην Υπολογιστική Όραση. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Τετράδιο](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 03 | [Περσέπτoν](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Σημειωματάριο](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Πολυεπίπεδο Περσέπτoν και Δημιουργία του δικού μας Πλαισίου](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Σημειωματάριο](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Εργαστήριο](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Εισαγωγή στα Πλαίσια (PyTorch/TensorFlow) και Υπερπροσαρμογή](./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) | [Εργαστήριο](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Επιστήμη Υπολογιστών Όρασης**](./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)| [Εξερευνήστε την Επιστήμη Υπολογιστών Όρασης στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Εισαγωγή στην Επιστήμη Υπολογιστών Όρασης. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Σημειωματάριο](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Συνελικτικά Νευρωνικά Δίκτυα](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Αρχιτεκτονικές 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) | [Εργαστήριο](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Προεκπαιδευμένα Δίκτυα και Μεταφορά Μάθησης](./lessons/4-ComputerVision/08-TransferLearning/README.md) και [Τεχνάσματα Εκπαίδευσης](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 08 | [Προεκπαιδευμένα Δίκτυα και Μεταφορά Μάθησης](./lessons/4-ComputerVision/08-TransferLearning/README.md) και [Τεχνικές Εκπαίδευσης](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Αυτόματοι Κωδικοποιητές και VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Γενετικά Ανταγωνιστικά Δίκτυα & Μεταφορά Καλλιτεχνικού Στυλ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Ανίχνευση Αντικειμένων](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Εργαστήριο](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Σημασιολογική Τμηματοποίηση. 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 | [Σημασιολογικός Διαχωρισμός. 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 | [**Επεξεργασία Φυσικής Γλώσσας**](./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) | [Εξερευνήστε την Επεξεργασία Φυσικής Γλώσσας στο Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Αναπαράσταση Κειμένου. 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 | [Σημασιολογικές Ενσωματώσεις Λέξεων. Word2Vec και 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 | [Μοντελοποίηση Γλώσσας. Εκπαίδευση των δικών σου ενσωματώσεων](./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) | [Εργαστήριο](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Επαναλαμβανόμενα Νευρωνικά Δίκτυα](./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 | [Γενετικά Επαναλαμβανόμενα Δίκτυα](./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) | [Εργαστήριο](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 15 | [Μοντελοποίηση Γλώσσας. Εκπαίδευση των δικών σας Ενσωματώσεων](./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) | [Εργαστήριο](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Επαναφορικά Νευρωνικά Δίκτυα](./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 | [Γενετικά Επαναφορικά Δίκτυα](./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) | [Εργαστήριο](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Μετασχηματιστές. 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 | [Αναγνώριση Οντοτήτων με Όνομα](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Εργαστήριο](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Μεγάλα Μοντέλα Γλώσσας, Προγραμματισμός Προτροπών και Εργασίες με Λίγα Παραδείγματα](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 19 | [Αναγνώριση Ονομαστικών Οντοτήτων](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Εργαστήριο](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Μεγάλα Μοντέλα Γλώσσας, Προγραμματισμός Εντολών και Ασκήσεις με Λίγα Παραδείγματα](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Άλλες Τεχνικές Τεχνητής Νοημοσύνης** || |
|
||||
| 21 | [Γενετικοί Αλγόριθμοι](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Τετράδιο](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Βαθιά Ενισχυτική Μάθηση](./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) | [Εργαστήριο](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Συστήματα Πολυ-Πρακτόρων](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 21 | [Γενετικοί Αλγόριθμοι](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Σημειωματάριο](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Ενισχυτική Μάθηση Βαθιάς Μάθησης](./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) | [Εργαστήριο](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Πολυπρακτορικά Συστήματα](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Ηθική της Τεχνητής Νοημοσύνης** | | |
|
||||
| 24 | [Ηθική της AI και Υπεύθυνη Τεχνητή Νοημοσύνη](./lessons/7-Ethics/README.md) | [Microsoft Learn: Αρχές Υπεύθυνης AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Ηθική της Τεχνητής Νοημοσύνης και Υπεύθυνη Τεχνητή Νοημοσύνη](./lessons/7-Ethics/README.md) | [Microsoft Learn: Αρχές Υπεύθυνης Τεχνητής Νοημοσύνης](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Επιπλέον** | | |
|
||||
| 25 | [Πολυμορφικά Δίκτυα, CLIP και VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Τετράδιο](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Πολυτροπικά Δίκτυα, CLIP και VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Σημειωματάριο](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Κάθε μάθημα περιλαμβάνει
|
||||
|
||||
* Υλικό προανάγνωσης
|
||||
* Εκτελέσιμα Jupyter Notebooks, τα οποία συχνά είναι ειδικά για το πλαίσιο εργασίας (**PyTorch** ή **TensorFlow**). Το εκτελέσιμο τετράδιο περιέχει επίσης πολύ θεωρητικό υλικό, ώστε για να κατανοήσετε το θέμα πρέπει να περάσετε τουλάχιστον από μία έκδοση του τετραδίου (είτε PyTorch είτε TensorFlow).
|
||||
* **Εργαστήρια** διαθέσιμα για ορισμένα θέματα, που σας δίνουν την ευκαιρία να δοκιμάσετε την εφαρμογή του υλικού που μάθατε σε ένα συγκεκριμένο πρόβλημα.
|
||||
* Κάποιες ενότητες περιέχουν συνδέσμους σε [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ενότητες που καλύπτουν συναφή θέματα.
|
||||
* Εκτελέσιμα Σημειωματάρια Jupyter, που συχνά είναι συγκεκριμένα για το πλαίσιο (**PyTorch** ή **TensorFlow**). Το εκτελέσιμο σημειωματάριο περιέχει επίσης πολύ θεωρητικό υλικό, οπότε για να κατανοήσετε το θέμα χρειάζεται να περάσετε τουλάχιστον από μία έκδοση του σημειωματάριου (είτε PyTorch είτε TensorFlow).
|
||||
* **Εργαστήρια** διαθέσιμα σε ορισμένα θέματα, που σας δίνουν την ευκαιρία να δοκιμάσετε την εφαρμογή του υλικού που έχετε μάθει σε ένα συγκεκριμένο πρόβλημα.
|
||||
* Ορισμένα τμήματα περιέχουν συνδέσμους σε μονάδες [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) που καλύπτουν σχετικές θεματικές.
|
||||
|
||||
## Ξεκινώντας
|
||||
|
||||
### 🎯 Νέος στα AI; Ξεκίνα Εδώ!
|
||||
### 🎯 Είστε νέοι στην Τεχνητή Νοημοσύνη; Ξεκινήστε Εδώ!
|
||||
|
||||
Αν είστε εντελώς νέος στα AI και θέλετε γρήγορα, πρακτικά παραδείγματα, δείτε τα [**Φιλικά για Αρχάριους Παραδείγματα**](./examples/README.md)! Αυτά περιλαμβάνουν:
|
||||
Εάν είστε εντελώς νέοι στην Τεχνητή Νοημοσύνη και θέλετε γρήγορα, πρακτικά παραδείγματα, ρίξτε μια ματιά στα [**Φιλικά προς Αρχάριους Παραδείγματα**](./examples/README.md)! Αυτά περιλαμβάνουν:
|
||||
|
||||
- 🌟 **Γεια σου Κόσμε AI** - Το πρώτο σου πρόγραμμα AI (αναγνώριση προτύπων)
|
||||
- 🌟 **Γεια σου Κόσμε AI** - Το πρώτο σας πρόγραμμα τεχνητής νοημοσύνης (ανίχνευση προτύπων)
|
||||
- 🧠 **Απλό Νευρωνικό Δίκτυο** - Δημιουργία ενός νευρωνικού δικτύου από το μηδέν
|
||||
- 🖼️ **Ταξινομητής Εικόνων** - Ταξινόμηση εικόνων με λεπτομερή σχόλια
|
||||
- 💬 **Συναισθηματική Ανάλυση Κειμένου** - Ανάλυση θετικού/αρνητικού κειμένου
|
||||
|
||||
Αυτά τα παραδείγματα έχουν σχεδιαστεί για να σας βοηθήσουν να κατανοήσετε τις έννοιες της ΤΝ πριν βουτήξετε στο πλήρες πρόγραμμα σπουδών.
|
||||
- 🖼️ **Ταξινομητής Εικόνων** - Ταξινομήστε εικόνες με λεπτομερή σχόλια
|
||||
- 💬 **Συναισθηματική Ανάλυση Κειμένου** - Αναλύστε θετικό/αρνητικό κείμενο
|
||||
|
||||
Αυτά τα παραδείγματα έχουν σχεδιαστεί για να σας βοηθήσουν να κατανοήσετε τις έννοιες της τεχνητής νοημοσύνης πριν προχωρήσετε στο πλήρες πρόγραμμα σπουδών.
|
||||
|
||||
### 📚 Ρύθμιση Πλήρους Προγράμματος Σπουδών
|
||||
|
||||
- Έχουμε δημιουργήσει ένα [μάθημα ρύθμισης](./lessons/0-course-setup/setup.md) για να σας βοηθήσουμε με τη ρύθμιση του περιβάλλοντος ανάπτυξής σας. - Για εκπαιδευτικούς, έχουμε επίσης δημιουργήσει ένα [μάθημα ρύθμισης προγράμματος σπουδών](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Πώς να [τρέξετε τον κώδικα σε VSCode ή Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Έχουμε δημιουργήσει ένα [μάθημα ρύθμισης](./lessons/0-course-setup/setup.md) για να σας βοηθήσουμε με την εγκατάσταση του περιβάλλοντος ανάπτυξής σας. - Για τους εκπαιδευτικούς, έχουμε επίσης δημιουργήσει ένα [μάθημα ρύθμισης προγράμματος σπουδών](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Πώς να [Τρέξετε τον κώδικα σε VSCode ή Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Ακολουθήστε αυτά τα βήματα:
|
||||
Ακολουθήστε τα παρακάτω βήματα:
|
||||
|
||||
Κλωνοποιήστε το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
|
||||
Δημιουργήστε Fork στο Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
|
||||
|
||||
Κλωνοποιήστε το Αποθετήριο: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Μην ξεχάσετε να βάλετε αστέρι (🌟) σε αυτό το αποθετήριο για να το βρείτε πιο εύκολα αργότερα.
|
||||
Μην ξεχάσετε να βάλετε αστέρι (🌟) σε αυτό το αποθετήριο για να το βρίσκετε πιο εύκολα αργότερα.
|
||||
|
||||
## Γνωρίστε άλλους Μαθητές
|
||||
|
||||
Εγγραφείτε στον [επίσημο Discord server για ΤΝ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) για να γνωρίσετε και να δικτυωθείτε με άλλους μαθητές που παρακολουθούν αυτό το μάθημα και να λάβετε υποστήριξη.
|
||||
Εγγραφείτε στο [επίσημο Discord server AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) για να γνωρίσετε και να δικτυωθείτε με άλλους μαθητές που παρακολουθούν αυτό το μάθημα και λάβετε υποστήριξη.
|
||||
|
||||
Εάν έχετε σχόλια για το προϊόν ή ερωτήσεις κατά την κατασκευή, επισκεφτείτε το [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Αν έχετε σχόλια ή ερωτήσεις κατά την ανάπτυξη, επισκεφτείτε το [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Κουίζ
|
||||
## Κουίζ
|
||||
|
||||
> **Σημείωση για τα κουίζ**: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-app στο etc\quiz-app, ή [Online Εδώ](https://ff-quizzes.netlify.app/) Συνδέονται από μέσα στα μαθήματα, η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Σταδιακά το υλικό μεταφράζεται.
|
||||
> **Σημείωση για τα κουίζ**: Όλα τα κουίζ βρίσκονται στον φάκελο Quiz-app στο etc\quiz-app, ή [Online Εδώ](https://ff-quizzes.netlify.app/) Συνδέονται μέσα από τα μαθήματα και η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο `quiz-app`. Βρίσκονται σταδιακά σε διαδικασία τοπικοποίησης.
|
||||
|
||||
## Ζητείται Βοήθεια
|
||||
|
||||
Έχετε προτάσεις ή βρήκατε ορθογραφικά ή σφάλματα κώδικα; Δημιουργήστε ένα θέμα ή μια αίτηση pull.
|
||||
Έχετε προτάσεις ή έχετε βρει ορθογραφικά ή κωδικογραφικά λάθη; Δημιουργήστε ένα issue ή κάντε pull request.
|
||||
|
||||
## Ειδικές Ευχαριστίες
|
||||
|
||||
* **✍️ Κύριος Συγγραφέας:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Επιμελήτρια:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Εικονογράφος Σημειώσεων:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Δημιουργός Κουίζ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Κύριοι Συνεισφέροντες:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ Κύριος Συγγραφέας:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Επιμελητής:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Εικονογράφος Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Δημιουργός Κουίζ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Κύριοι Συνεισφέροντες:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Άλλα Προγράμματα Σπουδών
|
||||
|
||||
Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:
|
||||
Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε τα:
|
||||
|
||||
<!-- 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)
|
||||
### LangChain
|
||||
[](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)
|
||||
### 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)
|
||||
|
||||
---
|
||||
|
||||
### Σειρά Γενετικής ΤΝ
|
||||
[](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)
|
||||
### Σειρά Γενετικής Τεχνητής Νοημοσύνης
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Βασική Μάθηση
|
||||
[](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)
|
||||
### Βασική Μάθηση
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Σειρά Copilot
|
||||
[](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)
|
||||
### Σειρά Copilot
|
||||
[](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 -->
|
||||
|
||||
## Λήψη Βοήθειας
|
||||
|
||||
Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών ΤΝ. Ενταχθείτε σε συζητήσεις με άλλους μαθητές και έμπειρους προγραμματιστές για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
|
||||
Αν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών AI. Συμμετάσχετε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Εάν έχετε σχόλια ή λάθη κατά την κατασκευή, επισκεφτείτε:
|
||||
Αν έχετε σχόλια ή σφάλματα κατά την ανάπτυξη επισκεφτείτε:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Αποποίηση Ευθύνης**:
|
||||
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η επίσημη πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική μετάφραση από ανθρώπους. Δεν φέρουμε ευθύνη για οποιεσδήποτε παρανοήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
**Αποποίηση ευθυνών**:
|
||||
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ενώ προσπαθούμε για ακρίβεια, παρακαλώ σημειώστε ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στην αρχική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-29T08:36:52+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
## Ασφάλεια
|
||||
|
||||
Η Microsoft λαμβάνει σοβαρά υπόψη την ασφάλεια των προϊόντων και υπηρεσιών λογισμικού της, συμπεριλαμβανομένων όλων των αποθετηρίων πηγαίου κώδικα που διαχειρίζεται μέσω των οργανισμών της στο GitHub, όπως οι [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) και [οι οργανισμοί μας στο GitHub](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-29T09:31:40+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Κώδικας Δεοντολογίας Ανοιχτού Κώδικα της Microsoft
|
||||
|
||||
Αυτό το έργο έχει υιοθετήσει τον [Κώδικα Δεοντολογίας Ανοιχτού Κώδικα της Microsoft](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-29T09:31:19+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Συμμετοχή
|
||||
|
||||
Αυτό το έργο καλωσορίζει συνεισφορές και προτάσεις. Οι περισσότερες συνεισφορές απαιτούν να συμφωνήσετε με μια Συμφωνία Άδειας Χρήσης Συνεισφέροντα (CLA), δηλώνοντας ότι έχετε το δικαίωμα και πράγματι παραχωρείτε σε εμάς τα δικαιώματα να χρησιμοποιήσουμε τη συνεισφορά σας. Για λεπτομέρειες, επισκεφθείτε τη διεύθυνση https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-29T09:29:29+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Τεχνητή Νοημοσύνη (AI)
|
||||
|
||||
## [Εισαγωγή στην Τεχνητή Νοημοσύνη](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-29T09:28:40+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Υποστήριξη
|
||||
|
||||
## Πώς να αναφέρετε προβλήματα και να λάβετε βοήθεια
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-29T09:30:57+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Συμβάλετε μεταφράζοντας μαθήματα
|
||||
|
||||
Καλωσορίζουμε μεταφράσεις για τα μαθήματα αυτού του προγράμματος σπουδών!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-29T09:31:53+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Κουίζ
|
||||
|
||||
Αυτά τα κουίζ είναι τα κουίζ πριν και μετά τις διαλέξεις για το πρόγραμμα σπουδών AI στο https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:30:48+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Παραδείγματα AI για Αρχάριους
|
||||
|
||||
Καλώς ήρθατε! Αυτός ο κατάλογος περιέχει απλά, αυτόνομα παραδείγματα για να σας βοηθήσει να ξεκινήσετε με την τεχνητή νοημοσύνη και τη μηχανική μάθηση. Κάθε παράδειγμα είναι σχεδιασμένο για αρχάριους, με λεπτομερή σχόλια και βήμα-βήμα εξηγήσεις.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-29T08:42:06+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Για Εκπαιδευτικούς
|
||||
|
||||
Θα θέλατε να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών στην τάξη σας; Μη διστάσετε!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T14:36:53+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Πώς να Εκτελέσετε τον Κώδικα
|
||||
|
||||
Αυτή η διδακτέα ύλη περιέχει πολλά εκτελέσιμα παραδείγματα και εργαστήρια που θα θέλατε να τρέξετε. Για να το κάνετε αυτό, χρειάζεστε τη δυνατότητα εκτέλεσης κώδικα Python σε Jupyter Notebooks που παρέχονται ως μέρος αυτής της διδακτέας ύλης. Έχετε αρκετές επιλογές για να τρέξετε τον κώδικα:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:46:45+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ξεκινώντας με αυτό το Πρόγραμμα Σπουδών
|
||||
|
||||
## Είσαι μαθητής;
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:27:10+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στην Τεχνητή Νοημοσύνη
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:28:33+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Τα παιχνίδια είναι ένας τομέας που έχει επηρεαστεί σημαντικά από τις εξελίξεις στην Τεχνητή Νοημοσύνη (AI) και τη Μηχανική Μάθηση (ML). Σε αυτήν την εργασία, γράψτε ένα σύντομο κείμενο για ένα παιχνίδι που σας αρέσει και έχει επηρεαστεί από την εξέλιξη της AI. Θα πρέπει να είναι ένα αρκετά παλιό παιχνίδι ώστε να έχει επηρεαστεί από διάφορους τύπους συστημάτων επεξεργασίας υπολογιστών. Ένα καλό παράδειγμα είναι το Σκάκι ή το Go, αλλά εξετάστε επίσης βιντεοπαιχνίδια όπως το Pong ή το Pac-Man. Γράψτε ένα δοκίμιο που να συζητά το παρελθόν, το παρόν και το μέλλον του παιχνιδιού σε σχέση με την AI.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T14:38:40+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Αναπαράσταση Γνώσης και Ειδικά Συστήματα
|
||||
|
||||
|
||||
|
||||
|
||||
> Σκίτσο από [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Έτσι, το πρόβλημα της **αναπαράστασης γνώσης** είναι να βρεθεί ένας αποτελεσματικός τρόπος να αναπαρασταθεί η γνώση μέσα σε έναν υπολογιστή με τη μορφή δεδομένων, ώστε να μπορεί να χρησιμοποιηθεί αυτόματα. Αυτό μπορεί να θεωρηθεί ως ένα φάσμα:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Python | σύνταξη-μπλοκ | εσοχή
|
|||
|
||||
Μια από τις πρώτες επιτυχίες της συμβολικής ΤΝ ήταν τα λεγόμενα **ειδικά συστήματα** - υπολογιστικά συστήματα σχεδιασμένα να λειτουργούν ως ειδικοί σε έναν περιορισμένο τομέα προβλημάτων. Βασίζονταν σε μια **βάση γνώσης** που εξήχθη από έναν ή περισσότερους ανθρώπινους ειδικούς, και περιείχαν μια **μηχανή συλλογιστικής** που εκτελούσε συλλογισμούς πάνω σε αυτήν.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------------------------------------|----------------------------------------------
|
||||
Απλοποιημένη δομή του ανθρώπινου νευρικού συστήματος | Αρχιτεκτονική συστήματος βασισμένου σε γνώση
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Python | σύνταξη-μπλοκ | εσοχή
|
|||
|
||||
Ένα παράδειγμα είναι το παρακάτω ειδικό σύστημα για την αναγνώριση ενός ζώου βάσει των φυσικών του χαρακτηριστικών:
|
||||
|
||||
|
||||
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-29T09:02:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Δημιουργία Οντολογίας
|
||||
|
||||
Η δημιουργία μιας βάσης γνώσεων αφορά την κατηγοριοποίηση ενός μοντέλου που αντιπροσωπεύει γεγονότα σχετικά με ένα θέμα. Επιλέξτε ένα θέμα - όπως ένα άτομο, ένα μέρος ή ένα αντικείμενο - και στη συνέχεια δημιουργήστε ένα μοντέλο για αυτό το θέμα. Χρησιμοποιήστε μερικές από τις τεχνικές και στρατηγικές δημιουργίας μοντέλων που περιγράφονται σε αυτό το μάθημα. Ένα παράδειγμα θα μπορούσε να είναι η δημιουργία μιας οντολογίας για ένα σαλόνι με έπιπλα, φώτα και ούτω καθεξής. Πώς διαφέρει το σαλόνι από την κουζίνα; Το μπάνιο; Πώς ξέρετε ότι είναι σαλόνι και όχι τραπεζαρία; Χρησιμοποιήστε το [Protégé](https://protege.stanford.edu/) για να δημιουργήσετε την οντολογία σας.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T08:56:55+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στα Νευρωνικά Δίκτυα: Perceptron
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/el/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/el/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Εικόνες [από τη Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
όπου f είναι μια συνάρτηση ενεργοποίησης βήματος
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/el/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Εκπαίδευση του Perceptron
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T09:10:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Πολυταξική Ταξινόμηση με Perceptron
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T08:56:25+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στα Νευρωνικά Δίκτυα. Πολυεπίπεδος Perceptron
|
||||
|
||||
Στην προηγούμενη ενότητα, μάθατε για το πιο απλό μοντέλο νευρωνικού δικτύου - τον μονοεπίπεδο perceptron, ένα γραμμικό μοντέλο ταξινόμησης δύο κατηγοριών.
|
||||
|
|
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Σημειώστε ότι το αριστερότερο μέρος όλων αυτών των εκφράσεων είναι το ίδιο, και έτσι μπορούμε να υπολογίσουμε αποτελεσματικά τις παραγώγους ξεκινώντας από τη συνάρτηση απώλειας και πηγαίνοντας "προς τα πίσω" μέσω του γραφήματος υπολογισμού. Έτσι, η μέθοδος εκπαίδευσης ενός πολυεπίπεδου perceptron ονομάζεται **backpropagation**, ή 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/el/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: αναφορά εικόνας
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-29T09:08:51+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ταξινόμηση MNIST με το Δικό μας Πλαίσιο
|
||||
|
||||
Εργαστηριακή Άσκηση από το [Πρόγραμμα Σπουδών AI για Αρχάριους](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T08:57:14+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Πλαίσια Νευρωνικών Δικτύων
|
||||
|
||||
Όπως έχουμε ήδη μάθει, για να μπορέσουμε να εκπαιδεύσουμε νευρωνικά δίκτυα αποτελεσματικά, πρέπει να κάνουμε δύο πράγματα:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-29T09:11:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ταξινόμηση με PyTorch/TensorFlow
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:48:39+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στα Νευρωνικά Δίκτυα
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T08:51:07+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εισαγωγή στην Υπολογιστική Όραση
|
||||
|
||||
[Η Υπολογιστική Όραση](https://wikipedia.org/wiki/Computer_vision) είναι ένας τομέας που στοχεύει να επιτρέψει στους υπολογιστές να αποκτήσουν υψηλού επιπέδου κατανόηση ψηφιακών εικόνων. Αυτή είναι μια αρκετά ευρεία έννοια, καθώς η *κατανόηση* μπορεί να σημαίνει πολλά διαφορετικά πράγματα, όπως την εύρεση ενός αντικειμένου σε μια εικόνα (**ανίχνευση αντικειμένου**), την κατανόηση του τι συμβαίνει (**ανίχνευση γεγονότων**), την περιγραφή μιας εικόνας με κείμενο ή την ανακατασκευή μιας σκηνής σε 3D. Υπάρχουν επίσης ειδικές εργασίες που σχετίζονται με ανθρώπινες εικόνες: εκτίμηση ηλικίας και συναισθημάτων, ανίχνευση και αναγνώριση προσώπου, και εκτίμηση στάσης σε 3D, για να αναφέρουμε μερικές.
|
||||
|
|
@ -115,7 +106,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
Σε αυτό το εργαστήριο, θα τραβήξετε ένα βίντεο με απλές χειρονομίες, και ο στόχος σας είναι να εξάγετε κινήσεις πάνω/κάτω/αριστερά/δεξιά χρησιμοποιώντας οπτική ροή.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Καρέ Κίνησης Παλάμης"/>
|
||||
<img src="../../../../../translated_images/el/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Καρέ Κίνησης Παλάμης"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-29T08:52:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανίχνευση Κινήσεων με Χρήση Optical Flow
|
||||
|
||||
Εργαστηριακή Άσκηση από το [Πρόγραμμα Σπουδών AI for Beginners](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T08:50:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Γνωστές Αρχιτεκτονικές CNN
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Το ResNet είναι μια οικογένεια μοντέλων που προτάθηκε από τη Microsoft Research το 2015. Η βασική ιδέα του ResNet είναι η χρήση **residual blocks**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/el/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Εικόνα από [αυτό το άρθρο](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Η αρχιτεκτονική Google Inception προχωρά αυτή την ιδέα ένα βήμα παραπέρα, και κατασκευάζει κάθε στρώση του δικτύου ως συνδυασμό πολλών διαφορετικών διαδρομών:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/el/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Εικόνα από [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T08:49:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Συνελικτικά Νευρωνικά Δίκτυα
|
||||
|
||||
Έχουμε δει προηγουμένως ότι τα νευρωνικά δίκτυα είναι αρκετά καλά στην επεξεργασία εικόνων, και ακόμη και ένα perceptron με μία μόνο στρώση μπορεί να αναγνωρίσει χειρόγραφα ψηφία από το σύνολο δεδομένων MNIST με ικανοποιητική ακρίβεια. Ωστόσο, το σύνολο δεδομένων MNIST είναι πολύ ιδιαίτερο, καθώς όλα τα ψηφία είναι κεντραρισμένα μέσα στην εικόνα, γεγονός που απλοποιεί την εργασία.
|
||||
|
|
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Για παράδειγμα, αν εφαρμόσουμε φίλτρα κάθετης και οριζόντιας άκρης 3x3 στα ψηφία του MNIST, μπορούμε να πάρουμε επισημάνσεις (π.χ. υψηλές τιμές) όπου υπάρχουν κάθετες και οριζόντιες άκρες στην αρχική μας εικόνα. Έτσι, αυτά τα δύο φίλτρα μπορούν να χρησιμοποιηθούν για να "αναζητήσουν" άκρες. Παρομοίως, μπορούμε να σχεδιάσουμε διαφορετικά φίλτρα για να αναζητήσουμε άλλα μοτίβα χαμηλού επιπέδου:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/el/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Εικόνα από [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:00+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ταξινόμηση Προσώπων Κατοικίδιων
|
||||
|
||||
Εργαστηριακή Άσκηση από το [Πρόγραμμα Σπουδών AI για Αρχάριους](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T08:50:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Προεκπαιδευμένα Δίκτυα και Μεταφορά Μάθησης
|
||||
|
||||
Η εκπαίδευση CNNs μπορεί να απαιτήσει πολύ χρόνο και μεγάλο όγκο δεδομένων. Ωστόσο, μεγάλο μέρος του χρόνου δαπανάται για την εκμάθηση των καλύτερων φίλτρων χαμηλού επιπέδου που μπορεί να χρησιμοποιήσει ένα δίκτυο για να εξάγει μοτίβα από εικόνες. Ένα φυσικό ερώτημα που προκύπτει είναι: μπορούμε να χρησιμοποιήσουμε ένα νευρωνικό δίκτυο που έχει εκπαιδευτεί σε ένα σύνολο δεδομένων και να το προσαρμόσουμε για να ταξινομήσει διαφορετικές εικόνες χωρίς να απαιτείται πλήρης διαδικασία εκπαίδευσης;
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-29T08:48:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Τεχνικές Εκπαίδευσης Βαθιάς Μάθησης
|
||||
|
||||
Καθώς τα νευρωνικά δίκτυα γίνονται πιο βαθιά, η διαδικασία της εκπαίδευσής τους γίνεται όλο και πιο απαιτητική. Ένα σημαντικό πρόβλημα είναι τα λεγόμενα [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) ή [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Αυτό το άρθρο](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) παρέχει μια καλή εισαγωγή σε αυτά τα προβλήματα.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-29T08:50:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ταξινόμηση των Κατοικίδιων της Οξφόρδης με Χρήση Μεταφοράς Μάθησης
|
||||
|
||||
Εργαστηριακή Άσκηση από το [Πρόγραμμα Σπουδών AI για Αρχάριους](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T08:52:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Αυτόματοι Κωδικοποιητές
|
||||
|
||||
Κατά την εκπαίδευση CNNs, ένα από τα προβλήματα είναι ότι χρειαζόμαστε πολλά δεδομένα με ετικέτες. Στην περίπτωση της ταξινόμησης εικόνων, πρέπει να διαχωρίσουμε τις εικόνες σε διαφορετικές κατηγορίες, κάτι που απαιτεί χειροκίνητη προσπάθεια.
|
||||
|
|
@ -46,7 +37,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Δειγματοληπτούμε ένα διάνυσμα `sample` από την κατανομή N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* Ο αποκωδικοποιητής προσπαθεί να αποκωδικοποιήσει την αρχική εικόνα χρησιμοποιώντας το `sample` ως διάνυσμα εισόδου
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/el/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> Εικόνα από [αυτό το άρθρο](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) του Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ένα σημαντικό πλεονέκτημα των VAEs είναι ότι μας επιτρέπουν να δημιουργούμε νέες εικόνες σχετικά εύκολα, επειδή γνωρίζουμε από ποια κατανομή να δειγματοληπτήσουμε λανθάνοντες διανύσματα. Για παράδειγμα, αν εκπαιδεύσουμε έναν VAE με 2D λανθάνον διάνυσμα στο MNIST, μπορούμε στη συνέχεια να μεταβάλλουμε τα συστατικά του λανθάνοντος διανύσματος για να πάρουμε διαφορετικούς αριθμούς:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/el/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> Εικόνα από τον [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
Παρατηρήστε πώς οι εικόνες συγχωνεύονται μεταξύ τους, καθώς αρχίζουμε να παίρνουμε λανθάνοντες διανύσματα από διαφορετικά μέρη του λανθάνοντος χώρου παραμέτρων. Μπορούμε επίσης να οπτικοποιήσουμε αυτόν τον χώρο σε 2D:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/el/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> Εικόνα από τον [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T08:53:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Γενετικοί Ανταγωνιστικοί Δίκτυα
|
||||
|
||||
Στην προηγούμενη ενότητα, μάθαμε για τα **γενετικά μοντέλα**: μοντέλα που μπορούν να δημιουργήσουν νέες εικόνες παρόμοιες με αυτές του συνόλου εκπαίδευσης. Το VAE ήταν ένα καλό παράδειγμα γενετικού μοντέλου.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Η βασική ιδέα ενός GAN είναι να έχουμε δύο νευρωνικά δίκτυα που θα εκπαιδεύονται το ένα ενάντια στο άλλο:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/el/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ Επειδή το συνελικτικό επίπεδο υλοποιείται ως γραμμικό φίλτρο που διατρέχει την εικόνα, η αποσυνελικτική λειτουργία είναι ουσιαστικά παρόμοια με τη συνελικτική και μπορεί να υλοποιηθεί χρησιμοποιώντας την ίδια λογική επιπέδου.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/el/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> Εικόνα από [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T08:51:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανίχνευση Αντικειμένων
|
||||
|
||||
Τα μοντέλα ταξινόμησης εικόνων που έχουμε εξετάσει μέχρι τώρα λαμβάνουν μια εικόνα και παράγουν ένα κατηγορηματικό αποτέλεσμα, όπως η κατηγορία 'αριθμός' σε ένα πρόβλημα MNIST. Ωστόσο, σε πολλές περιπτώσεις δεν θέλουμε απλώς να γνωρίζουμε ότι μια εικόνα απεικονίζει αντικείμενα - θέλουμε να μπορούμε να προσδιορίσουμε την ακριβή τους θέση. Αυτό ακριβώς είναι το νόημα της **ανίχνευσης αντικειμένων**.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-29T08:54:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανίχνευση Κεφαλών με το Hollywood Heads Dataset
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T08:53:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Τμηματοποίηση
|
||||
|
||||
Έχουμε ήδη μάθει για την Ανίχνευση Αντικειμένων, η οποία μας επιτρέπει να εντοπίζουμε αντικείμενα στην εικόνα προβλέποντας τα *περιγράμματα* τους. Ωστόσο, για ορισμένες εργασίες δεν χρειαζόμαστε μόνο περιγράμματα, αλλά και πιο ακριβή εντοπισμό αντικειμένων. Αυτή η εργασία ονομάζεται **τμηματοποίηση**.
|
||||
|
|
@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Για την τμηματοποίηση παραδειγμάτων, αυτά τα πρόβατα είναι διαφορετικά αντικείμενα, αλλά για τη σημασιολογική τμηματοποίηση όλα τα πρόβατα αντιπροσωπεύονται από μία κατηγορία.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/el/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> Εικόνα από [αυτήν την ανάρτηση στο blog](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **Κωδικοποιητής** εξάγει χαρακτηριστικά από την είσοδο της εικόνας.
|
||||
* **Αποκωδικοποιητής** μετατρέπει αυτά τα χαρακτηριστικά στην **εικόνα μάσκας**, με το ίδιο μέγεθος και αριθμό καναλιών που αντιστοιχούν στον αριθμό των κατηγοριών.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/el/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> Εικόνα από [αυτήν τη δημοσίευση](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ Αυτή η τεχνική είναι ιδιαίτερα κατάλληλη για αυτόν τον τύπο ιατρικής απεικόνισης, αλλά ποιες άλλες εφαρμογές στον πραγματικό κόσμο μπορείτε να φανταστείτε;
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/el/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> Εικόνα από τη Βάση Δεδομένων PH<sup>2</sup>
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-29T08:57:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Τμηματοποίηση Ανθρώπινου Σώματος
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-29T08:45:13+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Υπολογιστική Όραση
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T09:01:12+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Αναπαράσταση Κειμένου ως Τετραγωνικά Πίνακες
|
||||
|
||||
## [Προ-μάθημα κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Αν θέλουμε να λύσουμε εργασίες Επεξεργασίας Φυσικής Γλώσσας (NLP) με νευρωνικά δίκτυα, χρειαζόμαστε έναν τρόπο να αναπαραστήσουμε το κείμενο ως τετραγωνικούς πίνακες. Οι υπολογιστές ήδη αναπαριστούν τους χαρακτήρες κειμένου ως αριθμούς που αντιστοιχούν σε γραμματοσειρές στην οθόνη σας χρησιμοποιώντας κωδικοποιήσεις όπως ASCII ή UTF-8.
|
||||
|
||||
<img alt="Εικόνα που δείχνει διάγραμμα αντιστοίχισης ενός χαρακτήρα σε αναπαράσταση ASCII και δυαδική" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="Εικόνα που δείχνει διάγραμμα αντιστοίχισης ενός χαρακτήρα σε αναπαράσταση ASCII και δυαδική" src="../../../../../translated_images/el/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [Πηγή εικόνας](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Όταν λύνουμε εργασίες όπως η κατηγοριοποίηση κειμένου, πρέπει να μπορούμε να αναπαραστήσουμε το κείμενο με έναν σταθερού μεγέθους πίνακα, τον οποίο θα χρησιμοποιήσουμε ως είσοδο στον τελικό πυκνό ταξινομητή. Ένας από τους απλούστερους τρόπους να το κάνουμε αυτό είναι να συνδυάσουμε όλες τις ατομικές αναπαραστάσεις λέξεων, π.χ. προσθέτοντάς τες. Αν προσθέσουμε τις one-hot κωδικοποιήσεις κάθε λέξης, θα καταλήξουμε με έναν πίνακα συχνοτήτων, που δείχνει πόσες φορές εμφανίζεται κάθε λέξη μέσα στο κείμενο. Αυτή η αναπαράσταση του κειμένου ονομάζεται **bag of words** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/el/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-29T09:28:22+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανάθεση: Σημειωματάρια
|
||||
|
||||
Χρησιμοποιώντας τα σημειωματάρια που σχετίζονται με αυτό το μάθημα (είτε την έκδοση PyTorch είτε την έκδοση TensorFlow), εκτελέστε τα ξανά χρησιμοποιώντας το δικό σας σύνολο δεδομένων, ίσως κάποιο από το Kaggle, με την κατάλληλη αναφορά. Αναδιαμορφώστε το σημειωματάριο για να υπογραμμίσετε τα δικά σας ευρήματα. Δοκιμάστε κάποια καινοτόμα σύνολα δεδομένων που μπορεί να αποδειχθούν ενδιαφέροντα, όπως [αυτό για θεάσεις UFO](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) από το NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T09:00:44+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ενσωματώσεις
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-29T09:27:00+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανάθεση: Σημειωματάρια
|
||||
|
||||
Χρησιμοποιώντας τα σημειωματάρια που σχετίζονται με αυτό το μάθημα (είτε την έκδοση PyTorch είτε την έκδοση TensorFlow), εκτελέστε τα ξανά χρησιμοποιώντας το δικό σας σύνολο δεδομένων, ίσως κάποιο από το Kaggle, χρησιμοποιώντας το με την κατάλληλη αναφορά. Ξαναγράψτε το σημειωματάριο για να υπογραμμίσετε τα δικά σας ευρήματα. Δοκιμάστε έναν διαφορετικό τύπο συνόλου δεδομένων και τεκμηριώστε τα ευρήματά σας, χρησιμοποιώντας κείμενο όπως [αυτοί οι στίχοι των Beatles](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T08:58:26+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Μοντελοποίηση Γλώσσας
|
||||
|
||||
Οι σημασιολογικές ενσωματώσεις, όπως το Word2Vec και το GloVe, αποτελούν στην πραγματικότητα το πρώτο βήμα προς τη **μοντελοποίηση γλώσσας** - τη δημιουργία μοντέλων που με κάποιο τρόπο *κατανοούν* (ή *αναπαριστούν*) τη φύση της γλώσσας.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-29T09:19:12+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εκπαίδευση Μοντέλου Skip-Gram
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T09:00:06+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Επαναλαμβανόμενα Νευρωνικά Δίκτυα
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ένα απλό κελί RNN έχει δύο πίνακες βαρών στο εσωτερικό του: ένας μετασχηματίζει ένα σύμβολο εισόδου (ας τον ονομάσουμε W) και ένας άλλος μετασχηματίζει μια κατάσταση εισόδου (H). Σε αυτή την περίπτωση, η έξοδος του δικτύου υπολογίζεται ως σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), όπου σ είναι η συνάρτηση ενεργοποίησης και b είναι μια πρόσθετη προκατάληψη.
|
||||
|
||||
<img alt="Ανατομία RNN Κελιού" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="Ανατομία RNN Κελιού" src="../../../../../translated_images/el/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-29T09:25:41+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανάθεση: Σημειωματάρια
|
||||
|
||||
Χρησιμοποιώντας τα σημειωματάρια που σχετίζονται με αυτό το μάθημα (είτε την έκδοση PyTorch είτε την έκδοση TensorFlow), εκτελέστε τα ξανά χρησιμοποιώντας το δικό σας σύνολο δεδομένων, ίσως κάποιο από το Kaggle, χρησιμοποιώντας το με την κατάλληλη αναφορά. Ξαναγράψτε το σημειωματάριο για να υπογραμμίσετε τα δικά σας ευρήματα. Δοκιμάστε έναν διαφορετικό τύπο συνόλου δεδομένων και τεκμηριώστε τα ευρήματά σας, χρησιμοποιώντας κείμενο όπως [αυτό το σύνολο δεδομένων από διαγωνισμό του Kaggle σχετικά με tweets για τον καιρό](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T08:57:58+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Γενετικά Δίκτυα
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Κατά τη δημιουργία κειμένου (κατά την πρόβλεψη), ξεκινάμε με κάποιο **προτροπή**, η οποία περνά μέσα από τα RNN cells για να δημιουργήσει την ενδιάμεση κατάσταση, και στη συνέχεια από αυτή την κατάσταση ξεκινά η δημιουργία. Παράγουμε έναν χαρακτήρα τη φορά και περνάμε την κατάσταση και τον παραγόμενο χαρακτήρα σε άλλο RNN cell για να δημιουργήσουμε τον επόμενο, μέχρι να δημιουργήσουμε αρκετούς χαρακτήρες.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/el/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-29T09:18:15+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Δημιουργία Κειμένου σε Επίπεδο Λέξεων με RNNs
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T08:58:37+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Μηχανισμοί Προσοχής και Transformers
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Εκπαιδεύσιμη ενσωμάτωση, παρόμοια με την ενσωμάτωση token. Αυτή είναι η προσέγγιση που εξετάζουμε εδώ. Εφαρμόζουμε επίπεδα ενσωμάτωσης τόσο στα tokens όσο και στις θέσεις τους, με αποτέλεσμα διανύσματα ενσωμάτωσης των ίδιων διαστάσεων, τα οποία στη συνέχεια προσθέτουμε.
|
||||
* Σταθερή συνάρτηση κωδικοποίησης θέσης, όπως προτείνεται στο αρχικό άρθρο.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/el/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-29T09:21:11+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ανάθεση: Transformers
|
||||
|
||||
Πειραματιστείτε με τους Transformers στο HuggingFace! Δοκιμάστε κάποια από τα σενάρια που παρέχουν για να δουλέψετε με τα διάφορα μοντέλα που είναι διαθέσιμα στον ιστότοπό τους: https://huggingface.co/docs/transformers/run_scripts. Δοκιμάστε ένα από τα σύνολα δεδομένων τους και στη συνέχεια εισάγετε ένα δικό σας από αυτό το πρόγραμμα σπουδών ή από το Kaggle και δείτε αν μπορείτε να δημιουργήσετε ενδιαφέροντα κείμενα. Δημιουργήστε ένα notebook με τα ευρήματά σας.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T08:59:37+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Αναγνώριση Ονομαστικών Οντοτήτων
|
||||
|
||||
Μέχρι τώρα, έχουμε επικεντρωθεί κυρίως σε μία εργασία NLP - την ταξινόμηση. Ωστόσο, υπάρχουν και άλλες εργασίες NLP που μπορούν να επιτευχθούν με νευρωνικά δίκτυα. Μία από αυτές τις εργασίες είναι η **[Αναγνώριση Ονομαστικών Οντοτήτων](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), η οποία ασχολείται με την αναγνώριση συγκεκριμένων οντοτήτων μέσα σε κείμενο, όπως τοποθεσίες, ονόματα προσώπων, χρονικά διαστήματα, χημικές φόρμουλες και άλλα.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ας υποθέσουμε ότι θέλετε να αναπτύξετε ένα chatbot φυσικής γλώσσας, παρόμοιο με το Amazon Alexa ή το Google Assistant. Ο τρόπος που λειτουργούν τα έξυπνα chatbots είναι να *κατανοούν* τι θέλει ο χρήστης, κάνοντας ταξινόμηση κειμένου στη φράση εισόδου. Το αποτέλεσμα αυτής της ταξινόμησης είναι η λεγόμενη **πρόθεση**, η οποία καθορίζει τι πρέπει να κάνει το chatbot.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/el/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> Εικόνα από τον συγγραφέα
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-29T09:23:22+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
Εργαστηριακή Άσκηση από το [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T08:59:18+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Προεκπαιδευμένα Μεγάλα Γλωσσικά Μοντέλα
|
||||
|
||||
Σε όλες τις προηγούμενες εργασίες μας, εκπαιδεύαμε ένα νευρωνικό δίκτυο για να εκτελέσει μια συγκεκριμένη εργασία χρησιμοποιώντας ένα σύνολο δεδομένων με ετικέτες. Με τα μεγάλα μοντέλα μετασχηματιστών, όπως το BERT, χρησιμοποιούμε τη μοντελοποίηση γλώσσας με αυτοεπιβλεπόμενο τρόπο για να δημιουργήσουμε ένα γλωσσικό μοντέλο, το οποίο στη συνέχεια εξειδικεύεται για συγκεκριμένες εργασίες μέσω περαιτέρω εκπαίδευσης σε δεδομένα συγκεκριμένου τομέα. Ωστόσο, έχει αποδειχθεί ότι τα μεγάλα γλωσσικά μοντέλα μπορούν επίσης να λύσουν πολλές εργασίες χωρίς ΚΑΜΙΑ εκπαίδευση συγκεκριμένου τομέα. Μια οικογένεια μοντέλων που μπορεί να το κάνει αυτό ονομάζεται **GPT**: Generative Pre-Trained Transformer.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-29T09:16:04+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Επεξεργασία Φυσικής Γλώσσας
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T08:47:52+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Γενετικοί Αλγόριθμοι
|
||||
|
||||
## [Προ-διάλεξης κουίζ](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T08:49:12+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Βαθιά Ενισχυτική Μάθηση
|
||||
|
||||
Η ενισχυτική μάθηση (Reinforcement Learning - RL) θεωρείται ένα από τα βασικά παραδείγματα μηχανικής μάθησης, δίπλα στη supervised learning και την unsupervised learning. Ενώ στη supervised learning βασιζόμαστε σε ένα σύνολο δεδομένων με γνωστά αποτελέσματα, η RL βασίζεται στη **μάθηση μέσω πράξης**. Για παράδειγμα, όταν βλέπουμε για πρώτη φορά ένα παιχνίδι στον υπολογιστή, ξεκινάμε να παίζουμε, ακόμα και αν δεν γνωρίζουμε τους κανόνες, και σύντομα βελτιώνουμε τις ικανότητές μας απλώς μέσω της διαδικασίας του παιχνιδιού και της προσαρμογής της συμπεριφοράς μας.
|
||||
|
|
@ -34,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Μια απλοποιημένη έκδοση της ισορροπίας είναι γνωστή ως πρόβλημα **CartPole**. Στον κόσμο του CartPole, έχουμε έναν οριζόντιο ολισθητήρα που μπορεί να κινηθεί αριστερά ή δεξιά, και ο στόχος είναι να ισορροπήσουμε ένα κάθετο κοντάρι πάνω στον ολισθητήρα καθώς αυτός κινείται.
|
||||
|
||||
<img alt="a cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="a cartpole" src="../../../../../translated_images/el/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
Για να δημιουργήσουμε και να χρησιμοποιήσουμε αυτό το περιβάλλον, χρειαζόμαστε μερικές γραμμές κώδικα Python:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-29T08:41:48+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
## Το Περιβάλλον
|
||||
|
||||
Το περιβάλλον Mountain Car αποτελείται από ένα αυτοκίνητο παγιδευμένο μέσα σε μια κοιλάδα. Ο στόχος σας είναι να πηδήξετε έξω από την κοιλάδα και να φτάσετε στη σημαία. Οι ενέργειες που μπορείτε να εκτελέσετε είναι να επιταχύνετε προς τα αριστερά, προς τα δεξιά ή να μην κάνετε τίποτα. Μπορείτε να παρατηρήσετε τη θέση του αυτοκινήτου κατά μήκος του άξονα x, καθώς και την ταχύτητά του.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T08:48:14+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Πολυπρακτορικά Συστήματα
|
||||
|
||||
Ένας από τους πιθανούς τρόπους επίτευξης νοημοσύνης είναι η λεγόμενη **αναδυόμενη** (ή **συνεργιστική**) προσέγγιση, η οποία βασίζεται στο γεγονός ότι η συνδυασμένη συμπεριφορά πολλών σχετικά απλών πρακτόρων μπορεί να οδηγήσει σε πιο σύνθετη (ή ευφυή) συμπεριφορά του συστήματος συνολικά. Θεωρητικά, αυτό βασίζεται στις αρχές της [Συλλογικής Νοημοσύνης](https://en.wikipedia.org/wiki/Collective_intelligence), του [Αναδυτισμού](https://en.wikipedia.org/wiki/Global_brain) και της [Εξελικτικής Κυβερνητικής](https://en.wikipedia.org/wiki/Global_brain), που υποστηρίζουν ότι τα συστήματα ανώτερου επιπέδου αποκτούν κάποια προστιθέμενη αξία όταν συνδυάζονται σωστά από συστήματα κατώτερου επιπέδου (η λεγόμενη *αρχή της μετάβασης μετασυστήματος*).
|
||||
|
|
@ -60,7 +51,7 @@ ask turtles [
|
|||
|
||||
Ένα εξαιρετικό χαρακτηριστικό του NetLogo είναι ότι περιέχει μια βιβλιοθήκη έτοιμων μοντέλων που μπορείτε να δοκιμάσετε. Μεταβείτε στο **File → Models Library**, και θα βρείτε πολλές κατηγορίες μοντέλων για να επιλέξετε.
|
||||
|
||||
<img alt="Βιβλιοθήκη Μοντέλων NetLogo" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="Βιβλιοθήκη Μοντέλων NetLogo" src="../../../../../translated_images/el/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> Στιγμιότυπο οθόνης της βιβλιοθήκης μοντέλων από τον Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-29T08:40:03+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Εργασία NetLogo
|
||||
|
||||
Πάρτε ένα από τα μοντέλα στη βιβλιοθήκη του NetLogo και χρησιμοποιήστε το για να προσομοιώσετε μια πραγματική κατάσταση όσο το δυνατόν πιο πιστά. Ένα καλό παράδειγμα θα ήταν να τροποποιήσετε το μοντέλο Virus στον φάκελο Alternative Visualizations για να δείξετε πώς μπορεί να χρησιμοποιηθεί για να μοντελοποιήσει τη διάδοση του COVID-19. Μπορείτε να δημιουργήσετε ένα μοντέλο που να μιμείται τη διάδοση ενός ιού στην πραγματική ζωή;
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-29T09:03:00+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Ηθική και Υπεύθυνη Τεχνητή Νοημοσύνη
|
||||
|
||||
Έχετε σχεδόν ολοκληρώσει αυτό το μάθημα και ελπίζω ότι μέχρι τώρα βλέπετε ξεκάθαρα πως η Τεχνητή Νοημοσύνη (AI) βασίζεται σε έναν αριθμό από επίσημες μαθηματικές μεθόδους που μας επιτρέπουν να βρίσκουμε σχέσεις στα δεδομένα και να εκπαιδεύουμε μοντέλα ώστε να αναπαράγουν ορισμένες πτυχές της ανθρώπινης συμπεριφοράς. Σε αυτό το σημείο της ιστορίας, θεωρούμε την AI ως ένα πολύ ισχυρό εργαλείο για την εξαγωγή προτύπων από δεδομένα και την εφαρμογή αυτών των προτύπων για την επίλυση νέων προβλημάτων.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-29T08:37:22+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Επισκόπηση
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-29T08:43:54+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Δίκτυα Πολλαπλών Τρόπων
|
||||
|
||||
Μετά την επιτυχία των μοντέλων transformer για την επίλυση εργασιών NLP, οι ίδιες ή παρόμοιες αρχιτεκτονικές έχουν εφαρμοστεί σε εργασίες υπολογιστικής όρασης. Υπάρχει αυξανόμενο ενδιαφέρον για την ανάπτυξη μοντέλων που θα *συνδυάζουν* δυνατότητες όρασης και φυσικής γλώσσας. Μία από αυτές τις προσπάθειες έγινε από την OpenAI και ονομάζεται CLIP και DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-29T09:13:33+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
Δημιουργική Αναφορά-Παρόμοια Άδεια 4.0 Διεθνής
|
||||
|
||||
=======================================================================
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-29T09:12:07+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
Όλες οι σημειώσεις σκίτσων του προγράμματος σπουδών μπορούν να ληφθούν εδώ.
|
||||
|
||||
🎨 Δημιουργήθηκε από: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:44:06+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "el"
|
||||
}
|
||||
-->
|
||||
# Οδηγός Αντιμετώπισης Προβλημάτων για το AI-For-Beginners
|
||||
|
||||
Αυτός ο οδηγός σας βοηθά να επιλύσετε κοινά προβλήματα που προκύπτουν κατά τη χρήση ή τη συνεισφορά στο αποθετήριο [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners). Κάθε πρόβλημα περιλαμβάνει υπόβαθρο, συμπτώματα, εξηγήσεις και βήμα-βήμα λύσεις.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:20:42+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T01:49:37+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-24T10:10:02+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-24T10:50:22+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-24T10:50:54+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-24T10:51:24+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-24T10:50:10+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-24T10:50:36+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-24T10:51:59+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:30:24+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-24T10:49:27+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T14:27:45+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:42:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:23:13+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:24:21+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T14:28:10+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-24T10:48:31+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T13:57:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T12:25:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T13:56:46+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-24T10:41:00+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T13:57:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-24T10:42:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:47:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T13:52:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-24T10:32:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T13:51:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T13:51:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:54:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T13:51:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-24T10:34:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-24T10:35:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T13:53:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T13:53:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T13:52:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-24T10:29:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T13:53:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-24T10:26:51+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-24T10:25:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T14:00:39+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-24T10:16:07+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T14:00:17+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-24T10:14:12+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T13:58:26+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-24T10:16:57+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T13:59:51+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-24T10:13:11+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T13:58:05+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-24T10:15:07+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T13:58:43+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-24T10:19:59+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T13:59:35+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-24T10:22:59+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T13:59:10+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-24T10:11:53+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T13:49:18+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T13:50:30+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-24T10:38:32+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T13:49:40+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-24T10:37:21+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-24T10:10:42+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-24T10:10:19+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-24T10:39:09+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-24T10:45:40+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-24T10:43:17+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "pl"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:43:07+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:20:42+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Przegląd projektu
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-15T14:25:12+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
[](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/)
|
||||
|
|
@ -23,32 +14,32 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Sztuczna inteligencja dla początkujących - program nauczania
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote autorstwa [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI dla początkujących - _Sketchnote autorstwa [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Odkryj świat **Sztucznej Inteligencji** (AI) z naszym 12-tygodniowym, 24-lekcyjnym programem nauczania! Zawiera on praktyczne lekcje, quizy oraz laboratoria. Program jest przyjazny dla początkujących i obejmuje narzędzia takie jak TensorFlow i PyTorch, a także etykę w AI
|
||||
Odkryj świat **Sztucznej Inteligencji** (AI) z naszym 12-tygodniowym, 24-lekcyjnym programem nauczania! Zawiera praktyczne lekcje, quizy i laboratoria. Program jest przyjazny dla początkujących i obejmuje narzędzia takie jak TensorFlow i PyTorch, a także etykę w AI.
|
||||
|
||||
|
||||
### 🌐 Wsparcie wielojęzyczne
|
||||
|
||||
#### Wspierane poprzez akcję GitHub (automatyczna i zawsze aktualna)
|
||||
#### Obsługiwane za pomocą GitHub Action (automatyczne i zawsze aktualne)
|
||||
|
||||
<!-- 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](./README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](./README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **Wolisz klonować lokalnie?**
|
||||
> **Wolisz sklonować lokalnie?**
|
||||
|
||||
> To repozytorium zawiera ponad 50 tłumaczeń językowych, co znacznie zwiększa rozmiar pobieranego pliku. Aby sklonować bez tłumaczeń, użyj sparse checkout:
|
||||
> To repozytorium zawiera ponad 50 tłumaczeń językowych, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparsowanego checkoutu:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> To zapewni ci wszystko, co potrzebne do ukończenia kursu z dużo szybszym pobieraniem.
|
||||
> To zapewnia wszystko, czego potrzebujesz, aby ukończyć kurs, przy znacznie szybszym pobieraniu.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Jeśli chcesz, aby obsługiwane były dodatkowe języki tłumaczeń są one wymienione [tutaj](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Jeśli chcesz, aby obsługiwane były dodatkowe języki tłumaczeń, są one wymienione [tutaj](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Dołącz do społeczności
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -59,175 +50,176 @@ Odkryj świat **Sztucznej Inteligencji** (AI) z naszym 12-tygodniowym, 24-lekcyj
|
|||
|
||||
W tym programie nauczania nauczysz się:
|
||||
|
||||
* Różnych podejść do sztucznej inteligencji, w tym "dobrej starej" symbolicznej metody z **Reprezentacją Wiedzy** i wnioskowaniem ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Sieci neuronowych** i **uczenia głębokiego**, które są u podstaw nowoczesnej AI. Pokażemy koncepcje stojące za tymi ważnymi tematami używając kodu w dwóch najpopularniejszych frameworkach - [TensorFlow](http://Tensorflow.org) i [PyTorch](http://pytorch.org).
|
||||
* **Architektury neuronowe** do pracy z obrazami i tekstem. Omówimy najnowsze modele, choć mogą one nie obejmować najnowszych osiągnięć.
|
||||
* Mniej popularne podejścia AI, takie jak **algorytmy genetyczne** i **systemy wieloagentowe**.
|
||||
* Różnych podejść do Sztucznej Inteligencji, w tym "dawnego dobrego" podejścia symbolicznego z **Reprezentacją Wiedzy** i wnioskowaniem ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Sieci neuronowych** i **Uczenia głębokiego**, które są sednem nowoczesnej AI. Pokażemy koncepcje stojące za tymi ważnymi tematami, używając kodu w dwóch najpopularniejszych frameworkach - [TensorFlow](http://Tensorflow.org) oraz [PyTorch](http://pytorch.org).
|
||||
* **Neuronalnych architektur** do pracy z obrazami i tekstem. Omówimy najnowsze modele, choć mogą być nieco mniej aktualne względem stanu wiedzy.
|
||||
* Mniej popularne podejścia do AI, takie jak **algorytmy genetyczne** i **systemy wieloagentowe**.
|
||||
|
||||
Czego nie obejmuje ten program nauczania:
|
||||
Czego nie omówimy w tym programie:
|
||||
|
||||
> [Znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Przypadki biznesowe zastosowania **AI w biznesie**. Rozważ podjęcie ścieżki nauki [Wprowadzenie do AI dla użytkowników biznesowych](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn lub [Szkołę AI dla Biznesu](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), opracowaną we współpracy z [INSEAD](https://www.insead.edu/).
|
||||
* **Klasyczne uczenie maszynowe**, które jest dobrze opisane w naszym programie [Uczenie maszynowe dla początkujących](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktyczne zastosowania AI zbudowane przy użyciu **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. W tym celu zalecamy rozpoczęcie od modułów Microsoft Learn dotyczących [wizji komputerowej](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [przetwarzania języka naturalnego](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatywnej AI z Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** i innych.
|
||||
* Specyficzne ML **frameworki chmurowe**, takie jak [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) lub [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Rozważ użycie ścieżek nauki [Budowanie i obsługa rozwiązań uczenia maszynowego z Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) oraz [Budowanie i obsługa rozwiązań uczenia maszynowego z Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konwersacyjne AI** i **chatboty**. Istnieje osobna ścieżka nauki [Tworzenie rozwiązań konwersacyjnej AI](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a także możesz odnieść się do [tego wpisu na blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) po więcej szczegółów.
|
||||
* **Głęboka matematyka** stojąca za uczeniem głębokim. W tym celu polecamy [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autorstwa Iana Goodfellowa, Yoshua Bengio i Aarona Courville, która jest również dostępna online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Przypadki biznesowe wykorzystania **AI w biznesie**. Rozważ rozpoczęcie ścieżki nauczania [Wprowadzenie do AI dla użytkowników biznesowych](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn lub [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), opracowaną we współpracy z [INSEAD](https://www.insead.edu/).
|
||||
* **Klasyczne uczenie maszynowe**, które jest dobrze opisane w naszym [Programie nauczania dla początkujących z uczenia maszynowego](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktycznych zastosowań AI zbudowanych przy użyciu **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. W tym celu zalecamy rozpoczęcie od modułów Microsoft Learn dotyczących [wizji komputerowej](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [przetwarzania języka naturalnego](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI z Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** i innych.
|
||||
* Specyficznych frameworków ML w chmurze, takich jak [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) lub [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Rozważ użycie ścieżek edukacyjnych [Buduj i obsługuj rozwiązania uczenia maszynowego z Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) oraz [Buduj i obsługuj rozwiązania uczenia maszynowego z Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konwersacyjne AI** i **Chatboty**. Istnieje osobna ścieżka nauczania [Twórz rozwiązania konwersacyjne AI](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a także możesz odnieść się do [tego wpisu na blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) dla szczegółów.
|
||||
* **Głębokiej matematyki** stojącej za uczeniem głębokim. W tym celu polecamy książkę [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autorstwa Iana Goodfellowa, Yoshua Bengio oraz Aarona Courville, dostępną również online pod adresem [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Dla łagodnego wprowadzenia do tematów _AI w chmurze_ możesz rozważyć odbycie ścieżki nauki [Rozpocznij przygodę ze sztuczną inteligencją w Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Dla łagodniejszego wprowadzenia do tematów _AI w chmurze_ możesz rozważyć ścieżkę nauczania [Pierwsze kroki ze sztuczną inteligencją na Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Zawartość
|
||||
|
||||
| | Link do lekcji | PyTorch/Keras/TensorFlow | Laboratorium |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Konfiguracja kursu](./lessons/0-course-setup/setup.md) | [Skonfiguruj swoje środowisko programistyczne](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Konfiguracja kursu](./lessons/0-course-setup/setup.md) | [Konfiguracja środowiska developerskiego](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Wprowadzenie do AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Wprowadzenie i historia AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Symboliczne AI** |
|
||||
| 02 | [Reprezentacja wiedzy i systemy eksperckie](./lessons/2-Symbolic/README.md) | [Systemy eksperckie](./lessons/2-Symbolic/Animals.ipynb) / [Ontologia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf pojęć](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Reprezentacja wiedzy i systemy ekspertowe](./lessons/2-Symbolic/README.md) | [Systemy ekspertowe](./lessons/2-Symbolic/Animals.ipynb) / [Ontologia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf pojęć](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Wprowadzenie do sieci neuronowych**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Wielowarstwowy perceptron i tworzenie własnego frameworka](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Wprowadzenie do frameworków (PyTorch/TensorFlow) i przeuczenie](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notatnik](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorium](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Wielowarstwowy perceptron i tworzenie własnego frameworku](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notatnik](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorium](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Wprowadzenie do frameworków (PyTorch/TensorFlow) i nadmierne dopasowanie](./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) | [Laboratorium](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Wizja komputerowa**](./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)| [Poznaj wizję komputerową na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Wprowadzenie do wizji komputerowej. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Splotowe sieci neuronowe](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Architektury 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) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Sieci wstępnie wytrenowane i uczenie transferowe](./lessons/4-ComputerVision/08-TransferLearning/README.md) oraz [Sztuczki treningowe](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 06 | [Wprowadzenie do wizji komputerowej. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notatnik](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorium](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Splotowe sieci neuronowe](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Architektury 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) | [Laboratorium](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Sieci wstępnie wytrenowane i transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) i [Sztuczki treningowe](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorium](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkodery i 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 | [Generatywne sieci przeciwstawne i transfer stylu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detekcja obiektów](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 10 | [Generatywne sieci przeciwstawne i transfer stylu artystycznego](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detekcja obiektów](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorium](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentacja semantyczna. 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 | [**Przetwarzanie języka naturalnego**](./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) | [Poznaj przetwarzanie języka naturalnego na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Reprezentacja tekstu. 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 | [Semantyczne osadzenia słów. Word2Vec i 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 | [Modelowanie języka. Trenowanie własnych osadzeń](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 15 | [Modelowanie języka. Trenowanie własnych osadzeń](./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) | [Laboratorium](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurencyjne sieci neuronowe](./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 | [Generatywne sieci rekurencyjne](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Generatywne sieci rekurencyjne](./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) | [Laboratorium](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformery. 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 | [Rozpoznawanie nazwanych jednostek](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Duże modele językowe, programowanie promptów i zadania few-shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 19 | [Rozpoznawanie nazwanych jednostek](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorium](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Duże modele językowe, programowanie podpowiedzi i zadania few-shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Inne techniki AI** || |
|
||||
| 21 | [Algorytmy genetyczne](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Głębokie uczenie ze wzmocnieniem](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 21 | [Algorytmy genetyczne](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notatnik](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Głębokie uczenie ze wzmocnieniem](./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) | [Laboratorium](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Systemy wieloagentowe](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etyka AI** | | |
|
||||
| 24 | [Etyka AI i odpowiedzialna sztuczna inteligencja](./lessons/7-Ethics/README.md) | [Microsoft Learn: Zasady odpowiedzialnej AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Etyka AI i odpowiedzialne AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Zasady odpowiedzialnej AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Dodatki** | | |
|
||||
| 25 | [Sieci multimodalne, CLIP i VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [Sieci multimodalne, CLIP i VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notatnik](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Każda lekcja zawiera
|
||||
|
||||
* Materiały do wstępnej lektury
|
||||
* Wykonywalne notatniki Jupyter, często specyficzne dla frameworka (**PyTorch** lub **TensorFlow**). Wykonywalny notatnik zawiera również dużo materiału teoretycznego, więc aby zrozumieć temat, należy przejrzeć przynajmniej jedną wersję notatnika (PyTorch lub TensorFlow).
|
||||
* **Laboratoria** dostępne dla niektórych tematów, które dają możliwość spróbowania zastosowania poznanego materiału do konkretnego problemu.
|
||||
* Niektóre sekcje zawierają linki do modułów [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), które obejmują powiązane tematy.
|
||||
* Wykonywalne notatniki Jupyter, które często są specyficzne dla frameworku (**PyTorch** lub **TensorFlow**). Wykonywalny notatnik zawiera również dużo materiału teoretycznego, więc aby zrozumieć temat, należy przejść przez przynajmniej jedną wersję notatnika (PyTorch lub TensorFlow).
|
||||
* **Laboratoria** dostępne dla niektórych tematów, które dają możliwość zastosowania materiału, którego się nauczyłeś, do konkretnego problemu.
|
||||
* Niektóre sekcje zawierają linki do modułów [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) omawiających powiązane tematy.
|
||||
|
||||
## Rozpoczęcie pracy
|
||||
|
||||
### 🎯 Nowy w AI? Zacznij tutaj!
|
||||
|
||||
Jeśli jesteś całkowicie nowy w AI i chcesz szybko poznać praktyczne przykłady, sprawdź nasze [**Przykłady dla początkujących**](./examples/README.md)! Obejmują one:
|
||||
Jeśli jesteś zupełnie nowy w AI i chcesz szybkie, praktyczne przykłady, sprawdź nasze [**Przyjazne dla początkujących przykłady**](./examples/README.md)! Zawierają one:
|
||||
|
||||
- 🌟 **Hello AI World** - Twój pierwszy program AI (rozpoznawanie wzorców)
|
||||
- 🧠 **Prosta sieć neuronowa** - Budowa sieci neuronowej od podstaw
|
||||
- 🖼️ **Klasyfikator obrazów** - Klasyfikacja obrazów z szczegółowymi komentarzami
|
||||
- 💬 **Analiza nastroju tekstu** - Analiza tekstu pod kątem pozytywnego/negatywnego wydźwięku
|
||||
- 🧠 **Prosta sieć neuronowa** - Zbuduj sieć neuronową od podstaw
|
||||
|
||||
Te przykłady mają na celu pomóc Ci zrozumieć koncepty AI zanim zagłębisz się w pełny program nauczania.
|
||||
- 🖼️ **Klasyfikator obrazów** - Klasyfikuj obrazy z szczegółowymi komentarzami
|
||||
- 💬 **Analiza sentymentu tekstu** - Analizuj tekst pod kątem pozytywnych/negatywnych emocji
|
||||
|
||||
### 📚 Pełna konfiguracja programu nauczania
|
||||
Te przykłady mają pomóc zrozumieć koncepcje AI przed rozpoczęciem pełnego kursu.
|
||||
|
||||
- Stworzyliśmy [lekcję konfiguracji](./lessons/0-course-setup/setup.md), która pomoże Ci w ustawieniu środowiska programistycznego. - Dla nauczycieli przygotowaliśmy także [lekcję konfiguracji programu nauczania](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Jak [uruchomić kod w VSCode lub Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 Pełna konfiguracja kursu
|
||||
|
||||
Postępuj według tych kroków:
|
||||
- Stworzyliśmy [lekcję konfiguracji](./lessons/0-course-setup/setup.md), aby pomóc Ci z uruchomieniem środowiska programistycznego. - Dla nauczycieli przygotowaliśmy także [lekcję konfiguracji programu nauczania](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Jak [uruchomić kod w VSCode lub Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Forkuj repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
|
||||
Wykonaj następujące kroki:
|
||||
|
||||
Sklonuj repozytorium: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Forkuj repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
|
||||
|
||||
Nie zapomnij oznaczyć repozytorium gwiazdką (🌟), żeby łatwiej je potem znaleźć.
|
||||
Sklonuj repozytorium: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
## Poznaj innych uczących się
|
||||
Nie zapomnij dodać gwiazdki (🌟) temu repozytorium, aby łatwiej je znaleźć później.
|
||||
|
||||
Dołącz do naszego [oficjalnego serwera Discord AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), aby spotkać i nawiązać kontakty z innymi uczestnikami kursu oraz uzyskać wsparcie.
|
||||
## Poznaj innych uczących się
|
||||
|
||||
Jeśli masz opinie o produkcie lub pytania podczas tworzenia, odwiedź nasz [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Dołącz do naszego [oficjalnego serwera Discord AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), aby poznać i nawiązać kontakty z innymi uczestnikami kursu oraz uzyskać wsparcie.
|
||||
|
||||
## Quizy
|
||||
Jeśli masz opinie o produkcie lub pytania podczas tworzenia, odwiedź nasz [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
> **Informacja o quizach**: Wszystkie quizy znajdują się w folderze Quiz-app w etc\quiz-app lub [online tutaj](https://ff-quizzes.netlify.app/) Są zlinkowane z lekcji; aplikacja quizowa może być uruchomiona lokalnie lub wdrożona na Azure; postępuj według instrukcji w folderze `quiz-app`. Są stopniowo lokalizowane.
|
||||
## Quizy
|
||||
|
||||
## Poszukujemy pomocy
|
||||
> **Uwaga o quizach**: Wszystkie quizy znajdują się w folderze Quiz-app w etc\quiz-app, lub [Online Tutaj](https://ff-quizzes.netlify.app/) Są one powiązane z lekcjami, aplikację quizową można uruchomić lokalnie lub wdrożyć na Azure; postępuj zgodnie z instrukcjami w folderze `quiz-app`. Są one stopniowo lokalizowane.
|
||||
|
||||
Masz sugestie lub znalazłeś błędy ortograficzne lub w kodzie? Zgłoś problem lub stwórz pull request.
|
||||
## Potrzebujemy pomocy
|
||||
|
||||
## Specjalne podziękowania
|
||||
Masz sugestie albo znalazłeś błędy pisowni lub w kodzie? Zgłoś problem lub stwórz pull request.
|
||||
|
||||
* **✍️ Główny autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redaktor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator sketchnotek:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Twórca quizów:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Główni współtwórcy:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
## Specjalne podziękowania
|
||||
|
||||
## Inne programy nauczania
|
||||
* **✍️ Główny autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redaktor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator sketchnotów:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Twórca quizów:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Główni współtwórcy:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
Nasz zespół tworzy inne programy! Sprawdź:
|
||||
## Inne programy nauczania
|
||||
|
||||
<!-- 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)
|
||||
Nasz zespół tworzy także inne programy nauczania! Sprawdź:
|
||||
|
||||
---
|
||||
<!-- 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)
|
||||
|
||||
### Azure / Edge / MCP / Agenci
|
||||
[](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)
|
||||
---
|
||||
|
||||
---
|
||||
### Azure / Edge / MCP / Agenci
|
||||
[](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)
|
||||
|
||||
### Seria Generatywnego AI
|
||||
[](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)
|
||||
---
|
||||
|
||||
### Seria Generatywnej AI
|
||||
[](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)
|
||||
|
||||
---
|
||||
---
|
||||
|
||||
### Podstawowa nauka
|
||||
[](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)
|
||||
|
||||
### Podstawowe nauczanie
|
||||
[](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)
|
||||
---
|
||||
|
||||
### Seria Copilot
|
||||
[](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 -->
|
||||
|
||||
---
|
||||
## Uzyskaj pomoc
|
||||
|
||||
### Seria Copilot
|
||||
[](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 -->
|
||||
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.
|
||||
|
||||
## Uzyskaj pomoc
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI, dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jeśli masz opinie o produkcie lub błędy podczas tworzenia, odwiedź:
|
||||
Jeśli masz opinie o produkcie lub błędy podczas tworzenia, odwiedź:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Zastrzeżenie**:
|
||||
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dbamy o dokładność, prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy traktować jako źródło autorytatywne. W przypadku istotnych informacji zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
|
||||
**Wyłączenie odpowiedzialności**:
|
||||
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dokładamy starań, aby tłumaczenie było jak najbardziej precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako źródło wiążące. W przypadku istotnych informacji zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-24T10:10:02+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
## Bezpieczeństwo
|
||||
|
||||
Microsoft traktuje bezpieczeństwo swoich produktów i usług bardzo poważnie, w tym wszystkich repozytoriów kodu źródłowego zarządzanych w ramach naszych organizacji na GitHub, takich jak [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) oraz [nasze organizacje na GitHub](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-24T10:50:22+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Kodeks postępowania Microsoft Open Source
|
||||
|
||||
Ten projekt przyjął [Kodeks postępowania Microsoft Open Source](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-24T10:50:54+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Współtworzenie
|
||||
|
||||
Ten projekt zaprasza do współtworzenia i składania sugestii. Większość wkładów wymaga od Ciebie
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-24T10:51:24+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Wprowadzenie do AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-24T10:50:10+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wsparcie
|
||||
|
||||
## Jak zgłaszać problemy i uzyskiwać pomoc
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-24T10:50:36+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Współtwórz, tłumacząc lekcje
|
||||
|
||||
Zapraszamy do tłumaczenia lekcji w tym programie nauczania!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-24T10:51:59+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Quizy
|
||||
|
||||
Te quizy to quizy przed i po wykładach w ramach programu nauczania AI dostępnego na https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:30:24+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Przykłady AI dla Początkujących
|
||||
|
||||
Witaj! Ten katalog zawiera proste, samodzielne przykłady, które pomogą Ci rozpocząć przygodę z AI i uczeniem maszynowym. Każdy przykład został zaprojektowany z myślą o początkujących, z dokładnymi komentarzami i wyjaśnieniami krok po kroku.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-24T10:49:27+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Dla Edukatorów
|
||||
|
||||
Chcesz wykorzystać ten program nauczania w swojej klasie? Śmiało, zapraszamy!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-15T14:27:45+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Jak Uruchomić Kod
|
||||
|
||||
Ten program nauczania zawiera wiele wykonalnych przykładów i laboratoriów, które będziesz chciał uruchomić. Aby to zrobić, musisz mieć możliwość wykonywania kodu Python w Jupyter Notebooks dostarczonych w ramach tego programu nauczania. Masz kilka opcji uruchamiania kodu:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:42:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Rozpoczęcie pracy z tym programem nauczania
|
||||
|
||||
## Jesteś studentem?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:23:13+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do AI
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:24:21+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Gry to dziedzina, która została mocno wpłynięta przez rozwój AI i ML. W tym zadaniu napisz krótką pracę na temat gry, którą lubisz, a która została ukształtowana przez ewolucję AI. Powinna to być gra na tyle stara, aby była pod wpływem różnych typów systemów przetwarzania komputerowego. Dobrym przykładem jest szachy lub Go, ale warto również przyjrzeć się grom wideo, takim jak Pong czy Pac-Man. Napisz esej omawiający przeszłość, teraźniejszość i przyszłość AI w kontekście tej gry.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-15T14:28:10+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Reprezentacja Wiedzy i Systemy Eksperckie
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote autorstwa [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Najczęściej nie definiujemy wiedzy ściśle, ale wyrównujemy ją z innymi pok
|
|||
|
||||
Problematyka **reprezentacji wiedzy** polega zatem na znalezieniu skutecznego sposobu przedstawienia wiedzy w komputerze w formie danych, aby mogła być automatycznie wykorzystywana. Można to zobaczyć jako spektrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obraz autorstwa [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Składnia bloku | Wcięcie | | |
|
|||
|
||||
Jednym z wczesnych sukcesów symbolicznej AI były tzw. **systemy eksperckie** - systemy komputerowe zaprojektowane do działania jako ekspert w ograniczonym obszarze problemowym. Opierały się na **bazie wiedzy** wydobytej od jednego lub więcej ekspertów oraz zawierały **silnik wnioskowania**, który wykonywał pewne rozumowania na jej podstawie.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Uproszczona struktura ludzkiego systemu nerwowego | Architektura systemu opartego na wiedzy
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Systemy eksperckie są budowane na wzór ludzkiego systemu rozumowania, który z
|
|||
|
||||
Na przykład rozważmy system ekspercki do identyfikacji zwierzęcia na podstawie jego cech fizycznych:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obraz autorstwa [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-24T10:48:31+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Budowanie Ontologii
|
||||
|
||||
Budowanie bazy wiedzy polega na kategoryzowaniu modelu, który reprezentuje fakty na dany temat. Wybierz temat – na przykład osobę, miejsce lub rzecz – a następnie stwórz model tego tematu. Skorzystaj z technik i strategii budowania modeli opisanych w tej lekcji. Przykładem może być stworzenie ontologii salonu z meblami, oświetleniem i innymi elementami. Czym salon różni się od kuchni? Łazienki? Skąd wiesz, że to salon, a nie jadalnia? Użyj [Protégé](https://protege.stanford.edu/), aby zbudować swoją ontologię.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T13:57:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do sieci neuronowych: Perceptron
|
||||
|
||||
## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Jednym z pierwszych prób stworzenia czegoś podobnego do współczesnej sieci n
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/pl/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/pl/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Obrazy [z Wikipedii](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
gdzie f to funkcja aktywacji typu schodkowego
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/pl/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Trenowanie perceptronu
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-31T12:25:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Klasyfikacja wieloklasowa za pomocą perceptronu
|
||||
|
||||
Zadanie laboratoryjne z [Kursu AI dla początkujących](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T13:56:46+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do sieci neuronowych. Wielowarstwowy perceptron
|
||||
|
||||
W poprzedniej sekcji poznaliśmy najprostszy model sieci neuronowej - jednowarstwowy perceptron, liniowy model klasyfikacji dla dwóch klas.
|
||||
|
|
@ -65,7 +56,7 @@ Algorytm gradientu prostego pozostanie taki sam, ale obliczanie gradientów będ
|
|||
|
||||
Zauważ, że lewa część wszystkich tych wyrażeń jest taka sama, dzięki czemu możemy efektywnie obliczać pochodne, zaczynając od funkcji straty i przechodząc "wstecz" przez graf obliczeniowy. Dlatego metoda treningu wielowarstwowego perceptronu nazywana jest **propagacją wsteczną**, lub 'backprop'.
|
||||
|
||||
<img alt="graf obliczeniowy" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="graf obliczeniowy" src="../../../../../translated_images/pl/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: cytowanie obrazu
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-24T10:41:00+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Klasyfikacja MNIST z Naszym Własnym Frameworkiem
|
||||
|
||||
Zadanie laboratoryjne z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T13:57:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Frameworky Sieci Neuronowych
|
||||
|
||||
Jak już się nauczyliśmy, aby efektywnie trenować sieci neuronowe, musimy zrobić dwie rzeczy:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-24T10:42:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Klasyfikacja z PyTorch/TensorFlow
|
||||
|
||||
Zadanie laboratoryjne z [Kursu AI dla Początkujących](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:47:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do sieci neuronowych
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T13:52:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wprowadzenie do wizji komputerowej
|
||||
|
||||
[Wizja komputerowa](https://wikipedia.org/wiki/Computer_vision) to dziedzina, której celem jest umożliwienie komputerom uzyskania wysokopoziomowego zrozumienia obrazów cyfrowych. Jest to dość szeroka definicja, ponieważ *zrozumienie* może oznaczać wiele różnych rzeczy, takich jak znalezienie obiektu na zdjęciu (**detekcja obiektów**), zrozumienie, co się dzieje (**detekcja zdarzeń**), opisanie obrazu w formie tekstu czy rekonstrukcja sceny w 3D. Istnieją również specjalne zadania związane z obrazami ludzi: szacowanie wieku i emocji, detekcja i identyfikacja twarzy oraz estymacja pozycji 3D, by wymienić tylko kilka.
|
||||
|
|
@ -115,7 +106,7 @@ Przeczytaj więcej o optycznym przepływie [w tym świetnym tutorialu](https://l
|
|||
|
||||
W tym laboratorium nagrasz wideo z prostymi gestami, a Twoim celem będzie wyodrębnienie ruchów góra/dół/lewo/prawo za pomocą optycznego przepływu.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Klatka ruchu dłoni"/>
|
||||
<img src="../../../../../translated_images/pl/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Klatka ruchu dłoni"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-24T10:32:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wykrywanie ruchów za pomocą optycznego przepływu
|
||||
|
||||
Zadanie laboratoryjne z [Kursu AI dla początkujących](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T13:51:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Znane Architektury CNN
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Jak widać, VGG stosuje tradycyjną architekturę piramidy, czyli sekwencję war
|
|||
|
||||
ResNet to rodzina modeli zaproponowana przez Microsoft Research w 2015 roku. Główną ideą ResNet jest wykorzystanie **bloków resztkowych**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/pl/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Obraz z [tego artykułu](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Można również pomyśleć o tej sieci jako o zdolnej do dostosowania swojej z
|
|||
|
||||
Architektura Google Inception idzie o krok dalej i buduje każdą warstwę sieci jako kombinację kilku różnych ścieżek:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/pl/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Obraz z [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T13:51:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Konwolucyjne Sieci Neuronowe
|
||||
|
||||
Wcześniej widzieliśmy, że sieci neuronowe całkiem dobrze radzą sobie z obrazami, a nawet perceptron jednopoziomowy potrafi rozpoznawać odręczne cyfry z zestawu danych MNIST z zadowalającą dokładnością. Jednak zestaw danych MNIST jest wyjątkowy, ponieważ wszystkie cyfry są wyśrodkowane na obrazie, co upraszcza zadanie.
|
||||
|
|
@ -24,7 +15,7 @@ Aby wyodrębnić wzory, użyjemy pojęcia **filtrów konwolucyjnych**. Jak wiado
|
|||
|
||||
Na przykład, jeśli zastosujemy filtry krawędzi pionowych i poziomych o rozmiarze 3x3 do cyfr z MNIST, możemy uzyskać wyróżnienia (np. wysokie wartości) tam, gdzie w oryginalnym obrazie występują krawędzie pionowe i poziome. Te dwa filtry mogą być używane do "wyszukiwania" krawędzi. Podobnie, możemy zaprojektować różne filtry, aby wyszukiwać inne wzory niskiego poziomu:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/pl/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Obraz [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:54:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Klasyfikacja Twarzy Zwierząt Domowych
|
||||
|
||||
Zadanie laboratoryjne z [Kursu AI dla Początkujących](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T13:51:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Wstępnie wytrenowane sieci i transfer uczenia
|
||||
|
||||
Trenowanie CNN może zająć dużo czasu, a do tego zadania potrzebne są duże ilości danych. Jednak większość czasu poświęca się na naukę najlepszych filtrów niskiego poziomu, które sieć może wykorzystać do wyodrębniania wzorców z obrazów. Pojawia się naturalne pytanie - czy możemy użyć sieci neuronowej wytrenowanej na jednym zbiorze danych i dostosować ją do klasyfikacji innych obrazów bez konieczności pełnego procesu trenowania?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-24T10:34:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Triki w trenowaniu głębokich sieci neuronowych
|
||||
|
||||
Wraz z pogłębianiem się sieci neuronowych, proces ich trenowania staje się coraz bardziej wymagający. Jednym z głównych problemów są tzw. [zanikające gradienty](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) lub [eksplodujące gradienty](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Ten artykuł](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) dobrze wprowadza w te zagadnienia.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-24T10:35:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "pl"
|
||||
}
|
||||
-->
|
||||
# Klasyfikacja zwierząt domowych z Oxfordu za pomocą transferu uczenia
|
||||
|
||||
Zadanie laboratoryjne z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue