chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)
This commit is contained in:
localizeflow[bot]
parent
f2a27efc74
commit
3c760d21ff
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:27:59+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:27:38+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:20:58+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:28+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:16+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:49:03+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:22+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:34+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:53:14+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:33:39+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:38:46+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T04:54:29+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:12:09+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:58:46+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:00:01+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T04:54:52+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T11:28:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:08:12+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T11:27:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:48:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T11:28:27+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:52:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T11:23:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T11:22:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T11:22:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:57:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T11:22:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:11:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T11:24:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T11:25:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T11:23:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:49:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T11:24:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:36:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T11:31:35+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:15+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T11:31:14+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:27+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T11:29:23+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:57:58+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T11:30:46+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:37:00+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T11:28:53+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:12+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T11:29:34+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:05:03+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T11:30:27+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:14:01+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T11:30:03+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:27:40+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T11:20:44+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T11:21:41+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:27+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T11:20:59+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:28:59+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:24:08+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:23:00+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:37:04+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:04:59+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:01:49+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "cs"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:50:03+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:27:59+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Přehled projektu
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T04:52:07+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
[](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/)
|
||||
|
|
@ -21,34 +12,34 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Umělá inteligence pro začátečníky - Kurikulum
|
||||
# Umělá inteligence pro začátečníky – kurz
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI pro začátečníky - _Sketchnote od [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI pro začátečníky – _Sketchnote od [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Prozkoumejte svět **Umělé inteligence** (AI) s naším 12týdenním kurikulem sestávajícím z 24 lekcí! Obsahuje praktické lekce, kvízy a laboratoře. Kurikulum je přátelské k začátečníkům a zahrnuje nástroje jako TensorFlow a PyTorch, stejně jako etiku v AI.
|
||||
Prozkoumejte svět **umělé inteligence** (AI) s naším 12týdenním kurzem o 24 lekcích! Obsahuje praktické lekce, kvízy a laboratoře. Kurz je přívětivý pro začátečníky a pokrývá nástroje jako TensorFlow a PyTorch, stejně tak i etiku v AI.
|
||||
|
||||
|
||||
### 🌐 Podpora více jazyků
|
||||
|
||||
#### Podporováno přes GitHub Action (automatické & vždy aktuální)
|
||||
#### Podporováno prostřednictvím GitHub Action (automatizované a vždy aktuální)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabsky](../ar/README.md) | [Bengálsky](../bn/README.md) | [Bulharsky](../bg/README.md) | [Barmsky (Myanmar)](../my/README.md) | [Čínsky (zjednodušený)](../zh/README.md) | [Čínsky (tradiční, Hong Kong)](../hk/README.md) | [Čínsky (tradiční, Macao)](../mo/README.md) | [Čínsky (tradiční, Taiwan)](../tw/README.md) | [Chorvatsky](../hr/README.md) | [Česky](./README.md) | [Dánsky](../da/README.md) | [Nizozemsky](../nl/README.md) | [Estonsky](../et/README.md) | [Finsky](../fi/README.md) | [Francouzsky](../fr/README.md) | [Německy](../de/README.md) | [Řecky](../el/README.md) | [Hebrejsky](../he/README.md) | [Hindi](../hi/README.md) | [Maďarsky](../hu/README.md) | [Indonésky](../id/README.md) | [Italsky](../it/README.md) | [Japonsky](../ja/README.md) | [Kannadsky](../kn/README.md) | [Korejsky](../ko/README.md) | [Litevsky](../lt/README.md) | [Malajsky](../ms/README.md) | [Malajalamsky](../ml/README.md) | [Maráthsky](../mr/README.md) | [Nepálsky](../ne/README.md) | [Nigerijský pidžin](../pcm/README.md) | [Norsky](../no/README.md) | [Persky (Farsi)](../fa/README.md) | [Polsky](../pl/README.md) | [Portugalsky (Brazílie)](../br/README.md) | [Portugalsky (Portugalsko)](../pt/README.md) | [Paňdžábsky (Gurmukhi)](../pa/README.md) | [Rumunsky](../ro/README.md) | [Rusky](../ru/README.md) | [Srbsky (cyrilice)](../sr/README.md) | [Slovensky](../sk/README.md) | [Slovinsky](../sl/README.md) | [Španělsky](../es/README.md) | [Svahilsky](../sw/README.md) | [Švédsky](../sv/README.md) | [Tagalog (Filipínsky)](../tl/README.md) | [Tamilsky](../ta/README.md) | [Telugu](../te/README.md) | [Thajsky](../th/README.md) | [Turecky](../tr/README.md) | [Ukrajinsky](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamština](../vi/README.md)
|
||||
[Arabština](../ar/README.md) | [Bengálština](../bn/README.md) | [Bulharština](../bg/README.md) | [Barmština (Myanmar)](../my/README.md) | [Čínština (zjednodušená)](../zh-CN/README.md) | [Čínština (tradiční, Hongkong)](../zh-HK/README.md) | [Čínština (tradiční, Macau)](../zh-MO/README.md) | [Čínština (tradiční, Tchaj-wan)](../zh-TW/README.md) | [Chorvatština](../hr/README.md) | [Čeština](./README.md) | [Dánština](../da/README.md) | [Nizozemština](../nl/README.md) | [Estonština](../et/README.md) | [Finština](../fi/README.md) | [Francouzština](../fr/README.md) | [Nemčina](../de/README.md) | [Řečtina](../el/README.md) | [Hebrejština](../he/README.md) | [Hindština](../hi/README.md) | [Maďarština](../hu/README.md) | [Indonéština](../id/README.md) | [Italština](../it/README.md) | [Japonština](../ja/README.md) | [Kannadština](../kn/README.md) | [Korejština](../ko/README.md) | [Litevština](../lt/README.md) | [Malajština](../ms/README.md) | [Malajalámština](../ml/README.md) | [Maráthština](../mr/README.md) | [Nepálština](../ne/README.md) | [Nigerijská pidginština](../pcm/README.md) | [Norština](../no/README.md) | [Perština (Farsi)](../fa/README.md) | [Polština](../pl/README.md) | [Portugalština (Brazílie)](../pt-BR/README.md) | [Portugalština (Portugalsko)](../pt-PT/README.md) | [Pandžábština (Gurmukhí)](../pa/README.md) | [Rumunština](../ro/README.md) | [Ruština](../ru/README.md) | [Srbština (cyrilice)](../sr/README.md) | [Slovenština](../sk/README.md) | [Slovinština](../sl/README.md) | [Španělština](../es/README.md) | [Svahilština](../sw/README.md) | [Švédština](../sv/README.md) | [Tagalog (filipínština)](../tl/README.md) | [Tamilština](../ta/README.md) | [Telugština](../te/README.md) | [Thajština](../th/README.md) | [Turečtina](../tr/README.md) | [Ukrajinština](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamština](../vi/README.md)
|
||||
|
||||
> **Raději klonovat lokálně?**
|
||||
|
||||
> Tento repozitář obsahuje více než 50 překladů jazyků, což výrazně zvětšuje velikost stahování. Pro klonování bez překladů použijte sparse checkout:
|
||||
> Tento repozitář obsahuje více než 50 jazykových překladů, což výrazně zvětšuje velikost stažení. Pokud chcete klonovat bez překladů, použijte 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'
|
||||
> ```
|
||||
> Tím získáte vše potřebné ke splnění kurzu s mnohem rychlejším stažením.
|
||||
> To vám poskytne vše potřebné pro dokončení kurzu s mnohem rychlejším stažením.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Pokud si přejete, aby byly podporovány další jazyky překladu, jsou uvedeny [zde](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Pokud chcete mít k dispozici další jazyky překladu, najdete podporované jazyky [zde](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Připojte se ke komunitě
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -57,25 +48,25 @@ Prozkoumejte svět **Umělé inteligence** (AI) s naším 12týdenním kurikulem
|
|||
|
||||
**[Myšlenková mapa kurzu](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
V tomto kurikulu se naučíte:
|
||||
V tomto kurzu se naučíte:
|
||||
|
||||
* Různé přístupy k umělé inteligenci, včetně "dobrého starého" symbolického přístupu s **reprezentací znalostí** a dedukcí ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuronové sítě** a **hluboké učení**, které tvoří jádro moderní AI. Koncepty za těmito důležitými tématy ukážeme pomocí kódu v dvou nejpopulárnějších frameworcích – [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
|
||||
* **Neuronové architektury** pro práci s obrázky a textem. Pokryjeme nedávné modely, i když možná trochu opožděné za nejmodernějšími.
|
||||
* Méně populární přístupy AI, jako jsou **genetické algoritmy** a **multiagentní systémy**.
|
||||
* Různé přístupy k umělé inteligenci, včetně „starého dobrého“ symbolického přístupu s **reprezentací znalostí** a uvažováním ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuronové sítě** a **hluboké učení**, které jsou základem moderní AI. Vysvětlíme koncepty za těmito důležitými tématy pomocí kódu v rámci dvou nejpopulárnějších frameworků – [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
|
||||
* **Neuronové architektury** pro práci s obrazem a textem. Pokryjeme aktuální modely, i když možná ne zcela nejnovější stav techniky.
|
||||
* Méně populární přístupy k AI, jako jsou **genetické algoritmy** a **systémy více agentů**.
|
||||
|
||||
Co nebudeme v tomto kurikulu pokrývat:
|
||||
Co tento kurz nepokrývá:
|
||||
|
||||
> [Najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Najděte všechny doplňkové zdroje k tomuto kurzu v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Obchodní případy využití **AI v byznysu**. Zvažte absolvování výukové cesty [Úvod do AI pro uživatele byznysu](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn, nebo [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vyvinuté ve spolupráci s [INSEAD](https://www.insead.edu/).
|
||||
* **Klasické strojové učení**, které je dobře popsáno v našem [kurikulu Machine Learning pro začátečníky](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktické aplikace AI vytvořené pomocí **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Doporučujeme začít moduly Microsoft Learn pro [vizuální rozpoznávání](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [zpracování přirozeného jazyka](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativní AI se službou Azure OpenAI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a další.
|
||||
* Specifické ML **cloudové frameworky**, jako jsou [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) nebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Zvažte použití výukových cest [Vytváření a provoz řešení strojového učení s Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Vytváření a provoz řešení strojového učení s Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konverzační AI** a **chatboti**. Existuje samostatná výuková cesta [Vytváření konverzačních AI řešení](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) a pro více informací můžete odkazovat také na [tento blog](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Hluboká matematika** za hlubokým učením. Pro toto doporučujeme [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Iana Goodfellowa, Yoshuy Bengia a Aarona Courvilla, který je také dostupný online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Podnikové případy využití **AI v byznysu**. Zvažte absolvování učební cesty [Úvod do AI pro uživatele byznysu](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn nebo [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vyvinuté ve spolupráci s [INSEAD](https://www.insead.edu/).
