diff --git a/translations/cs/.co-op-translator.json b/translations/cs/.co-op-translator.json
new file mode 100644
index 00000000..b24f3da2
--- /dev/null
+++ b/translations/cs/.co-op-translator.json
@@ -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"
+ }
+}
\ No newline at end of file
diff --git a/translations/cs/AGENTS.md b/translations/cs/AGENTS.md
index b343f546..8af97eeb 100644
--- a/translations/cs/AGENTS.md
+++ b/translations/cs/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## Přehled projektu
diff --git a/translations/cs/README.md b/translations/cs/README.md
index 2b4ab615..3957f7ae 100644
--- a/translations/cs/README.md
+++ b/translations/cs/README.md
@@ -1,12 +1,3 @@
-
[](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)
-[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.
-**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:
### 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)
## 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)
---
-**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.
\ No newline at end of file
diff --git a/translations/cs/SECURITY.md b/translations/cs/SECURITY.md
index e3fa5769..4fc1b20e 100644
--- a/translations/cs/SECURITY.md
+++ b/translations/cs/SECURITY.md
@@ -1,12 +1,3 @@
-
## 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/).
diff --git a/translations/cs/etc/CODE_OF_CONDUCT.md b/translations/cs/etc/CODE_OF_CONDUCT.md
index a84b2ffb..6dd91d26 100644
--- a/translations/cs/etc/CODE_OF_CONDUCT.md
+++ b/translations/cs/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# Kodex chování pro otevřený zdroj Microsoftu
Tento projekt přijal [Kodex chování pro otevřený zdroj Microsoftu](https://opensource.microsoft.com/codeofconduct/).
diff --git a/translations/cs/etc/CONTRIBUTING.md b/translations/cs/etc/CONTRIBUTING.md
index 2a22d08d..6896bd10 100644
--- a/translations/cs/etc/CONTRIBUTING.md
+++ b/translations/cs/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/etc/Mindmap.md b/translations/cs/etc/Mindmap.md
index f3a99584..fd2b148c 100644
--- a/translations/cs/etc/Mindmap.md
+++ b/translations/cs/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# AI
## [Úvod do AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/cs/etc/SUPPORT.md b/translations/cs/etc/SUPPORT.md
index e7255561..ce7cb0ce 100644
--- a/translations/cs/etc/SUPPORT.md
+++ b/translations/cs/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# Podpora
## Jak nahlásit problémy a získat pomoc
diff --git a/translations/cs/etc/TRANSLATIONS.md b/translations/cs/etc/TRANSLATIONS.md
index 1fd7a7b5..dad38367 100644
--- a/translations/cs/etc/TRANSLATIONS.md
+++ b/translations/cs/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# Přispějte překladem lekcí
Uvítáme překlady lekcí v tomto kurzu!
diff --git a/translations/cs/etc/quiz-app/README.md b/translations/cs/etc/quiz-app/README.md
index f124efe0..d0e93b6e 100644
--- a/translations/cs/etc/quiz-app/README.md
+++ b/translations/cs/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# Kvízy
Tyto kvízy slouží jako přednáškové a popřednáškové kvízy pro AI kurikulum na https://aka.ms/ai-beginners
diff --git a/translations/cs/examples/README.md b/translations/cs/examples/README.md
index 7247e052..041f4bd0 100644
--- a/translations/cs/examples/README.md
+++ b/translations/cs/examples/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/0-course-setup/for-teachers.md b/translations/cs/lessons/0-course-setup/for-teachers.md
index 3f4ff2ad..15392c50 100644
--- a/translations/cs/lessons/0-course-setup/for-teachers.md
+++ b/translations/cs/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# Pro pedagogy
Chcete použít tento vzdělávací program ve své třídě? Klidně do toho!
diff --git a/translations/cs/lessons/0-course-setup/how-to-run.md b/translations/cs/lessons/0-course-setup/how-to-run.md
index eb6c6a61..f881a23a 100644
--- a/translations/cs/lessons/0-course-setup/how-to-run.md
+++ b/translations/cs/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# 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:
diff --git a/translations/cs/lessons/0-course-setup/setup.md b/translations/cs/lessons/0-course-setup/setup.md
index b87af869..6d3abbd4 100644
--- a/translations/cs/lessons/0-course-setup/setup.md
+++ b/translations/cs/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# Začínáme s tímto kurikulem
## Jste student?
diff --git a/translations/cs/lessons/1-Intro/README.md b/translations/cs/lessons/1-Intro/README.md
index ee01a06d..01c4d806 100644
--- a/translations/cs/lessons/1-Intro/README.md
+++ b/translations/cs/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# Úvod do AI
diff --git a/translations/cs/lessons/1-Intro/assignment.md b/translations/cs/lessons/1-Intro/assignment.md
index 1b9c1985..78ed97bc 100644
--- a/translations/cs/lessons/1-Intro/assignment.md
+++ b/translations/cs/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/2-Symbolic/README.md b/translations/cs/lessons/2-Symbolic/README.md
index 07cb40bd..74a2c036 100644
--- a/translations/cs/lessons/2-Symbolic/README.md
+++ b/translations/cs/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# 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)
diff --git a/translations/cs/lessons/2-Symbolic/assignment.md b/translations/cs/lessons/2-Symbolic/assignment.md
index 88ac764a..607f057e 100644
--- a/translations/cs/lessons/2-Symbolic/assignment.md
+++ b/translations/cs/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md
index 58f6eacf..f7386fcf 100644
--- a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# 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
| | |
|--------------|-----------|
-|
| 
|
+|
| 
|
> Obrázky [z Wikipedie](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
kde f je aktivační funkce typu schod.
-
+
## Trénování perceptronu
diff --git a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index c1b64458..450e769c 100644
--- a/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# Více-třídní klasifikace s perceptronem
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index bf534c18..a1e522a1 100644
--- a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# 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'.
-
+
> TODO: citace obrázku
diff --git a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index 17461f8d..d161a24a 100644
--- a/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikace MNIST s naším vlastním frameworkem
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md
index b9d690ac..c29e3f0b 100644
--- a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# Frameworky pro neuronové sítě
Jak jsme se již naučili, abychom mohli efektivně trénovat neuronové sítě, musíme udělat dvě věci:
diff --git a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index 7dbd1eea..b86b79d2 100644
--- a/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikace s PyTorch/TensorFlow
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/3-NeuralNetworks/README.md b/translations/cs/lessons/3-NeuralNetworks/README.md
index 87a4cd5e..616d9cbc 100644
--- a/translations/cs/lessons/3-NeuralNetworks/README.md
+++ b/translations/cs/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# Úvod do neuronových sítí
diff --git a/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md
index 92796d61..05785584 100644
--- a/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/cs/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
---
diff --git a/translations/cs/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/cs/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index dd2d0a11..23683f1a 100644
--- a/translations/cs/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/cs/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# Detekce pohybů pomocí optického toku
Laboratorní úkol z [kurikula AI pro začátečníky](https://aka.ms/ai-beginners).
diff --git a/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index b521ff36..fdb463e8 100644
--- a/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/cs/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# 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**:
-
+
> 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:
-
+
> Obrázek z [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md
index 05fbaa71..69f84ec7 100644
--- a/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/cs/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# 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:
-
+
> Obrázek z [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/cs/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/cs/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index 145f73ce..86e209b6 100644
--- a/translations/cs/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/cs/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikace obličejů domácích mazlíčků
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md
index 6786a023..5a030115 100644
--- a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# 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?
diff --git a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index 87b82f23..82b7906a 100644
--- a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index c1066914..8d8ac476 100644
--- a/translations/cs/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/cs/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikace Oxfordských mazlíčků pomocí transferového učení
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md
index be7e2a79..07169408 100644
--- a/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/cs/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# 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(zmean,exp(zlog\_sigma))
* Dekodér se snaží dekódovat původní obrázek pomocí `sample` jako vstupního vektoru
- 
+ 
> 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:
-
+
> 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:
-
+
> Obrázek od [Dmitrije Soshnikova](http://soshnikov.com)
diff --git a/translations/cs/lessons/4-ComputerVision/10-GANs/README.md b/translations/cs/lessons/4-ComputerVision/10-GANs/README.md
index 5ae9f2fd..0371e510 100644
--- a/translations/cs/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/cs/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# 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:
-
+
> 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.
-
+
> Obrázek od [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md
index 3db96374..c31eddce 100644
--- a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# 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**.
diff --git a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index 2f359495..0ab87a56 100644
--- a/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/cs/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# Detekce hlav pomocí Hollywood Heads Dataset
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md
index 4ec915b3..97678c30 100644
--- a/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/cs/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> 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.
-
+
> 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?
-
+
> Obrázek z PH2 databáze
diff --git a/translations/cs/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/cs/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index 49a3e809..c72c14a4 100644
--- a/translations/cs/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/cs/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# Segmentace lidského těla
Laboratorní úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/4-ComputerVision/README.md b/translations/cs/lessons/4-ComputerVision/README.md
index b47412d0..8e66d693 100644
--- a/translations/cs/lessons/4-ComputerVision/README.md
+++ b/translations/cs/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# Počítačové vidění
diff --git a/translations/cs/lessons/5-NLP/13-TextRep/README.md b/translations/cs/lessons/5-NLP/13-TextRep/README.md
index ae903819..13d3bb97 100644
--- a/translations/cs/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/cs/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> [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).
-
+
> Obrázek od autora
diff --git a/translations/cs/lessons/5-NLP/13-TextRep/assignment.md b/translations/cs/lessons/5-NLP/13-TextRep/assignment.md
index d27c996c..1ed040a4 100644
--- a/translations/cs/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/cs/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/5-NLP/14-Embeddings/README.md b/translations/cs/lessons/5-NLP/14-Embeddings/README.md
index 2f02898f..ebbe3112 100644
--- a/translations/cs/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/cs/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# Vektorizace slov (Embeddings)
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/cs/lessons/5-NLP/14-Embeddings/assignment.md b/translations/cs/lessons/5-NLP/14-Embeddings/assignment.md
index 687a3672..9526f6fe 100644
--- a/translations/cs/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/cs/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# 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).
diff --git a/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md b/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md
index 36c734c4..97e7401e 100644
--- a/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/cs/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/cs/lessons/5-NLP/15-LanguageModeling/lab/README.md
index 573293f5..b0a88535 100644
--- a/translations/cs/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/cs/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# Trénink Skip-Gram modelu
Laboratorní úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/5-NLP/16-RNN/README.md b/translations/cs/lessons/5-NLP/16-RNN/README.md
index ec380c9f..a0d958b6 100644
--- a/translations/cs/lessons/5-NLP/16-RNN/README.md
+++ b/translations/cs/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# 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×Xi+H×Si-1+b), kde σ je aktivační funkce a b je dodatečná bias.
-
+
> Obrázek od autora
diff --git a/translations/cs/lessons/5-NLP/16-RNN/assignment.md b/translations/cs/lessons/5-NLP/16-RNN/assignment.md
index a8b0fa80..84b1c4fa 100644
--- a/translations/cs/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/cs/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# 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).
diff --git a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md
index 2e7bd5c9..c9f622ab 100644
--- a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> Obrázek od autora
diff --git a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index ed55b5e2..3c4226f9 100644
--- a/translations/cs/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/cs/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Generování textu na úrovni slov pomocí RNN
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/5-NLP/18-Transformers/README.md b/translations/cs/lessons/5-NLP/18-Transformers/README.md
index a7edc6f3..8c8e4ca9 100644
--- a/translations/cs/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/cs/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> Obrázek od autora
diff --git a/translations/cs/lessons/5-NLP/18-Transformers/assignment.md b/translations/cs/lessons/5-NLP/18-Transformers/assignment.md
index 7afce177..b19bc561 100644
--- a/translations/cs/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/cs/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/5-NLP/19-NER/README.md b/translations/cs/lessons/5-NLP/19-NER/README.md
index 5d5b664d..25e4ec11 100644
--- a/translations/cs/lessons/5-NLP/19-NER/README.md
+++ b/translations/cs/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> Obrázek od autora
diff --git a/translations/cs/lessons/5-NLP/19-NER/lab/README.md b/translations/cs/lessons/5-NLP/19-NER/lab/README.md
index cfc33a5f..450691ac 100644
--- a/translations/cs/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/cs/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# NER
Laboratorní úkol z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/cs/lessons/5-NLP/20-LangModels/README.md b/translations/cs/lessons/5-NLP/20-LangModels/README.md
index 63df82f8..58b25b82 100644
--- a/translations/cs/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/cs/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/5-NLP/README.md b/translations/cs/lessons/5-NLP/README.md
index dae03c4b..0f6e263d 100644
--- a/translations/cs/lessons/5-NLP/README.md
+++ b/translations/cs/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# Zpracování přirozeného jazyka
diff --git a/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md
index 5507440b..d4c53f65 100644
--- a/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/cs/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# Genetické algoritmy
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/cs/lessons/6-Other/22-DeepRL/README.md b/translations/cs/lessons/6-Other/22-DeepRL/README.md
index f6377076..c9891c98 100644
--- a/translations/cs/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/cs/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
Pro vytvoření a použití tohoto prostředí potřebujeme několik řádků kódu v Pythonu:
diff --git a/translations/cs/lessons/6-Other/22-DeepRL/lab/README.md b/translations/cs/lessons/6-Other/22-DeepRL/lab/README.md
index 60379afd..a7ae16cf 100644
--- a/translations/cs/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/cs/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## 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.
diff --git a/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md b/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md
index 41e60125..8cad7989 100644
--- a/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/cs/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> Screenshot knihovny modelů od Dmitry Soshnikov
diff --git a/translations/cs/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/cs/lessons/6-Other/23-MultiagentSystems/assignment.md
index 3b3a6804..f80456fc 100644
--- a/translations/cs/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/cs/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# 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?
diff --git a/translations/cs/lessons/7-Ethics/README.md b/translations/cs/lessons/7-Ethics/README.md
index c2d122b2..c7bd85ae 100644
--- a/translations/cs/lessons/7-Ethics/README.md
+++ b/translations/cs/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/README.md b/translations/cs/lessons/README.md
index 691bc957..4fe3e6d8 100644
--- a/translations/cs/lessons/README.md
+++ b/translations/cs/lessons/README.md
@@ -1,12 +1,3 @@
-
# Přehled
diff --git a/translations/cs/lessons/X-Extras/X1-MultiModal/README.md b/translations/cs/lessons/X-Extras/X1-MultiModal/README.md
index b312fbe7..cbb2f33e 100644
--- a/translations/cs/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/cs/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/cs/lessons/sketchnotes/LICENSE.md b/translations/cs/lessons/sketchnotes/LICENSE.md
index 9f224bea..e2e9ae76 100644
--- a/translations/cs/lessons/sketchnotes/LICENSE.md
+++ b/translations/cs/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
Pravidla sdílení podle licence Creative Commons Attribution-ShareAlike 4.0 International
=======================================================================
diff --git a/translations/cs/lessons/sketchnotes/README.md b/translations/cs/lessons/sketchnotes/README.md
index 54d536f5..a858b78d 100644
--- a/translations/cs/lessons/sketchnotes/README.md
+++ b/translations/cs/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
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))
diff --git a/translations/cs/troubleshoot.md b/translations/cs/troubleshoot.md
index 4ca7c4f4..ed23aa19 100644
--- a/translations/cs/troubleshoot.md
+++ b/translations/cs/troubleshoot.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/.co-op-translator.json b/translations/hu/.co-op-translator.json
new file mode 100644
index 00000000..2903b0c5
--- /dev/null
+++ b/translations/hu/.co-op-translator.json
@@ -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"
+ }
+}
\ No newline at end of file
diff --git a/translations/hu/AGENTS.md b/translations/hu/AGENTS.md
index a4fb3d77..7b48719b 100644
--- a/translations/hu/AGENTS.md
+++ b/translations/hu/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## Projekt áttekintése
diff --git a/translations/hu/README.md b/translations/hu/README.md
index 2b71abfb..9f228cb6 100644
--- a/translations/hu/README.md
+++ b/translations/hu/README.md
@@ -1,12 +1,3 @@
-
[](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)
-[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.
-**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)
-## 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)
---
-**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.
\ No newline at end of file
diff --git a/translations/hu/SECURITY.md b/translations/hu/SECURITY.md
index 3ecd3345..7323f62d 100644
--- a/translations/hu/SECURITY.md
+++ b/translations/hu/SECURITY.md
@@ -1,12 +1,3 @@
-
## 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/).
diff --git a/translations/hu/etc/CODE_OF_CONDUCT.md b/translations/hu/etc/CODE_OF_CONDUCT.md
index 8bdc63b4..adb01f2f 100644
--- a/translations/hu/etc/CODE_OF_CONDUCT.md
+++ b/translations/hu/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# Microsoft Nyílt Forráskódú Magatartási Kódex
Ez a projekt elfogadta a [Microsoft Nyílt Forráskódú Magatartási Kódexét](https://opensource.microsoft.com/codeofconduct/).
diff --git a/translations/hu/etc/CONTRIBUTING.md b/translations/hu/etc/CONTRIBUTING.md
index 99cd2e78..acf4861a 100644
--- a/translations/hu/etc/CONTRIBUTING.md
+++ b/translations/hu/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/etc/Mindmap.md b/translations/hu/etc/Mindmap.md
index 072701e4..4d126d49 100644
--- a/translations/hu/etc/Mindmap.md
+++ b/translations/hu/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# MI
## [Bevezetés a MI-be](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/hu/etc/SUPPORT.md b/translations/hu/etc/SUPPORT.md
index 4d288dce..1d644cb4 100644
--- a/translations/hu/etc/SUPPORT.md
+++ b/translations/hu/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# Támogatás
## Hogyan lehet hibákat bejelenteni és segítséget kérni
diff --git a/translations/hu/etc/TRANSLATIONS.md b/translations/hu/etc/TRANSLATIONS.md
index a3b0246d..39607f9b 100644
--- a/translations/hu/etc/TRANSLATIONS.md
+++ b/translations/hu/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# Járulj hozzá az órák fordításával
Szívesen fogadjuk az órák fordítását ebben a tananyagban!
diff --git a/translations/hu/etc/quiz-app/README.md b/translations/hu/etc/quiz-app/README.md
index 04ffa048..36d32129 100644
--- a/translations/hu/etc/quiz-app/README.md
+++ b/translations/hu/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# Kvízek
Ezek a kvízek az AI tananyag előtti és utáni kvízek a https://aka.ms/ai-beginners oldalon.
diff --git a/translations/hu/examples/README.md b/translations/hu/examples/README.md
index 2d9b1aee..6c6e1b55 100644
--- a/translations/hu/examples/README.md
+++ b/translations/hu/examples/README.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/lessons/0-course-setup/for-teachers.md b/translations/hu/lessons/0-course-setup/for-teachers.md
index 0f1fd713..31c4edd6 100644
--- a/translations/hu/lessons/0-course-setup/for-teachers.md
+++ b/translations/hu/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# Oktatóknak
Szeretné használni ezt a tananyagot az osztályában? Nyugodtan tegye meg!
diff --git a/translations/hu/lessons/0-course-setup/how-to-run.md b/translations/hu/lessons/0-course-setup/how-to-run.md
index 0ae53a39..c6b7c1e9 100644
--- a/translations/hu/lessons/0-course-setup/how-to-run.md
+++ b/translations/hu/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# 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:
diff --git a/translations/hu/lessons/0-course-setup/setup.md b/translations/hu/lessons/0-course-setup/setup.md
index 4936b101..c0484911 100644
--- a/translations/hu/lessons/0-course-setup/setup.md
+++ b/translations/hu/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# Az oktatási anyag kezdő lépései
## Diák vagy?
diff --git a/translations/hu/lessons/1-Intro/README.md b/translations/hu/lessons/1-Intro/README.md
index b4ffdd2d..ffe23e14 100644
--- a/translations/hu/lessons/1-Intro/README.md
+++ b/translations/hu/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# Bevezetés a mesterséges intelligenciába
diff --git a/translations/hu/lessons/1-Intro/assignment.md b/translations/hu/lessons/1-Intro/assignment.md
index 2886aa1b..ef8f07f6 100644
--- a/translations/hu/lessons/1-Intro/assignment.md
+++ b/translations/hu/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/lessons/2-Symbolic/README.md b/translations/hu/lessons/2-Symbolic/README.md
index 762d55cb..1def3ded 100644
--- a/translations/hu/lessons/2-Symbolic/README.md
+++ b/translations/hu/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# 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)
diff --git a/translations/hu/lessons/2-Symbolic/assignment.md b/translations/hu/lessons/2-Symbolic/assignment.md
index 0d28cc5a..8750d54c 100644
--- a/translations/hu/lessons/2-Symbolic/assignment.md
+++ b/translations/hu/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md
index 526f3e9c..12722e25 100644
--- a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# 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
| | |
|--------------|-----------|
-| | |
+|
| 
|
> Képek [a Wikipédiáról](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
ahol f egy lépés aktivációs függvény
-
+
## A perceptron tanítása
diff --git a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index 4a72f368..1473e807 100644
--- a/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# Többosztályos osztályozás perceptronnal
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index e0794096..e627f56d 100644
--- a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
> TODO: kép forrásmegjelölés
diff --git a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index d4e8fb06..b8011c28 100644
--- a/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# MNIST osztályozás a saját keretrendszerünkkel
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md
index ce15a6a7..f9bf2628 100644
--- a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# Neurális hálózati keretrendszerek
Ahogy már megtanultuk, a neurális hálózatok hatékony tanításához két dolgot kell megtennünk:
diff --git a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index 6f83d9fb..9c2d6f88 100644
--- a/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Osztályozás PyTorch/TensorFlow segítségével
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) keretében.
diff --git a/translations/hu/lessons/3-NeuralNetworks/README.md b/translations/hu/lessons/3-NeuralNetworks/README.md
index de2f0d39..99f8bb8b 100644
--- a/translations/hu/lessons/3-NeuralNetworks/README.md
+++ b/translations/hu/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# Bevezetés a neurális hálózatokba
diff --git a/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md
index 3c5868db..715935c4 100644
--- a/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/hu/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# 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.
-
+
---
diff --git a/translations/hu/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/hu/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index bf266633..3ca6e182 100644
--- a/translations/hu/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/hu/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# Mozgások észlelése optikai áramlással
Laborfeladat az [AI for Beginners Curriculum](https://aka.ms/ai-beginners) alapján.
diff --git a/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index 502618dc..57cd7910 100644
--- a/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/hu/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# 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:
-
+
> 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:
-
+
> Kép forrása: [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md
index cc90085a..b921ce65 100644
--- a/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/hu/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# 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:
-
+
> Kép a [Leung-Malik szűrőbankról](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/hu/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/hu/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index 1ab7f187..e8bb95ad 100644
--- a/translations/hu/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/hu/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# Háziállatok arcainak osztályozása
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) alapján.
diff --git a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md
index 15afb47f..136151e6 100644
--- a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# 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?
diff --git a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index aad7e7db..ca9ca93b 100644
--- a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# 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.
diff --git a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index 8d13b51e..e7781607 100644
--- a/translations/hu/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/hu/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# Az Oxford Pets osztályozása transzfer tanulással
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md
index 95b0efd7..68270cde 100644
--- a/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/hu/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# Autoenkóderek
Amikor CNN-eket (konvolúciós neurális hálózatokat) tanítunk, az egyik probléma az, hogy sok címkézett adatra van szükségünk. Képklasszifikáció esetén például manuálisan kell azonosítani és különböző osztályokba sorolni a képeket.
@@ -46,7 +37,7 @@ A VAE egy olyan autoenkóder, amely megtanulja a latens paraméterek **statiszti
* Egy `sample` vektort mintázunk az N(zmean,exp(zlog\_sigma)) eloszlásból
* A dekóder megpróbálja dekódolni az eredeti képet a `sample` vektort bemenetként használva
-
+ 
> Kép [Isaak Dykeman blogbejegyzéséből](https://ijdykeman.github.io/ml/2016/12/21/cvae.html)
@@ -57,13 +48,13 @@ A variációs autoenkóderek egy összetett veszteségfüggvényt használnak, a
A VAE-k egyik fontos előnye, hogy viszonylag könnyen lehet új képeket generálni, mivel tudjuk, mely eloszlásból kell mintázni a latens vektorokat. Például, ha egy VAE-t tanítunk 2D latens vektorral az MNIST adathalmazon, akkor a latens vektor komponenseit változtatva különböző számjegyeket kapunk:
-
+
> Kép [Dmitry Soshnikovtól](http://soshnikov.com)
Figyeljük meg, hogyan olvadnak össze a képek, ahogy a latens paramétertér különböző részeiből kezdünk latens vektorokat venni. Ezt a teret 2D-ben is vizualizálhatjuk:
-
+
> Kép [Dmitry Soshnikovtól](http://soshnikov.com)
diff --git a/translations/hu/lessons/4-ComputerVision/10-GANs/README.md b/translations/hu/lessons/4-ComputerVision/10-GANs/README.md
index 624dc322..56e29a3e 100644
--- a/translations/hu/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/hu/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# Generatív Adverzális Hálózatok
Az előző részben megismerkedtünk a **generatív modellekkel**: olyan modellekkel, amelyek képesek új képeket generálni, hasonlóan a tanító adathalmazban lévőkhöz. A VAE jó példája volt egy generatív modellnek.
@@ -17,7 +8,7 @@ Azonban, ha valami igazán jelentős dolgot szeretnénk generálni, például eg
A GAN fő ötlete, hogy két neurális hálózatot tanítunk egymás ellen:
-
+
> Kép: [Dmitry Soshnikov](http://soshnikov.com)
@@ -41,7 +32,7 @@ A generátor valamivel bonyolultabb. Úgy tekinthetjük, mint egy fordított dis
> ✅ Mivel a konvolúciós réteg lineáris szűrőként működik, amely végighalad a képen, a dekonvolúció lényegében hasonló a konvolúcióhoz, és ugyanazzal a réteglogikával megvalósítható.
-
+
> Kép: [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md
index aaa4b848..7ba5d112 100644
--- a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# Objektumfelismerés
Az eddig tárgyalt képosztályozási modellek egy képet vettek bemenetként, és egy kategóriát adtak eredményül, például az 'szám' osztályt az MNIST problémában. Azonban sok esetben nem elég, hogy tudjuk, egy kép tárgyakat ábrázol - szeretnénk meghatározni azok pontos helyét is. Ez az **objektumfelismerés** célja.
diff --git a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index f15ac50a..2d7bde87 100644
--- a/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/hu/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# Fejdetektálás a Hollywood Heads Dataset segítségével
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md
index a1781b99..ac562b82 100644
--- a/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/hu/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# Szegmentáció
Korábban már tanultunk az objektumfelismerésről, amely lehetővé teszi számunkra, hogy azonosítsuk az objektumok helyét a képen az *határoló dobozok* előrejelzésével. Azonban bizonyos feladatokhoz nemcsak határoló dobozokra van szükségünk, hanem pontosabb objektumlokalizációra is. Ezt a feladatot **szegmentációnak** nevezzük.
@@ -20,7 +11,7 @@ A szegmentációt tekinthetjük **pixelek osztályozásának**, ahol a kép **mi
Például az instance szegmentáció esetében ezek a juhok különböző objektumok, míg a szemantikus szegmentáció esetében az összes juh egy osztályba tartozik.
-
+
> Kép ebből a [blogbejegyzésből](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@@ -29,7 +20,7 @@ Különböző neurális architektúrák léteznek a szegmentációhoz, de mindeg
* **Kódoló**: kivonja a jellemzőket a bemeneti képből.
* **Dekódoló**: ezeket a jellemzőket átalakítja a **maszk képpé**, amelynek mérete és csatornaszáma megegyezik az osztályok számával.
-
+
> Kép ebből a [publikációból](https://arxiv.org/pdf/2001.05566.pdf)
@@ -43,7 +34,7 @@ Ebben a leckében a szegmentációt gyakorlatban is megfigyelhetjük, amikor a h
> ✅ Ez a technika különösen alkalmas az ilyen típusú orvosi képalkotásra, de milyen más valós alkalmazásokat tudnál elképzelni?
-
+
> Kép a PH2 adatbázisból
diff --git a/translations/hu/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/hu/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index d027e90d..2dee6eda 100644
--- a/translations/hu/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/hu/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# Emberi Test Szegmentáció
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) keretében.
diff --git a/translations/hu/lessons/4-ComputerVision/README.md b/translations/hu/lessons/4-ComputerVision/README.md
index 028d9159..b8063221 100644
--- a/translations/hu/lessons/4-ComputerVision/README.md
+++ b/translations/hu/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# Számítógépes látás
diff --git a/translations/hu/lessons/5-NLP/13-TextRep/README.md b/translations/hu/lessons/5-NLP/13-TextRep/README.md
index 21ababcb..2caf464f 100644
--- a/translations/hu/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/hu/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# Szöveg ábrázolása tenzorokként
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@@ -25,7 +16,7 @@ Célunk az lesz, hogy a híreket a szöveg alapján az egyik kategóriába sorol
Ha neurális hálózatokkal szeretnénk megoldani természetes nyelvfeldolgozási (NLP) feladatokat, valamilyen módon a szöveget tenzorokként kell ábrázolnunk. A számítógépek már most is számokként ábrázolják a szöveges karaktereket, amelyek a képernyőn megjelenő betűtípusokhoz vannak hozzárendelve, például ASCII vagy UTF-8 kódolás segítségével.
-
+
> [Kép forrása](https://www.seobility.net/en/wiki/ASCII)
@@ -48,7 +39,7 @@ Bizonyos esetekben érdemes lehet tri-gramokat - három szóból álló kombiná
Amikor olyan feladatokat oldunk meg, mint a szöveg osztályozása, képesnek kell lennünk a szöveget egy fix méretű vektorral ábrázolni, amelyet bemenetként használunk a végső sűrű osztályozóhoz. Az egyik legegyszerűbb módja ennek az, ha az egyes szavak ábrázolásait kombináljuk, például összeadjuk őket. Ha minden szó one-hot kódolását összeadjuk, egy gyakorisági vektort kapunk, amely megmutatja, hogy egy-egy szó hányszor fordul elő a szövegben. Az ilyen szövegábrázolást **bag-of-words**-nek (BoW) nevezzük.
-
+
> Kép a szerzőtől
diff --git a/translations/hu/lessons/5-NLP/13-TextRep/assignment.md b/translations/hu/lessons/5-NLP/13-TextRep/assignment.md
index be18ba5d..b1ab9369 100644
--- a/translations/hu/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/hu/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# Feladat: Jegyzetfüzetek
Használva az ehhez a leckéhez tartozó jegyzetfüzeteket (akár a PyTorch, akár a TensorFlow verziót), futtasd újra őket a saját adathalmazoddal, például egy Kaggle-ről származóval, megfelelő forrásmegjelöléssel. Írd át a jegyzetfüzetet, hogy kiemeld a saját megállapításaidat. Próbálj ki néhány innovatív adathalmazt, amelyek meglepőek lehetnek, például [ezt az UFO-észlelésekről szólót](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) a NUFORC-tól.
diff --git a/translations/hu/lessons/5-NLP/14-Embeddings/README.md b/translations/hu/lessons/5-NLP/14-Embeddings/README.md
index 4c3033df..a5a1b73c 100644
--- a/translations/hu/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/hu/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# Beágyazások
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/hu/lessons/5-NLP/14-Embeddings/assignment.md b/translations/hu/lessons/5-NLP/14-Embeddings/assignment.md
index 0d084db9..935eedd0 100644
--- a/translations/hu/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/hu/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# Feladat: Jegyzetfüzetek
Használva az ehhez a leckéhez tartozó jegyzetfüzeteket (akár a PyTorch, akár a TensorFlow verziót), futtasd újra őket a saját adathalmazoddal, például egy Kaggle-ről származóval, megfelelő forrásmegjelöléssel. Írd át a jegyzetfüzetet, hogy kiemeld a saját megállapításaidat. Próbálj ki egy másik típusú adathalmazt, és dokumentáld az eredményeidet, például olyan szövegeket használva, mint [ezek a Beatles-dalszövegek](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
diff --git a/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md
index 1e9c0637..09c0aabf 100644
--- a/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/hu/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# Nyelvi Modellezés
A szemantikai beágyazások, mint például a Word2Vec és a GloVe, valójában az első lépést jelentik a **nyelvi modellezés** felé – olyan modellek létrehozása felé, amelyek valamilyen módon *megértik* (vagy *reprezentálják*) a nyelv természetét.
diff --git a/translations/hu/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/hu/lessons/5-NLP/15-LanguageModeling/lab/README.md
index c58dca57..e13a53cd 100644
--- a/translations/hu/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/hu/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# Skip-Gram Modell Tréningje
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/5-NLP/16-RNN/README.md b/translations/hu/lessons/5-NLP/16-RNN/README.md
index 054c7d6d..885c52d6 100644
--- a/translations/hu/lessons/5-NLP/16-RNN/README.md
+++ b/translations/hu/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# Rekurrens Neurális Hálózatok
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@@ -31,7 +22,7 @@ Nézzük meg, hogyan van felépítve egy egyszerű RNN cella. Elfogadja az előz
Egy egyszerű RNN cellának két súlymátrixa van: az egyik átalakítja a bemeneti szimbólumot (nevezzük W-nek), a másik pedig a bemeneti állapotot (H). Ebben az esetben a hálózat kimenete σ(W×Xi+H×Si-1+b) formában számítódik ki, ahol σ az aktivációs függvény, és b egy további bias.
-
+
> Kép a szerzőtől
diff --git a/translations/hu/lessons/5-NLP/16-RNN/assignment.md b/translations/hu/lessons/5-NLP/16-RNN/assignment.md
index f8209113..78f480cc 100644
--- a/translations/hu/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/hu/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# Feladat: Jegyzetfüzetek
Használva az ehhez a leckéhez tartozó jegyzetfüzeteket (akár a PyTorch, akár a TensorFlow verziót), futtasd újra őket a saját adathalmazoddal, például egy Kaggle-ről származóval, megfelelő forrásmegjelöléssel. Írd át a jegyzetfüzetet, hogy kiemeld a saját megállapításaidat. Próbálj ki egy másik típusú adathalmazt, és dokumentáld az eredményeidet, például olyan szövegekkel, mint [ez a Kaggle verseny adathalmaz az időjárásról szóló tweetekről](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
diff --git a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md
index 928c7e02..c15e6e74 100644
--- a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# Generatív hálózatok
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@@ -36,7 +27,7 @@ Ezt az RNN-t arra fogjuk tanítani, hogy lépésről lépésre generáljon szöv
Szöveg generálásakor (következtetés során) egy **indítószöveggel** kezdünk, amelyet RNN cellákon keresztül adunk át, hogy előállítsuk annak köztes állapotát, majd ebből az állapotból kezdődik a generálás. Egy karaktert generálunk egyszerre, és az állapotot és a generált karaktert átadjuk egy másik RNN cellának, hogy generálja a következőt, amíg elegendő karaktert nem generálunk.
-
+
> Kép a szerzőtől
diff --git a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index 4ec76120..d5c6aba7 100644
--- a/translations/hu/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/hu/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Szószintű szöveggenerálás RNN-ekkel
Laborfeladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) keretében.
diff --git a/translations/hu/lessons/5-NLP/18-Transformers/README.md b/translations/hu/lessons/5-NLP/18-Transformers/README.md
index 2ed09268..fd3e4bc7 100644
--- a/translations/hu/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/hu/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# Figyelem Mechanizmusok és Transzformerek
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@@ -56,7 +47,7 @@ A pozíciós kódolás ötlete a következő:
* Tanítható beágyazás, hasonlóan a token beágyazáshoz. Ezt a megközelítést vesszük figyelembe itt. Beágyazási rétegeket alkalmazunk mind a tokenekre, mind azok pozícióira, amelyek azonos dimenziójú beágyazási vektorokat eredményeznek, amelyeket ezután összeadunk.
* Fix pozíciós kódoló függvény, ahogy azt az eredeti cikk javasolta.
-
+
> Kép a szerzőtől
diff --git a/translations/hu/lessons/5-NLP/18-Transformers/assignment.md b/translations/hu/lessons/5-NLP/18-Transformers/assignment.md
index 876b780c..378497da 100644
--- a/translations/hu/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/hu/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# Feladat: Transformers
Kísérletezz a Transformers-szel a HuggingFace-en! Próbáld ki az általuk biztosított szkripteket, hogy dolgozhass a weboldalukon elérhető különböző modellekkel: https://huggingface.co/docs/transformers/run_scripts. Próbálj ki egyet az ő adathalmazaik közül, majd importálj egy sajátot ebből a tananyagból vagy a Kaggle-ről, és nézd meg, tudsz-e érdekes szövegeket generálni. Készíts egy jegyzetfüzetet az eredményeidről.
diff --git a/translations/hu/lessons/5-NLP/19-NER/README.md b/translations/hu/lessons/5-NLP/19-NER/README.md
index c5dbd7fb..9c79777e 100644
--- a/translations/hu/lessons/5-NLP/19-NER/README.md
+++ b/translations/hu/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# Névelem Felismerés
Eddig főként egy NLP feladatra, a klasszifikációra koncentráltunk. Azonban vannak más NLP feladatok is, amelyeket neurális hálózatokkal meg lehet oldani. Az egyik ilyen feladat a **[Névelem Felismerés](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), amely azzal foglalkozik, hogy azonosítsa a szövegben található konkrét entitásokat, például helyeket, személyneveket, dátum-idő intervallumokat, kémiai képleteket és így tovább.
@@ -17,7 +8,7 @@ Eddig főként egy NLP feladatra, a klasszifikációra koncentráltunk. Azonban
Tegyük fel, hogy egy természetes nyelvi chatbotot szeretnél fejleszteni, hasonlóan az Amazon Alexa vagy a Google Assistant megoldásaihoz. Az intelligens chatbotok úgy működnek, hogy *megértik*, mit szeretne a felhasználó, azáltal hogy szövegklasszifikációt végeznek a bemeneti mondaton. Ennek a klasszifikációnak az eredménye az úgynevezett **intenció**, amely meghatározza, mit kell tennie a chatbotnak.
-
+
> Kép a szerzőtől
diff --git a/translations/hu/lessons/5-NLP/19-NER/lab/README.md b/translations/hu/lessons/5-NLP/19-NER/lab/README.md
index 5d95e917..3a261ebb 100644
--- a/translations/hu/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/hu/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# NER
Laboratóriumi feladat az [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) anyagából.
diff --git a/translations/hu/lessons/5-NLP/20-LangModels/README.md b/translations/hu/lessons/5-NLP/20-LangModels/README.md
index 68263a84..c9620cfb 100644
--- a/translations/hu/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/hu/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# Előre Trénelt Nagy Nyelvi Modellek
Az eddigi feladataink során mindig egy neurális hálót tanítottunk be egy adott feladat elvégzésére címkézett adathalmaz segítségével. A nagy transzformer modelleknél, mint például a BERT, nyelvi modellezést használunk önfelügyelt módon, hogy létrehozzunk egy nyelvi modellt, amelyet aztán további, specifikus domainre vonatkozó tréninggel specializálunk egy adott feladatra. Azonban bebizonyosodott, hogy a nagy nyelvi modellek számos feladatot képesek megoldani bármilyen domain-specifikus tréning nélkül is. Az ilyen modellek családját **GPT**-nek, azaz Generatív Előre Trénelt Transzformernek nevezzük.
diff --git a/translations/hu/lessons/5-NLP/README.md b/translations/hu/lessons/5-NLP/README.md
index 592c02f3..c900ccda 100644
--- a/translations/hu/lessons/5-NLP/README.md
+++ b/translations/hu/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# Természetes Nyelvfeldolgozás
diff --git a/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md
index ff0eb814..8439f2d1 100644
--- a/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/hu/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# Genetikus Algoritmusok
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/hu/lessons/6-Other/22-DeepRL/README.md b/translations/hu/lessons/6-Other/22-DeepRL/README.md
index 80160ba2..0b566f08 100644
--- a/translations/hu/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/hu/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# Mély megerősítéses tanulás
A megerősítéses tanulás (RL) az egyik alapvető gépi tanulási paradigma, a felügyelt tanulás és a nem felügyelt tanulás mellett. Míg a felügyelt tanulás során ismert eredményekkel rendelkező adathalmazra támaszkodunk, az RL a **cselekvés általi tanuláson** alapul. Például, amikor először látunk egy számítógépes játékot, elkezdünk játszani, még akkor is, ha nem ismerjük a szabályokat, és hamarosan képesek vagyunk javítani a képességeinket pusztán a játék és a viselkedésünk módosítása révén.
@@ -34,7 +25,7 @@ Valószínűleg mindannyian láttatok már modern egyensúlyozó eszközöket, m
Az egyensúlyozás egyszerűsített változata **CartPole** problémaként ismert. A CartPole világban van egy vízszintes csúszka, amely balra vagy jobbra mozoghat, és a cél az, hogy egy függőleges rudat egyensúlyozzunk a csúszka tetején, miközben az mozog.
-
+
Ennek a környezetnek a létrehozásához és használatához néhány Python kódsorra van szükség:
diff --git a/translations/hu/lessons/6-Other/22-DeepRL/lab/README.md b/translations/hu/lessons/6-Other/22-DeepRL/lab/README.md
index c3ef779f..ccd40ce8 100644
--- a/translations/hu/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/hu/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## A környezet
A Mountain Car környezet egy völgyben rekedt autóból áll. A célod az, hogy kiugorj a völgyből és elérd a zászlót. Az elérhető műveletek: gyorsítás balra, gyorsítás jobbra, vagy semmit sem csinálni. Megfigyelheted az autó helyzetét az x-tengely mentén, valamint a sebességét.
diff --git a/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md
index c11b8658..69fa878f 100644
--- a/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/hu/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# Többügynökös rendszerek
Az intelligencia elérésének egyik lehetséges módja az úgynevezett **emergens** (vagy **szinergikus**) megközelítés, amely azon az elven alapul, hogy sok viszonylag egyszerű ügynök együttes viselkedése a rendszer egészének összetettebb (vagy intelligensebb) viselkedését eredményezheti. Elméletileg ez a [Kollektív intelligencia](https://en.wikipedia.org/wiki/Collective_intelligence), az [Emergentizmus](https://en.wikipedia.org/wiki/Global_brain) és az [Evolúciós kibernetika](https://en.wikipedia.org/wiki/Global_brain) elvein alapul, amelyek szerint a magasabb szintű rendszerek valamilyen hozzáadott értéket nyernek, ha megfelelően kombinálják őket alacsonyabb szintű rendszerekből (az úgynevezett *metarendszer-átmenet elve*).
@@ -60,7 +51,7 @@ Letöltheted és telepítheted a NetLogo-t [innen](https://ccl.northwestern.edu/
A NetLogo egyik nagyszerű tulajdonsága, hogy tartalmaz egy működő modellekből álló könyvtárat, amelyeket kipróbálhatsz. Lépj a **File → Models Library** menüpontra, és számos modellkategóriából választhatsz.
-
+
> Dmitry Soshnikov által készített képernyőkép a modellek könyvtáráról
diff --git a/translations/hu/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/hu/lessons/6-Other/23-MultiagentSystems/assignment.md
index 65e66ea3..03091196 100644
--- a/translations/hu/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/hu/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# NetLogo Feladat
Válassz egyet a NetLogo könyvtárában található modellek közül, és használd fel arra, hogy egy valós életbeli helyzetet a lehető legpontosabban szimulálj. Egy jó példa lehet, ha az Alternatív Vizualizációk mappában található Vírus modellt módosítod úgy, hogy bemutasd, hogyan használható a COVID-19 terjedésének modellezésére. Tudsz készíteni egy modellt, amely utánozza egy valódi vírus terjedését?
diff --git a/translations/hu/lessons/7-Ethics/README.md b/translations/hu/lessons/7-Ethics/README.md
index 9cc2d22f..11d5865e 100644
--- a/translations/hu/lessons/7-Ethics/README.md
+++ b/translations/hu/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# Etikus és Felelős Mesterséges Intelligencia
Majdnem befejezted ezt a kurzust, és remélem, hogy mostanra világosan látod, hogy a mesterséges intelligencia számos formális matematikai módszeren alapul, amelyek lehetővé teszik számunkra, hogy kapcsolatokat találjunk az adatokban, és modelleket képezzünk ki az emberi viselkedés bizonyos aspektusainak utánzására. A történelem ezen pontján a mesterséges intelligenciát egy nagyon erőteljes eszköznek tekintjük, amely segít mintázatokat kinyerni az adatokból, és ezeket a mintázatokat új problémák megoldására alkalmazni.
diff --git a/translations/hu/lessons/README.md b/translations/hu/lessons/README.md
index 3389d2d1..d660944e 100644
--- a/translations/hu/lessons/README.md
+++ b/translations/hu/lessons/README.md
@@ -1,12 +1,3 @@
-
# Áttekintés
diff --git a/translations/hu/lessons/X-Extras/X1-MultiModal/README.md b/translations/hu/lessons/X-Extras/X1-MultiModal/README.md
index 9b567004..570f3ba8 100644
--- a/translations/hu/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/hu/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# Multi-Modális Hálózatok
A transzformer modellek sikerét követően az NLP feladatok megoldásában, hasonló architektúrákat kezdtek alkalmazni a számítógépes látás feladataira is. Egyre nagyobb az érdeklődés olyan modellek építése iránt, amelyek *kombinálják* a látás és a természetes nyelv feldolgozásának képességeit. Az egyik ilyen próbálkozás az OpenAI által készült CLIP és DALL.E.
diff --git a/translations/hu/lessons/sketchnotes/LICENSE.md b/translations/hu/lessons/sketchnotes/LICENSE.md
index eb47808b..1195fb3d 100644
--- a/translations/hu/lessons/sketchnotes/LICENSE.md
+++ b/translations/hu/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
Attribution-ShareAlike 4.0 Nemzetközi
=======================================================================
diff --git a/translations/hu/lessons/sketchnotes/README.md b/translations/hu/lessons/sketchnotes/README.md
index 1c52191f..e3b611dc 100644
--- a/translations/hu/lessons/sketchnotes/README.md
+++ b/translations/hu/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
Az összes tananyaghoz tartozó sketchnote itt tölthető le.
🎨 Készítette: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
diff --git a/translations/hu/troubleshoot.md b/translations/hu/troubleshoot.md
index cde07d97..57cc702e 100644
--- a/translations/hu/troubleshoot.md
+++ b/translations/hu/troubleshoot.md
@@ -1,12 +1,3 @@
-
# AI-For-Beginners Hibaelhárítási Útmutató
Ez az útmutató segít megoldani a gyakori problémákat, amelyek az [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) repozitórium használata vagy hozzájárulása során merülhetnek fel. Minden probléma tartalmaz háttérinformációt, tüneteket, magyarázatokat és lépésről lépésre megoldásokat.
diff --git a/translations/sk/.co-op-translator.json b/translations/sk/.co-op-translator.json
new file mode 100644
index 00000000..45d7ed1a
--- /dev/null
+++ b/translations/sk/.co-op-translator.json
@@ -0,0 +1,398 @@
+{
+ "AGENTS.md": {
+ "original_hash": "6b11a37115944252ab3ed04e358d830d",
+ "translation_date": "2025-10-03T09:28:29+00:00",
+ "source_file": "AGENTS.md",
+ "language_code": "sk"
+ },
+ "README.md": {
+ "original_hash": "1984fc89dd304a8a33ab5584691a99aa",
+ "translation_date": "2026-01-30T02:29:25+00:00",
+ "source_file": "README.md",
+ "language_code": "sk"
+ },
+ "SECURITY.md": {
+ "original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
+ "translation_date": "2025-08-25T21:21:10+00:00",
+ "source_file": "SECURITY.md",
+ "language_code": "sk"
+ },
+ "etc/CODE_OF_CONDUCT.md": {
+ "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+ "translation_date": "2025-08-26T00:44:33+00:00",
+ "source_file": "etc/CODE_OF_CONDUCT.md",
+ "language_code": "sk"
+ },
+ "etc/CONTRIBUTING.md": {
+ "original_hash": "847a587aa1b83f4d00858183ff3ed18a",
+ "translation_date": "2025-08-26T00:47:24+00:00",
+ "source_file": "etc/CONTRIBUTING.md",
+ "language_code": "sk"
+ },
+ "etc/Mindmap.md": {
+ "original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
+ "translation_date": "2025-08-26T00:49:26+00:00",
+ "source_file": "etc/Mindmap.md",
+ "language_code": "sk"
+ },
+ "etc/SUPPORT.md": {
+ "original_hash": "fdfc08baee91e402938a2b1f94fe0949",
+ "translation_date": "2025-08-26T00:43:29+00:00",
+ "source_file": "etc/SUPPORT.md",
+ "language_code": "sk"
+ },
+ "etc/TRANSLATIONS.md": {
+ "original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
+ "translation_date": "2025-08-26T00:45:43+00:00",
+ "source_file": "etc/TRANSLATIONS.md",
+ "language_code": "sk"
+ },
+ "etc/quiz-app/README.md": {
+ "original_hash": "d699cf8509f74baa5b0b838de5cf0662",
+ "translation_date": "2025-08-26T00:53:30+00:00",
+ "source_file": "etc/quiz-app/README.md",
+ "language_code": "sk"
+ },
+ "examples/README.md": {
+ "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
+ "translation_date": "2025-10-03T11:33:56+00:00",
+ "source_file": "examples/README.md",
+ "language_code": "sk"
+ },
+ "lessons/0-course-setup/for-teachers.md": {
+ "original_hash": "a094ef9927883de1cfcee51dbd143381",
+ "translation_date": "2025-08-26T00:38:54+00:00",
+ "source_file": "lessons/0-course-setup/for-teachers.md",
+ "language_code": "sk"
+ },
+ "lessons/0-course-setup/how-to-run.md": {
+ "original_hash": "a4717bd9103b9f6cd84d534b83534689",
+ "translation_date": "2026-01-16T04:57:59+00:00",
+ "source_file": "lessons/0-course-setup/how-to-run.md",
+ "language_code": "sk"
+ },
+ "lessons/0-course-setup/setup.md": {
+ "original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
+ "translation_date": "2025-12-12T20:13:56+00:00",
+ "source_file": "lessons/0-course-setup/setup.md",
+ "language_code": "sk"
+ },
+ "lessons/1-Intro/README.md": {
+ "original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
+ "translation_date": "2025-11-18T22:01:43+00:00",
+ "source_file": "lessons/1-Intro/README.md",
+ "language_code": "sk"
+ },
+ "lessons/1-Intro/assignment.md": {
+ "original_hash": "a334df77a82aaaf2a29c77065d3e481e",
+ "translation_date": "2025-11-18T22:03:13+00:00",
+ "source_file": "lessons/1-Intro/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/2-Symbolic/README.md": {
+ "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
+ "translation_date": "2026-01-16T04:59:14+00:00",
+ "source_file": "lessons/2-Symbolic/README.md",
+ "language_code": "sk"
+ },
+ "lessons/2-Symbolic/assignment.md": {
+ "original_hash": "a057a8604f3976c3e309884453f1fad0",
+ "translation_date": "2025-08-26T00:33:53+00:00",
+ "source_file": "lessons/2-Symbolic/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/README.md": {
+ "original_hash": "c34cbba802058b6fa267e1a294d4e510",
+ "translation_date": "2025-09-23T14:08:49+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
+ "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+ "translation_date": "2025-08-29T22:47:38+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
+ "original_hash": "789d6c3fb6fc7948a470b33078a5983a",
+ "translation_date": "2025-09-23T14:08:26+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
+ "original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
+ "translation_date": "2025-08-25T23:48:54+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/README.md": {
+ "original_hash": "ddd216f558a255260a9374008002c971",
+ "translation_date": "2025-09-23T14:09:06+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
+ "original_hash": "e452d897efb9a89700f41021834cf6e5",
+ "translation_date": "2025-08-25T23:55:26+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/3-NeuralNetworks/README.md": {
+ "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+ "translation_date": "2025-10-03T12:52:44+00:00",
+ "source_file": "lessons/3-NeuralNetworks/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/README.md": {
+ "original_hash": "feeca98225cb420afc89415f24f63d92",
+ "translation_date": "2025-09-23T14:03:49+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
+ "original_hash": "3d53d6409f80970f7281a45dee35328a",
+ "translation_date": "2025-08-25T23:05:13+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
+ "original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
+ "translation_date": "2025-09-23T14:03:03+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/README.md": {
+ "original_hash": "a560d5b845962cf33dc102266e409568",
+ "translation_date": "2025-09-23T14:02:46+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
+ "original_hash": "b70fcf7fcee862990f848c679090943f",
+ "translation_date": "2025-10-03T14:57:12+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/README.md": {
+ "original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
+ "translation_date": "2025-09-23T14:03:22+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
+ "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
+ "translation_date": "2025-08-25T23:11:54+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
+ "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
+ "translation_date": "2025-08-25T23:16:36+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/09-Autoencoders/README.md": {
+ "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
+ "translation_date": "2025-09-23T14:05:01+00:00",
+ "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/10-GANs/README.md": {
+ "original_hash": "0ff65b4da07b23697235de2beb2a3c25",
+ "translation_date": "2025-09-23T14:05:54+00:00",
+ "source_file": "lessons/4-ComputerVision/10-GANs/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/README.md": {
+ "original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
+ "translation_date": "2025-09-23T14:04:22+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
+ "original_hash": "ad568d55ae65c856fe929fc2b278510a",
+ "translation_date": "2025-08-25T22:49:41+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/README.md": {
+ "original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
+ "translation_date": "2025-09-23T14:05:35+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
+ "original_hash": "365f0decfe0f47b460bbde8227c5009d",
+ "translation_date": "2025-08-25T22:37:03+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/4-ComputerVision/README.md": {
+ "original_hash": "58a52f000089c1d8906a4daa4ab1169b",
+ "translation_date": "2025-08-25T22:27:45+00:00",
+ "source_file": "lessons/4-ComputerVision/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/13-TextRep/README.md": {
+ "original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
+ "translation_date": "2025-09-23T14:12:19+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/13-TextRep/assignment.md": {
+ "original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
+ "translation_date": "2025-08-25T21:54:21+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/14-Embeddings/README.md": {
+ "original_hash": "b708c9b85b833864c73c6281f1e6b96e",
+ "translation_date": "2025-09-23T14:11:48+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/14-Embeddings/assignment.md": {
+ "original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
+ "translation_date": "2025-08-25T21:42:33+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/15-LanguageModeling/README.md": {
+ "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
+ "translation_date": "2025-09-23T14:09:53+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/15-LanguageModeling/lab/README.md": {
+ "original_hash": "5130f01fdc5ebb83032b23d489027aac",
+ "translation_date": "2025-08-25T21:58:06+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/16-RNN/README.md": {
+ "original_hash": "e2273cc150380a5e191903cea858f021",
+ "translation_date": "2025-09-23T14:11:16+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/16-RNN/assignment.md": {
+ "original_hash": "47f7d3c6a5373543e051e4d1140ce898",
+ "translation_date": "2025-08-25T21:37:06+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/README.md": {
+ "original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
+ "translation_date": "2025-09-23T14:09:32+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
+ "original_hash": "439e12796197a90e7623d4c9c057b9c2",
+ "translation_date": "2025-08-25T21:48:17+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/18-Transformers/README.md": {
+ "original_hash": "f335dfcb4a993920504c387973a36957",
+ "translation_date": "2025-09-23T14:10:05+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/18-Transformers/assignment.md": {
+ "original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
+ "translation_date": "2025-08-25T22:05:09+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/19-NER/README.md": {
+ "original_hash": "6522312ff835796ca34136a9462fafb2",
+ "translation_date": "2025-09-23T14:10:58+00:00",
+ "source_file": "lessons/5-NLP/19-NER/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/19-NER/lab/README.md": {
+ "original_hash": "032bda5068f543d6c1fcb30c34231461",
+ "translation_date": "2025-08-25T22:14:15+00:00",
+ "source_file": "lessons/5-NLP/19-NER/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/20-LangModels/README.md": {
+ "original_hash": "97836d30a6bec736f8e3b4411c572bc2",
+ "translation_date": "2025-09-23T14:10:32+00:00",
+ "source_file": "lessons/5-NLP/20-LangModels/README.md",
+ "language_code": "sk"
+ },
+ "lessons/5-NLP/README.md": {
+ "original_hash": "8ef02a9318257ea140ed3ed74442096d",
+ "translation_date": "2025-08-25T21:28:05+00:00",
+ "source_file": "lessons/5-NLP/README.md",
+ "language_code": "sk"
+ },
+ "lessons/6-Other/21-GeneticAlgorithms/README.md": {
+ "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
+ "translation_date": "2025-09-23T14:01:02+00:00",
+ "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
+ "language_code": "sk"
+ },
+ "lessons/6-Other/22-DeepRL/README.md": {
+ "original_hash": "04395657fc01648f8f70484d0e55ab67",
+ "translation_date": "2025-09-23T14:02:13+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/README.md",
+ "language_code": "sk"
+ },
+ "lessons/6-Other/22-DeepRL/lab/README.md": {
+ "original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
+ "translation_date": "2025-08-25T23:35:34+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
+ "language_code": "sk"
+ },
+ "lessons/6-Other/23-MultiagentSystems/README.md": {
+ "original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
+ "translation_date": "2025-09-23T14:01:17+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
+ "language_code": "sk"
+ },
+ "lessons/6-Other/23-MultiagentSystems/assignment.md": {
+ "original_hash": "cf654ca60c7f86c8dad28596fb42994b",
+ "translation_date": "2025-08-25T23:29:05+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
+ "language_code": "sk"
+ },
+ "lessons/7-Ethics/README.md": {
+ "original_hash": "437c988596e751072e41a5aad3fcc5d9",
+ "translation_date": "2025-08-25T21:24:28+00:00",
+ "source_file": "lessons/7-Ethics/README.md",
+ "language_code": "sk"
+ },
+ "lessons/README.md": {
+ "original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
+ "translation_date": "2025-08-25T21:23:05+00:00",
+ "source_file": "lessons/README.md",
+ "language_code": "sk"
+ },
+ "lessons/X-Extras/X1-MultiModal/README.md": {
+ "original_hash": "9c592c26aca16ca085d268c732284187",
+ "translation_date": "2025-08-25T23:37:27+00:00",
+ "source_file": "lessons/X-Extras/X1-MultiModal/README.md",
+ "language_code": "sk"
+ },
+ "lessons/sketchnotes/LICENSE.md": {
+ "original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
+ "translation_date": "2025-08-26T00:06:32+00:00",
+ "source_file": "lessons/sketchnotes/LICENSE.md",
+ "language_code": "sk"
+ },
+ "lessons/sketchnotes/README.md": {
+ "original_hash": "050b8bddebafba55b129414e6ab096ab",
+ "translation_date": "2025-08-26T00:01:55+00:00",
+ "source_file": "lessons/sketchnotes/README.md",
+ "language_code": "sk"
+ },
+ "troubleshoot.md": {
+ "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
+ "translation_date": "2025-10-03T09:50:32+00:00",
+ "source_file": "troubleshoot.md",
+ "language_code": "sk"
+ }
+}
\ No newline at end of file
diff --git a/translations/sk/AGENTS.md b/translations/sk/AGENTS.md
index 61790de1..d5224694 100644
--- a/translations/sk/AGENTS.md
+++ b/translations/sk/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## Prehľad projektu
diff --git a/translations/sk/README.md b/translations/sk/README.md
index 98069098..01cc88f1 100644
--- a/translations/sk/README.md
+++ b/translations/sk/README.md
@@ -1,12 +1,3 @@
-
[](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/)
@@ -21,33 +12,33 @@ CO_OP_TRANSLATOR_METADATA:
[](https://discord.gg/nTYy5BXMWG)
-# Umená inteligencia pre začiatočníkov - Učebný plán
+# Umelá inteligencia pre začiatočníkov - Kurz
-||
+||
|:---:|
-| Umená inteligencia pre začiatočníkov - _Sketchnote od [@girlie_mac](https://twitter.com/girlie_mac)_ |
+| AI pre začiatočníkov - _Sketchnote od [@girlie_mac](https://twitter.com/girlie_mac)_ |
-Preskúmajte svet **Umelej inteligencie** (AI) s naším 12-týždňovým kurzom pozostávajúcim z 24 lekcií! Zahŕňa praktické lekcie, kvízy a laboratórne cvičenia. Kurz je vhodný pre začiatočníkov a pokrýva nástroje ako TensorFlow a PyTorch, ako aj etiku v AI.
+Preskúmajte svet **umelej inteligencie** (AI) s naším 12-týždňovým kurzom pozostávajúcim z 24 lekcií! Zahrňuje praktické lekcie, kvízy a laboratóriá. Kurz je vhodný pre začiatočníkov a pokrýva nástroje ako TensorFlow a PyTorch, ako aj etiku v AI.
### 🌐 Podpora viacerých jazykov
-#### Podporované prostredníctvom GitHub Action (automatizované a vždy aktuálne)
+#### Podporované cez GitHub Action (automatizované a vždy aktuálne)
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](./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)
+[Arabčina](../ar/README.md) | [Bengálčina](../bn/README.md) | [Bulharčina](../bg/README.md) | [Barmský (Myanmar)](../my/README.md) | [Čínština (zjednodušená)](../zh-CN/README.md) | [Čínština (tradičná, Hongkong)](../zh-HK/README.md) | [Čínština (tradičná, Macau)](../zh-MO/README.md) | [Čínština (tradičná, Taiwan)](../zh-TW/README.md) | [Chorvátčina](../hr/README.md) | [Čeština](../cs/README.md) | [Dánčina](../da/README.md) | [Holandčina](../nl/README.md) | [Estónčina](../et/README.md) | [Fínčina](../fi/README.md) | [Francúzština](../fr/README.md) | [Nemčina](../de/README.md) | [Gréčtina](../el/README.md) | [Hebrejčina](../he/README.md) | [Hindčina](../hi/README.md) | [Maďarčina](../hu/README.md) | [Indonézština](../id/README.md) | [Taliančina](../it/README.md) | [Japončina](../ja/README.md) | [Kannadčina](../kn/README.md) | [Kórejčina](../ko/README.md) | [Litovčina](../lt/README.md) | [Malajčina](../ms/README.md) | [Malajalámčina](../ml/README.md) | [Maráthčina](../mr/README.md) | [Nepálčina](../ne/README.md) | [Nigérijská pidžinčina](../pcm/README.md) | [Nórčina](../no/README.md) | [Perzština (Farsi)](../fa/README.md) | [Poľština](../pl/README.md) | [Portugalčina (Brazília)](../pt-BR/README.md) | [Portugalčina (Portugalsko)](../pt-PT/README.md) | [Pandžábčina (Gurmukhi)](../pa/README.md) | [Rumunčina](../ro/README.md) | [Ruština](../ru/README.md) | [Srbčina (cyrilika)](../sr/README.md) | [Slovenčina](./README.md) | [Slovinčina](../sl/README.md) | [Španielčina](../es/README.md) | [Swahilčina](../sw/README.md) | [Švédčina](../sv/README.md) | [Tagalog (Filipínčina)](../tl/README.md) | [Tamilčina](../ta/README.md) | [Telugčina](../te/README.md) | [Thajčina](../th/README.md) | [Turečtina](../tr/README.md) | [Ukrajinčina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamčina](../vi/README.md)
-> **Radšej klonovať lokálne?**
+> **Uprednostňujete klonovanie lokálne?**
-> Tento repozitár zahŕňa viac ako 50 jazykových prekladov, čo výrazne zväčšuje veľkosť na stiahnutie. Ak chcete klonovať bez prekladov, použite sparse checkout:
+> Tento repozitár obsahuje viac ako 50 jazykových prekladov, čo výrazne zväčšuje veľkosť na stiahnutie. Ak chcete klonovať bez prekladov, použite 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'
> ```
-> Toto vám poskytne všetko potrebné na dokončenie kurzu s oveľa rýchlejším sťahovaním.
+> Tým získate všetko potrebné na dokončenie kurzu s oveľa rýchlejším stiahnutím.
-**Ak máte záujem o podporu ďalších jazykov, sú uvedené [tu](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**Ak chcete mať podporu ďalších jazykov, sú uvedené [tu](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
## Pridajte sa ku komunite
[](https://discord.gg/nTYy5BXMWG)
@@ -56,51 +47,51 @@ Preskúmajte svet **Umelej inteligencie** (AI) s naším 12-týždňovým kurzom
**[Myšlienková mapa kurzu](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
-V tomto učebnom pláne sa naučíte:
+V tomto kurze sa naučíte:
-* Rôzne prístupy k umelej inteligencii vrátane „starej dobrej“ symbolickej metódy s **reprezentáciou vedomostí** a odvodzovaním ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
-* **Neurónové siete** a **hlboké učenie**, ktoré sú základom modernej AI. Pojmy spojené s týmito dôležitými témami si ukážeme pomocou kódu v dvoch najpopulárnejších frameworkoch - [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
-* **Neurónové architektúry** pre prácu s obrázkami a textom. Pokryjeme najnovšie modely, ale možno s miernou absenciou úplne aktuálnych štádií vývoja.
-* Menej populárne prístupy k AI, ako sú **genetické algoritmy** a **multiagentové systémy**.
+* Rôzne prístupy k umelej inteligencii, vrátane „starého dobrého“ symbolického prístupu so **znázornením znalostí** a uvažovaním ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
+* **Neurónové siete** a **hlboké učenie**, ktoré sú jadrom modernej AI. Koncepty týchto dôležitých tém si vysvetlíme pomocou kódu v dvoch najpopulárnejších frameworkoch - [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
+* **Neurónové architektúry** pre prácu s obrázkami a textom. Pokryjeme najnovšie modely, hoci možno nie úplne štát-of-the-art.
+* Menej populárne prístupy v AI, ako sú **genetické algoritmy** a **multi-agentné systémy**.
Čo v tomto kurze nepokryjeme:
-> [Nájdite všetky doplnkové zdroje pre tento kurz v našej kolekcii Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
+> [Nájdite všetky dodatočné zdroje k tomuto kurzu v našej kolekcii Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
-* Obchodné prípady použitia **AI v podnikaní**. Zvážte absolvovanie vzdelávacích ciest ako [Úvod do AI pre obchodných používateľov](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn alebo [Škola AI v podnikaní](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vytvorená v spolupráci s [INSEAD](https://www.insead.edu/).
-* **Klasické strojové učenie**, ktoré je dobre popísané v našom [učebnom pláne Machine Learning for Beginners](http://github.com/Microsoft/ML-for-Beginners).
-* Praktické aplikácie AI postavené pomocou **[Kognitívnych služieb](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Pre toto odporúčame začať s modulmi Microsoft Learn pre [pozeranie](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [spracovanie prirodzeného jazyka](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatívnu AI s Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a ďalšie.
-* Špecifické cloudové rámce pre ML, ako napríklad [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) alebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Môžete zvážiť využitie vzdelávacích ciest [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
-* **Konverzačnú AI** a **chat boty**. Existuje samostatná vzdelávacia cesta [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) a môžete sa tiež odkázať na [tento blogový príspevok](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pre podrobnosti.
-* **Hlbokú matematiku** za hlbokým učením. Na to odporúčame [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Iana Goodfellowa, Yoshuu Bengia a Aarona Courvilla, ktorá je dostupná aj online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
+* Biznisové prípady použitia **AI v biznise**. Zvážte absolvovanie [Úvod do AI pre biznisových používateľov](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn, alebo [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vyvinutý v spolupráci s [INSEAD](https://www.insead.edu/).
+* **Klasické strojové učenie**, ktoré je dobre popísané v našom [Machine Learning for Beginners Kurzu](http://github.com/Microsoft/ML-for-Beginners).
+* Praktické aplikácie AI postavené pomocou **[Kognitívnych služieb](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Odporúčame začať modulmi Microsoft Learn pre [víziu](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [spracovanie prirodzeného jazyka](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatívna AI s Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a ďalšie.
+* Špecifické ML **cloudové frameworky**, ako [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) alebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Zvážte použitie vzdelávacích ciest [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
+* **Konverzačnú AI** a **chatboty**. Existuje samostatná vzdelávacia cesta [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a môžete tiež nahliadnuť do [tohto blogového príspevku](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pre podrobnosti.
+* **Hlbokú matematiku** za hlbokým učením. Odporúčame [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Iana Goodfellowa, Yoshua Bengio a Aarona Courvilla, ktorá je tiež dostupná online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
-Pre jemný úvod do tém _AI v Cloude_ môžete zvážiť absolvovanie vzdelávacej cesty [Začnite s umelou inteligenciou na Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
+Pre jemný úvod do tém _AI v cloude_, zvážte absolvovanie vzdelávacej cesty [Začať s umelou inteligenciou na Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
# Obsah
-| | Link na lekciu | PyTorch/Keras/TensorFlow | Laboratórium |
-| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | --------------------------------------------------------- |
-| 0 | [Nastavenie kurzu](./lessons/0-course-setup/setup.md) | [Nastavte si vývojové prostredie](./lessons/0-course-setup/how-to-run.md) | |
+| | Odkaz na lekciu | PyTorch/Keras/TensorFlow | Laboratórium |
+| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
+| 0 | [Nastavenie kurzu](./lessons/0-course-setup/setup.md) | [Nastavte svoje vývojové prostredie](./lessons/0-course-setup/how-to-run.md) | |
| I | [**Úvod do AI**](./lessons/1-Intro/README.md) | | |
| 01 | [Úvod a história AI](./lessons/1-Intro/README.md) | - | - |
| II | **Symbolická AI** |
-| 02 | [Reprezentácia vedomostí a expertné systémy](./lessons/2-Symbolic/README.md) | [Expertné systémy](./lessons/2-Symbolic/Animals.ipynb) / [Ontológia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptuálny graf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
+| 02 | [Znázornenie vedomostí a expertné systémy](./lessons/2-Symbolic/README.md) | [Expertné systémy](./lessons/2-Symbolic/Animals.ipynb) / [Ontológia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptuálny graf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
| III | [**Úvod do neurónových sietí**](./lessons/3-NeuralNetworks/README.md) |||
| 03 | [Perceptrón](./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 | [Viacvrstvový perceptrón a tvorba vlastného 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 frameworkov (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 videnie**](./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)| [Preskúmajte počítačové videnie na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
+| 04 | [Viacvrstvový perceptrón a tvorba vlastného rámca](./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 rámcov (PyTorch/TensorFlow) a pretrénovanie](./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 videnie**](./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)| [Preskúmaj počítačové videnie na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [Úvod do počítačového videnia. 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 | [Konvolučné neurónové siete](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Architektúry 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 | [Predtrénované siete a transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) a [Tréningové triky](./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 | [Autoenkódery 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 | [Generatívne adversariálne siete a umelý prenos štýlu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
+| 08 | [Predtrénované siete a prenosové učenie](./lessons/4-ComputerVision/08-TransferLearning/README.md) a [Triky pri tréningu](./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 | [Generatívne protivné siete & prenos umeleckého štýlu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
| 11 | [Detekcia objektov](./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 | [Semantická segmentácia. 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 | [**Spracovanie prirodzeného 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) | [Preskúmajte spracovanie prirodzeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
+| 12 | [Sémantická segmentácia. 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 | [**Spracovanie prirodzeného 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) | [Preskúmaj spracovanie prirodzeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
| 13 | [Reprezentácia 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 | [Semantické vektorové reprezentácie slov. 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 | [Jazykové modelovanie. Tréning vlastných embeddings](./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) |
+| 14 | [Sémantické vektory slov. 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 | [Modelovanie jazyka. Tréning vlastných embeddings](./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 | [Rekurentné neurónové siete](./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 | [Generatívne rekurentné siete](./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 | [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) | |
@@ -109,70 +100,71 @@ Pre jemný úvod do tém _AI v Cloude_ môžete zvážiť absolvovanie vzdeláva
| VI | **Iné AI techniky** || |
| 21 | [Genetické algoritmy](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [Hlboké posilňovacie učenie](./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 viacerými agentmi](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
+| 23 | [Systémy viacerých agentov](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **Etika AI** | | |
-| 24 | [Etika AI a zodpovedná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: princípy zodpovednej AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
-| IX | **Bonusy** | | |
+| 24 | [Etika AI a zodpovedná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Zásady zodpovednej AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
+| IX | **Doplnky** | | |
| 25 | [Multimodálne siete, CLIP a VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
## Každá lekcia obsahuje
-* Materiály na prečítanie pred prednáškou
-* Spustiteľné Jupyter notebooky, ktoré sú často špecifické pre framework (**PyTorch** alebo **TensorFlow**). Spustiteľný notebook obsahuje tiež veľa teoretických materiálov, preto aby ste pochopili tému, je potrebné prejsť aspoň jednu verziu notebooku (buď PyTorch alebo TensorFlow).
-* **Laboratórne úlohy** dostupné pre niektoré témy, ktoré vám dávajú príležitosť skúsiť si aplikovať naučený materiál na konkrétny problém.
-* Niektoré sekcie obsahujú odkazy na moduly [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), ktoré pokrývajú súvisiace témy.
+* Materiály na predčítačku
+* Spustiteľné Jupyter Notebooky, ktoré sú často špecifické pre rámec (**PyTorch** alebo **TensorFlow**). Spustiteľný notebook tiež obsahuje veľa teoretického materiálu, takže na pochopenie témy musíte prejsť aspoň jednou verziou notebooku (buď PyTorch alebo TensorFlow).
+* **Labáky** dostupné pre niektoré témy, ktoré vám dávajú príležitosť vyskúšať si aplikovať naučený materiál na konkrétny problém.
+* Niektoré sekcie obsahujú odkazy na moduly [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), ktoré pokrývajú príbuzné témy.
-## Začnite tu
+## Začíname
-### 🎯 Ste v AI nováčik? Začnite tu!
+### 🎯 Nový v AI? Začnite tu!
-Ak ste úplne nový v AI a chcete rýchle, praktické príklady, pozrite si naše [**Príklady priateľské pre začiatočníkov**](./examples/README.md)! Tie obsahujú:
+Ak ste v AI úplne nový a chcete rýchle, praktické príklady, pozrite si naše [**Príklady vhodné pre začiatočníkov**](./examples/README.md)! Zahŕňajú:
-- 🌟 **Hello AI World** - váš prvý AI program (rozpoznávanie vzorov)
-- 🧠 **Jednoduchá neurónová sieť** - zostavte neurónovú sieť od začiatku
-- 🖼️ **Klasifikátor obrázkov** - klasifikujte obrázky s podrobnými komentármi
+- 🌟 **Ahoj AI svet** - váš prvý AI program (rozpoznávanie vzorov)
+- 🧠 **Jednoduchá neurónová sieť** - vytvorte neurónovú sieť od začiatku
+
+- 🖼️ **Klasifikátor obrázkov** - Klasifikujte obrázky s podrobnými komentármi
- 💬 **Sentiment textu** - Analyzujte pozitívny/negatívny text
Tieto príklady sú navrhnuté tak, aby vám pomohli pochopiť koncepty AI predtým, než sa pustíte do celého učebného plánu.
-### 📚 Nastavenie celého učebného plánu
+### 📚 Nastavenie úplného kurikula
-- Vytvorili sme [lekciu nastavenia](./lessons/0-course-setup/setup.md), ktorá vám pomôže s nastavením vývojového prostredia. - Pre učiteľov sme tiež vytvorili [lekciu nastavenia učebného plánu](./lessons/0-course-setup/for-teachers.md)!
+- Vytvorili sme [lekciu na nastavenie](./lessons/0-course-setup/setup.md), ktorá vám pomôže s nastavením vášho vývojového prostredia. - Pre učiteľov sme vytvorili aj [lekciu na nastavenie kurikula](./lessons/0-course-setup/for-teachers.md)!
- Ako [spustiť kód vo VSCode alebo Codespace](./lessons/0-course-setup/how-to-run.md)
Postupujte podľa týchto krokov:
-Forknite úložisko: Kliknite na tlačidlo „Fork“ v pravom hornom rohu tejto stránky.
+Forknite repozitár: Kliknite na tlačidlo „Fork“ v pravom hornom rohu tejto stránky.
-Klonujte úložisko: `git clone https://github.com/microsoft/AI-For-Beginners.git`
+Klonujte repozitár: `git clone https://github.com/microsoft/AI-For-Beginners.git`
-Nezabudnite dať tomuto repozitáru hviezdičku (🌟), aby ste ho neskôr ľahšie našli.
+Nezabudnite tomuto repozitáru dať hviezdičku (🌟), aby ste ho ľahšie našli neskôr.
-## Spoznajte ďalších študentov
+## Spoznajte ostatných študentov
-Pripojte sa k nášmu [oficiálnemu AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), kde sa môžete stretnúť a spájať s ďalšími študentmi, ktorí absolvujú tento kurz, a získať podporu.
+Pripojte sa k nášmu [oficiálnemu Discord serveru AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), aby ste sa stretli a spojili s ostatnými študentmi tohto kurzu a získali podporu.
-Ak máte spätnú väzbu na produkt alebo otázky počas tvorby, navštívte náš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
+Ak máte spätnú väzbu alebo otázky počas tvorby, navštívte náš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
## Kvízy
-> **Poznámka ku kvízom**: Všetky kvízy sú umiestnené v priečinku Quiz-app v etc\quiz-app, alebo [online tu](https://ff-quizzes.netlify.app/) Sú prepojené z lekcií, aplikáciu kvízov môžete spustiť lokálne alebo nasadiť na Azure; riadte sa pokynmi v priečinku `quiz-app`. Postupne sa lokalizujú.
+> **Poznámka o kvízoch**: Všetky kvízy sú obsiahnuté vo foldri Quiz-app v etc\quiz-app, alebo [online tu](https://ff-quizzes.netlify.app/). Sú prepojené v rámci lekcií, kvízovú aplikáciu možno spustiť lokálne alebo nasadiť do Azure; postupujte podľa inštrukcií vo foldri `quiz-app`. Postupne sa lokalizujú.
## Potrebujeme pomoc
-Máte návrhy alebo ste našli pravopisné či kódové chyby? Vytvorte issue alebo pošlite pull request.
+Máte návrhy alebo ste našli pravopisné či kódové chyby? Vytvorte issue alebo pull request.
## Špeciálne poďakovanie
* **✍️ Hlavný autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
-* **🎨 Ilustrátorka skic:** [Tomomi Imura](https://twitter.com/girlie_mac)
+* **🎨 Ilustrátor sketchnotiek:** [Tomomi Imura](https://twitter.com/girlie_mac)
* **✅ Tvorca kvízov:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
* **🙏 Hlavní prispievatelia:** [Evgenii Pishchik](https://github.com/Pe4enIks)
-## Ostatné učebné plány
+## Ostatné kurikuly
-Náš tím vytvára aj iné učebné plány! Pozrite si:
+Náš tím vytvára aj iné kurikuly! Pozrite si:
### LangChain
@@ -181,7 +173,7 @@ Náš tím vytvára aj iné učebné plány! Pozrite si:
---
-### Azure / Edge / MCP / Agenti
+### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
@@ -189,7 +181,7 @@ Náš tím vytvára aj iné učebné plány! Pozrite si:
---
-### Séria Generatívneho AI
+### Séria Generatívne 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)
@@ -214,13 +206,13 @@ Náš tím vytvára aj iné učebné plány! Pozrite si:
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
-## Ako získať pomoc
+## Potrebujete pomoc
-Ak sa zaseknete alebo máte otázky ohľadom tvorby AI aplikácií, pripojte sa k ďalším študentom a skúseným vývojárom v diskusiách o MCP. Je to podporná komunita, kde sú otázky vítané a vedomosti sa slobodne zdieľajú.
+Ak sa zaseknete alebo máte otázky ohľadom tvorby AI aplikácií. Pridajte sa k ostatným študentom a skúseným vývojárom v diskusiách o MCP. Je to podporná komunita, kde sú otázky vítané a vedomosti sa slobodne zdieľajú.
[](https://discord.gg/nTYy5BXMWG)
-Ak máte spätnú väzbu na produkt alebo chyby počas tvorby, navštívte:
+Ak máte spätnú väzbu alebo chyby pri tvorbe, navštívte:
[](https://aka.ms/foundry/forum)
@@ -228,5 +220,5 @@ Ak máte spätnú väzbu na produkt alebo chyby počas tvorby, navštívte:
**Vyhlásenie o zodpovednosti**:
-Tento dokument bol preložený pomocou AI prekladateľskej služby [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa usilujeme o presnosť, berte, prosím, na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
+Tento dokument bol preložený pomocou AI prekladateľskej služby [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, uvedomte si, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Originálny dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
\ No newline at end of file
diff --git a/translations/sk/SECURITY.md b/translations/sk/SECURITY.md
index 9343caf7..c2a527d4 100644
--- a/translations/sk/SECURITY.md
+++ b/translations/sk/SECURITY.md
@@ -1,12 +1,3 @@
-
## Bezpečnosť
Spoločnosť Microsoft berie bezpečnosť našich softvérových produktov a služieb vážne, čo zahŕňa všetky repozitáre zdrojového kódu spravované prostredníctvom našich organizácií na GitHube, medzi ktoré patria [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 organizácie](https://opensource.microsoft.com/).
diff --git a/translations/sk/etc/CODE_OF_CONDUCT.md b/translations/sk/etc/CODE_OF_CONDUCT.md
index 3e24f9cc..71d2224e 100644
--- a/translations/sk/etc/CODE_OF_CONDUCT.md
+++ b/translations/sk/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# Kódex správania pre otvorený zdroj od Microsoftu
Tento projekt prijal [Kódex správania pre otvorený zdroj od Microsoftu](https://opensource.microsoft.com/codeofconduct/).
diff --git a/translations/sk/etc/CONTRIBUTING.md b/translations/sk/etc/CONTRIBUTING.md
index 3c9976bb..47f44a8c 100644
--- a/translations/sk/etc/CONTRIBUTING.md
+++ b/translations/sk/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# Prispievanie
Tento projekt víta príspevky a návrhy. Väčšina príspevkov vyžaduje, aby ste súhlasili s Licenčnou zmluvou prispievateľa (CLA), ktorá potvrdzuje, že máte právo a skutočne udeľujete práva na používanie vášho príspevku. Podrobnosti nájdete na https://cla.microsoft.com.
diff --git a/translations/sk/etc/Mindmap.md b/translations/sk/etc/Mindmap.md
index e420cb42..c6cc4ff2 100644
--- a/translations/sk/etc/Mindmap.md
+++ b/translations/sk/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# AI
## [Úvod do AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/sk/etc/SUPPORT.md b/translations/sk/etc/SUPPORT.md
index 98e0fe72..730fb509 100644
--- a/translations/sk/etc/SUPPORT.md
+++ b/translations/sk/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# Podpora
## Ako nahlásiť problémy a získať pomoc
diff --git a/translations/sk/etc/TRANSLATIONS.md b/translations/sk/etc/TRANSLATIONS.md
index bd927dd9..fb50507a 100644
--- a/translations/sk/etc/TRANSLATIONS.md
+++ b/translations/sk/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# Prispievajte prekladom lekcií
Radi privítame preklady lekcií v tomto učebnom pláne!
diff --git a/translations/sk/etc/quiz-app/README.md b/translations/sk/etc/quiz-app/README.md
index da39d0fe..1b707354 100644
--- a/translations/sk/etc/quiz-app/README.md
+++ b/translations/sk/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# Kvízy
Tieto kvízy sú prednáškové a po prednáškové kvízy pre AI učebný plán na https://aka.ms/ai-beginners
diff --git a/translations/sk/examples/README.md b/translations/sk/examples/README.md
index 6843ad35..0d3f6c9e 100644
--- a/translations/sk/examples/README.md
+++ b/translations/sk/examples/README.md
@@ -1,12 +1,3 @@
-
# Príklady AI pre začiatočníkov
Vitajte! Tento adresár obsahuje jednoduché, samostatné príklady, ktoré vám pomôžu začať s AI a strojovým učením. Každý príklad je navrhnutý tak, aby bol priateľský pre začiatočníkov, s podrobnými komentármi a krok za krokom vysvetleniami.
diff --git a/translations/sk/lessons/0-course-setup/for-teachers.md b/translations/sk/lessons/0-course-setup/for-teachers.md
index 34ab4632..ad909943 100644
--- a/translations/sk/lessons/0-course-setup/for-teachers.md
+++ b/translations/sk/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# Pre pedagógov
Chceli by ste použiť tento učebný plán vo svojej triede? Neváhajte!
diff --git a/translations/sk/lessons/0-course-setup/how-to-run.md b/translations/sk/lessons/0-course-setup/how-to-run.md
index abebffc1..0eb93b39 100644
--- a/translations/sk/lessons/0-course-setup/how-to-run.md
+++ b/translations/sk/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# Ako spustiť kód
Tento učebný plán obsahuje veľa vykonateľných príkladov a laboratórií, ktoré by ste chceli spustiť. Aby ste to mohli urobiť, potrebujete možnosť vykonávať Python kód v Jupyter Notebookoch poskytovaných ako súčasť tohto učebného plánu. Máte niekoľko možností, ako spustiť kód:
diff --git a/translations/sk/lessons/0-course-setup/setup.md b/translations/sk/lessons/0-course-setup/setup.md
index b12cf388..7d52d133 100644
--- a/translations/sk/lessons/0-course-setup/setup.md
+++ b/translations/sk/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# Začíname s týmto učebným plánom
## Ste študent?
diff --git a/translations/sk/lessons/1-Intro/README.md b/translations/sk/lessons/1-Intro/README.md
index fedb7539..ec1e1a14 100644
--- a/translations/sk/lessons/1-Intro/README.md
+++ b/translations/sk/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# Úvod do umelej inteligencie
diff --git a/translations/sk/lessons/1-Intro/assignment.md b/translations/sk/lessons/1-Intro/assignment.md
index 8811adc0..e050331d 100644
--- a/translations/sk/lessons/1-Intro/assignment.md
+++ b/translations/sk/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# Herný Jam
Hry sú oblasťou, ktorá bola výrazne ovplyvnená vývojom AI a ML. V tejto úlohe napíšte krátky článok o hre, ktorá sa vám páči a ktorá bola ovplyvnená vývojom AI. Mala by to byť dostatočne stará hra, aby bola ovplyvnená viacerými typmi počítačových spracovacích systémov. Dobrým príkladom je šach alebo Go, ale pozrite sa aj na videohry ako Pong alebo Pac-Man. Napíšte esej, ktorá sa zaoberá minulosťou, súčasnosťou a budúcnosťou AI v danej hre.
diff --git a/translations/sk/lessons/2-Symbolic/README.md b/translations/sk/lessons/2-Symbolic/README.md
index ba94829e..6867feb4 100644
--- a/translations/sk/lessons/2-Symbolic/README.md
+++ b/translations/sk/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# Reprezentácia znalostí a expertné systémy
-
+
> Sketchnote od [Tomomi Imura](https://twitter.com/girlie_mac)
@@ -41,7 +32,7 @@ Najčastejšie neformálne definujeme znalosť, ale zladíme ju s inými súvisi
Problém **reprezentácie znalostí** je teda nájsť efektívny spôsob, ako reprezentovať znalosti vo vnútri počítača vo forme dát, aby boli automaticky použiteľné. Dá sa to vidieť ako spektrum:
-
+
> Obrázok od [Dmitryho Soshnikova](http://soshnikov.com)
@@ -94,7 +85,7 @@ Syntax bloku | Odsadenie | | |
Jedným z prvých úspechov symbolickej AI boli takzvané **expertné systémy** – počítačové systémy navrhnuté tak, aby sa správali ako expert v obmedzenej problémovej oblasti. Boli založené na **znalostnej báze** extrahovanej od jedného alebo viacerých ľudských expertov a obsahovali **odvodzovací modul** vykonávajúci uvažovanie na jej základe.
- | 
+ | 
---------------------------------------------|------------------------------------------------
Zjednodušená štruktúra ľudského neurónového systému | Architektúra systému založeného na znalostiach
@@ -106,7 +97,7 @@ Expertné systémy sú postavené podobne ako ľudský uvažovací systém, ktor
Ako príklad si vezmime expertný systém určujúci zviera na základe jeho fyzických vlastností:
-
+
> Obrázok od [Dmitryho Soshnikova](http://soshnikov.com)
diff --git a/translations/sk/lessons/2-Symbolic/assignment.md b/translations/sk/lessons/2-Symbolic/assignment.md
index 133802a3..c51a2dc8 100644
--- a/translations/sk/lessons/2-Symbolic/assignment.md
+++ b/translations/sk/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# Vytvorenie ontológie
Vytvorenie znalostnej bázy spočíva v kategorizácii modelu, ktorý reprezentuje fakty o určitej téme. Vyberte si tému - napríklad osobu, miesto alebo vec - a potom vytvorte model tejto témy. Použite niektoré z techník a stratégií na tvorbu modelov, ktoré sú popísané v tejto lekcii. Príkladom by mohlo byť vytvorenie ontológie obývačky s nábytkom, osvetlením a podobne. Ako sa obývačka líši od kuchyne? Kúpeľne? Ako viete, že ide o obývačku a nie o jedáleň? Použite [Protégé](https://protege.stanford.edu/) na vytvorenie svojej ontológie.
diff --git a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md
index 036fa1b1..3d9e8588 100644
--- a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# Úvod do neurónových sietí: Perceptron
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@@ -15,7 +6,7 @@ Jedným z prvých pokusov o implementáciu niečoho podobného moderným neurón
| | |
|--------------|-----------|
-| | |
+|
| 
|
> Obrázky [z Wikipédie](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
kde f je aktivačná funkcia typu krok.
-
+
## Tréning perceptronu
diff --git a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index 1a4ccf91..5af1f147 100644
--- a/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikácia viacerých tried pomocou perceptronu
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index c18e9ef7..0e0fe42b 100644
--- a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# Úvod do neurónových sietí. Viacvrstvový perceptron
V predchádzajúcej sekcii ste sa naučili o najjednoduchšom modeli neurónovej siete – jednovrstvovom perceptrone, lineárnom modeli pre dvojtriednu klasifikáciu.
@@ -65,7 +56,7 @@ Algoritmus gradientného zostupu by zostal rovnaký, ale výpočet gradientov by
Všimnite si, že ľavá časť všetkých týchto výrazov je rovnaká, a preto môžeme efektívne počítať derivácie začínajúc stratovou funkciou a postupovať "späť" cez výpočtový graf. Preto sa metóda tréningu viacvrstvového perceptronu nazýva **spätná propagácia**, alebo 'backprop'.
-
+
> TODO: citácia obrázku
diff --git a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index b23f4092..108d79eb 100644
--- a/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikácia MNIST pomocou nášho vlastného rámca
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md
index beacfcf5..bccaab9d 100644
--- a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# Frameworky pre neurónové siete
Ako sme sa už naučili, na efektívne trénovanie neurónových sietí musíme urobiť dve veci:
diff --git a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index d28765a9..77e58f60 100644
--- a/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikácia s PyTorch/TensorFlow
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/3-NeuralNetworks/README.md b/translations/sk/lessons/3-NeuralNetworks/README.md
index b35c3a34..55bf5f39 100644
--- a/translations/sk/lessons/3-NeuralNetworks/README.md
+++ b/translations/sk/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# Úvod do neurónových sietí
diff --git a/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md
index e5e09370..85c451b5 100644
--- a/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/sk/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# Úvod do počítačového videnia
[Počítačové videnie](https://wikipedia.org/wiki/Computer_vision) je disciplína, ktorej cieľom je umožniť počítačom získavať vysokú úroveň porozumenia digitálnym obrázkom. Ide o pomerne širokú definíciu, pretože *porozumenie* môže znamenať mnoho rôznych vecí, vrátane nájdenia objektu na obrázku (**detekcia objektov**), pochopenia, čo sa deje (**detekcia udalostí**), opísania obrázku textom alebo rekonštrukcie scény v 3D. Existujú aj špeciálne úlohy týkajúce sa ľudských obrázkov: odhad veku a emócií, detekcia a identifikácia tváre, či odhad 3D pozície, aby sme spomenuli aspoň niektoré.
@@ -115,7 +106,7 @@ Prečítajte si viac o optickom toku [v tomto skvelom tutoriáli](https://learno
V tomto laboratóriu natočíte video s jednoduchými gestami a vaším cieľom bude extrahovať pohyby hore/dole/vľavo/vpravo pomocou optického toku.
-
+
---
diff --git a/translations/sk/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/sk/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index 36c11182..1792975f 100644
--- a/translations/sk/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/sk/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# Detekcia pohybov pomocou optického toku
Laboratórna úloha z [kurzu AI pre začiatočníkov](https://aka.ms/ai-beginners).
diff --git a/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index 3d2d47c5..91856fc7 100644
--- a/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/sk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# Známe architektúry CNN
### VGG-16
@@ -25,7 +16,7 @@ Ako môžete vidieť, VGG nasleduje tradičnú pyramídovú architektúru, ktor
ResNet je rodina modelov navrhnutá Microsoft Research v roku 2015. Hlavnou myšlienkou ResNet je použitie **reziduálnych blokov**:
-
+
> Obrázok z [tohto článku](https://arxiv.org/pdf/1512.03385.pdf)
@@ -37,7 +28,7 @@ Môžete si tiež predstaviť túto sieť ako schopnú prispôsobiť svoju kompl
Architektúra Google Inception posúva túto myšlienku o krok ďalej a buduje každú vrstvu siete ako kombináciu niekoľkých rôznych ciest:
-
+
> Obrázok z [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md
index c751eb45..754d65fa 100644
--- a/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/sk/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# Konvolučné neurónové siete
Už sme videli, že neurónové siete sú veľmi dobré pri práci s obrázkami, a dokonca aj jednovrstvový perceptron dokáže rozpoznať ručne písané číslice z datasetu MNIST s primeranou presnosťou. Dataset MNIST je však veľmi špecifický, pretože všetky číslice sú centrované v obrázku, čo úlohu značne zjednodušuje.
@@ -24,7 +15,7 @@ Na extrakciu vzorov použijeme koncept **konvolučných filtrov**. Ako viete, ob
Napríklad, ak aplikujeme 3x3 vertikálny a horizontálny filter hrán na číslice MNIST, môžeme získať zvýraznenia (napr. vysoké hodnoty) tam, kde sú vertikálne a horizontálne hrany v pôvodnom obrázku. Tieto dva filtre teda môžeme použiť na "hľadanie" hrán. Podobne môžeme navrhnúť rôzne filtre na hľadanie iných nízkoúrovňových vzorov:
-
+
> Obrázok [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/sk/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/sk/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index d5411614..f12b38e6 100644
--- a/translations/sk/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/sk/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikácia tvárí domácich zvierat
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md
index a8afa2a4..0e781668 100644
--- a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# Predtrénované siete a transferové učenie
Trénovanie CNN môže zabrať veľa času a vyžaduje si veľké množstvo dát. Avšak veľká časť času sa venuje učeniu najlepších nízkoúrovňových filtrov, ktoré sieť môže použiť na extrahovanie vzorov z obrázkov. Prirodzene sa vynára otázka - môžeme použiť neurónovú sieť trénovanú na jednom datasete a prispôsobiť ju na klasifikáciu iných obrázkov bez potreby kompletného procesu trénovania?
diff --git a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index b7358416..facd946a 100644
--- a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# Triky pri tréningu hlbokého učenia
Ako sa neurónové siete stávajú hlbšími, proces ich tréningu sa stáva čoraz náročnejším. Jedným z hlavných problémov sú takzvané [miznúce gradienty](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) alebo [explodujúce gradienty](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Tento článok](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) poskytuje dobrý úvod do týchto problémov.
diff --git a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index 96f3b81c..bb639cf9 100644
--- a/translations/sk/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/sk/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# Klasifikácia domácich miláčikov z Oxfordu pomocou transferového učenia
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md
index a5783bac..cbfb0d05 100644
--- a/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/sk/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# Autoenkodéry
Pri trénovaní CNN je jedným z problémov, že potrebujeme veľké množstvo označených dát. V prípade klasifikácie obrázkov musíme obrázky rozdeliť do rôznych tried, čo si vyžaduje manuálnu prácu.
@@ -46,7 +37,7 @@ Zhrnutie:
* Vzorkujeme vektor `sample` z rozdelenia N(zmean,exp(zlog\_sigma))
* Dekodér sa snaží dekódovať pôvodný obrázok pomocou `sample` ako vstupného vektora
-
+ 
> Obrázok z [tohto blogového príspevku](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) od Isaaka Dykemana
@@ -57,13 +48,13 @@ Variabilné autoenkodéry používajú komplexnú funkciu straty, ktorá pozost
Jednou z dôležitých výhod VAE je, že nám umožňujú generovať nové obrázky relatívne jednoducho, pretože vieme, z ktorého rozdelenia vzorkovať latentné vektory. Napríklad, ak trénujeme VAE s 2D latentným vektorom na MNIST, môžeme potom meniť komponenty latentného vektora, aby sme získali rôzne číslice:
-
+
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
Pozorujte, ako sa obrázky prelínajú, keď začíname získavať latentné vektory z rôznych častí latentného priestoru parametrov. Tento priestor môžeme tiež vizualizovať v 2D:
-
+
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/sk/lessons/4-ComputerVision/10-GANs/README.md b/translations/sk/lessons/4-ComputerVision/10-GANs/README.md
index 816b0de0..81b51bd0 100644
--- a/translations/sk/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/sk/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# Generatívne Adverzárne Siete
V predchádzajúcej sekcii sme sa naučili o **generatívnych modeloch**: modeloch, ktoré dokážu generovať nové obrázky podobné tým v tréningovej množine. VAE bol dobrým príkladom generatívneho modelu.
@@ -17,7 +8,7 @@ Ak sa však pokúsime generovať niečo naozaj zmysluplné, napríklad maľbu v
Hlavná myšlienka GAN je mať dve neurónové siete, ktoré sa budú trénovať proti sebe:
-
+
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
@@ -41,7 +32,7 @@ Generátor je o niečo zložitejší. Môžete ho považovať za obrátený disk
> ✅ Keďže konvolučná vrstva je implementovaná ako lineárny filter prechádzajúci obrázkom, dekonvolúcia je v podstate podobná konvolúcii a môže byť implementovaná pomocou rovnakej logiky vrstvy.
-
+
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md
index e1c7e387..393f6029 100644
--- a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# Detekcia objektov
Modely klasifikácie obrázkov, s ktorými sme sa doteraz zaoberali, brali obrázok a produkovali kategóriu, napríklad triedu 'číslo' v probléme MNIST. Avšak v mnohých prípadoch nechceme len vedieť, že obrázok zobrazuje objekty - chceme určiť ich presnú polohu. Toto je presne cieľom **detekcie objektov**.
diff --git a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index 09297f1f..99e191cb 100644
--- a/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/sk/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# Detekcia hláv pomocou datasetu Hollywood Heads
Laboratórna úloha z [kurzu AI pre začiatočníkov](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md
index 1b1ea624..56b473e0 100644
--- a/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/sk/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# Segmentácia
Predtým sme sa naučili o detekcii objektov, ktorá nám umožňuje lokalizovať objekty na obrázku predpovedaním ich *ohraničujúcich rámčekov*. Pre niektoré úlohy však nepotrebujeme len ohraničujúce rámčeky, ale aj presnejšiu lokalizáciu objektov. Táto úloha sa nazýva **segmentácia**.
@@ -20,7 +11,7 @@ Segmentáciu môžeme vnímať ako **klasifikáciu pixelov**, kde pre **každý*
Pri inštančnej segmentácii sú tieto ovce rôzne objekty, ale pri semantickej segmentácii sú všetky ovce reprezentované jednou triedou.
-
+
> Obrázok z [tohto blogového príspevku](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@@ -29,7 +20,7 @@ Existujú rôzne neurónové architektúry pre segmentáciu, ale všetky majú r
* **Kódovač (Encoder)** extrahuje črty z vstupného obrázka.
* **Dekóder (Decoder)** transformuje tieto črty na **obrázok masky**, ktorý má rovnakú veľkosť a počet kanálov zodpovedajúci počtu tried.
-
+
> Obrázok z [tejto publikácie](https://arxiv.org/pdf/2001.05566.pdf)
@@ -43,7 +34,7 @@ V tejto lekcii uvidíme segmentáciu v praxi tým, že natrénujeme sieť na roz
> ✅ Táto technika je obzvlášť vhodná pre tento typ medicínskeho zobrazovania, ale aké iné reálne aplikácie by ste si vedeli predstaviť?
-
+
> Obrázok z PH2 databázy
diff --git a/translations/sk/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/sk/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index 384861bd..b6c4227c 100644
--- a/translations/sk/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/sk/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# Segmentácia ľudského tela
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/4-ComputerVision/README.md b/translations/sk/lessons/4-ComputerVision/README.md
index 9b6a28f4..0d46a79a 100644
--- a/translations/sk/lessons/4-ComputerVision/README.md
+++ b/translations/sk/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# Počítačové videnie
diff --git a/translations/sk/lessons/5-NLP/13-TextRep/README.md b/translations/sk/lessons/5-NLP/13-TextRep/README.md
index 901c88b1..8cfa53ad 100644
--- a/translations/sk/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/sk/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# Reprezentácia textu ako tenzorov
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@@ -25,7 +16,7 @@ Naším cieľom bude klasifikovať spravodajský článok do jednej z kategóri
Ak chceme riešiť úlohy spracovania prirodzeného jazyka (NLP) pomocou neurónových sietí, potrebujeme spôsob, ako reprezentovať text ako tenzory. Počítače už reprezentujú textové znaky ako čísla, ktoré mapujú na fonty na vašej obrazovke pomocou kódovaní, ako sú ASCII alebo UTF-8.
-
+
> [Zdroj obrázku](https://www.seobility.net/en/wiki/ASCII)
@@ -48,7 +39,7 @@ V niektorých prípadoch môžeme zvážiť použitie tri-gramov -- kombinácií
Pri riešení úloh, ako je klasifikácia textu, musíme byť schopní reprezentovať text jedným vektorom pevnej veľkosti, ktorý použijeme ako vstup pre konečný hustý klasifikátor. Jedným z najjednoduchších spôsobov, ako to urobiť, je kombinovať všetky individuálne reprezentácie slov, napr. ich sčítaním. Ak sčítame one-hot kódovania každého slova, skončíme s vektorom frekvencií, ktorý ukazuje, koľkokrát sa každé slovo objaví v texte. Takáto reprezentácia textu sa nazýva **bag of words** (BoW).
-
+
> Obrázok od autora
diff --git a/translations/sk/lessons/5-NLP/13-TextRep/assignment.md b/translations/sk/lessons/5-NLP/13-TextRep/assignment.md
index 3c10855b..5326d4a6 100644
--- a/translations/sk/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/sk/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# Zadanie: Zápisníky
Pomocou zápisníkov priradených k tejto lekcii (buď verzie PyTorch alebo TensorFlow) ich spustite znova s vlastnou dátovou sadou, napríklad jednou z Kaggle, použitou s uvedením zdroja. Prepíšte zápisník tak, aby zdôraznil vaše vlastné zistenia. Vyskúšajte niektoré inovatívne dátové sady, ktoré môžu byť prekvapivé, ako napríklad [táto o pozorovaniach UFO](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) od NUFORC.
diff --git a/translations/sk/lessons/5-NLP/14-Embeddings/README.md b/translations/sk/lessons/5-NLP/14-Embeddings/README.md
index 2a767af3..a9bb161f 100644
--- a/translations/sk/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/sk/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# Vstavané reprezentácie (Embeddings)
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/sk/lessons/5-NLP/14-Embeddings/assignment.md b/translations/sk/lessons/5-NLP/14-Embeddings/assignment.md
index e7785b99..a9a7f97f 100644
--- a/translations/sk/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/sk/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# Zadanie: Zápisníky
Pomocou zápisníkov priradených k tejto lekcii (buď verzia pre PyTorch alebo TensorFlow) ich spustite znova s použitím vlastného datasetu, napríklad z Kaggle, pričom nezabudnite uviesť zdroj. Prepíšte zápisník tak, aby zdôrazňoval vaše vlastné zistenia. Vyskúšajte iný typ datasetu a zdokumentujte svoje zistenia, pričom môžete použiť text, ako sú [tieto texty piesní od Beatles](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
diff --git a/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md
index d8adca0b..ad660b30 100644
--- a/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/sk/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# Jazykové modelovanie
Sémantické vektory, ako Word2Vec a GloVe, sú v skutočnosti prvým krokom k **jazykovému modelovaniu** – vytváraniu modelov, ktoré nejako *rozumejú* (alebo *reprezentujú*) podstatu jazyka.
diff --git a/translations/sk/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/sk/lessons/5-NLP/15-LanguageModeling/lab/README.md
index 52e3e78b..47d4df0b 100644
--- a/translations/sk/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/sk/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# Tréning Skip-Gram modelu
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/5-NLP/16-RNN/README.md b/translations/sk/lessons/5-NLP/16-RNN/README.md
index 994113cb..4c68ed42 100644
--- a/translations/sk/lessons/5-NLP/16-RNN/README.md
+++ b/translations/sk/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# Rekurentné neurónové siete
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@@ -31,7 +22,7 @@ Pozrime sa, ako je organizovaná jednoduchá bunka RNN. Prijíma predchádzajúc
Jednoduchá bunka RNN má vo vnútri dve matice váh: jedna transformuje vstupný symbol (nazvime ju W) a druhá transformuje vstupný stav (H). V tomto prípade sa výstup siete vypočíta ako σ(W×Xi+H×Si-1+b), kde σ je aktivačná funkcia a b je dodatočná bias.
-
+
> Obrázok od autora
diff --git a/translations/sk/lessons/5-NLP/16-RNN/assignment.md b/translations/sk/lessons/5-NLP/16-RNN/assignment.md
index f9310d77..9918ddef 100644
--- a/translations/sk/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/sk/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# Zadanie: Zápisníky
Pomocou zápisníkov priradených k tejto lekcii (buď verzia PyTorch alebo TensorFlow) ich spustite znova s vlastnou dátovou sadou, napríklad z Kaggle, pričom nezabudnite uviesť zdroj. Prepíšte zápisník tak, aby zdôrazňoval vaše vlastné zistenia. Vyskúšajte iný typ dátovej sady a zdokumentujte svoje zistenia, napríklad pomocou textu ako [táto dátová sada z Kaggle súťaže o tweety o počasí](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
diff --git a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md
index 63b8e1ba..46ddd945 100644
--- a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# Generatívne siete
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@@ -36,7 +27,7 @@ Budeme trénovať túto RNN na generovanie textu krok za krokom. Na každom krok
Pri generovaní textu (počas inferencie) začíname s nejakým **podnetom**, ktorý prechádza cez RNN bunky na generovanie jeho medzistavu, a potom z tohto stavu začína generovanie. Generujeme jeden znak naraz a stav spolu s vygenerovaným znakom posielame ďalšej RNN bunke na generovanie ďalšieho znaku, až kým nevygenerujeme dostatok znakov.
-
+
> Obrázok od autora
diff --git a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index 71025b38..a450632f 100644
--- a/translations/sk/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/sk/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Generovanie textu na úrovni slov pomocou RNN
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/5-NLP/18-Transformers/README.md b/translations/sk/lessons/5-NLP/18-Transformers/README.md
index 3349e484..448e48cb 100644
--- a/translations/sk/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/sk/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# Mechanizmy pozornosti a transformery
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@@ -56,7 +47,7 @@ Myšlienka pozičného kódovania je nasledovná.
* Trénovateľný embedding, podobný embeddingu tokenov. Toto je prístup, ktorý tu zvažujeme. Aplikujeme vrstvy embeddingu na tokeny aj ich pozície, čím získame embeddingové vektory rovnakých rozmerov, ktoré potom sčítame.
* Fixná funkcia pozičného kódovania, ako je navrhnuté v pôvodnom článku.
-
+
> Obrázok od autora
diff --git a/translations/sk/lessons/5-NLP/18-Transformers/assignment.md b/translations/sk/lessons/5-NLP/18-Transformers/assignment.md
index 8a287273..3ab6ae55 100644
--- a/translations/sk/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/sk/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# Zadanie: Transformery
Experimentujte s Transformerami na HuggingFace! Vyskúšajte niektoré zo skriptov, ktoré poskytujú na prácu s rôznymi modelmi dostupnými na ich stránke: https://huggingface.co/docs/transformers/run_scripts. Vyskúšajte jeden z ich datasetov, potom importujte jeden vlastný z tohto kurzu alebo z Kaggle a zistite, či dokážete generovať zaujímavé texty. Vytvorte notebook so svojimi zisteniami.
diff --git a/translations/sk/lessons/5-NLP/19-NER/README.md b/translations/sk/lessons/5-NLP/19-NER/README.md
index af6ea3dc..b4180b7c 100644
--- a/translations/sk/lessons/5-NLP/19-NER/README.md
+++ b/translations/sk/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# Rozpoznávanie pomenovaných entít
Doteraz sme sa väčšinou sústredili na jednu úlohu NLP - klasifikáciu. Existujú však aj ďalšie úlohy NLP, ktoré je možné riešiť pomocou neurónových sietí. Jednou z týchto úloh je **[Rozpoznávanie pomenovaných entít](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ktoré sa zaoberá identifikáciou konkrétnych entít v texte, ako sú miesta, mená osôb, časové intervaly, chemické vzorce a podobne.
@@ -17,7 +8,7 @@ Doteraz sme sa väčšinou sústredili na jednu úlohu NLP - klasifikáciu. Exis
Predstavte si, že chcete vyvinúť chatbot na spracovanie prirodzeného jazyka, podobný Amazon Alexa alebo Google Assistant. Inteligentné chatboty fungujú tak, že *rozumejú* tomu, čo používateľ chce, prostredníctvom klasifikácie textu na vstupnej vete. Výsledkom tejto klasifikácie je tzv. **zámer**, ktorý určuje, čo by mal chatbot urobiť.
-
+
> Obrázok od autora
diff --git a/translations/sk/lessons/5-NLP/19-NER/lab/README.md b/translations/sk/lessons/5-NLP/19-NER/lab/README.md
index 18319026..6be091d2 100644
--- a/translations/sk/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/sk/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# NER
Laboratórna úloha z [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sk/lessons/5-NLP/20-LangModels/README.md b/translations/sk/lessons/5-NLP/20-LangModels/README.md
index 8639bab5..c938d5af 100644
--- a/translations/sk/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/sk/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# Predtrénované veľké jazykové modely
Vo všetkých našich predchádzajúcich úlohách sme trénovali neurónovú sieť na vykonanie určitej úlohy pomocou označeného datasetu. Pri veľkých transformátorových modeloch, ako je BERT, používame jazykové modelovanie v samo-supervízovanom režime na vytvorenie jazykového modelu, ktorý je následne špecializovaný na konkrétnu úlohu pomocou ďalšieho tréningu v špecifickej doméne. Ukázalo sa však, že veľké jazykové modely dokážu riešiť mnohé úlohy aj bez akéhokoľvek tréningu v špecifickej doméne. Rodina modelov schopných to dosiahnuť sa nazýva **GPT**: Generatívny predtrénovaný transformátor.
diff --git a/translations/sk/lessons/5-NLP/README.md b/translations/sk/lessons/5-NLP/README.md
index e675c908..c500831d 100644
--- a/translations/sk/lessons/5-NLP/README.md
+++ b/translations/sk/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# Spracovanie prirodzeného jazyka
diff --git a/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md
index 93691c97..ec323168 100644
--- a/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/sk/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# Genetické algoritmy
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/sk/lessons/6-Other/22-DeepRL/README.md b/translations/sk/lessons/6-Other/22-DeepRL/README.md
index f91d26d7..eeb61c11 100644
--- a/translations/sk/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/sk/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# Hlboké posilňovacie učenie
Posilňovacie učenie (RL) je považované za jeden zo základných paradigmov strojového učenia, vedľa učenia s učiteľom a učenia bez učiteľa. Zatiaľ čo pri učení s učiteľom sa spoliehame na dataset so známymi výsledkami, RL je založené na **učení sa prostredníctvom skúseností**. Napríklad, keď prvýkrát vidíme počítačovú hru, začneme ju hrať, aj keď nepoznáme pravidlá, a čoskoro dokážeme zlepšiť svoje schopnosti len procesom hrania a prispôsobovania svojho správania.
@@ -34,7 +25,7 @@ Pravdepodobne ste už videli moderné balansovacie zariadenia, ako napríklad *S
Zjednodušená verzia balansovania je známa ako problém **CartPole**. Vo svete CartPole máme horizontálny posúvač, ktorý sa môže pohybovať doľava alebo doprava, a cieľom je balansovať vertikálnu tyč na vrchu posúvača, keď sa pohybuje.
-
+
Na vytvorenie a použitie tohto prostredia potrebujeme niekoľko riadkov kódu v Pythone:
diff --git a/translations/sk/lessons/6-Other/22-DeepRL/lab/README.md b/translations/sk/lessons/6-Other/22-DeepRL/lab/README.md
index 1a61337f..cd463201 100644
--- a/translations/sk/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/sk/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## Prostredie
Prostredie Mountain Car pozostáva z auta uväzneného v údolí. Vaším cieľom je vyskočiť z údolia a dosiahnuť vlajku. Akcie, ktoré môžete vykonať, sú zrýchlenie doľava, doprava alebo nerobiť nič. Môžete pozorovať polohu auta pozdĺž osi x a jeho rýchlosť.
diff --git a/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md
index e12e57cc..c7076d75 100644
--- a/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/sk/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# Multi-agentné systémy
Jedným z možných spôsobov dosiahnutia inteligencie je tzv. **emergentný** (alebo **synergetický**) prístup, ktorý je založený na skutočnosti, že kombinované správanie mnohých relatívne jednoduchých agentov môže viesť k celkovo zložitejšiemu (alebo inteligentnejšiemu) správaniu systému ako celku. Teoreticky je to založené na princípoch [kolektívnej inteligencie](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentizmu](https://en.wikipedia.org/wiki/Global_brain) a [evolučnej kybernetiky](https://en.wikipedia.org/wiki/Global_brain), ktoré tvrdia, že systémy na vyššej úrovni získavajú určitú pridanú hodnotu, keď sú správne kombinované zo systémov na nižšej úrovni (tzv. *princíp prechodu metasystému*).
@@ -60,7 +51,7 @@ Môžete si [stiahnuť](https://ccl.northwestern.edu/netlogo/download.shtml) a n
Skvelou vecou na NetLogo je, že obsahuje knižnicu funkčných modelov, ktoré si môžete vyskúšať. Prejdite na **File → Models Library**, kde máte na výber mnoho kategórií modelov.
-
+
> Snímka obrazovky knižnice modelov od Dmitry Soshnikov
diff --git a/translations/sk/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/sk/lessons/6-Other/23-MultiagentSystems/assignment.md
index 964c0790..397559d7 100644
--- a/translations/sk/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/sk/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# Úloha NetLogo
Vyberte jeden z modelov v knižnici NetLogo a použite ho na simuláciu reálnej situácie čo najvernejšie. Dobrým príkladom by bolo upraviť model Vírus v priečinku Alternatívne vizualizácie tak, aby ukázal, ako môže byť použitý na modelovanie šírenia COVID-19. Dokážete vytvoriť model, ktorý napodobňuje reálne šírenie vírusu?
diff --git a/translations/sk/lessons/7-Ethics/README.md b/translations/sk/lessons/7-Ethics/README.md
index 02c545aa..407c6953 100644
--- a/translations/sk/lessons/7-Ethics/README.md
+++ b/translations/sk/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# Etická a zodpovedná AI
Tento kurz máte takmer dokončený a dúfam, že teraz už jasne vidíte, že AI je založená na množstve formálnych matematických metód, ktoré nám umožňujú nachádzať vzťahy v dátach a trénovať modely na replikáciu niektorých aspektov ľudského správania. V tomto bode histórie považujeme AI za veľmi mocný nástroj na extrakciu vzorcov z dát a ich aplikáciu na riešenie nových problémov.
diff --git a/translations/sk/lessons/README.md b/translations/sk/lessons/README.md
index d7b7e756..321c9af1 100644
--- a/translations/sk/lessons/README.md
+++ b/translations/sk/lessons/README.md
@@ -1,12 +1,3 @@
-
# Prehľad
diff --git a/translations/sk/lessons/X-Extras/X1-MultiModal/README.md b/translations/sk/lessons/X-Extras/X1-MultiModal/README.md
index 3cdd4d64..74126178 100644
--- a/translations/sk/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/sk/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# Multi-modálne siete
Po úspechu transformerových modelov pri riešení úloh spracovania prirodzeného jazyka (NLP) sa rovnaké alebo podobné architektúry začali aplikovať aj na úlohy počítačového videnia. Rastie záujem o vytváranie modelov, ktoré by *kombinovali* schopnosti videnia a spracovania prirodzeného jazyka. Jedným z takýchto pokusov je model od OpenAI nazývaný CLIP a DALL.E.
diff --git a/translations/sk/lessons/sketchnotes/LICENSE.md b/translations/sk/lessons/sketchnotes/LICENSE.md
index 61fd256a..9cd3eca9 100644
--- a/translations/sk/lessons/sketchnotes/LICENSE.md
+++ b/translations/sk/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
Attribution-ShareAlike 4.0 International
=======================================================================
diff --git a/translations/sk/lessons/sketchnotes/README.md b/translations/sk/lessons/sketchnotes/README.md
index 90c775f8..1d9c2be7 100644
--- a/translations/sk/lessons/sketchnotes/README.md
+++ b/translations/sk/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
Všetky sketchnoty z učebných osnov si môžete stiahnuť tu.
🎨 Vytvorila: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
diff --git a/translations/sk/troubleshoot.md b/translations/sk/troubleshoot.md
index 8cc5db82..6d4a0ec1 100644
--- a/translations/sk/troubleshoot.md
+++ b/translations/sk/troubleshoot.md
@@ -1,12 +1,3 @@
-
# AI-For-Beginners Príručka na riešenie problémov
Táto príručka vám pomôže vyriešiť bežné problémy, ktoré sa môžu vyskytnúť pri používaní alebo prispievaní do [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) repozitára. Každý problém obsahuje pozadie, príznaky, vysvetlenia a postupné riešenia.