|
||||
* **Klasické strojové učení**, které je dobře popsáno v našem kurzu [Strojové učení pro začátečníky](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktické aplikace AI vyvíjené za použití **[kognitivních služeb](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Pro začátek doporučujeme moduly Microsoft Learn pro [vidění](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [zpracování přirozeného jazyka](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[generativní AI s Azure OpenAI servis](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a další.
|
||||
* Specifické ML **cloudové frameworky**, jako například [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) nebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Zvažte použití učebních cest [Vytváření a provozování řešení strojového učení pomocí Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Vytváření a provozování řešení strojového učení s Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konverzační AI** a **chatboti**. Existuje samostatná učební cesta [Vytváření řešení konverzační AI](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) a také můžete odkázat na [tento blogový příspěvek](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pro více detailů.
|
||||
* **Hluboká matematika** za hlubokým učením. Doporučujeme [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Ian Goodfellow, Yoshua Bengio a Aaron Courville, která je také dostupná online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Pro jemný úvod do témat _AI v cloudu_ zvažte absolvování výukové cesty [Začněte s umělou inteligencí na Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Pro jemný úvod do témat _AI v cloudu_ zvažte absolvování učební cesty [Začněte s umělou inteligencí na Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Obsah
|
||||
|
||||
|
|
@ -88,78 +79,78 @@ Pro jemný úvod do témat _AI v cloudu_ zvažte absolvování výukové cesty [
|
|||
| 02 | [Reprezentace znalostí a expertní systémy](./lessons/2-Symbolic/README.md) | [Expertní systémy](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptuální graf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Úvod do neuronových sítí**](./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 | [Vícevrstvý Perceptron a Vytvoření vlastního rámce](./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 | [Úvod do rámců (PyTorch/TensorFlow) a Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Počítačové vidění**](./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)| [Prozkoumat počítačové vidění na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 04 | [Vícevrstvý perceptron a tvorba vlastního frameworku](./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 | [Úvod do frameworků (PyTorch/TensorFlow) a přeučení](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Počítačové vidění**](./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)| [Prozkoumejte počítačové vidění na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Úvod do počítačového vidění. 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 | [Konvoluční neuronové sítě](./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 | [Předtrénované sítě a přenosové učení](./lessons/4-ComputerVision/08-TransferLearning/README.md) a [Triky při tréninku](./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) |
|
||||
| 08 | [Předtrénované sítě a transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) a [Triky pro trénování](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkodéry a 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 | [Generativní protivné sítě a přenos uměleckého stylu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 10 | [Generativní adversariální sítě a umělecký přenos 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 | [Detekce objektů](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Sémantická segmentace. 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 | [**Zpracování přirozeného jazyka**](./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) | [Prozkoumat zpracování přirozeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Zpracování přirozeného jazyka**](./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) | [Prozkoumejte zpracování přirozeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Reprezentace textu. 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 | [Sémantické slovní vektory. Word2Vec a 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 | [Modelování jazyka. Trénování vlastních vektorů](./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 | [Modelování jazyka. Trénink vlastních embeddingů](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurentní neuronové sítě](./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 | [Generativní rekurentní sítě](./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) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 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 | [Rozpoznávání pojmenovaných entit](./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 | [Velké jazykové modely, programování promptů a few-shot úkoly](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Další techniky umělé inteligence** || |
|
||||
| 20 | [Velké jazykové modely, promptování a few-shot úkoly](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Další AI techniky** || |
|
||||
| 21 | [Genetické algoritmy](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Hluboké posilovací učení](./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) |
|
||||
| 22 | [Hluboké posilované učení](./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) |
|
||||
| 23 | [Systémy s více agenty](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika AI** | | |
|
||||
| 24 | [Etika umělé inteligence a odpovědná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principy odpovědné AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Další** | | |
|
||||
| 24 | [Etika AI a odpovědná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principy odpovědné AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extra** | | |
|
||||
| 25 | [Multimodální sítě, CLIP a VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Každá lekce obsahuje
|
||||
|
||||
* Předčítací materiály
|
||||
* Spustitelné Jupyter notebooky, které jsou často specifické pro rámec (**PyTorch** nebo **TensorFlow**). Spustitelný notebook také obsahuje mnoho teoretického materiálu, takže pro pochopení tématu je třeba projít alespoň jednu verzi notebooku (buď PyTorch nebo TensorFlow).
|
||||
* **Laborky** dostupné u některých témat, které vám umožní vyzkoušet použití naučeného materiálu na konkrétním problému.
|
||||
* Studijní materiály k předčítání
|
||||
* Spustitelné Jupyter notebooky, často specifické pro framework (**PyTorch** nebo **TensorFlow**). Spustitelný notebook obsahuje také spoustu teoretického materiálu, takže k pochopení tématu je třeba projít alespoň jednu verzi notebooku (buď PyTorch, nebo TensorFlow).
|
||||
* **Labory** k dispozici u některých témat, které vám umožní vyzkoušet si použití naučeného materiálu na konkrétním problému.
|
||||
* Některé sekce obsahují odkazy na moduly [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), které pokrývají související témata.
|
||||
|
||||
## Začínáme
|
||||
|
||||
### 🎯 Nováček v AI? Začněte zde!
|
||||
|
||||
Pokud jste v AI úplný nováček a chcete rychlé, praktické příklady, podívejte se na naše [**příklady vhodné pro začátečníky**](./examples/README.md)! Ty zahrnují:
|
||||
Pokud jste v AI úplní nováčci a chcete rychlé, praktické příklady, podívejte se na naše [**Začátečnické příklady**](./examples/README.md)! Ty zahrnují:
|
||||
|
||||
- 🌟 **Hello AI World** - váš první AI program (rozpoznávání vzorů)
|
||||
- 🧠 **Jednoduchá neuronová síť** - sestavte neuronovou síť od začátku
|
||||
- 🖼️ **Klasifikátor obrázků** - klasifikace obrázků s podrobnými komentáři
|
||||
- 🌟 **Hello AI World** - Váš první AI program (rozpoznávání vzorů)
|
||||
- 🧠 **Jednoduchá neuronová síť** - Postavte neuronovou síť od začátku
|
||||
- 🖼️ **Klasifikátor obrázků** - Klasifikujte obrázky s podrobnými komentáři
|
||||
- 💬 **Sentiment textu** - Analyzujte pozitivní/negativní text
|
||||
|
||||
Tyto příklady jsou navrženy tak, aby vám pomohly pochopit koncepty AI před tím, než se pustíte do celého kurzu.
|
||||
Tyto příklady jsou navrženy tak, aby vám pomohly pochopit koncepty AI před tím, než se pustíte do celého kurikula.
|
||||
|
||||
### 📚 Nastavení celého kurzu
|
||||
### 📚 Nastavení celého kurikula
|
||||
|
||||
- Vytvořili jsme [lekci pro nastavení](./lessons/0-course-setup/setup.md), která vám pomůže s nastavením vývojového prostředí. - Pro učitele jsme také připravili [lekci pro nastavení kurikula](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Vytvořili jsme [lekci pro nastavení](./lessons/0-course-setup/setup.md), která vám pomůže s nastavením vývojového prostředí. - Pro vyučující jsme také vytvořili [lekci pro nastavení kurikula](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Jak [spustit kód ve VSCode nebo Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Postupujte podle těchto kroků:
|
||||
|
||||
Vytvořte Fork repozitáře: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
|
||||
Forkněte repozitář: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
|
||||
|
||||
Naklonujte repozitář: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Nezapomeňte dát hvězdičku (🌟) tomuto repozitáři, aby se vám lépe později hledal.
|
||||
Nezapomeňte této repozitáři dát hvězdičku (🌟), aby se vám později lépe hledala.
|
||||
|
||||
## Seznamte se s dalšími studenty
|
||||
## Setkejte se s ostatními studenty
|
||||
|
||||
Připojte se k našemu [oficiálnímu AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), kde se můžete setkat a navázat kontakty s ostatními studenty tohoto kurzu a získat podporu.
|
||||
Připojte se k našemu [oficiálnímu AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), kde se potkáte a spojíte s ostatními studenty tohoto kurzu a získáte podporu.
|
||||
|
||||
Pokud máte zpětnou vazbu k produktu nebo otázky při tvorbě, navštivte náš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Pokud máte zpětnou vazbu k produktu nebo otázky během vývoje, navštivte náš [Azure AI Foundry vývojářský forum](https://aka.ms/foundry/forum).
|
||||
|
||||
## Kvízy
|
||||
|
||||
> **Poznámka o kvízech**: Všechny kvízy jsou umístěny ve složce Quiz-app v etc\quiz-app, nebo [online zde](https://ff-quizzes.netlify.app/). Jsou propojeny v rámci lekcí, aplikaci kvízu lze spustit lokálně nebo nasadit do Azure; postupujte podle pokynů ve složce `quiz-app`. Postupně jsou lokalizovány.
|
||||
> **Poznámka ke kvízům**: Všechny kvízy jsou umístěny ve složce Quiz-app v etc\quiz-app, nebo [online zde](https://ff-quizzes.netlify.app/). Jsou propojené z lekcí, kvízovou aplikaci lze spustit lokálně nebo nasadit do Azure; postupujte podle instrukcí ve složce `quiz-app`. Postupně jsou lokalizovány.
|
||||
|
||||
## Hledáme pomoc
|
||||
## Pomoc vítána
|
||||
|
||||
Máte návrhy nebo jste našli chyby v pravopisu či kódu? Vytvořte issue nebo pull request.
|
||||
|
||||
|
|
@ -167,67 +158,67 @@ Máte návrhy nebo jste našli chyby v pravopisu či kódu? Vytvořte issue nebo
|
|||
|
||||
* **✍️ Hlavní autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrátorka sketchnotů:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **🎨 Ilustrátor sketchnotů:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Tvůrce kvízů:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Hlavní přispěvatelé:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Další kurikula
|
||||
|
||||
Náš tým vytváří i další kurikula! Podívejte se:
|
||||
Náš tým vytváří i další kurikula! Podívejte se na:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agenti
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
|
||||
### Série Generativní 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)
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
|
||||
### Základní učení
|
||||
[](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)
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
|
||||
### Série 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)
|
||||
[](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 -->
|
||||
|
||||
## Získání pomoci
|
||||
|
||||
Pokud se zaseknete nebo máte otázky ohledně tvorby AI aplikací, připojte se k ostatním studentům a zkušeným vývojářům k diskuzím o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti sdíleny otevřeně.
|
||||
Pokud uvíznete nebo máte jakékoli otázky ohledně vývoje AI aplikací, připojte se ke spolužákům a zkušeným vývojářům v diskusích o MCP. Je to podporující komunita, kde jsou otázky vítány a znalosti jsou sdíleny volně.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby během tvorby, navštivte:
|
||||
Pokud máte zpětnou vazbu k produktu nebo chyby během vývoje, navštivte:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Upozornění**:
|
||||
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za závazný zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědni za jakékoliv nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu.
|
||||
**Prohlášení o vyloučení odpovědnosti**:
|
||||
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Za autoritativní zdroj je třeba považovat původní dokument v jeho mateřském jazyce. Pro důležité informace se doporučuje využít profesionální lidský překlad. Nejsme odpovědni za jakékoli nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:20:58+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
## Zabezpečení
|
||||
|
||||
Microsoft bere bezpečnost svých softwarových produktů a služeb vážně, což zahrnuje všechny repozitáře zdrojového kódu spravované prostřednictvím našich organizací na GitHubu, mezi které patří [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) a [naše GitHub organizace](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:28+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Kodex chování pro otevřený zdroj Microsoftu
|
||||
|
||||
Tento projekt přijal [Kodex chování pro otevřený zdroj Microsoftu](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:16+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Přispívání
|
||||
|
||||
Tento projekt vítá příspěvky a návrhy. Většina příspěvků vyžaduje, abyste souhlasili s licenční smlouvou pro přispěvatele (CLA), která potvrzuje, že máte právo a skutečně udělujete práva k použití vašeho příspěvku. Podrobnosti naleznete na https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:49:03+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Úvod 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": "2025-08-26T00:43:22+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Podpora
|
||||
|
||||
## Jak nahlásit problémy a získat pomoc
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:34+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Přispějte překladem lekcí
|
||||
|
||||
Uvítáme překlady lekcí v tomto kurzu!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:53:14+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Kvízy
|
||||
|
||||
Tyto kvízy slouží jako přednáškové a popřednáškové kvízy pro AI kurikulum na https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:33:39+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Příklady AI pro začátečníky
|
||||
|
||||
Vítejte! Tento adresář obsahuje jednoduché, samostatné příklady, které vám pomohou začít s AI a strojovým učením. Každý příklad je navržen tak, aby byl přívětivý pro začátečníky, s podrobnými komentáři a postupnými vysvětleními.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:38:46+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Pro pedagogy
|
||||
|
||||
Chcete použít tento vzdělávací program ve své třídě? Klidně do toho!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T04:54:29+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Jak spustit kód
|
||||
|
||||
Tento kurz obsahuje spoustu spustitelných příkladů a laboratorních cvičení, která budete chtít spustit. K tomu je potřeba mít možnost spouštět Python kód v Jupyter Noteboocích poskytnutých jako součást tohoto kurzu. Pro spuštění kódu máte několik možností:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:12:09+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Začínáme s tímto kurikulem
|
||||
|
||||
## Jste student?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:58:46+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do AI
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:00:01+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Hry jsou oblastí, která byla výrazně ovlivněna vývojem AI a ML. V tomto úkolu napište krátkou práci o hře, kterou máte rádi a která byla ovlivněna vývojem AI. Měla by to být dostatečně stará hra, aby byla ovlivněna několika typy počítačových zpracovatelských systémů. Dobrým příkladem je šachy nebo Go, ale podívejte se také na videohry jako Pong nebo Pac-Man. Napište esej, která pojednává o minulosti, současnosti a budoucnosti hry z pohledu AI.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T04:54:52+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Reprezentace znalostí a expertní systémy
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote od [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Většinou znalosti přesně nedefinujeme, ale zarovnáváme je s jinými příb
|
|||
|
||||
Tedy problém **reprezentace znalostí** je najít efektivní způsob, jak reprezentovat znalosti uvnitř počítače ve formě dat, aby byly automaticky použitelné. Lze to vidět jako spektrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázek od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Syntaxe bloku | Odsazení | | |
|
|||
|
||||
Jedním z prvních úspěchů symbolické AI byly tzv. **expertní systémy** – počítačové systémy navržené tak, aby fungovaly jako odborníci v omezeném problémovém oboru. Byly založeny na **základně znalostí** získané od jednoho nebo více lidských expertů a obsahovaly **inferenční stroj**, který na jejím základě prováděl uvažování.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
--------------------------------------------|------------------------------------------------
|
||||
Zjednodušená struktura lidského nervového systému | Architektura systému založeného na znalostech
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Expertní systémy jsou postaveny podobně jako lidský systém uvažování, kt
|
|||
|
||||
Jako příklad zvažme následující expertní systém určování zvířete podle jeho fyzikálních vlastností:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázek od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Vytvoření ontologie
|
||||
|
||||
Vytvoření znalostní báze spočívá v kategorizaci modelu, který reprezentuje fakta o určitém tématu. Vyberte si téma – například osobu, místo nebo věc – a poté vytvořte model tohoto tématu. Použijte některé z technik a strategií tvorby modelů popsaných v této lekci. Příkladem by mohlo být vytvoření ontologie obývacího pokoje s nábytkem, osvětlením a podobně. Jak se obývací pokoj liší od kuchyně? Koupelny? Jak poznáte, že jde o obývací pokoj a ne jídelnu? Použijte [Protégé](https://protege.stanford.edu/) k vytvoření své ontologie.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T11:28:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do neuronových sítí: Perceptron
|
||||
|
||||
## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Jedním z prvních pokusů o implementaci něčeho podobného moderní neuronov
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<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/cs/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/cs/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Obrázky [z Wikipedie](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
kde f je aktivační funkce typu schod.
|
||||
|
||||
<!-- 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/cs/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Trénování perceptronu
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:08:12+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Více-třídní klasifikace s perceptronem
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T11:27:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do neuronových sítí. Vícevrstvý perceptron
|
||||
|
||||
V předchozí části jste se seznámili s nejjednodušším modelem neuronové sítě – jednovrstvým perceptronem, což je lineární model pro dvoutřídní klasifikaci.
|
||||
|
|
@ -65,7 +56,7 @@ Algoritmus gradientního sestupu zůstane stejný, ale výpočet gradientů bude
|
|||
|
||||
Všimněte si, že levá část všech těchto výrazů je stejná, a proto můžeme efektivně počítat derivace počínaje ztrátovou funkcí a postupovat "zpětně" skrze výpočetní graf. Proto se metoda trénování vícevrstvého perceptronu nazývá **zpětná propagace** nebo 'backprop'.
|
||||
|
||||
<img alt="výpočetní graf" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="výpočetní graf" src="../../../../../translated_images/cs/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: citace obrázku
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:48:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Klasifikace MNIST s naším vlastním frameworkem
|
||||
|
||||
Laboratorní úkol 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": "2025-09-23T11:28:27+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Frameworky pro neuronové sítě
|
||||
|
||||
Jak jsme se již naučili, abychom mohli efektivně trénovat neuronové sítě, musíme udělat dvě věci:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Klasifikace s PyTorch/TensorFlow
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:52:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do neuronových sítí
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T11:23:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Úvod do počítačového vidění
|
||||
|
||||
[Počítačové vidění](https://wikipedia.org/wiki/Computer_vision) je obor, jehož cílem je umožnit počítačům získat vysokou úroveň porozumění digitálním obrazům. Toto je poměrně široká definice, protože *porozumění* může znamenat mnoho různých věcí, včetně nalezení objektu na obrázku (**detekce objektů**), pochopení, co se děje (**detekce událostí**), popisu obrázku textem nebo rekonstrukce scény ve 3D. Existují také speciální úkoly související s lidskými obrazy: odhad věku a emocí, detekce a identifikace obličeje, odhad 3D pozice a další.
|
||||
|
|
@ -115,7 +106,7 @@ Přečtěte si více o optickém toku [v tomto skvělém tutoriálu](https://lea
|
|||
|
||||
V tomto laboratorním cvičení pořídíte video s jednoduchými gesty a vaším cílem bude extrahovat pohyby nahoru/dolů/vlevo/vpravo pomocí optického toku.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Snímek pohybu dlaně"/>
|
||||
<img src="../../../../../translated_images/cs/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Snímek pohybu dlaně"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Detekce pohybů pomocí optického toku
|
||||
|
||||
Laboratorní úkol z [kurikula AI pro začátečníky](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T11:22:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Dobře známé architektury CNN
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Jak můžete vidět, VGG sleduje tradiční pyramidovou architekturu, což je se
|
|||
|
||||
ResNet je rodina modelů navržená Microsoft Research v roce 2015. Hlavní myšlenkou ResNet je použití **reziduálních bloků**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/cs/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Obrázek z [tohoto článku](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Tuto síť si také můžete představit jako schopnou přizpůsobit svou složi
|
|||
|
||||
Architektura Google Inception posouvá tuto myšlenku o krok dále a buduje každou vrstvu sítě jako kombinaci několika různých cest:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/cs/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Obrázek 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": "2025-09-23T11:22:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Konvoluční neuronové sítě
|
||||
|
||||
Již jsme viděli, že neuronové sítě jsou poměrně dobré při práci s obrázky, a dokonce i jednovrstvý perceptron dokáže rozpoznat ručně psané číslice z datasetu MNIST s přijatelnou přesností. Nicméně dataset MNIST je velmi specifický, protože všechna čísla jsou vycentrována uvnitř obrázku, což úkol značně zjednodušuje.
|
||||
|
|
@ -24,7 +15,7 @@ K extrakci vzorů použijeme koncept **konvolučních filtrů**. Jak víte, obr
|
|||
|
||||
Například pokud aplikujeme 3x3 vertikální a horizontální filtry hran na číslice z datasetu MNIST, můžeme získat zvýraznění (např. vysoké hodnoty) tam, kde jsou vertikální a horizontální hrany v původním obrázku. Tyto dva filtry tedy mohou být použity k "hledání" hran. Podobně můžeme navrhnout různé filtry k hledání jiných nízkoúrovňových vzorů:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/cs/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Obrázek z [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": "2025-10-03T14:57:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Klasifikace obličejů domácích mazlíčků
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T11:22:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Předtrénované sítě a transfer learning
|
||||
|
||||
Trénování CNN může být časově náročné a vyžaduje velké množství dat. Většina času je však věnována učení nejlepších nízkoúrovňových filtrů, které síť může použít k extrakci vzorů z obrázků. Nabízí se přirozená otázka – můžeme použít neuronovou síť natrénovanou na jednom datasetu a přizpůsobit ji k klasifikaci jiných obrázků bez nutnosti kompletního trénovacího procesu?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:11:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Triky pro trénování hlubokého učení
|
||||
|
||||
Jak se neuronové sítě stávají hlubšími, proces jejich trénování se stává stále náročnějším. Jedním z hlavních problémů jsou tzv. [mizící gradienty](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) nebo [explodující gradienty](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Tento článek](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) poskytuje dobrý úvod do těchto problémů.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Klasifikace Oxfordských mazlíčků pomocí transferového učení
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T11:24:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Autoenkodéry
|
||||
|
||||
Při trénování CNN je jedním z problémů, že potřebujeme velké množství označených dat. V případě klasifikace obrázků musíme obrázky rozdělit do různých tříd, což je manuální práce.
|
||||
|
|
@ -46,7 +37,7 @@ Shrnutí:
|
|||
* Vzorkujeme vektor `sample` z rozložení N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* Dekodér se snaží dekódovat původní obrázek pomocí `sample` jako vstupního vektoru
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/cs/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> Obrázek z [tohoto blogového příspěvku](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) od Isaaka Dykemana
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ Variabilní autoenkodéry používají složitou ztrátovou funkci, která se sk
|
|||
|
||||
Jednou z důležitých výhod VAE je, že nám umožňují relativně snadno generovat nové obrázky, protože víme, z jakého rozložení vzorkovat latentní vektory. Například pokud trénujeme VAE s 2D latentním vektorem na MNIST, můžeme poté měnit komponenty latentního vektoru, abychom získali různé číslice:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/cs/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> Obrázek od [Dmitrije Soshnikova](http://soshnikov.com)
|
||||
|
||||
Pozorujte, jak se obrázky prolínají, když začneme získávat latentní vektory z různých částí latentního prostoru parametrů. Tento prostor můžeme také vizualizovat ve 2D:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/cs/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> Obrázek od [Dmitrije Soshnikova](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T11:25:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Generativní adversariální sítě
|
||||
|
||||
V předchozí části jsme se naučili o **generativních modelech**: modelech, které dokážou generovat nové obrázky podobné těm v trénovací sadě. VAE byl dobrým příkladem generativního modelu.
|
||||
|
|
@ -17,7 +8,7 @@ Pokud se však pokusíme generovat něco opravdu smysluplného, například malb
|
|||
|
||||
Hlavní myšlenkou GAN je mít dvě neuronové sítě, které se budou trénovat proti sobě:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/cs/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> Obrázek od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Generátor je o něco složitější. Můžete si ho představit jako obrácený
|
|||
|
||||
> ✅ Protože je konvoluční vrstva implementována jako lineární filtr procházející obrázkem, dekonvoluce je v podstatě podobná konvoluci a může být implementována pomocí stejné logiky vrstvy.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/cs/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> Obrázek od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T11:23:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Detekce objektů
|
||||
|
||||
Modely pro klasifikaci obrázků, se kterými jsme se dosud zabývali, přijímaly obrázek a produkovaly kategorický výsledek, například třídu 'číslo' v problému MNIST. V mnoha případech však nechceme jen vědět, že obrázek zobrazuje objekty – chceme být schopni určit jejich přesnou polohu. Přesně o tom je **detekce objektů**.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:49:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Detekce hlav pomocí Hollywood Heads Dataset
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T11:24:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Segmentace
|
||||
|
||||
Dříve jsme se naučili o detekci objektů, která nám umožňuje lokalizovat objekty na obrázku předpovědí jejich *ohraničujících rámečků*. Nicméně, pro některé úkoly nepotřebujeme pouze ohraničující rámečky, ale také přesnější lokalizaci objektů. Tento úkol se nazývá **segmentace**.
|
||||
|
|
@ -20,7 +11,7 @@ Segmentaci lze chápat jako **klasifikaci pixelů**, kdy pro **každý** pixel o
|
|||
|
||||
Například u instance segmentace jsou tyto ovce různé objekty, ale u semantické segmentace jsou všechny ovce reprezentovány jednou třídou.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/cs/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> Obrázek z [tohoto blogového příspěvku](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ Existují různé neuronové architektury pro segmentaci, ale všechny mají ste
|
|||
* **Encoder** extrahuje vlastnosti z vstupního obrázku.
|
||||
* **Decoder** transformuje tyto vlastnosti do **obrázku masky**, který má stejnou velikost a počet kanálů odpovídající počtu tříd.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/cs/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> Obrázek z [této publikace](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ V této lekci uvidíme segmentaci v praxi tím, že budeme trénovat síť na ro
|
|||
|
||||
> ✅ Tato technika je obzvláště vhodná pro tento typ lékařského zobrazování, ale jaké další aplikace v reálném světě si dokážete představit?
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/cs/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> Obrázek z PH<sup>2</sup> databáze
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:36:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Segmentace lidského těla
|
||||
|
||||
Laboratorní úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Počítačové vidění
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T11:31:35+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Reprezentace textu jako tenzory
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ Naším cílem bude klasifikovat zpravodajský článek do jedné z kategorií n
|
|||
|
||||
Pokud chceme řešit úkoly z oblasti zpracování přirozeného jazyka (NLP) pomocí neuronových sítí, potřebujeme způsob, jak reprezentovat text jako tenzory. Počítače již reprezentují textové znaky jako čísla, která mapují na fonty na obrazovce pomocí kódování, jako je ASCII nebo UTF-8.
|
||||
|
||||
<img alt="Obrázek zobrazující diagram mapující znak na ASCII a binární reprezentaci" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="Obrázek zobrazující diagram mapující znak na ASCII a binární reprezentaci" src="../../../../../translated_images/cs/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [Zdroj obrázku](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ V některých případech můžeme zvážit použití tri-gramů -- kombinací t
|
|||
|
||||
Při řešení úkolů, jako je klasifikace textu, potřebujeme být schopni reprezentovat text jedním vektorem pevné velikosti, který použijeme jako vstup pro konečný hustý klasifikátor. Jedním z nejjednodušších způsobů, jak toho dosáhnout, je kombinovat všechny jednotlivé reprezentace slov, například jejich sečtením. Pokud sečteme jednorozměrné kódování každého slova, získáme vektor frekvencí, který ukazuje, kolikrát se každé slovo v textu objevuje. Taková reprezentace textu se nazývá **bag of words** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/cs/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> Obrázek od autora
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:15+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zadání: Notebooky
|
||||
|
||||
Pomocí notebooků připojených k této lekci (ať už ve verzi PyTorch nebo TensorFlow) je spusťte znovu s vlastním datasetem, například s datasetem z Kaggle, použitým s uvedením zdroje. Přepište notebook tak, aby zdůrazňoval vaše vlastní zjištění. Vyzkoušejte některé inovativní datasety, které by mohly být překvapivé, například [tento o pozorování UFO](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) od NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T11:31:14+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Vektorizace slov (Embeddings)
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:27+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zadání: Notebooky
|
||||
|
||||
Pomocí notebooků připojených k této lekci (buď ve verzi PyTorch, nebo TensorFlow) je spusťte znovu s použitím vlastního datasetu, například z Kaggle, s uvedením zdroje. Přepište notebook tak, aby zdůrazňoval vaše vlastní zjištění. Vyzkoušejte jiný typ datasetu a zdokumentujte svá zjištění, například pomocí textů, jako jsou [tyto texty písní Beatles](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T11:29:23+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Jazykové modelování
|
||||
|
||||
Sémantické vektory, jako Word2Vec a GloVe, jsou ve skutečnosti prvním krokem k **jazykovému modelování** – vytváření modelů, které nějakým způsobem *rozumí* (nebo *reprezentují*) podstatu jazyka.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:57:58+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Trénink Skip-Gram modelu
|
||||
|
||||
Laboratorní úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T11:30:46+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Rekurentní neuronové sítě
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ Podívejme se, jak je organizována jednoduchá RNN buňka. Přijímá předchoz
|
|||
|
||||
Jednoduchá RNN buňka má uvnitř dvě váhové matice: jedna transformuje vstupní symbol (nazvěme ji W) a druhá transformuje vstupní stav (H). V tomto případě se výstup sítě vypočítá jako σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), kde σ je aktivační funkce a b je dodatečná bias.
|
||||
|
||||
<img alt="Anatomie RNN buňky" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="Anatomie RNN buňky" src="../../../../../translated_images/cs/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> Obrázek od autora
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:37:00+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zadání: Notebooky
|
||||
|
||||
Pomocí notebooků připojených k této lekci (buď verze pro PyTorch, nebo TensorFlow) je spusťte znovu s použitím vlastního datasetu, například z Kaggle, s uvedením zdroje. Přepište notebook tak, aby zdůrazňoval vaše vlastní zjištění. Vyzkoušejte jiný typ datasetu a zdokumentujte svá zjištění, například pomocí textu jako [tento dataset z Kaggle soutěže o tweety o počasí](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": "2025-09-23T11:28:53+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Generativní sítě
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ Tuto RNN budeme trénovat na generování textu krok za krokem. Na každém krok
|
|||
|
||||
Při generování textu (během inference) začínáme s nějakým **podnětem**, který je předán přes RNN buňky pro vytvoření mezistavu, a poté začíná samotné generování. Generujeme jeden znak po druhém a předáváme stav a vygenerovaný znak další RNN buňce, aby vygenerovala další znak, dokud nevygenerujeme dostatek znaků.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/cs/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> Obrázek od autora
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:12+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Generování textu na úrovni slov pomocí RNN
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T11:29:34+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Mechanismy pozornosti a transformery
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ Myšlenka pozičního kódování je následující.
|
|||
* Trénovatelný embedding, podobně jako embedding tokenů. Tento přístup zde zvažujeme. Aplikujeme vrstvy embeddingu na tokeny i jejich pozice, což vede k embeddingovým vektorům stejných rozměrů, které poté sečteme.
|
||||
* Fixní funkce pozičního kódování, jak bylo navrženo v původním článku.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/cs/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> Obrázek od autora
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:05:03+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zadání: Transformery
|
||||
|
||||
Experimentujte s Transformery na HuggingFace! Vyzkoušejte některé ze skriptů, které poskytují pro práci s různými modely dostupnými na jejich stránkách: https://huggingface.co/docs/transformers/run_scripts. Vyzkoušejte jeden z jejich datasetů, poté importujte jeden vlastní z tohoto kurzu nebo z Kaggle a zjistěte, zda dokážete generovat zajímavé texty. Vytvořte notebook se svými zjištěními.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T11:30:27+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Rozpoznávání pojmenovaných entit
|
||||
|
||||
Doposud jsme se převážně soustředili na jeden úkol v oblasti zpracování přirozeného jazyka (NLP) – klasifikaci. Existují však i další úkoly v NLP, které lze řešit pomocí neuronových sítí. Jedním z těchto úkolů je **[rozpoznávání pojmenovaných entit](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), které se zabývá identifikací konkrétních entit v textu, jako jsou místa, jména osob, časové intervaly, chemické vzorce a podobně.
|
||||
|
|
@ -17,7 +8,7 @@ Doposud jsme se převážně soustředili na jeden úkol v oblasti zpracování
|
|||
|
||||
Představte si, že chcete vytvořit chatbot pro přirozený jazyk, podobný Amazon Alexe nebo Google Asistentovi. Inteligentní chatboti fungují tak, že *rozumí* tomu, co uživatel chce, pomocí klasifikace textu na vstupní větě. Výsledkem této klasifikace je tzv. **záměr** (intent), který určuje, co by měl chatbot udělat.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/cs/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> Obrázek od autora
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:14:01+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T11:30:03+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Předtrénované velké jazykové modely
|
||||
|
||||
Ve všech našich předchozích úlohách jsme trénovali neuronovou síť, aby vykonávala určitou úlohu pomocí označeného datového souboru. U velkých transformátorových modelů, jako je BERT, používáme jazykové modelování v samostatně řízeném režimu k vytvoření jazykového modelu, který je následně specializován na konkrétní úlohu pomocí dalšího tréninku zaměřeného na danou doménu. Bylo však prokázáno, že velké jazykové modely dokážou řešit mnoho úloh i bez jakéhokoliv tréninku zaměřeného na konkrétní doménu. Rodina modelů schopných tohoto výkonu se nazývá **GPT**: Generative Pre-Trained Transformer.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:27:40+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zpracování přirozeného jazyka
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T11:20:44+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Genetické algoritmy
|
||||
|
||||
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T11:21:41+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Hluboké posilované učení
|
||||
|
||||
Posilované učení (RL) je považováno za jeden ze základních paradigmat strojového učení, vedle učení s učitelem a učení bez učitele. Zatímco u učení s učitelem se spoléháme na dataset s předem známými výsledky, RL je založeno na **učení skrze zkušenost**. Například, když poprvé vidíme počítačovou hru, začneme ji hrát, i když neznáme pravidla, a brzy dokážeme zlepšit své dovednosti jen díky procesu hraní a přizpůsobování svého chování.
|
||||
|
|
@ -34,7 +25,7 @@ Pravděpodobně jste všichni viděli moderní balancovací zařízení, jako je
|
|||
|
||||
Zjednodušená verze balancování je známá jako problém **CartPole**. Ve světě CartPole máme horizontální posuvník, který se může pohybovat doleva nebo doprava, a cílem je balancovat vertikální tyč na vrcholu posuvníku, zatímco se pohybuje.
|
||||
|
||||
<img alt="cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="cartpole" src="../../../../../translated_images/cs/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
Pro vytvoření a použití tohoto prostředí potřebujeme několik řádků kódu v Pythonu:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:27+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
## Prostředí
|
||||
|
||||
Prostředí Mountain Car zahrnuje auto uvězněné v údolí. Vaším cílem je vyskočit z údolí a dosáhnout vlajky. Akce, které můžete provádět, jsou zrychlení doleva, doprava nebo nedělat nic. Můžete pozorovat polohu auta na ose x a jeho rychlost.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T11:20:59+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Multi-Agentní systémy
|
||||
|
||||
Jedním z možných způsobů dosažení inteligence je tzv. **emergentní** (nebo **synergický**) přístup, který vychází z faktu, že kombinované chování mnoha relativně jednoduchých agentů může vést k celkově složitějšímu (nebo inteligentnějšímu) chování systému jako celku. Teoreticky je tento přístup založen na principech [kolektivní inteligence](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentismu](https://en.wikipedia.org/wiki/Global_brain) a [evoluční kybernetiky](https://en.wikipedia.org/wiki/Global_brain), které tvrdí, že systémy na vyšší úrovni získávají určitou přidanou hodnotu, pokud jsou správně kombinovány ze systémů na nižší úrovni (tzv. *princip přechodu metasystému*).
|
||||
|
|
@ -60,7 +51,7 @@ NetLogo si můžete [stáhnout](https://ccl.northwestern.edu/netlogo/download.sh
|
|||
|
||||
Skvělou věcí na NetLogo je, že obsahuje knihovnu funkčních modelů, které si můžete vyzkoušet. Přejděte na **File → Models Library**, kde máte na výběr mnoho kategorií modelů.
|
||||
|
||||
<img alt="NetLogo Models Library" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="NetLogo Models Library" src="../../../../../translated_images/cs/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> Screenshot knihovny modelů od Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:28:59+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Zadání NetLogo
|
||||
|
||||
Vyberte jeden z modelů v knihovně NetLogo a použijte jej k co nejvěrnější simulaci reálné situace. Dobrým příkladem by bylo upravit model Virus ve složce Alternative Visualizations tak, aby ukázal, jak může být použit k modelování šíření COVID-19. Dokážete vytvořit model, který napodobuje šíření viru v reálném světě?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:24:08+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Etická a odpovědná AI
|
||||
|
||||
Tento kurz máte téměř za sebou a doufám, že nyní jasně vidíte, že AI je založena na řadě formálních matematických metod, které nám umožňují nacházet vztahy v datech a trénovat modely, aby napodobovaly některé aspekty lidského chování. V této fázi historie považujeme AI za velmi mocný nástroj pro extrakci vzorců z dat a jejich aplikaci na řešení nových problémů.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:23:00+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Přehled
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:37:04+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Multi-Modální Sítě
|
||||
|
||||
Po úspěchu modelů transformerů při řešení úloh NLP byly stejné nebo podobné architektury aplikovány na úlohy počítačového vidění. Roste zájem o vytváření modelů, které by *kombinovaly* schopnosti vidění a přirozeného jazyka. Jedním z takových pokusů je práce OpenAI, která vytvořila modely CLIP a DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:04:59+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
Pravidla sdílení podle licence Creative Commons Attribution-ShareAlike 4.0 International
|
||||
|
||||
=======================================================================
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:01:49+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
Všechny sketchnoty k učebním osnovám si můžete stáhnout zde.
|
||||
|
||||
🎨 Vytvořila: 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": "2025-10-03T09:50:03+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "cs"
|
||||
}
|
||||
-->
|
||||
# Průvodce řešením problémů AI-For-Beginners
|
||||
|
||||
Tento průvodce vám pomůže vyřešit běžné problémy, na které můžete narazit při používání nebo přispívání do repozitáře [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners). Každý problém obsahuje pozadí, příznaky, vysvětlení a postupné řešení.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:27:26+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:25:53+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:20:44+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:21+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:04+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:48:37+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:16+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:24+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:52:56+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:33:24+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:38:32+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T04:46:36+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:10:02+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:55:48+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:57:24+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T04:48:37+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:40+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T11:16:14+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:06:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T11:15:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:48:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T11:16:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:52:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T11:11:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:04:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T11:10:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T11:10:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T11:10:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:10:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T11:12:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T11:13:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T11:11:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:49:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T11:12:51+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:36:46+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T11:20:12+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:02+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T11:19:51+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:20+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T11:17:34+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:57:49+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T11:19:18+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:36:53+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T11:17:06+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:05+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T11:17:48+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:04:57+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T11:18:54+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:13:46+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T11:18:31+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:27:16+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T11:08:16+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T11:09:36+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:19+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T11:08:38+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:28:53+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:23:45+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:22:54+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:36:32+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:03:34+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:01:44+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "hu"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:49:30+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:27:26+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Projekt áttekintése
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T04:44:06+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
[](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/)
|
||||
|
|
@ -21,156 +12,157 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Mesterséges intelligencia kezdőknek – Tanterv
|
||||
# Mesterséges intelligencia kezdőknek – Oktatási anyag
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Vázlat [@girlie_mac](https://twitter.com/girlie_mac) tollából_ |
|
||||
| AI For Beginners – _Sketchnote készítette: [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Fedezd fel a **Mesterséges intelligencia** (AI) világát 12 hét alatt, 24 leckén keresztül! Gyakorlati leckékkel, kvízekkel és laborokkal. A tanterv kezdőknek készült, és olyan eszközöket fed le, mint a TensorFlow és a PyTorch, valamint az AI etikai kérdéseit is.
|
||||
Fedezd fel a **Mesterséges Intelligencia** (MI) világát 12 hetes, 24 leckéből álló tananyagunkkal! Gyakorlati leckéket, kvízeket és laborokat tartalmaz. Az anyag kezdőbarát, és olyan eszközöket fed le, mint a TensorFlow és a PyTorch, valamint az MI etikáját is.
|
||||
|
||||
### 🌐 Többnyelvű támogatás
|
||||
|
||||
#### GitHub Action segítségével (automatikus és mindig naprakész)
|
||||
#### GitHub Action-nal támogatott (Automatizált és Mindig naprakész)
|
||||
|
||||
<!-- 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](./README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../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](./README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **Szeretnéd helyileg klónozni?**
|
||||
> **Szeretnéd helyben klónozni?**
|
||||
|
||||
> Ez a tároló 50+ nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltés méretét. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkout-ot:
|
||||
> Ez a tároló 50+ nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használj sparse checkout-ot:
|
||||
> ```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'
|
||||
> ```
|
||||
> Így mindent megkapsz a tanfolyam elvégzéséhez sokkal gyorsabb letöltéssel.
|
||||
> Ez gyorsabb letöltést tesz lehetővé, ugyanakkor minden szükséges anyagot megkapsz a tanfolyam elvégzéséhez.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Ha további fordítási nyelvek támogatását szeretnéd, ezek listája itt található: [itt](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Ha további fordítási nyelveket szeretnél támogatni, azok listája [itt található](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Csatlakozz a közösséghez
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Mit fogsz tanulni
|
||||
## Mit fogsz megtanulni
|
||||
|
||||
**[A tanfolyam áttekintő térképe](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[A tanfolyam elmetérképe](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Ebben a tantervben megtanulod:
|
||||
Ebben a tananyagban megtanulod:
|
||||
|
||||
* A mesterséges intelligencia különböző megközelítéseit, beleértve a „régi” szimbolikus megközelítést a **tudásreprezentációval** és az érveléssel ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* A **neurális hálózatokat** és a **mélytanulást**, amelyek a modern AI magját képezik. Ezeknek a fontos témáknak a koncepcióit két népszerű keretrendszer – a [TensorFlow](http://Tensorflow.org) és a [PyTorch](http://pytorch.org) – segítségével fogjuk bemutatni kódpéldákkal.
|
||||
* **Neurális architektúrákat** képek és szövegek feldolgozására. Áttekintjük a legújabb modelleket, bár lehet, hogy kissé elmaradunk a legmodernebbektől.
|
||||
* Kevésbé népszerű AI megközelítéseket, mint például a **genetikus algoritmusok** és a **többügynökös rendszerek**.
|
||||
* A mesterséges intelligencia különböző megközelítéseit, beleértve a „régi jó” szimbolikus megközelítést a **tudás-reprezentációval** és érveléssel ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* A **neurális hálózatokat** és a **mélytanulást**, amelyek a modern MI alapját képezik. Ezeknek a fontos témáknak a fogalmait a két legnépszerűbb keretrendszer - a [TensorFlow](http://Tensorflow.org) és a [PyTorch](http://pytorch.org) – példáin keresztül mutatjuk be.
|
||||
* **Neurális architektúrákat** képek és szövegek kezelésére. Legújabb modelleket is érintünk, bár a legfrissebb állapotot lehet, hogy kevésbé fedjük le.
|
||||
* Kevésbé népszerű MI megközelítéseket, mint a **genetikus algoritmusok** és a **multi-ügynök rendszerek**.
|
||||
|
||||
A tanterv nem foglalkozik:
|
||||
A mit nem tartalmaz a tananyagban:
|
||||
|
||||
> [Találd meg az összes további forrást a tanfolyamhoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Minden további forrás megtalálható a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Az **AI üzleti alkalmazásával** kapcsolatos üzleti esetekkel. Érdemes megfontolni a [Bevezető az AI használatához üzleti felhasználóknak](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalat a Microsoft Learn-en, vagy az [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) programot, amelyet az [INSEAD](https://www.insead.edu/) partneri együttműködésében fejlesztettek ki.
|
||||
* A **klasszikus gépi tanulást**, amelyről jól szól a [Gépi tanulás kezdőknek tanterve](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Gyakorlati AI alkalmazásokat, amelyek a **[Kognitív Szolgáltatásokat](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** használják. Ehhez ajánljuk, hogy kezdd a Microsoft Learn moduljaival a [képfeldolgozás](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), a [természetes nyelv feldolgozás](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), illetve a **[Generatív AI az Azure OpenAI szolgáltatásával](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** témákban.
|
||||
* Specifikus ML **felhőkeretrendszereket**, mint például az [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), a [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) vagy az [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Érdemes használni a [Gépi tanulási megoldások építése és üzemeltetése Azure Machine Learning-gel](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) és a [Gépi tanulási megoldások építése és üzemeltetése Azure Databricks-szel](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalakat.
|
||||
* A **beszélgető AI-t** és a **csevegőbotokat**. Ehhez külön van egy [Beszélgető AI megoldások létrehozása](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonal, illetve további részleteket találsz [ebben a blogbejegyzésben](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* A mélytanulás mögötti **mély matematikát**. Ehhez ajánljuk Ian Goodfellow, Yoshua Bengio és Aaron Courville [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) című könyvét, amely online is elérhető a [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) oldalon.
|
||||
* Az **MI üzleti alkalmazásainak** eseteit. Ilyen témákhoz ajánljuk a [Bevezetés az MI-be üzleti felhasználók számára](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalat a Microsoft Learn-en, vagy az [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) programot, amelyet az [INSEAD](https://www.insead.edu/) együttműködésével fejlesztettek ki.
|
||||
* A **klasszikus gépi tanulást**, amely jól le van írva a [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) tananyagunkban.
|
||||
* Gyakorlati MI alkalmazásokat, amelyek a **[Kognitív Szolgáltatások](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** segítségével készültek. Ehhez ajánljuk a Microsoft Learn moduljait a [látás](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), a [természetes nyelvfeldolgozás](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum) és a **[Generatív MI az Azure OpenAI szolgáltatással](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** területeken, valamint más témákat.
|
||||
* Konkrét ML **felhőkeretrendszereket**, például az [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), a [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) vagy az [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Ilyen témákhoz ajánljuk a [Gépi tanulási megoldások építése és üzemeltetése Azure Machine Learninggel](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) és az [Gépi tanulási megoldások építése és üzemeltetése Azure Databricks-szel](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalakat.
|
||||
* **Konverzációs MI-t** és **Chat botokat**. Van egy külön [Konverzációs MI megoldások létrehozása](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonal, valamint hivatkozhatsz erre a [blogbejegyzésre](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/), ha részletesebb információkra van szükséged.
|
||||
* A mélytanulás **mély matematikáját**. Ehhez ajánljuk Ian Goodfellow, Yoshua Bengio és Aaron Courville [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) című könyvét, amely elérhető online is: [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
A _felhőben zajló AI_ témák finom bevezetőjeként érdemes lehet megfontolni a [Mesterséges intelligencia megismerése Azure-on](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalat.
|
||||
Az _MI a felhőben_ témakörök gyengéd bevezetéséhez érdemes lehet végigmenni a [Kezdés a mesterséges intelligenciával az Azure-on](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) tanulási útvonalat.
|
||||
|
||||
# Tartalom
|
||||
|
||||
| | Lecke link | PyTorch/Keras/TensorFlow | Labor |
|
||||
| | Lecke link | PyTorch/Keras/TensorFlow | Labor |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Tanfolyam beállítása](./lessons/0-course-setup/setup.md) | [Fejlesztői környezet beállítása](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Bevezetés az AI-be**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Bevezetés és az AI története](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Szimbólikus AI** |
|
||||
| 02 | [Tudásreprezentáció és szakértői rendszerek](./lessons/2-Symbolic/README.md) | [Szakértői rendszerek](./lessons/2-Symbolic/Animals.ipynb) / [Ontológia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Fogalmi gráf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Bevezetés a neurális hálózatokba**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| I | [**Bevezetés az MI-be**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Bevezetés és az MI története](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Szimbolikus MI** |
|
||||
| 02 | [Tudás-reprezentáció és szakértői rendszerek](./lessons/2-Symbolic/README.md) | [Szakértői rendszerek](./lessons/2-Symbolic/Animals.ipynb) / [Ontológia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Fogalomgráf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Bevezetés a neurális hálózatokhoz**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Jegyzetfüzet](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labor](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Többrétegű Perceptron és Saját Keretrendszer Létrehozása](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Jegyzetfüzet](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Bevezetés a Keretrendszerekbe (PyTorch/TensorFlow) és Túltanulás](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Számítógépes Látás**](./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)| [Számítógépes látás felfedezése Microsoft Azure-on](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Bevezetés a Számítógépes Látásba. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Jegyzetfüzet](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labor](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolúciós Neurális Hálók](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architektúrák](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Előre Betanított Hálók és Átviteli Tanulás](./lessons/4-ComputerVision/08-TransferLearning/README.md) és [Tanítási Trükkök](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 04 | [Többrétegű perceptron és saját keretrendszer létrehozása](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Jegyzetfüzet](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labor](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Bevezetés a keretrendszerekbe (PyTorch/TensorFlow) és túltanulás](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Számítógépes látás**](./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)| [Fedezd fel a számítógépes látást a Microsoft Azure-en](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Bevezetés a számítógépes látásba. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Jegyzetfüzet](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labor](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolúciós neurális hálózatok](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN architektúrák](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labor](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Előre betanított hálózatok és transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) és [Tréning trükkök](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labor](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkódolók és VAE-k](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatív Ellenséges Hálók & Művészi Stílusátvitel](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objektum Felismerés](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labor](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Szemantikus Szegmentálás. 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 | [**Természetes Nyelvfeldolgozás**](./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) | [Természetes Nyelvfeldolgozás felfedezése Microsoft Azure-on](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Szöveg reprezentáció. Bag of Words/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 10 | [Generatív ellenfelek hálózatai & Művészi stílustranszfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objektumfelismerés](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labor](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Szemantikus szegmentálás. 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 | [**Természetes nyelvfeldolgozás**](./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) | [Fedezd fel a természetes nyelvfeldolgozást a Microsoft Azure-en](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Szöveges reprezentáció. 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 | [Szemantikus szóbeágyazások. Word2Vec és 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 | [Nyelvi modellezés. Saját beágyazások tanítása](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Labor](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurzív Neurális Hálók](./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 | [Generatív Rekurzív Hálók](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer-ek. 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 | [Névkitöltő Entitás Felismerés](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Nagy Nyelvi Modellek, Prompt Programozás és Néhány Példány Feladat](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Egyéb AI Technikák** || |
|
||||
| 21 | [Genetikus Algoritmusok](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Jegyzetfüzet](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Mély Megerősítéses Tanulás](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Többügynökös Rendszerek](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI Etika** | | |
|
||||
| 24 | [AI Etika és Felelős MI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Felelős MI Elvek](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extrák** | | |
|
||||
| 25 | [Multimodális Hálózatok, CLIP és VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Jegyzetfüzet](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 16 | [Rekurzív neurális hálózatok](./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 | [Generatív rekurzív hálózatok](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Labor](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformerek. 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 | [Névegyelem felismerés](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labor](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Nagy nyelvi modellek, prompt programozás és néhány feladat kevés példával](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Egyéb mesterséges intelligencia technikák** || |
|
||||
| 21 | [Genetikus algoritmusok](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Jegyzetfüzet](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Mély megerősítéses tanulás](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Labor](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Többügynökös rendszerek](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Mesterséges intelligencia etika** | | |
|
||||
| 24 | [AI etika és felelős mesterséges intelligencia](./lessons/7-Ethics/README.md) | [Microsoft Learn: Felelős AI alapelvek](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extra anyagok** | | |
|
||||
| 25 | [Többmodális hálózatok, CLIP és VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Jegyzetfüzet](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Minden lecke tartalmaz
|
||||
## Minden leckéhez tartozik
|
||||
|
||||
* Előolvasási anyagot
|
||||
* Végrehajtható Jupyter Jegyzetfüzeteket, amelyek gyakran keretrendszer-specifikusak (**PyTorch** vagy **TensorFlow**). A végrehajtható jegyzetfüzet sok elméleti anyagot is tartalmaz, ezért a téma megértéséhez legalább az egyik változatot végig kell menni (akár PyTorch, akár TensorFlow).
|
||||
* Bizonyos témákhoz elérhetőek **Laborok**, amelyek lehetőséget adnak, hogy a tanult anyagot konkrét problémára alkalmazd.
|
||||
* Néhány szekció tartalmaz linkeket [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modulokhoz, amelyek kapcsolódó témákat fednek le.
|
||||
* Előolvasási anyag
|
||||
* Futatható Jupyter jegyzetfüzetek, amelyek gyakran adott keretrendszerhez (**PyTorch** vagy **TensorFlow**) kötöttek. A futtatható jegyzetfüzetben sok elméleti anyag is található, így a téma megértéséhez legalább az egyik verzión (PyTorch vagy TensorFlow) végig kell menni.
|
||||
* Bizonyos témákhoz **laborok** érhetők el, melyek lehetőséget adnak a tanultak gyakorlati alkalmazására egy adott probléma megoldásában.
|
||||
* Néhány rész tartalmaz linkeket [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modulokhoz, amelyek kapcsolódó témákat fednek le.
|
||||
|
||||
## Kezdés
|
||||
## Első lépések
|
||||
|
||||
### 🎯 Új vagy az MI területén? Kezdd itt!
|
||||
### 🎯 Újonc az MI-ben? Kezdj itt!
|
||||
|
||||
Ha teljesen új vagy az MI területén, és gyors, gyakorlatias példákat keresel, nézd meg a [**Kezdőbarát Példáinkat**](./examples/README.md)! Ezek tartalmazzák:
|
||||
Ha teljesen új vagy az MI-ben és gyors, gyakorlati példákat keresel, nézd meg a [**Kezdőknek szánt példákat**](./examples/README.md)! Ezek tartalmazzák:
|
||||
|
||||
- 🌟 **Hello AI Világ** - Az első AI programod (minta felismerés)
|
||||
- 🧠 **Egyszerű Neurális Háló** - Építs neurális hálót a semmiből
|
||||
- 🖼️ **Képosztályozó** - Képeket osztályoz részletes megjegyzésekkel
|
||||
- 💬 **Szöveg érzelmi tónusa** - Pozitív/negatív szöveg elemzése
|
||||
- 🌟 **Hello MI Világ** - Az első MI programod (mintafelismerés)
|
||||
- 🧠 **Egyszerű neurális hálózat** - Neurális hálózat építése a semmiből
|
||||
|
||||
Ezek a példák segítenek megérteni az MI fogalmait, mielőtt belekezdenél a teljes tananyagba.
|
||||
- 🖼️ **Képosztályozó** - Osztályozza a képeket részletes megjegyzésekkel
|
||||
- 💬 **Szövegérzelem** - Pozitív/negatív szöveg elemzése
|
||||
|
||||
Ezek a példák segítenek megérteni az MI fogalmait, mielőtt belevágnál a teljes tananyagba.
|
||||
|
||||
### 📚 Teljes tananyag beállítása
|
||||
|
||||
- Létrehoztunk egy [beállítási leckét](./lessons/0-course-setup/setup.md), hogy segítsünk a fejlesztőkörnyezeted beállításában. - Oktatók számára létrehoztunk egy [tananyag beállítási leckét](./lessons/0-course-setup/for-teachers.md) is!
|
||||
- Hogyan futtathatod a kódot VSCode-ban vagy Codespace-ben [itt](./lessons/0-course-setup/how-to-run.md)
|
||||
- Készítettünk egy [beállító leckét](./lessons/0-course-setup/setup.md), amely segít a fejlesztői környezet beállításában. - Oktatók számára is létrehoztunk egy [tananyagbeállító leckét](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Hogyan [futtasd a kódot VSCode-ban vagy Codespace-ben](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Kövesd ezeket a lépéseket:
|
||||
|
||||
Forkold a tárolót: Kattints a "Fork" gombra ennek az oldalnak a jobb felső sarkában.
|
||||
Forkold a Tárolót: Kattints a "Fork" gombra az oldal jobb felső sarkában.
|
||||
|
||||
Klónozd a tárolót: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Klónozd a Tárolót: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Ne felejtsd el megcsillagozni (🌟) ezt a repót, hogy később könnyebben megtaláld.
|
||||
Ne felejtsd el megjelölni csillaggal (🌟) ezt a tárolót, hogy később könnyebben megtaláld.
|
||||
|
||||
## Ismerkedj meg más tanulókkal
|
||||
|
||||
Csatlakozz hivatalos AI Discord szerverünkhöz ([ide](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum)), hogy találkozz és kapcsolatokat építs más, a tanfolyamot végző tanulókkal, valamint támogató közösséget kapj.
|
||||
Csatlakozz az [hivatalos AI Discord szerverünkhöz](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), hogy találkozz és kapcsolatot építs más, a tanfolyamot végző tanulókkal, valamint kérj támogatást.
|
||||
|
||||
Ha termékvisszajelzésed vagy kérdésed van fejlesztés közben, látogass el az [Azure AI Foundry Fejlesztői Fórumra](https://aka.ms/foundry/forum)
|
||||
Ha termék visszajelzésed vagy kérdésed van a fejlesztés közben, látogass el az [Azure AI Foundry fejlesztői fórumára](https://aka.ms/foundry/forum)
|
||||
|
||||
## Kvízek
|
||||
## Kvízek
|
||||
|
||||
> **Megjegyzés a kvízekhez**: Minden kvíz a Quiz-app mappában található az etc\quiz-app alatt, vagy [online itt](https://ff-quizzes.netlify.app/). A leckékből linkeltek, a kvíz alkalmazás lokálisan futtatható vagy Azure-ba telepíthető; kövesd az utasításokat a `quiz-app` mappában. Fokozatosan lokalizáljuk őket.
|
||||
> **Megjegyzés a kvízekhez**: Minden kvíz az etc\quiz-app mappában, a Quiz-app mappában található, illetve [Online itt](https://ff-quizzes.netlify.app/) érhető el. A leckékből hivatkozva használhatók, a kvízalkalmazás futtatható helyileg vagy telepíthető Azure-ra; kövesd az utasításokat a `quiz-app` mappában. Fokozatosan lokalizálásra kerülnek.
|
||||
|
||||
## Segítséget kérünk
|
||||
## Segítséget Kérünk
|
||||
|
||||
Van javaslatod vagy találtál helyesírási vagy kód hibákat? Nyiss egy issue-t vagy hozz létre egy pull requestet.
|
||||
Van javaslatod vagy hibát találtál helyesírásban vagy kódban? Nyiss egy problémát vagy hozz létre egy pull requestet.
|
||||
|
||||
## Külön köszönet
|
||||
## Külön Köszönet
|
||||
|
||||
* **✍️ Fő szerző:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Szerkesztő:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote illusztrátor:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Kvíz készítő:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Fő közreműködők:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Alapvető közreműködők:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Egyéb tananyagok
|
||||
## Egyéb Tananyagok
|
||||
|
||||
Csapatunk más tananyagokat is készít! Nézd meg:
|
||||
|
||||
|
|
@ -185,48 +177,48 @@ Csapatunk más tananyagokat is készít! Nézd meg:
|
|||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generatív AI sorozat
|
||||
[](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)
|
||||
|
||||
### Generatív MI sorozat
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Alap tanulás
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Alapvető tanulás
|
||||
[](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/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
|
||||
### Copilot sorozat
|
||||
[](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)
|
||||
[](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 -->
|
||||
|
||||
## Segítség kérése
|
||||
## Segítségkérés
|
||||
|
||||
Ha elakadsz vagy kérdésed van az MI alkalmazások fejlesztésével kapcsolatban, csatlakozz a többi tanulóhoz és tapasztalt fejlesztőhöz a MCP-vel kapcsolatos beszélgetésekhez. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.
|
||||
Ha elakadsz vagy kérdésed van az MI alkalmazások fejlesztésével kapcsolatban, csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-vel kapcsolatos beszélgetésekben. Ez egy támogató közösség, ahol a kérdések szívesen fogadottak és a tudás szabadon megosztott.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Ha termék-visszajelzésed vagy hibákat találsz fejlesztés közben, látogass el:
|
||||
Ha termék-visszajelzésed vagy hibákba ütközöl fejlesztés közben, látogass el ide:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Jogi nyilatkozat**:
|
||||
Ezt a dokumentumot az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk le. Bár igyekszünk pontos fordítást nyújtani, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén szakmai emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
|
||||
**Jogi nyilatkozat**:
|
||||
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hivatalos forrásnak. Fontos információk esetén professzionális emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből eredő félreértésekért vagy téves értelmezésekért.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:20:44+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
## Biztonság
|
||||
|
||||
A Microsoft komolyan veszi szoftvertermékei és szolgáltatásai biztonságát, beleértve az összes forráskód-tárházat, amelyeket GitHub szervezeteinken keresztül kezelünk, mint például [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) és [GitHub szervezeteink](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:21+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Microsoft Nyílt Forráskódú Magatartási Kódex
|
||||
|
||||
Ez a projekt elfogadta a [Microsoft Nyílt Forráskódú Magatartási Kódexét](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:04+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Hozzájárulás
|
||||
|
||||
Ez a projekt örömmel fogadja a hozzájárulásokat és javaslatokat. A legtöbb hozzájárulás esetén szükséges, hogy elfogadj egy Hozzájárulói Licencszerződést (Contributor License Agreement, CLA), amelyben kijelented, hogy jogod van a hozzájárulásod felhasználásának engedélyezésére, és ténylegesen meg is adod nekünk ezt a jogot. Részletekért látogasd meg a https://cla.microsoft.com oldalt.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:48:37+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# MI
|
||||
|
||||
## [Bevezetés a MI-be](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": "2025-08-26T00:43:16+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Támogatás
|
||||
|
||||
## Hogyan lehet hibákat bejelenteni és segítséget kérni
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:24+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Járulj hozzá az órák fordításával
|
||||
|
||||
Szívesen fogadjuk az órák fordítását ebben a tananyagban!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:52:56+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Kvízek
|
||||
|
||||
Ezek a kvízek az AI tananyag előtti és utáni kvízek a https://aka.ms/ai-beginners oldalon.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:33:24+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Kezdőbarát AI Példák
|
||||
|
||||
Üdvözlünk! Ez a könyvtár egyszerű, önálló példákat tartalmaz, amelyek segítenek az AI és a gépi tanulás alapjainak elsajátításában. Minden példa kezdőbarát, részletes megjegyzésekkel és lépésről lépésre történő magyarázatokkal.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:38:32+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Oktatóknak
|
||||
|
||||
Szeretné használni ezt a tananyagot az osztályában? Nyugodtan tegye meg!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T04:46:36+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Hogyan futtassuk a kódot
|
||||
|
||||
Ez a tananyag rengeteg futtatható példát és laborokat tartalmaz, amelyeket érdemes lefuttatni. Ehhez szükség van arra, hogy Python kódot tudj végrehajtani a jupyter notebookokban, amelyek a tananyag részeként elérhetőek. Több lehetőséged is van a kód futtatására:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:10:02+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Az oktatási anyag kezdő lépései
|
||||
|
||||
## Diák vagy?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:55:48+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Bevezetés a mesterséges intelligenciába
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:57:24+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Játék Jam
|
||||
|
||||
A játékok olyan területet képviselnek, amelyet jelentősen befolyásoltak az AI és ML fejlődései. Ebben a feladatban írj egy rövid dolgozatot egy olyan játékról, amelyet szeretsz, és amelyet az AI fejlődése befolyásolt. Olyan régi játéknak kell lennie, amelyet többféle számítógépes feldolgozási rendszer is érintett. Jó példa erre a sakk vagy a Go, de nézd meg például a videójátékokat, mint a pong vagy a Pac-Man. Írj egy esszét, amely tárgyalja a játék múltját, jelenét és AI által formált jövőjét.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T04:48:37+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Tudásreprezentáció és szakértői rendszerek
|
||||
|
||||
|
||||
|
||||
|
||||
> Vázlatrajz készítője: [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Leggyakrabban nem határozzuk meg szigorúan a tudást, hanem a kapcsolódó fog
|
|||
|
||||
Így a **tudásreprezentáció** problémája az, hogy valamilyen hatékony módon ábrázoljuk a tudást a számítógépben adat formájában, hogy az automatikusan felhasználható legyen. Ezt egy spektrumnak tekinthetjük:
|
||||
|
||||
|
||||
|
||||
|
||||
> Kép készítője: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Blokk szintaxis | Behúzás | | |
|
|||
|
||||
A szimbolikus MI korai sikerei közé tartoztak az úgynevezett **szakértői rendszerek** - olyan számítógépes rendszerek, amelyeket úgy terveztek, hogy egy szűk problématerületen szakértőként működjenek. Ezek egy vagy több emberi szakértőtől kinyert **tudásbázison** alapultak, és tartalmaztak egy **következtető motort**, amely érvelést végzett.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
--------------------------------------------|---------------------------------------------
|
||||
Az emberi idegrendszer egyszerűsített szerkezete | Tudásalapú rendszer felépítése
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ A szakértői rendszerek úgy épülnek fel, mint az emberi érvelési rendszer,
|
|||
|
||||
Példaként tekintsük a következő szakértői rendszert, amely egy állat meghatározását végzi fizikai jellemzői alapján:
|
||||
|
||||
|
||||
|
||||
|
||||
> Kép készítője: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:40+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Ontológia létrehozása
|
||||
|
||||
Egy tudásbázis létrehozása arról szól, hogy kategorizáljunk egy modellt, amely tényeket reprezentál egy adott témáról. Válassz egy témát - például egy személyt, helyet vagy dolgot -, majd építs egy modellt erről a témáról. Használd az ebben a leckében ismertetett technikákat és modellépítési stratégiákat. Például létrehozhatsz egy nappali ontológiát, amely tartalmazza a bútorokat, világítást és így tovább. Miben különbözik a nappali a konyhától? A fürdőszobától? Honnan tudod, hogy ez egy nappali, és nem egy étkező? Használd a [Protégé](https://protege.stanford.edu/) eszközt az ontológia létrehozásához.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T11:16:14+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Bevezetés a neurális hálózatokba: Perceptron
|
||||
|
||||
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Az egyik első próbálkozás, amely hasonlított a modern neurális hálózatok
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='A Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/hu/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/hu/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='A Mark 1 Perceptron' />|
|
||||
|
||||
> Képek [a Wikipédiáról](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
ahol f egy lépés aktivációs függvény
|
||||
|
||||
<!-- 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/hu/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## A perceptron tanítása
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:06:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Többosztályos osztályozás perceptronnal
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T11:15:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Bevezetés a Neurális Hálózatokba. Többrétegű Perceptron
|
||||
|
||||
Az előző részben megismerkedtél a legegyszerűbb neurális hálózati modellel - az egyrétegű perceptronnal, amely egy lineáris kétosztályos osztályozási modell.
|
||||
|
|
@ -65,7 +56,7 @@ A gradiens descent algoritmus ugyanaz marad, de a gradiensek kiszámítása bony
|
|||
|
||||
Figyeljük meg, hogy ezeknek a kifejezéseknek a bal szélső része ugyanaz, így hatékonyan kiszámíthatjuk a deriváltakat a veszteségfüggvénytől kiindulva, "visszafelé" haladva a számítási gráfon. Ezért a többrétegű perceptron tanításának módszerét **backpropagationnek**, vagy röviden 'backprop'-nak nevezzük.
|
||||
|
||||
<img alt="számítási gráf" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="számítási gráf" src="../../../../../translated_images/hu/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: kép forrásmegjelölés
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:48:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# MNIST osztályozás a saját keretrendszerünkkel
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T11:16:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Neurális hálózati keretrendszerek
|
||||
|
||||
Ahogy már megtanultuk, a neurális hálózatok hatékony tanításához két dolgot kell megtennünk:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Osztályozás PyTorch/TensorFlow segítségével
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) keretében.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:52:09+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Bevezetés a neurális hálózatokba
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T11:11:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Bevezetés a Számítógépes Látásba
|
||||
|
||||
A [Számítógépes Látás](https://wikipedia.org/wiki/Computer_vision) egy olyan tudományág, amelynek célja, hogy a számítógépek magas szintű megértést szerezzenek digitális képekből. Ez egy meglehetősen tág definíció, mivel a *megértés* sokféle dolgot jelenthet, például egy objektum megtalálását egy képen (**objektumdetektálás**), annak megértését, hogy mi történik (**eseménydetektálás**), egy kép szöveges leírását, vagy egy jelenet 3D-s rekonstrukcióját. Vannak speciális feladatok is, amelyek az emberi képekkel kapcsolatosak: életkor- és érzelemfelismerés, arcfelismerés és azonosítás, valamint 3D testtartás becslés, hogy csak néhányat említsünk.
|
||||
|
|
@ -115,7 +106,7 @@ Olvass többet az optikai áramlásról [ebben a remek útmutatóban](https://le
|
|||
|
||||
Ebben a laborban egy egyszerű gesztusokat tartalmazó videót fogsz készíteni, és a célod az optikai áramlás segítségével fel/le/balra/jobbra mozgások kinyerése.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Palm Movement Frame"/>
|
||||
<img src="../../../../../translated_images/hu/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Palm Movement Frame"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:04:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Mozgások észlelése optikai áramlással
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://aka.ms/ai-beginners) alapján.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T11:10:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Jól ismert CNN architektúrák
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Ahogy látható, a VGG egy hagyományos piramis architektúrát követ, amely eg
|
|||
|
||||
A ResNet egy modellekből álló család, amelyet a Microsoft Research javasolt 2015-ben. A ResNet fő ötlete az **reziduális blokkok** használata:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/hu/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Kép forrása: [ez a tanulmány](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Ezt a hálózatot úgy is elképzelhetjük, mint amely képes a komplexitását
|
|||
|
||||
A Google Inception architektúra ezt az ötletet egy lépéssel tovább viszi, és minden hálózati réteget több különböző útvonal kombinációjaként épít fel:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/hu/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Kép forrása: [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": "2025-09-23T11:10:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Konvolúciós Neurális Hálózatok
|
||||
|
||||
Korábban láttuk, hogy a neurális hálózatok elég jól kezelik a képeket, és még egy egyrétegű perceptron is képes az MNIST adathalmaz kézzel írt számjegyeit elfogadható pontossággal felismerni. Azonban az MNIST adathalmaz különleges, mivel az összes számjegy középre van igazítva a képen, ami egyszerűbbé teszi a feladatot.
|
||||
|
|
@ -24,7 +15,7 @@ A mintázatok kinyeréséhez a **konvolúciós szűrők** fogalmát használjuk.
|
|||
|
||||
Például, ha 3x3-as függőleges és vízszintes él szűrőket alkalmazunk az MNIST számjegyekre, kiemeléseket (pl. magas értékeket) kapunk ott, ahol az eredeti képen függőleges és vízszintes élek találhatók. Így ezek a szűrők használhatók az élek "keresésére". Hasonlóan, különböző szűrőket tervezhetünk más alacsony szintű mintázatok keresésére:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/hu/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Kép a [Leung-Malik szűrőbankról](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Háziállatok arcainak osztályozása
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) alapján.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T11:10:47+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Előre betanított hálózatok és transzfer tanulás
|
||||
|
||||
A CNN-ek (konvolúciós neurális hálózatok) betanítása sok időt vehet igénybe, és ehhez rengeteg adat szükséges. Az idő nagy részét azonban az alacsony szintű szűrők megtanulása teszi ki, amelyek segítségével a hálózat mintákat tud kinyerni a képekből. Felmerül a természetes kérdés: használhatunk-e egy másik adathalmazon betanított neurális hálózatot, és adaptálhatjuk-e azt más képek osztályozására anélkül, hogy teljes betanítási folyamatra lenne szükség?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:10:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Mélytanulási Trükkök
|
||||
|
||||
Ahogy a neurális hálók egyre mélyebbé válnak, az edzésük folyamata egyre nehezebbé válik. Az egyik fő probléma az úgynevezett [eltűnő gradiens](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) vagy [robbanó gradiens](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Ez a bejegyzés](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) jó bevezetést nyújt ezekhez a problémákhoz.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "hu"
|
||||
}
|
||||
-->
|
||||
# Az Oxford Pets osztályozása transzfer tanulással
|
||||
|
||||
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue