From 4393a749adadebe8106c222b9e82c37920c295e3 Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Thu, 1 Jan 2026 14:21:11 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 79/148, 100 files) --- .../07-ConvNets/lab/README.md | 2 +- .../AdversarialCat_TF.ipynb | 2 +- .../08-TransferLearning/README.md | 8 +- .../09-Autoencoders/AutoEncodersPyTorch.ipynb | 2 +- .../09-Autoencoders/AutoencodersTF.ipynb | 2 +- .../09-Autoencoders/README.md | 2 +- .../11-ObjectDetection/README.md | 20 +- .../sl/lessons/4-ComputerVision/README.md | 2 +- .../TextRepresentationPyTorch.ipynb | 2 +- .../13-TextRep/TextRepresentationTF.ipynb | 2 +- .../14-Embeddings/EmbeddingsPyTorch.ipynb | 6 +- .../5-NLP/14-Embeddings/EmbeddingsTF.ipynb | 4 +- .../sl/lessons/5-NLP/14-Embeddings/README.md | 4 +- .../5-NLP/15-LanguageModeling/README.md | 2 +- .../sl/lessons/5-NLP/16-RNN/README.md | 4 +- .../sl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb | 2 +- .../sl/lessons/5-NLP/16-RNN/RNNTF.ipynb | 4 +- .../GenerativePyTorch.ipynb | 2 +- .../17-GenerativeNetworks/GenerativeTF.ipynb | 2 +- .../5-NLP/17-GenerativeNetworks/README.md | 4 +- .../lessons/5-NLP/18-Transformers/README.md | 8 +- .../18-Transformers/TransformersPyTorch.ipynb | 6 +- .../18-Transformers/TransformersTF.ipynb | 6 +- .../sl/lessons/5-NLP/19-NER/README.md | 2 +- translations/sl/lessons/5-NLP/README.md | 2 +- .../6-Other/23-MultiagentSystems/README.md | 2 +- translations/sl/lessons/README.md | 2 +- .../lessons/X-Extras/X1-MultiModal/README.md | 8 +- translations/sr/README.md | 182 +++++++++--------- translations/sr/lessons/1-Intro/README.md | 10 +- .../sr/lessons/2-Symbolic/Animals.ipynb | 2 +- translations/sr/lessons/2-Symbolic/README.md | 8 +- .../04-OwnFramework/OwnFramework.ipynb | 2 +- .../3-NeuralNetworks/05-Frameworks/README.md | 4 +- .../sr/lessons/3-NeuralNetworks/README.md | 6 +- .../4-ComputerVision/06-IntroCV/README.md | 6 +- .../07-ConvNets/CNN_Architectures.md | 4 +- .../07-ConvNets/ConvNetsPyTorch.ipynb | 2 +- .../07-ConvNets/ConvNetsTF.ipynb | 2 +- .../4-ComputerVision/07-ConvNets/README.md | 8 +- .../07-ConvNets/lab/README.md | 2 +- .../AdversarialCat_TF.ipynb | 2 +- .../08-TransferLearning/README.md | 8 +- .../09-Autoencoders/AutoEncodersPyTorch.ipynb | 2 +- .../09-Autoencoders/AutoencodersTF.ipynb | 2 +- .../09-Autoencoders/README.md | 2 +- .../11-ObjectDetection/README.md | 20 +- .../sr/lessons/4-ComputerVision/README.md | 2 +- .../TextRepresentationPyTorch.ipynb | 2 +- .../13-TextRep/TextRepresentationTF.ipynb | 2 +- .../14-Embeddings/EmbeddingsPyTorch.ipynb | 6 +- .../5-NLP/14-Embeddings/EmbeddingsTF.ipynb | 4 +- .../sr/lessons/5-NLP/14-Embeddings/README.md | 4 +- .../5-NLP/15-LanguageModeling/README.md | 2 +- .../sr/lessons/5-NLP/16-RNN/README.md | 4 +- .../sr/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb | 2 +- .../sr/lessons/5-NLP/16-RNN/RNNTF.ipynb | 4 +- .../GenerativePyTorch.ipynb | 2 +- .../17-GenerativeNetworks/GenerativeTF.ipynb | 2 +- .../5-NLP/17-GenerativeNetworks/README.md | 4 +- .../lessons/5-NLP/18-Transformers/README.md | 8 +- .../18-Transformers/TransformersPyTorch.ipynb | 6 +- .../18-Transformers/TransformersTF.ipynb | 6 +- .../sr/lessons/5-NLP/19-NER/README.md | 2 +- translations/sr/lessons/5-NLP/README.md | 2 +- .../6-Other/23-MultiagentSystems/README.md | 2 +- translations/sr/lessons/README.md | 2 +- .../lessons/X-Extras/X1-MultiModal/README.md | 8 +- translations/sv/README.md | 154 +++++++-------- translations/sv/lessons/1-Intro/README.md | 12 +- .../sv/lessons/2-Symbolic/Animals.ipynb | 2 +- translations/sv/lessons/2-Symbolic/README.md | 8 +- .../04-OwnFramework/OwnFramework.ipynb | 2 +- .../3-NeuralNetworks/05-Frameworks/README.md | 4 +- .../sv/lessons/3-NeuralNetworks/README.md | 6 +- .../4-ComputerVision/06-IntroCV/README.md | 6 +- .../07-ConvNets/CNN_Architectures.md | 4 +- .../07-ConvNets/ConvNetsPyTorch.ipynb | 2 +- .../07-ConvNets/ConvNetsTF.ipynb | 2 +- .../4-ComputerVision/07-ConvNets/README.md | 8 +- .../07-ConvNets/lab/README.md | 2 +- .../AdversarialCat_TF.ipynb | 2 +- .../08-TransferLearning/README.md | 8 +- .../09-Autoencoders/AutoEncodersPyTorch.ipynb | 2 +- .../09-Autoencoders/AutoencodersTF.ipynb | 2 +- .../09-Autoencoders/README.md | 2 +- .../11-ObjectDetection/README.md | 20 +- .../sv/lessons/4-ComputerVision/README.md | 2 +- .../TextRepresentationPyTorch.ipynb | 2 +- .../13-TextRep/TextRepresentationTF.ipynb | 2 +- .../14-Embeddings/EmbeddingsPyTorch.ipynb | 6 +- .../5-NLP/14-Embeddings/EmbeddingsTF.ipynb | 4 +- .../sv/lessons/5-NLP/14-Embeddings/README.md | 4 +- .../5-NLP/15-LanguageModeling/README.md | 2 +- .../sv/lessons/5-NLP/16-RNN/README.md | 4 +- .../sv/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb | 2 +- .../sv/lessons/5-NLP/16-RNN/RNNTF.ipynb | 4 +- .../GenerativePyTorch.ipynb | 2 +- .../17-GenerativeNetworks/GenerativeTF.ipynb | 2 +- .../5-NLP/17-GenerativeNetworks/README.md | 4 +- 100 files changed, 376 insertions(+), 376 deletions(-) diff --git a/translations/sl/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/sl/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 1449bc3a..e2beb770 100644 --- a/translations/sl/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/sl/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ Vaša naloga je, da usposobite konvolucijsko nevronsko mrežo za razvrščanje r Uporabili bomo [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), ki vsebuje slike 37 različnih pasem psov in mačk. -![Podatkovna zbirka, s katero bomo delali](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.sl.png) +![Podatkovna zbirka, s katero bomo delali](../../../../../../translated_images/data.50b2a9d5484bdbf0.sl.png) Za prenos podatkovne zbirke uporabite naslednji del kode: diff --git a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 78893f7c..e9b8dc97 100644 --- a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "Za vizualizacijo idealne mačke bomo začeli s sliko naključnega šuma in poskusili uporabiti tehniko optimizacije z gradientnim spustom, da prilagodimo sliko tako, da bo mreža prepoznala mačko.\n", "\n", - "![Optimizacijska zanka](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sl.png)\n", + "![Optimizacijska zanka](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sl.png)\n", "\n", "Tukaj je naša začetna slika:\n" ] diff --git a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md index 13b8621d..22eabfff 100644 --- a/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Tako Keras kot PyTorch vsebujeta funkcije za enostavno nalaganje vnaprej naučen Tukaj so primeri značilnosti, izvlečenih iz slike mačke z mrežo VGG-16: -![Značilnosti, izvlečene z VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.sl.png) +![Značilnosti, izvlečene z VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.sl.png) ## Nabor podatkov Mačke proti psom @@ -48,19 +48,19 @@ Vnaprej naučena nevronska mreža vsebuje različne vzorce v svojem *možganu*, Eden od pristopov, ki ga lahko uporabimo, je začeti z naključno sliko in nato poskusiti uporabiti tehniko **optimizacije z gradientnim spustom**, da prilagodimo to sliko tako, da mreža začne misliti, da je to mačka. -![Zanka optimizacije slike](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sl.png) +![Zanka optimizacije slike](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sl.png) Če to storimo, bomo dobili nekaj, kar je zelo podobno naključnemu šumu. To je zato, ker *obstaja veliko načinov, kako mreži narediti vtis, da je vhodna slika mačka*, vključno z nekaterimi, ki vizualno nimajo smisla. Čeprav te slike vsebujejo veliko vzorcev, značilnih za mačko, ni ničesar, kar bi jih omejevalo, da bi bile vizualno prepoznavne. Za izboljšanje rezultata lahko v funkcijo izgube dodamo še en člen, imenovan **izguba variacije**. To je metrika, ki kaže, kako podobni so sosednji piksli slike. Zmanjšanje izgube variacije naredi sliko bolj gladko in odstrani šum – s tem razkrije bolj vizualno privlačne vzorce. Tukaj je primer takšnih "idealnih" slik, ki so z visoko verjetnostjo razvrščene kot mačka in zebra: -![Idealna mačka](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.sl.png) | ![Idealna zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.sl.png) +![Idealna mačka](../../../../../translated_images/ideal-cat.203dd4597643d6b0.sl.png) | ![Idealna zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.sl.png) -----|----- *Idealna mačka* | *Idealna zebra* Podoben pristop lahko uporabimo za izvajanje tako imenovanih **adversarnih napadov** na nevronsko mrežo. Recimo, da želimo zavajati nevronsko mrežo in narediti, da pes izgleda kot mačka. Če vzamemo sliko psa, ki jo mreža prepozna kot psa, jo lahko nato nekoliko prilagodimo z optimizacijo gradientnega spusta, dokler mreža ne začne razvrščati slike kot mačko: -![Slika psa](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.sl.png) | ![Slika psa, razvrščena kot mačka](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.sl.png) +![Slika psa](../../../../../translated_images/original-dog.8f68a67d2fe0911f.sl.png) | ![Slika psa, razvrščena kot mačka](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.sl.png) -----|----- *Izvirna slika psa* | *Slika psa, razvrščena kot mačka* diff --git a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 00e55348..d3884efd 100644 --- a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "Ker treniramo avtoenkoder, da zajame čim več informacij iz izvirne slike za natančno rekonstrukcijo, mreža poskuša najti najboljšo **vgraditev** vhodnih slik, da zajame njihov pomen.\n", "\n", - "![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sl.jpg)\n", + "![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sl.jpg)\n", "\n", "> Slika iz [Keras bloga](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index 2e99e7b9..e635cfc2 100644 --- a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -19,7 +19,7 @@ "\n", "Ker treniramo avtoenkoder, da zajame čim več informacij iz izvirne slike za natančno rekonstrukcijo, omrežje poskuša najti najboljšo **vgraditev** vhodnih slik, da zajame njihov pomen.\n", "\n", - "![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sl.jpg)\n", + "![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sl.jpg)\n", "\n", "*Slika iz [Keras bloga](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md index 9d33e0e3..c77f8b74 100644 --- a/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ Vendar pa bi morda želeli uporabiti surove (neoznačene) podatke za treniranje Ker treniramo avtoenkoder, da zajame čim več informacij iz izvirne slike za natančno rekonstrukcijo, mreža poskuša najti najboljšo **vgradnjo** vhodnih slik, da zajame njihov pomen. -![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sl.jpg) +![Diagram avtoenkoderja](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sl.jpg) > Slika iz [Keras bloga](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md index f0fa970b..d27af041 100644 --- a/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ Modeli za klasifikacijo slik, s katerimi smo se doslej ukvarjali, so vzeli sliko ## [Predhodni kviz](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![Zaznavanje objektov](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sl.png) +![Zaznavanje objektov](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.sl.png) > Slika s [spletne strani YOLO v2](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ Modeli za klasifikacijo slik, s katerimi smo se doslej ukvarjali, so vzeli sliko 2. Na vsaki ploščici izvedemo klasifikacijo slik. 3. Tiste ploščice, ki imajo dovolj visoko aktivacijo, lahko štejemo, da vsebujejo iskani objekt. -![Naivno zaznavanje objektov](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.sl.png) +![Naivno zaznavanje objektov](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.sl.png) > *Slika iz [zvezka z vajami](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ Pri tej nalogi lahko naletite na naslednje podatkovne nabore: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) – 20 razredov * [COCO](http://cocodataset.org/#home) – Pogosti objekti v kontekstu. 80 razredov, okvirji in maske za segmentacijo -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.sl.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.sl.jpg) ## Merila za zaznavanje objektov @@ -50,7 +50,7 @@ Pri tej nalogi lahko naletite na naslednje podatkovne nabore: Medtem ko je za klasifikacijo slik enostavno meriti, kako dobro deluje algoritem, moramo pri zaznavanju objektov meriti tako pravilnost razreda kot tudi natančnost določene lokacije okvirja. Za slednje uporabljamo tako imenovani **Presek nad unijo** (IoU), ki meri, kako dobro se dve škatli (ali dve poljubni območji) prekrivata. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.sl.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.sl.png) > *Slika 2 iz [te odlične blog objave o IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ Obstajata dve glavni skupini algoritmov za zaznavanje objektov: [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) uporablja [Selektivno iskanje](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) za generiranje hierarhične strukture regij ROI, ki se nato prenesejo skozi CNN ekstraktorje značilnosti in SVM-klasifikatorje za določanje razreda objekta ter linearno regresijo za določanje koordinat *okvirja*. [Uradni članek](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.sl.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.sl.png) > *Slika iz van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.sl.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.sl.png) > *Slike iz [tega bloga](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ Obstajata dve glavni skupini algoritmov za zaznavanje objektov: Ta pristop je podoben R-CNN, vendar se regije določijo po tem, ko so bile uporabljene konvolucijske plasti. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.sl.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.sl.png) > Slika iz [uradnega članka](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 @@ -118,7 +118,7 @@ Ta pristop je podoben R-CNN, vendar se regije določijo po tem, ko so bile upora Glavna ideja tega pristopa je uporaba nevronske mreže za napovedovanje ROI – tako imenovane *Mreže za predlaganje regij*. [Članek](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.sl.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.sl.png) > Slika iz [uradnega članka](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ Ta algoritem je še hitrejši od Faster R-CNN. Glavna ideja je naslednja: 1. Značilnosti obdelamo z **Zemljevidom občutljivih na položaj**. Vsak objekt iz $C$ razredov je razdeljen na $k\times k$ regij, in treniramo za napovedovanje delov objektov. 1. Za vsak del iz $k\times k$ regij vse mreže glasujejo za razrede objektov, in izbran je razred objekta z največ glasovi. -![r-fcn slika](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.sl.png) +![r-fcn slika](../../../../../translated_images/r-fcn.13eb88158b99a3da.sl.png) > Slika iz [uradnega članka](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO je algoritem za zaznavanje v realnem času z enim prehodom. Glavna ideja je * Slika je razdeljena na $S\times S$ regij. * Za vsako regijo **CNN** napove $n$ možnih objektov, koordinate *okvirja* in *zaupanje*=*verjetnost* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.sl.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.sl.png) > Slika iz [uradnega članka](https://arxiv.org/abs/1506.02640) diff --git a/translations/sl/lessons/4-ComputerVision/README.md b/translations/sl/lessons/4-ComputerVision/README.md index c62a56ed..22336b45 100644 --- a/translations/sl/lessons/4-ComputerVision/README.md +++ b/translations/sl/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Računalniški vid -![Povzetek vsebine o računalniškem vidu v skici](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.sl.png) +![Povzetek vsebine o računalniškem vidu v skici](../../../../translated_images/ai-computervision.6506ebebac3fbf76.sl.png) V tem poglavju bomo spoznali: diff --git a/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index d7a3d1a3..9b68bef2 100644 --- a/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "**Bag of Words** (BoW) je najpogosteje uporabljena tradicionalna predstavitev vektorskih podatkov. Vsaka beseda je povezana z indeksom vektorja, element vektorja pa vsebuje število pojavitev besede v določenem dokumentu.\n", "\n", - "![Slika prikazuje, kako je predstavitev vektorja Bag of Words shranjena v pomnilniku.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sl.png) \n", + "![Slika prikazuje, kako je predstavitev vektorja Bag of Words shranjena v pomnilniku.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sl.png) \n", "\n", "> **Note**: Na Bag of Words lahko gledate tudi kot na vsoto vseh vektorjev, kodiranih z metodo one-hot, za posamezne besede v besedilu.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index 1aaa8a6e..192bef89 100644 --- a/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/sl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "**Predstavitev z metodo vreče besed** (BoW) je najpreprostejša za razumevanje med tradicionalnimi vektorskimi predstavitvami. Vsaka beseda je povezana z indeksom vektorja, element vektorja pa vsebuje število pojavitev posamezne besede v določenem dokumentu.\n", "\n", - "![Slika, ki prikazuje, kako je predstavitev z metodo vreče besed predstavljena v pomnilniku.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sl.png) \n", + "![Slika, ki prikazuje, kako je predstavitev z metodo vreče besed predstavljena v pomnilniku.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sl.png) \n", "\n", "> **Opomba**: Na metodo BoW lahko gledate tudi kot na vsoto vseh eno-vroče kodiranih vektorjev za posamezne besede v besedilu.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index f757a5e2..e3b65e2e 100644 --- a/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "Z uporabo vgrajevalne plasti kot prve plasti v naši mreži lahko preklopimo iz modela vreče besed na model **vreče vgrajevanja**, kjer najprej vsako besedo v našem besedilu pretvorimo v ustrezno vgrajevanje, nato pa izračunamo neko agregatno funkcijo nad vsemi temi vgrajevanji, kot so `sum`, `average` ali `max`.\n", "\n", - "![Slika, ki prikazuje klasifikator vgrajevanja za pet zaporednih besed.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sl.png)\n", + "![Slika, ki prikazuje klasifikator vgrajevanja za pet zaporednih besed.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sl.png)\n", "\n", "Naša nevronska mreža klasifikatorja se bo začela z vgrajevalno plastjo, nato agregatno plastjo in linearnim klasifikatorjem na vrhu:\n" ] @@ -176,7 +176,7 @@ "\n", "V prejšnji arhitekturi smo morali vsa zaporedja zapolniti do enake dolžine, da so ustrezala mini seriji. To ni najbolj učinkovit način za predstavitev zaporedij spremenljive dolžine – drugačen pristop bi bil uporaba **offset** vektorja, ki bi vseboval zamike vseh zaporedij, shranjenih v enem velikem vektorju.\n", "\n", - "![Slika, ki prikazuje predstavitev zaporedij z zamiki](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.sl.png)\n", + "![Slika, ki prikazuje predstavitev zaporedij z zamiki](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.sl.png)\n", "\n", "> **Opomba**: Na zgornji sliki prikazujemo zaporedje znakov, vendar v našem primeru delamo z zaporedji besed. Kljub temu splošno načelo predstavitve zaporedij z offset vektorjem ostaja enako.\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW je hitrejši, medtem ko je skip-gram počasnejši, vendar bolje predstavlja redke besede.\n", "\n", - "![Slika, ki prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sl.png)\n", + "![Slika, ki prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sl.png)\n", "\n", "Za eksperimentiranje z vektorsko predstavitvijo Word2Vec, predhodno naučeno na zbirki podatkov Google News, lahko uporabimo knjižnico **gensim**. Spodaj poiščemo besede, ki so najbolj podobne 'neural'.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index f2462c10..d248ad71 100644 --- a/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/sl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "Z uporabo vdelavnega sloja kot prvega sloja v naši mreži lahko preklopimo iz modela vreče besed (bag-of-words) na model **vreče vdelav** (embedding bag), kjer najprej vsako besedo v našem besedilu pretvorimo v ustrezno vdelavo, nato pa izračunamo neko agregatno funkcijo nad vsemi temi vdelavami, na primer `sum`, `average` ali `max`.\n", "\n", - "![Slika, ki prikazuje klasifikator z vdelavami za pet zaporednih besed.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sl.png)\n", + "![Slika, ki prikazuje klasifikator z vdelavami za pet zaporednih besed.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sl.png)\n", "\n", "Naša nevronska mreža za klasifikacijo je sestavljena iz naslednjih slojev:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW je hitrejši, medtem ko je skip-gram počasnejši, vendar bolje predstavlja redke besede.\n", "\n", - "![Slika, ki prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sl.png)\n", + "![Slika, ki prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sl.png)\n", "\n", "Za eksperimentiranje z Word2Vec vektorskimi predstavitvami, predhodno naučenimi na zbirki podatkov Google News, lahko uporabimo knjižnico **gensim**. Spodaj poiščemo besede, ki so najbolj podobne 'neural'.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/14-Embeddings/README.md b/translations/sl/lessons/5-NLP/14-Embeddings/README.md index a12d4a03..9b86e71f 100644 --- a/translations/sl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sl/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ Tako bi plast vdelave sprejela besedo kot vhod in ustvarila izhodni vektor dolo Z uporabo plasti vdelave kot prve plasti v našem klasifikacijskem omrežju lahko preklopimo iz modela vreče besed na model **vreče vdelav**, kjer najprej vsako besedo v našem besedilu pretvorimo v ustrezno vdelavo, nato pa izračunamo neko agregatno funkcijo nad vsemi temi vdelavami, kot so `sum`, `average` ali `max`. -![Slika prikazuje klasifikator vdelav za pet besed v zaporedju.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sl.png) +![Slika prikazuje klasifikator vdelav za pet besed v zaporedju.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sl.png) > Slika avtorja @@ -40,7 +40,7 @@ Da bi to dosegli, moramo naš model vdelave predhodno trenirati na veliki zbirki CBoW je hitrejši, medtem ko je preskok-gram počasnejši, vendar bolje predstavlja redke besede. -![Slika prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sl.png) +![Slika prikazuje algoritma CBoW in Skip-Gram za pretvorbo besed v vektorje.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sl.png) > Slika iz [tega članka](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md index 5e34c576..50f1e09c 100644 --- a/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sl/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ V prejšnjih primerih smo uporabljali že vnaprej naučene semantične vektorske * **Neprekinjena vreča besed** (CBoW), kjer napovedujemo srednji token $W_0$ v zaporedju tokenov $W_{-N}$, ..., $W_N$. * **Skip-gram**, kjer napovedujemo niz sosednjih tokenov {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} iz srednjega tokena $W_0$. -![slika iz članka o pretvorbi besed v vektorje](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sl.png) +![slika iz članka o pretvorbi besed v vektorje](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sl.png) > Slika iz [tega članka](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sl/lessons/5-NLP/16-RNN/README.md b/translations/sl/lessons/5-NLP/16-RNN/README.md index 920bd506..2e3b576f 100644 --- a/translations/sl/lessons/5-NLP/16-RNN/README.md +++ b/translations/sl/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ V prejšnjih poglavjih smo uporabljali bogate semantične reprezentacije besedil Da bi zajeli pomen zaporedja besedila, moramo uporabiti drugo arhitekturo nevronske mreže, imenovano **rekurentna nevronska mreža** ali RNN. Pri RNN stavke pošiljamo skozi mrežo en simbol naenkrat, mreža pa ustvari neko **stanje**, ki ga nato ponovno pošljemo v mrežo skupaj z naslednjim simbolom. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sl.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.sl.png) > Slika avtorja @@ -61,7 +61,7 @@ Razpravljali smo o rekurentnih mrežah, ki delujejo v eno smer, od začetka zapo Rekurentna mreža, bodisi enosmerna ali dvosmerna, zajame določene vzorce znotraj zaporedja in jih lahko shrani v vektorsko stanje ali prenese v izhod. Tako kot pri konvolucijskih mrežah lahko na prvo plast zgradimo drugo rekurentno plast, da zajamemo vzorce višje ravni in gradimo na nizkoročnih vzorcih, ki jih je zajela prva plast. To nas pripelje do pojma **večslojne RNN**, ki je sestavljena iz dveh ali več rekurentnih mrež, kjer se izhod prejšnje plasti prenese v naslednjo plast kot vhod. -![Slika, ki prikazuje večslojno LSTM RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sl.jpg) +![Slika, ki prikazuje večslojno LSTM RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sl.jpg) *Slika iz [tega čudovitega prispevka](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) avtorja Fernanda Lópeza* diff --git a/translations/sl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/sl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index e26817a3..b1e1c4f7 100644 --- a/translations/sl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/sl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "Rekurzivna mreža, enosmerna ali dvosmerna, zajame določene vzorce znotraj zaporedja in jih lahko shrani v vektor stanja ali prenese v izhod. Tako kot pri konvolucijskih mrežah lahko na prvo plast zgradimo drugo rekurzivno plast, da zajamemo vzorce višje ravni, ki so zgrajeni iz vzorcev nižje ravni, ki jih je izločila prva plast. To nas pripelje do pojma **večplastne RNN**, ki je sestavljena iz dveh ali več rekurzivnih mrež, kjer se izhod prejšnje plasti prenese v naslednjo plast kot vhod.\n", "\n", - "![Slika, ki prikazuje večplastno dolgotrajno-kratkoročno pomnilniško RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sl.jpg)\n", + "![Slika, ki prikazuje večplastno dolgotrajno-kratkoročno pomnilniško RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sl.jpg)\n", "\n", "*Slika iz [tega čudovitega prispevka](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) avtorja Fernanda Lópeza*\n", "\n", diff --git a/translations/sl/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/sl/lessons/5-NLP/16-RNN/RNNTF.ipynb index d9f10f1c..2395b017 100644 --- a/translations/sl/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/sl/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "Za zajemanje pomena zaporedja besedila bomo uporabili arhitekturo nevronske mreže, imenovano **rekurentna nevronska mreža** ali RNN. Pri uporabi RNN stavke pošiljamo skozi mrežo en token naenkrat, mreža pa ustvari neko **stanje**, ki ga nato skupaj z naslednjim tokenom ponovno pošljemo v mrežo.\n", "\n", - "![Slika, ki prikazuje primer generiranja z rekurentno nevronsko mrežo.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sl.png)\n", + "![Slika, ki prikazuje primer generiranja z rekurentno nevronsko mrežo.](../../../../../translated_images/rnn.27f5c29c53d727b5.sl.png)\n", "\n", "Glede na vhodno zaporedje tokenov $X_0,\\dots,X_n$ RNN ustvari zaporedje blokov nevronske mreže in to zaporedje trenira od začetka do konca z uporabo povratnega razširjanja napake (backpropagation). Vsak blok mreže kot vhod prejme par $(X_i,S_i)$ in kot rezultat ustvari $S_{i+1}$. Končno stanje $S_n$ ali izhod $Y_n$ gre v linearni klasifikator, da ustvari rezultat. Vsi bloki mreže si delijo iste uteži in so trenirani od začetka do konca z enim prehodom povratnega razširjanja napake.\n", "\n", @@ -369,7 +369,7 @@ "\n", "Rekurentne mreže, enosmerne ali dvosmerne, zajamejo vzorce znotraj zaporedja in jih shranijo v vektorske stanja ali jih vrnejo kot izhod. Tako kot pri konvolucijskih mrežah lahko zgradimo še en rekurentni sloj, ki sledi prvemu, da zajame vzorce višje ravni, zgrajene iz vzorcev nižje ravni, ki jih je izvlekel prvi sloj. To nas pripelje do pojma **večplastnega RNN-ja**, ki je sestavljen iz dveh ali več rekurentnih mrež, kjer se izhod prejšnjega sloja posreduje naslednjemu sloju kot vhod.\n", "\n", - "![Slika, ki prikazuje večplastni dolgoročno-kratkoročni pomnilniški RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sl.jpg)\n", + "![Slika, ki prikazuje večplastni dolgoročno-kratkoročni pomnilniški RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sl.jpg)\n", "\n", "*Slika iz [tega odličnega prispevka](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) Fernanda Lópeza.*\n", "\n", diff --git a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index 8a8b3be1..f1b155dd 100644 --- a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "Način, kako bomo učili RNN za generiranje besedila, je naslednji. Na vsakem koraku bomo vzeli zaporedje znakov dolžine `nchars` in mreži naročili, naj za vsak vhodni znak ustvari naslednji izhodni znak:\n", "\n", - "![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sl.png)\n", + "![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sl.png)\n", "\n", "Odvisno od dejanskega scenarija bomo morda želeli vključiti tudi nekatere posebne znake, kot je *konec zaporedja* ``. V našem primeru želimo mrežo naučiti generiranja neskončnega besedila, zato bomo določili, da je velikost vsakega zaporedja enaka `nchars` znakom. Posledično bo vsak učni primer sestavljen iz `nchars` vhodov in `nchars` izhodov (kar je vhodno zaporedje, premaknjeno za en simbol v levo). Miniserija bo sestavljena iz več takšnih zaporedij.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index bb423157..603b7234 100644 --- a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -113,7 +113,7 @@ "\n", "Način, kako bomo učili RNN za generiranje novičarskih naslovov, je naslednji. Na vsakem koraku bomo vzeli en naslov, ki bo podan v RNN, in za vsak vhodni znak bomo od mreže zahtevali, da generira naslednji izhodni znak:\n", "\n", - "![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sl.png)\n", + "![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sl.png)\n", "\n", "Za zadnji znak našega zaporedja bomo od mreže zahtevali, da generira `` token.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md index 74107f84..7cba5b7b 100644 --- a/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ V arhitekturi RNN, ki smo jo obravnavali v prejšnji enoti, je vsaka enota RNN p To omogoča različne nevronske arhitekture, prikazane na spodnji sliki: -![Slika, ki prikazuje pogoste vzorce rekurentnih nevronskih mrež.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.sl.jpg) +![Slika, ki prikazuje pogoste vzorce rekurentnih nevronskih mrež.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.sl.jpg) > Slika iz blog objave [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) avtorja [Andrej Karpaty](http://karpathy.github.io/) @@ -32,7 +32,7 @@ V tej enoti se bomo osredotočili na preproste generativne modele, ki nam pomaga To RNN bomo trenirali za generiranje besedila korak za korakom. Na vsakem koraku bomo vzeli zaporedje znakov dolžine `nchars` in mreži naročili, naj za vsak vhodni znak ustvari naslednji izhodni znak: -![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sl.png) +![Slika, ki prikazuje primer generiranja besede 'HELLO' z RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sl.png) Pri generiranju besedila (med inferenco) začnemo z nekim **pozivom**, ki ga prenesemo skozi RNN celice za generiranje vmesnega stanja, nato pa se začne generiranje. Generiramo en znak naenkrat, stanje in generirani znak pa prenesemo v drugo RNN celico za generiranje naslednjega, dokler ne generiramo dovolj znakov. diff --git a/translations/sl/lessons/5-NLP/18-Transformers/README.md b/translations/sl/lessons/5-NLP/18-Transformers/README.md index dd4ab9df..6a3c595b 100644 --- a/translations/sl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sl/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ Pri RNN-jih je zaporedje-v-zaporedje implementirano z dvema rekurzivnima mrežam **Mehanizmi pozornosti** omogočajo tehtanje kontekstualnega vpliva vsakega vhodnega vektorja na vsako napoved izhoda RNN. To se implementira z ustvarjanjem bližnjic med vmesnimi stanji vhodnega RNN in izhodnega RNN. Na ta način bomo pri generiranju izhodnega simbola yt upoštevali vsa vhodna skrita stanja hi, z različnimi utežnimi koeficienti αt,i. -![Slika, ki prikazuje model enkoder/dekoder z aditivno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sl.png) +![Slika, ki prikazuje model enkoder/dekoder z aditivno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sl.png) > Model enkoder-dekoder z aditivnim mehanizmom pozornosti v [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), povzeto iz [tega bloga](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) Matrika pozornosti {αi,j} predstavlja stopnjo, do katere določene vhodne besede vplivajo na generiranje določene besede v izhodnem zaporedju. Spodaj je primer takšne matrike: -![Slika, ki prikazuje vzorčno poravnavo, najdeno z RNNsearch-50, povzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sl.png) +![Slika, ki prikazuje vzorčno poravnavo, najdeno z RNNsearch-50, povzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sl.png) > Slika iz [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Slika 3) @@ -66,7 +66,7 @@ Rezultat, ki ga dobimo s kodiranjem položaja, ugnezdi tako izvirni token kot nj Nato moramo zajeti nekatere vzorce znotraj našega zaporedja. Da bi to dosegli, transformatorji uporabljajo mehanizem **samopozornosti**, ki je v bistvu pozornost, uporabljena na istem zaporedju kot vhod in izhod. Uporaba samopozornosti nam omogoča, da upoštevamo **kontekst** znotraj stavka in vidimo, katere besede so medsebojno povezane. Na primer, omogoča nam, da vidimo, na katere besede se nanašajo koreference, kot je *to*, in tudi upoštevamo kontekst: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.sl.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.sl.png) > Slika iz [Googlovega bloga](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -91,7 +91,7 @@ Ker je vsak vhodni položaj neodvisno preslikan na vsak izhodni položaj, lahko **BERT** (Bidirectional Encoder Representations from Transformers) je zelo velika večplastna mreža transformatorjev z 12 plastmi za *BERT-base* in 24 za *BERT-large*. Model je najprej predhodno naučen na velikem korpusu besedilnih podatkov (WikiPedia + knjige) z uporabo nenadzorovanega učenja (napovedovanje zamaskiranih besed v stavku). Med predhodnim učenjem model absorbira pomembne ravni razumevanja jezika, ki jih je nato mogoče uporabiti z drugimi nabori podatkov z uporabo finega uglaševanja. Ta proces se imenuje **prenosno učenje**. -![slika iz http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sl.png) +![slika iz http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sl.png) > Slika [vir](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/sl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/sl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index de785fbb..1022e38b 100644 --- a/translations/sl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/sl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**Mehanizmi pozornosti** omogočajo tehtanje kontekstualnega vpliva vsakega vhodnega vektorja na vsako izhodno napoved RNN. To se implementira z ustvarjanjem bližnjic med vmesnimi stanji vhodne RNN in izhodne RNN. Na ta način pri generiranju izhodnega simbola $y_t$ upoštevamo vsa vhodna skrita stanja $h_i$ z različnimi utežnimi koeficienti $\\alpha_{t,i}$.\n", "\n", - "![Slika, ki prikazuje model kodirnik/dekodirnik z aditivno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sl.png)\n", + "![Slika, ki prikazuje model kodirnik/dekodirnik z aditivno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sl.png)\n", "*Model kodirnik-dekodirnik z mehanizmom aditivne pozornosti v [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), povzeto iz [tega bloga](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "Matrika pozornosti $\\{\\alpha_{i,j}\\}$ predstavlja stopnjo, do katere določene vhodne besede vplivajo na generacijo določene besede v izhodnem zaporedju. Spodaj je primer takšne matrike:\n", "\n", - "![Slika, ki prikazuje vzorčno poravnavo, najdeno z RNNsearch-50, povzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sl.png)\n", + "![Slika, ki prikazuje vzorčno poravnavo, najdeno z RNNsearch-50, povzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sl.png)\n", "\n", "*Slika povzeta iz [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Slika 3)*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) je zelo velik večplastni transformator z 12 plastmi za *BERT-base* in 24 za *BERT-large*. Model je najprej predhodno usposobljen na velikem korpusu besedilnih podatkov (Wikipedia + knjige) z uporabo nenadzorovanega učenja (napovedovanje zamaskiranih besed v stavku). Med predhodnim učenjem model pridobi pomembno raven razumevanja jezika, ki jo je nato mogoče uporabiti z drugimi nabori podatkov z uporabo prilagoditve. Ta proces se imenuje **prenosno učenje**.\n", "\n", - "![Slika s http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sl.png)\n", + "![Slika s http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sl.png)\n", "\n", "Obstaja veliko različic arhitektur transformatorjev, vključno z BERT, DistilBERT, BigBird, OpenGPT3 in drugimi, ki jih je mogoče prilagoditi. Paket [HuggingFace](https://github.com/huggingface/) ponuja repozitorij za učenje mnogih teh arhitektur s PyTorch.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/sl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 5cb281fb..e940af0c 100644 --- a/translations/sl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/sl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**Mehanizmi pozornosti** omogočajo tehtanje kontekstualnega vpliva vsakega vhodnega vektorja na vsako izhodno napoved RNN. To se implementira z ustvarjanjem bližnjic med vmesnimi stanji vhodnega RNN in izhodnega RNN. Na ta način, ko generiramo izhodni simbol $y_t$, upoštevamo vsa skrita stanja vhodov $h_i$ z različnimi utežnimi koeficienti $\\alpha_{t,i}$.\n", "\n", - "![Slika prikazuje model kodirnik/dekodirnik z dodatno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sl.png)\n", + "![Slika prikazuje model kodirnik/dekodirnik z dodatno plastjo pozornosti](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sl.png)\n", "*Model kodirnik-dekodirnik z mehanizmom dodatne pozornosti v [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citirano iz [tega bloga](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "Matrika pozornosti $\\{\\alpha_{i,j}\\}$ predstavlja stopnjo, do katere določene vhodne besede vplivajo na generacijo določene besede v izhodnem zaporedju. Spodaj je primer takšne matrike:\n", "\n", - "![Slika prikazuje vzorčno poravnavo, ki jo je našel RNNsearch-50, vzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sl.png)\n", + "![Slika prikazuje vzorčno poravnavo, ki jo je našel RNNsearch-50, vzeto iz Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sl.png)\n", "\n", "*Slika vzeta iz [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) je zelo velik večplastni transformatorni model z 12 plastmi za *BERT-base* in 24 za *BERT-large*. Model je najprej predhodno usposobljen na velikem korpusu besedilnih podatkov (WikiPedia + knjige) z uporabo nenadzorovanega učenja (napovedovanje zakritih besed v stavku). Med predhodnim usposabljanjem model pridobi pomembno raven razumevanja jezika, ki jo je nato mogoče uporabiti z drugimi nabori podatkov prek finega prilagajanja. Ta proces se imenuje **prenosno učenje**.\n", "\n", - "![slika s http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sl.png)\n", + "![slika s http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sl.png)\n", "\n", "Obstaja veliko različic transformatornih arhitektur, vključno z BERT, DistilBERT, BigBird, OpenGPT3 in drugimi, ki jih je mogoče fino prilagoditi.\n", "\n", diff --git a/translations/sl/lessons/5-NLP/19-NER/README.md b/translations/sl/lessons/5-NLP/19-NER/README.md index 395b57aa..cf173e2e 100644 --- a/translations/sl/lessons/5-NLP/19-NER/README.md +++ b/translations/sl/lessons/5-NLP/19-NER/README.md @@ -56,7 +56,7 @@ novorojenčku | O Ker moramo vzpostaviti enako razmerje med tokeni in razredi, lahko iz te slike treniramo desno **mnogokratno-mnogokratno** nevronsko mrežo: -![Slika prikazuje običajne vzorce rekurzivnih nevronskih mrež.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.sl.jpg) +![Slika prikazuje običajne vzorce rekurzivnih nevronskih mrež.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.sl.jpg) > *Slika iz [tega bloga](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) avtorja [Andreja Karpathyja](http://karpathy.github.io/). Modeli klasifikacije tokenov NER ustrezajo desni arhitekturi mreže na tej sliki.* diff --git a/translations/sl/lessons/5-NLP/README.md b/translations/sl/lessons/5-NLP/README.md index 0998aeab..28834812 100644 --- a/translations/sl/lessons/5-NLP/README.md +++ b/translations/sl/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Obdelava naravnega jezika -![Povzetek nalog NLP v skici](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.sl.png) +![Povzetek nalog NLP v skici](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.sl.png) V tem poglavju se bomo osredotočili na uporabo nevronskih mrež za reševanje nalog, povezanih z **obdelavo naravnega jezika (NLP)**. Obstaja veliko NLP problemov, ki jih želimo, da jih računalniki rešujejo: diff --git a/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md index b5fce553..97e294e6 100644 --- a/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sl/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ Odprite enega od modelov, na primer **Biology → Flocking**. Ko odprete model, pridete na glavni zaslon NetLogo. Tukaj je primer modela, ki opisuje populacijo volkov in ovc ob omejenih virih (trava). -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.sl.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.sl.png) > Posnetek zaslona avtorja Dmitry Soshnikov diff --git a/translations/sl/lessons/README.md b/translations/sl/lessons/README.md index ecfe3bf2..b4b5210b 100644 --- a/translations/sl/lessons/README.md +++ b/translations/sl/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Pregled -![Pregled v skici](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.sl.png) +![Pregled v skici](../../../translated_images/ai-overview.0857791951d19500.sl.png) > Skica avtorja [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/sl/lessons/X-Extras/X1-MultiModal/README.md b/translations/sl/lessons/X-Extras/X1-MultiModal/README.md index b9d10245..5bb4e151 100644 --- a/translations/sl/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/sl/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ Po uspehu modelov transformatorjev pri reševanju nalog NLP so bile iste ali pod Glavna ideja CLIP je primerjati besedilne pozive s sliko in ugotoviti, kako dobro slika ustreza pozivu. -![CLIP Arhitektura](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.sl.png) +![CLIP Arhitektura](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.sl.png) > *Slika iz [tega blog prispevka](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ Ko je model predhodno treniran, mu lahko podamo paket slik in paket besedilnih p Recimo, da moramo razvrstiti slike med, na primer, mačke, pse in ljudi. V tem primeru lahko modelu podamo sliko in serijo besedilnih pozivov: "*slika mačke*", "*slika psa*", "*slika človeka*". V nastalem vektorju s tremi verjetnostmi moramo le izbrati indeks z najvišjo vrednostjo. -![CLIP za razvrščanje slik](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.sl.png) +![CLIP za razvrščanje slik](../../../../../translated_images/clip-class.3af42ef0b2b19369.sl.png) > *Slika iz [tega blog prispevka](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ Več o VQGAN si lahko preberete na spletni strani [Taming Transformers](https:// Ena pomembna razlika med VQGAN in tradicionalnim GAN je, da slednji lahko ustvari spodobno sliko iz katerega koli vhodnega vektorja, medtem ko VQGAN verjetno ustvari sliko, ki ni koherentna. Zato moramo dodatno usmerjati proces ustvarjanja slike, kar lahko storimo z uporabo CLIP. -![VQGAN+CLIP Arhitektura](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.sl.png) +![VQGAN+CLIP Arhitektura](../../../../../translated_images/vqgan.5027fe05051dfa31.sl.png) Za generiranje slike, ki ustreza besedilnemu pozivu, začnemo z naključnim kodirnim vektorjem, ki ga posredujemo VQGAN za ustvarjanje slike. Nato uporabimo CLIP za ustvarjanje funkcije izgube, ki kaže, kako dobro slika ustreza besedilnemu pozivu. Cilj je nato minimizirati to izgubo z uporabo povratnega razširjanja za prilagoditev parametrov vhodnega vektorja. Odlična knjižnica, ki implementira VQGAN+CLIP, je [Pixray](http://github.com/pixray/pixray). -![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.sl.png) | ![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.sl.png) | ![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.sl.png) +![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.sl.png) | ![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.sl.png) | ![Slika, ustvarjena s Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.sl.png) ----|----|---- Slika, ustvarjena iz poziva *bližnji akvarelni portret mladega učitelja književnosti z knjigo* | Slika, ustvarjena iz poziva *bližnji oljni portret mlade učiteljice računalništva z računalnikom* | Slika, ustvarjena iz poziva *bližnji oljni portret starega učitelja matematike pred tablo* diff --git a/translations/sr/README.md b/translations/sr/README.md index e79bc462..3bc0f61d 100644 --- a/translations/sr/README.md +++ b/translations/sr/README.md @@ -1,16 +1,16 @@ [![GitHub лиценца](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) -[![GitHub сарадници](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) -[![GitHub проблеми](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) -[![GitHub захтеви за повлачење](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) +[![GitHub контрибутори](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) +[![GitHub питања](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) +[![GitHub pull-захтеви](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) [![PR-ови добродошли](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub пратиоци](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) @@ -23,114 +23,114 @@ CO_OP_TRANSLATOR_METADATA: # Вештачка интелигенција за почетнике - Наставни програм -|![Скетчнот од @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.sr.png)| +|![Скетчнот од @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.sr.png)| |:---:| | AI за почетнике - _Скетчнот од [@girlie_mac](https://twitter.com/girlie_mac)_ | -Истражите свет **вештачке интелигенције** (AI) са нашим програмом од 12 недеља и 24 лекције! Он обухвата практичне лекције, квизове и лабораторијске вежбе. Наставни програм је прилагођен почетницима и покрива алате као што су TensorFlow и PyTorch, као и етику у AI +Истражите свет **вештачке интелигенције** (AI) уз наш наставни програм од 12 недеља и 24 лекције! Укључује практичне лекције, квизове и лабораторијске вежбе. Наставни програм је прилагођен почетницима и обухвата алате попут TensorFlow и PyTorch, као и етику у AI ### 🌐 Подршка на више језика -#### Подржано преко GitHub Action (Аутоматски и увек ажурно) +#### Подржано преко GitHub Action (Аутоматизовано и увек ажурирано) -[Арапски](../ar/README.md) | [Бенгалски](../bn/README.md) | [Бугарски](../bg/README.md) | [Бирмански (Мјанмар)](../my/README.md) | [Кинески (поједностављени)](../zh/README.md) | [Кинески (традиционални, Хонг Конг)](../hk/README.md) | [Кинески (традиционални, Макао)](../mo/README.md) | [Кинески (традиционални, Тајван)](../tw/README.md) | [Хрватски](../hr/README.md) | [Чешки](../cs/README.md) | [Дански](../da/README.md) | [Холандски](../nl/README.md) | [Естонски](../et/README.md) | [Фински](../fi/README.md) | [Француски](../fr/README.md) | [Немачки](../de/README.md) | [Грчки](../el/README.md) | [Хебрејски](../he/README.md) | [Хинди](../hi/README.md) | [Мађарски](../hu/README.md) | [Индонежански](../id/README.md) | [Италијански](../it/README.md) | [Јапански](../ja/README.md) | [Каннада](../kn/README.md) | [Корејски](../ko/README.md) | [Литвански](../lt/README.md) | [Малајски](../ms/README.md) | [Малајалам](../ml/README.md) | [Марати](../mr/README.md) | [Непалски](../ne/README.md) | [Нигеријски пидгин](../pcm/README.md) | [Норвешки](../no/README.md) | [Персијски (фарси)](../fa/README.md) | [Пољски](../pl/README.md) | [Португалски (Бразил)](../br/README.md) | [Португалски (Португал)](../pt/README.md) | [Пенџаби (Гурмуки)](../pa/README.md) | [Румунски](../ro/README.md) | [Руски](../ru/README.md) | [Српски (ћирилица)](./README.md) | [Словачки](../sk/README.md) | [Словеначки](../sl/README.md) | [Шпански](../es/README.md) | [Свахили](../sw/README.md) | [Шведски](../sv/README.md) | [Тагалог (филипински)](../tl/README.md) | [Тамилски](../ta/README.md) | [Телугу](../te/README.md) | [Тајландски](../th/README.md) | [Турски](../tr/README.md) | [Украјински](../uk/README.md) | [Урду](../ur/README.md) | [Вијетнамски](../vi/README.md) +[Арапски](../ar/README.md) | [Бенгалски](../bn/README.md) | [Бугарски](../bg/README.md) | [Бурмански (Мјанмар)](../my/README.md) | [Кинески (поједностављени)](../zh/README.md) | [Кинески (традиционални, Хонг Конг)](../hk/README.md) | [Кинески (традиционални, Макао)](../mo/README.md) | [Кинески (традиционални, Тајван)](../tw/README.md) | [Хрватски](../hr/README.md) | [Чешки](../cs/README.md) | [Дански](../da/README.md) | [Холандски](../nl/README.md) | [Естонски](../et/README.md) | [Фински](../fi/README.md) | [Француски](../fr/README.md) | [Немачки](../de/README.md) | [Грчки](../el/README.md) | [Хебрејски](../he/README.md) | [Хинди](../hi/README.md) | [Мађарски](../hu/README.md) | [Индонежански](../id/README.md) | [Италијански](../it/README.md) | [Јапански](../ja/README.md) | [Каннада](../kn/README.md) | [Корејски](../ko/README.md) | [Литвански](../lt/README.md) | [Малајски](../ms/README.md) | [Малајалам](../ml/README.md) | [Марати](../mr/README.md) | [Непалски](../ne/README.md) | [Нигеријски Пиџин](../pcm/README.md) | [Норвешки](../no/README.md) | [Персијски (Фарси)](../fa/README.md) | [Пољски](../pl/README.md) | [Португалски (Бразил)](../br/README.md) | [Португалски (Португал)](../pt/README.md) | [Пенџабски (Гурмукхи)](../pa/README.md) | [Румунски](../ro/README.md) | [Руски](../ru/README.md) | [Српски (ћирилица)](./README.md) | [Словачки](../sk/README.md) | [Словеначки](../sl/README.md) | [Шпански](../es/README.md) | [Свахили](../sw/README.md) | [Шведски](../sv/README.md) | [Тагалог (Филипински)](../tl/README.md) | [Тамилски](../ta/README.md) | [Телугу](../te/README.md) | [Тајландски](../th/README.md) | [Турски](../tr/README.md) | [Украјински](../uk/README.md) | [Урду](../ur/README.md) | [Вијетнамски](../vi/README.md) -**Ако желите додатне преводе, подржани језици су наведени [овде](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**Ако желите да додатни преводи буду доступни, подржане језике можете пронаћи [овде](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** ## Придружите се заједници [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## Шта ћете научити -**[Ментална мапа курса](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[Мапа ума курса](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -У овом наставном плану ћете научити: +У овом наставном програму научићете: -* Различите приступе вештачкој интелигенцији, укључујући „стари добри“ симболички приступ са **представљањем знања** и расуђивањем ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Неуронске мреже** и **дубоко учење**, која су у основи модерне AI. Илустроваћемо концепте иза ових важних тема користећи код у два од најпопуларнијих фрејмворка - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org). -* **Неуронске архитектуре** за рад са сликама и текстом. Покрићемо недавне моделе, али можда нећемо у потпуности пратити најсавременије достигнуће. -* Мање популарне приступе у AI-у, као што су **генетски алгоритми** и **мулти-агентски системи**. +* Различите приступе вештачкој интелигенцији, укључујући „стари добри” симболички приступ са **Представљањем знања** и резонирањем ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Неуронске мреже** и **дубоко учење**, које су у сржи модерне вештачке интелигенције. Илустроваћемо концепте иза ових важних тема користећи код у два од најпопуларнијих оквира - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org). +* **Неуронске архитектуре** за рад са сликама и текстом. Покрићемо новије моделе, али можда нећемо у потпуности обухватити најсавременија достигнућа. +* Мање популарне приступе у AI, као што су **генетски алгоритми** и **мулти-агентски системи**. -Шта нећемо покривати у овом наставном плану: +Шта нећемо обухватити у овом наставном програму: -> [Пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [Пронађите све додатне ресурсе за овај курс у нашој колекцији Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Пословне примене коришћења **AI у пословању**. Размотрите похађање пута учења [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn, или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), развијен у сарадњи са [INSEAD](https://www.insead.edu/). -* **Класично машинско учење**, које је добро објашњено у нашем [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). -* Практичне AI апликације изграђене помоћу **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. За ово препоручујемо да почнете са Microsoft Learn модулима за [computer vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обраду природног језика](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и друге. -* Конкретне ML **облачно-оријентисане платформе**, као што су [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) или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Размотрите коришћење пута учења [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) и [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). -* **Разговорни AI** и **чат ботови**. Постоји посебан пут учења [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а такође можете погледати [овaj блог пост](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) за више детаља. -* **Дубока математика** иза дубоког учења. За ово препоручујемо књигу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) аутора Иана Гудфелова, Јошуа Бенгија и Аарона Курвила, која је такође доступна онлајн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Пословни примери коришћења **AI у пословању**. Размотрите похађање пута учења [Увод у AI за пословне кориснике](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn, или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), развијен у сарадњи са [INSEAD](https://www.insead.edu/). +* **Класично машинско учење**, које је добро описано у нашем [Курикулуму Машинског учења за почетнике](http://github.com/Microsoft/ML-for-Beginners). +* Практичне AI апликације изграђене помоћу **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. За ово, препоручујемо да почнете са Microsoft Learn модулима за [рачунарски вид](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обраду природног језика](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративни AI са Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и друге. +* Конкретне ML **облачне оквире**, као што су [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), или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Размотрите коришћење пута учења [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) и [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). +* **Разговорни AI** и **Ћаскајући ботови**. Постоји посебан пут учења [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а можете се такође обратити и [овом блог посту](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) за више детаља. +* **Дубока математика** иза дубоког учења. За ово препоручујемо [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) аутора Иана Гудфелоуа, Јошуа Бенжија и Аарона Курвила, која је такође доступна онлајн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -За благи увод у теме о _AI у облаку_ можете размотрити похађање пута учења [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum). +За лаган увод у теме о _AI у облаку_ можете размотрити похађање пута учења [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum). # Садржај -| | Линк ка лекцији | PyTorch/Keras/TensorFlow | Лаб | +| | Линк ка лекцији | PyTorch/Keras/TensorFlow | Лабораторија | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [Подешавање курса](./lessons/0-course-setup/setup.md) | [Подесите своје развојно окружење](./lessons/0-course-setup/how-to-run.md) | | -| I | [**Увод у вештачку интелигенцију**](./lessons/1-Intro/README.md) | | | -| 01 | [Увод и историја вештачке интелигенције](./lessons/1-Intro/README.md) | - | - | -| II | **Симболичка вештачка интелигенција** | -| 02 | [Представљање знања и експертски системи](./lessons/2-Symbolic/README.md) | [Експертски системи](./lessons/2-Symbolic/Animals.ipynb) / [Онтологија](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф концепата](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 0 | [Постављање курса](./lessons/0-course-setup/setup.md) | [Подесите развојно окружење](./lessons/0-course-setup/how-to-run.md) | | +| I | [**Увод у AI**](./lessons/1-Intro/README.md) | | | +| 01 | [Увод и историја AI](./lessons/1-Intro/README.md) | - | - | +| II | **Симболички AI** | +| 02 | [Представљање знања и експертни системи](./lessons/2-Symbolic/README.md) | [Експертни системи](./lessons/2-Symbolic/Animals.ipynb) / [Онтологија](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф концепата](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**Увод у неуронске мреже**](./lessons/3-NeuralNetworks/README.md) ||| | 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Бележница](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаб](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Мултислојни перцептрон и креирање нашег фрејмворка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Бележница](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаб](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [Увод у фрејмворке (PyTorch/TensorFlow) и претерано прилагођавање](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| 04 | [Вишеслојни перцептрон и креирање нашег фрејмворка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Бележница](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаб](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [Увод у фрејмворке (PyTorch/TensorFlow) и прекомерно прилагођавање](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | | IV | [**Компјутерски вид**](./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)| [Истражите компјутерски вид на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | | 06 | [Увод у компјутерски вид. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Бележница](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаб](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [Конволуционе неуронске мреже](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN архитектуре](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лаб](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [Претрениране мреже и преносно учење](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Трикови за тренинг](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 07 | [Конволуционе неуронске мреже](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архитектуре CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лаб](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [Унапред обучене мреже и преносно учење](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Трикови за обуку](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | | 09 | [Аутоенкодери и VAE-ови](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [Генеративне супротне мреже и пренос уметничког стила](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 10 | [Генеративне супротстављене мреже и пренос уметничког стила](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | | 11 | [Детекција објеката](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лаб](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [Семантичка сегментација. 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 | [**Обрада природног језика**](./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) | [Истражите Обраду природног језика на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [Представа текста. 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 | [Семантичка уграјења речи. Word2Vec и 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 | [Моделирање језика. Тренирање сопствених уграјења](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Лаб](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| V | [**Обрада природног језика**](./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) | [Истражите обраду природног језика на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 13 | [Репрезентација текста. 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 | [Семантичка уграђивања речи. Word2Vec и 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 | [Језичко моделирање. Обука сопствених уграђивања](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Лаб](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | | 16 | [Рекурентне неуронске мреже](./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 | [Генеративне рекурентне мреже](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Лаб](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Трансформери. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | | 19 | [Препознавање именованих ентитета](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лаб](./lessons/5-NLP/19-NER/lab/README.md) | | 20 | [Велики језички модели, програмирање упита и задаци са мало примера](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **Остале технике вештачке интелигенције** || | +| VI | **Друге AI технике** || | | 21 | [Генетски алгоритми](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Бележница](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | | 22 | [Дубоко појачано учење](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Лаб](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [Системи са више агената](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| 23 | [Мултиагентни системи](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **Етика вештачке интелигенције** | | | -| 24 | [Етика вештачке интелигенције и одговорна вештачка интелигенција](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципи одговорне вештачке интелигенције](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 24 | [Етика вештачке интелигенције и одговорна AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципи одговорне AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **Додатно** | | | -| 25 | [Мултимодалне мреже, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Бележница](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 25 | [Мулти-модалне мреже, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Бележница](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## Свака лекција садржи * Материјал за претходно читање -* Извршиве Jupyter бележнице, које су често специфичне за фрејмворк (**PyTorch** или **TensorFlow**). Извршива бележница такође садржи много теоријског материјала, тако да да бисте разумели тему потребно је проћи кроз бар једну верзију бележнице (или PyTorch или TensorFlow). -* **Лабови** доступни за неке теме, који вам пружају прилику да испробате примену материјала који сте научили на конкретном проблему. +* Извршиви Jupyter бележници, који су често специфични за фрејмворк (**PyTorch** или **TensorFlow**). Извршиви бележник такође садржи много теоријског материјала, па да бисте разумели тему потребно је проћи кроз бар једну верзију бележника (било PyTorch или TensorFlow). +* **Лабораторије** доступне за неке теме, које вам пружају прилику да примените материјал који сте научили на конкретан проблем. * Неке секције садрже линкове ка [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) модулима који покривају повезане теме. -## Како почети +## Почетак рада -### 🎯 Нови у вештачкој интелигенцији? Почните овде! +### 🎯 Нов у AI? Почните овде! -Ако сте потпуно нови у вештачкој интелигенцији и желите брзе, практичне примере, погледајте наше [**Примере прилагођене почетницима**](./examples/README.md)! Они укључују: +Ако сте потпуно нови у AI и желите брзе, практичне примере, погледајте наше [**Примере прилагођене почетницима**](./examples/README.md)! Они укључују: -- 🌟 **Hello AI World** - Ваш први програм за вештачку интелигенцију (препознавање образаца) -- 🧠 **Simple Neural Network** - Направите неуронску мрежу од нуле -- 🖼️ **Image Classifier** - Класификујте слике са детаљним коментарима -- 💬 **Сентимент текста** - Анализирајте позитиван/негативан текст +- 🌟 **Здраво AI свет** - Ваш први AI програм (препознавање образаца) +- 🧠 **Проста неуронска мрежа** - Изградите неуронску мрежу од нуле +- 🖼️ **Класификатор слика** - Класификујте слике уз детаљне коментаре +- 💬 **Текстуални сентимент** - Анализирајте позитиван/негативан текст -These examples are designed to help you understand AI concepts before diving into the full curriculum. +Ови примери су осмишљени да вам помогну да разумете концепте вештачке интелигенције пре него што се упустите у цео наставни програм. -### 📚 Подешавање целокупног наставног програма +### 📚 Постављање целокупног наставног програма -- Креирали смо a [лекцију за подешавање](./lessons/0-course-setup/setup.md) која ће вам помоћи при подешавању вашег развојног окружења. - За предаваче, такође смо креирали a [лекцију о подешавању наставног програма](./lessons/0-course-setup/for-teachers.md) за вас! -- How to [Run the code in a VSCode or a Codepace](./lessons/0-course-setup/how-to-run.md) +- Направили смо [припремни час](./lessons/0-course-setup/setup.md) који ће вам помоћи при постављању развојног окружења. - За едукаторе, направили смо и [час за подешавање курикулума](./lessons/0-course-setup/for-teachers.md) за вас! +- Како да [покренете код у VSCode или Codepace](./lessons/0-course-setup/how-to-run.md) -Follow these steps: +Пратите ове кораке: Fork the Repository: Click on the "Fork" button at the top-right corner of this page. @@ -138,70 +138,70 @@ Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.g Don't forget to star (🌟) this repo to find it easier later. -## Упознајте друге учеснике +## Упознајте остале учеснике -Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support. +Придружите се нашем [званичном AI Discord серверу](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) да бисте упознали и повезали се са другим учесницима који похађају овај курс и добили подршку. -If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) +Ако имате повратне информације о производу или питања током израде посетите наш [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## Quizzes +## Квизови -> **Напомена о квизовима**: Сви квизови се налазе у фасцикли Quiz-app у etc\quiz-app, или [Онлајн овде](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized. +> **Напомена о квизовима**: Сви квизови се налазе у фасцикли Quiz-app у etc\quiz-app, или [Онлајн овде](https://ff-quizzes.netlify.app/) Они су повезани изнутра лекција апликација за квиз може се покренути локално или разврстати на Azure; следите упутства у фолдеру `quiz-app`. Они се постепено локализују. -## Тражимо помоћ +## Тражи се помоћ -Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request. +Имате ли предлоге или сте пронашли правописне или код грешке? Отворите issue или направите pull request. -## Посебне захвале +## Посебне захвалности * **✍️ Главни аутор:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 Уредник:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 Илустратор скетчнота:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **🎨 Илустратор скиц-нота:** [Tomomi Imura](https://twitter.com/girlie_mac) * **✅ Аутор квизова:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 Главни сарадници:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## Остали курикулуми -Our team produces other curricula! Check out: +Наш тим прави и друге курикулуме! Погледајте: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j за почетнике](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js за почетнике](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Агенти +[![AZD за почетнике](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI за почетнике](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP за почетнике](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents за почетнике](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### Серија генеративне вештачке интелигенције +[![Generative AI за почетнике](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Core Learning -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Основно учење +[![ML за почетнике](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science за почетнике](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI за почетнике](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity за почетнике](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev за почетнике](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT за почетнике](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development за почетнике](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot Series -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +### Серија Copilot +[![Copilot за парно програмирање са AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot за C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot авантура](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Добијање помоћи @@ -217,6 +217,6 @@ If you have product feedback or errors while building visit: --- -**Изјава о одрицању одговорности**: -Овај документ је преведен уз помоћ AI сервиса за превођење [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да преводи буду прецизни, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Изворни документ на свом матичном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод који обавља стручни преводилац. Не сносимо одговорност за било какве неспоразуме или погрешна тумачења која могу произаћи из употребе овог превода. +Одрицање одговорности: +Овај документ је преведен помоћу услуге за превођење засноване на вештачкој интелигенцији [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да превод буде тачан, молимо имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се професионални превод који изводи стручни преводилац. Не сносимо одговорност за било какве неспоразуме или погрешна тумачења која произилазе из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/lessons/1-Intro/README.md b/translations/sr/lessons/1-Intro/README.md index 81695a10..21a6aa19 100644 --- a/translations/sr/lessons/1-Intro/README.md +++ b/translations/sr/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Увод у вештачку интелигенцију -![Резиме садржаја увода у вештачку интелигенцију у виду цртежа](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.sr.png) +![Резиме садржаја увода у вештачку интелигенцију у виду цртежа](../../../../translated_images/ai-intro.bf28d1ac4235881c.sr.png) > Цртеж направио [Томоми Имура](https://twitter.com/girlie_mac) @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Првобитно, рачунаре је изумео [Чарлс Бебиџ](https://en.wikipedia.org/wiki/Charles_Babbage) да би обрађивали бројеве пратећи добро дефинисану процедуру - алгоритам. Савремени рачунари, иако значајно напреднији од оригиналног модела предложеног у 19. веку, и даље следе исту идеју контролисаних рачунања. Због тога је могуће програмирати рачунар да ради нешто ако знамо тачан низ корака који треба да се изврше да би се постигао циљ. -![Фотографија особе](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.sr.png) +![Фотографија особе](../../../../translated_images/dsh_age.d212a30d4e54fb5f.sr.png) > Фотографија од [Вики Сошникова](http://twitter.com/vickievalerie) @@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA: Један од проблема када се бавимо термином **[интелигенција](https://en.wikipedia.org/wiki/Intelligence)** је то што не постоји јасна дефиниција овог термина. Може се тврдити да је интелигенција повезана са **апстрактним размишљањем**, или са **самосвешћу**, али не можемо је правилно дефинисати. -![Фотографија мачке](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.sr.jpg) +![Фотографија мачке](../../../../translated_images/photo-cat.8c8e8fb760ffe457.sr.jpg) > [Фотографија](https://unsplash.com/photos/75715CVEJhI) од [Амбер Кип](https://unsplash.com/@sadmax) са Unsplash-а @@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA: > | Шта је са МЛ? | | > |--------------|-----------| -> | Део Вештачке интелигенције који се заснива на томе да рачунар учи да реши проблем на основу неких података назива се **Машинско учење**. Нећемо разматрати класично машинско учење у овом курсу - упућујемо вас на посебан [Курс машинског учења за почетнике](http://aka.ms/ml-beginners). | ![МЛ за почетнике](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.sr.png) | +> | Део Вештачке интелигенције који се заснива на томе да рачунар учи да реши проблем на основу неких података назива се **Машинско учење**. Нећемо разматрати класично машинско учење у овом курсу - упућујемо вас на посебан [Курс машинског учења за почетнике](http://aka.ms/ml-beginners). | ![МЛ за почетнике](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.sr.png) | ## Кратка историја ВИ Вештачка интелигенција је започета као област средином двадесетог века. У почетку је симболичко резоновање било доминантан приступ, и довело је до бројних важних успеха, као што су експертски системи – компјутерски програми који су могли да делују као експерт у неким ограниченим проблемским доменима. Међутим, убрзо је постало јасно да се такав приступ не скалира добро. Извлачење знања од експерта, представљање у рачунару и одржавање те базе знања тачном испоставило се као веома сложен задатак, и превише скуп да би био практичан у многим случајевима. То је довело до такозване [зиме ВИ](https://en.wikipedia.org/wiki/AI_winter) 1970-их. -Кратка историја ВИ +Кратка историја ВИ > Слика од [Дмитрија Сошникова](http://soshnikov.com) diff --git a/translations/sr/lessons/2-Symbolic/Animals.ipynb b/translations/sr/lessons/2-Symbolic/Animals.ipynb index 9dd0bc36..541a0735 100644 --- a/translations/sr/lessons/2-Symbolic/Animals.ipynb +++ b/translations/sr/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "У овом примеру, имплементираћемо једноставан систем заснован на знању који одређује животињу на основу неких физичких карактеристика. Систем се може представити следећим AND-OR стаблом (ово је део целог стабла, лако можемо додати још правила):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.sr.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.sr.png)\n" ] }, { diff --git a/translations/sr/lessons/2-Symbolic/README.md b/translations/sr/lessons/2-Symbolic/README.md index c1d6f6d7..a6a7e60f 100644 --- a/translations/sr/lessons/2-Symbolic/README.md +++ b/translations/sr/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Представљање знања и експертски системи -![Резиме садржаја о симболичкој вештачкој интелигенцији](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.sr.png) +![Резиме садржаја о симболичкој вештачкој интелигенцији](../../../../translated_images/ai-symbolic.715a30cb610411a6.sr.png) > Скетч од [Томоми Имура](https://twitter.com/girlie_mac) @@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA: Дакле, проблем **представљања знања** је у проналажењу ефикасног начина за представљање знања унутар рачунара у облику података, како би оно било аутоматски употребљиво. Ово се може посматрати као спектар: -![Спектар представљања знања](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.sr.png) +![Спектар представљања знања](../../../../translated_images/knowledge-spectrum.b60df631852c0217.sr.png) > Слика од [Дмитрија Сошњикова](http://soshnikov.com) @@ -94,7 +94,7 @@ Python | блок-синтакса | увлачење Један од раних успеха симболичке вештачке интелигенције били су такозвани **експертски системи** - рачунарски системи дизајнирани да делују као стручњаци у некој ограниченој области проблема. Они су се заснивали на **бази знања** извученој од једног или више људских стручњака и садржали су **инференцијски механизам** који је вршио закључивање на основу те базе. -![Људска архитектура](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.sr.png) | ![Архитектура система заснованог на знању](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.sr.png) +![Људска архитектура](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.sr.png) | ![Архитектура система заснованог на знању](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.sr.png) ---------------------------------------------|------------------------------------------------ Поједностављена структура људског нервног система | Архитектура система заснованог на знању @@ -106,7 +106,7 @@ Python | блок-синтакса | увлачење Као пример, размотримо следећи експертски систем за одређивање животиње на основу њених физичких карактеристика: -![AND-OR стабло](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.sr.png) +![AND-OR стабло](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.sr.png) > Слика од [Дмитрија Сошњикова](http://soshnikov.com) diff --git a/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index d7bca281..fc105571 100644 --- a/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/sr/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1255,7 +1255,7 @@ "* Низак губитак на подацима за обуку - модел може добро да приближи податке за обуку, јер има довољно изражајне снаге.\n", "* Губитак на валидационим подацима може бити много већи од губитка на подацима за обуку и може почети да расте током обуке - то је зато што модел \"памти\" тачке из обуке и губи \"општу слику\".\n", "\n", - "![Претерано прилагођавање](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.sr.png)\n", + "![Претерано прилагођавање](../../../../../translated_images/overfit.a0bd57f717c15769.sr.png)\n", "\n", "> На овој слици, `x` представља податке за обуку, `o` - валидационе податке. Лево - линеарни модел (један слој), прилично добро приближава природу података. Десно - модел са претераним прилагођавањем, савршено добро приближава податке за обуку, али губи смисао са било којим другим подацима (валидациони губитак је веома висок).\n" ] diff --git a/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md index 99272d92..d2bb0fd8 100644 --- a/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA: Размотрите следећи проблем апроксимације 5 тачака (представљених са `x` на графицима испод): -![линеарно](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.sr.jpg) | ![претренираност](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.sr.jpg) +![линеарно](../../../../../translated_images/overfit1.f24b71c6f652e59e.sr.jpg) | ![претренираност](../../../../../translated_images/overfit2.131f5800ae10ca5e.sr.jpg) -------------------------|-------------------------- **Линеарни модел, 2 параметра** | **Нелинеарни модел, 7 параметара** Грешка на тренингу = 5.3 | Грешка на тренингу = 0 @@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA: Као што можете видети на графику изнад, претренираност се може открити веома ниском грешком на тренингу и високом грешком на валидацији. Обично током тренинга видимо да и грешка на тренингу и грешка на валидацији почињу да опадају, а затим у једном тренутку грешка на валидацији може престати да опада и почети да расте. То ће бити знак претренираности и показатељ да би требало да зауставимо тренинг у том тренутку (или барем направимо снимак модела). -![претренираност](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.sr.png) +![претренираност](../../../../../translated_images/Overfitting.408ad91cd90b4371.sr.png) ## Како спречити претренираност diff --git a/translations/sr/lessons/3-NeuralNetworks/README.md b/translations/sr/lessons/3-NeuralNetworks/README.md index 3f0796c2..a388ea5a 100644 --- a/translations/sr/lessons/3-NeuralNetworks/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Увод у неуронске мреже -![Резиме садржаја увода у неуронске мреже у виду цртежа](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sr.png) +![Резиме садржаја увода у неуронске мреже у виду цртежа](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.sr.png) Као што смо разговарали у уводу, један од начина да се постигне интелигенција је да се обучи **рачунарски модел** или **вештачки мозак**. Од средине 20. века, истраживачи су испробавали различите математичке моделе, све док се у последњим годинама овај правац није показао као изузетно успешан. Такви математички модели мозга називају се **неуронске мреже**. @@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA: Из биологије знамо да наш мозак састоји се од неуронских ћелија (неурона), од којих свака има више "улаза" (дендрита) и један "излаз" (аксон). И дендрити и аксони могу проводити електричне сигнале, а везе између њих — познате као синапсе — могу показивати различите степене проводљивости, које регулишу неуротрансмитери. -![Модел неурона](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sr.jpg) | ![Модел неурона](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sr.png) +![Модел неурона](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.sr.jpg) | ![Модел неурона](../../../../translated_images/artneuron.1a5daa88d20ebe6f.sr.png) ----|---- Прави неурон *([Слика](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) са Википедије)* | Вештачки неурон *(Слика аутора)* Дакле, најједноставнији математички модел неурона садржи неколико улаза X1, ..., XN и један излаз Y, као и низ тежина W1, ..., WN. Излаз се рачуна као: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) где је f нека нелинеарна **активациона функција**. diff --git a/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md index a477e328..11fcc565 100644 --- a/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sr/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ OpenCV можете користити и за учитавање видео з * **Предобрада фотографије Брајеве књиге**. Фокусирамо се на то како можемо користити праговање, детекцију карактеристика, перспективну трансформацију и манипулације NumPy низовима да бисмо раздвојили појединачне Брајеве симболе за даљу класификацију помоћу неуронске мреже. -![Слика Брајеве књиге](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.sr.jpeg) | ![Предобрађена слика Брајеве књиге](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.sr.png) | ![Брајеви симболи](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.sr.png) +![Слика Брајеве књиге](../../../../../translated_images/braille.341962ff76b1bd70.sr.jpeg) | ![Предобрађена слика Брајеве књиге](../../../../../translated_images/braille-result.46530fea020b03c7.sr.png) | ![Брајеви симболи](../../../../../translated_images/braille-symbols.0159185ab69d5339.sr.png) ----|-----|----- > Слика из [OpenCV.ipynb](OpenCV.ipynb) * **Детекција кретања у видеу коришћењем разлике кадрова**. Ако је камера фиксирана, онда би кадрови из видео записа требало да буду прилично слични један другом. Пошто су кадрови представљени као низови, само одузимањем тих низова за два узастопна кадра добићемо разлику пиксела, која би требало да буде мала за статичне кадрове, а да постане већа када постоји значајно кретање на слици. -![Слика видео кадрова и разлике кадрова](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.sr.png) +![Слика видео кадрова и разлике кадрова](../../../../../translated_images/frame-difference.706f805491a0883c.sr.png) > Слика из [OpenCV.ipynb](OpenCV.ipynb) @@ -89,7 +89,7 @@ OpenCV можете користити и за учитавање видео з - **Густи оптички ток** израчунава векторско поље које показује за сваки пиксел где се креће - **Ретки оптички ток** заснован је на узимању неких карактеристичних елемената на слици (нпр. ивица) и изградњи њихове трајекторије од кадра до кадра. -![Слика оптичког тока](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.sr.png) +![Слика оптичког тока](../../../../../translated_images/optical.1f4a94464579a83a.sr.png) > Слика из [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 06057e0a..09d41db0 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 је мрежа која је постигла тачност од 92.7% у ImageNet top-5 класификацији 2014. године. Има следећу структуру слојева: -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.sr.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.sr.jpg) Као што можете видети, VGG прати традиционалну пирамидалну архитектуру, која је низ слојева за конволуцију и пуловање. -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.sr.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.sr.jpg) > Слика са [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index 30705377..72967992 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -260,7 +260,7 @@ "\n", "Тако, у типичном CNN-у постоји неколико конволуционих слојева, са слојевима за пуловање између њих како би се смањиле димензије слике. Такође бисмо повећали број филтера, јер како обрасци постају сложенији, постоји више могућих занимљивих комбинација које треба тражити.\n", "\n", - "![Слика која приказује неколико конволуционих слојева са слојевима за пуловање.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.sr.png)\n", + "![Слика која приказује неколико конволуционих слојева са слојевима за пуловање.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.sr.png)\n", "\n", "Због смањивања просторних димензија и повећавања димензија карактеристика/филтера, ова архитектура се такође назива **пирамидална архитектура**.\n" ] diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index df42a6ba..2f5cb842 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -359,7 +359,7 @@ "\n", "Тако би у типичном CNN-у постојало неколико конволуционих слојева, са pooling слојевима између њих како би се смањиле димензије слике. Такође бисмо повећали број филтера, јер како обрасци постају напреднији, постоји више могућих занимљивих комбинација које треба тражити.\n", "\n", - "![Слика која приказује неколико конволуционих слојева са pooling слојевима.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.sr.png)\n", + "![Слика која приказује неколико конволуционих слојева са pooling слојевима.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.sr.png)\n", "\n", "Због смањења просторних димензија и повећања димензија карактеристика/филтера, ова архитектура се такође назива **пирамидална архитектура**.\n" ] diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md index a479ca8c..18e5fc98 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: Да бисмо извукли шаблоне, користићемо концепт **конволуционих филтера**. Као што знате, слика је представљена као 2D-матрица или 3D-тензор са дубином боје. Примена филтера значи да узимамо релативно малу матрицу **језгра филтера**, и за сваки пиксел у оригиналној слици израчунавамо пондерисани просек са суседним тачкама. Ово можемо замислити као мали прозор који клизи преко целе слике и израчунава просек свих пиксела према тежинама у матрици језгра филтера. -![Филтер за вертикалне ивице](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.sr.png) | ![Филтер за хоризонталне ивице](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.sr.png) +![Филтер за вертикалне ивице](../../../../../translated_images/filter-vert.b7148390ca0bc356.sr.png) | ![Филтер за хоризонталне ивице](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.sr.png) ----|---- > Слика: Дмитриј Сошњиков @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: * Можемо дизајнирати мрежу тако да се филтери аутоматски тренирају * Можемо користити исти приступ за проналажење шаблона у карактеристикама високог нивоа, а не само у оригиналној слици. Тако екстракција карактеристика у CNN-у функционише на хијерархији карактеристика, почевши од комбинација пиксела ниског нивоа, па све до комбинација делова слике високог нивоа. -![Хијерархијска екстракција карактеристика](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.sr.png) +![Хијерархијска екстракција карактеристика](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.sr.png) > Слика из [рада Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), засновано на [њиховом истраживању](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) @@ -55,9 +55,9 @@ CO_OP_TRANSLATOR_METADATA: Као пример, погледајмо архитектуру VGG-16, мреже која је постигла 92.7% тачности у ImageNet топ-5 класификацији 2014. године: -![Слојеви ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.sr.jpg) +![Слојеви ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.sr.jpg) -![Пирамида ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.sr.jpg) +![Пирамида ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.sr.jpg) > Слика са [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/sr/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/sr/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 6a5e3fc4..72a295dd 100644 --- a/translations/sr/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/sr/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA: Користићемо [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), који садржи слике 37 различитих раса паса и мачака. -![Скуп података са којим ћемо радити](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.sr.png) +![Скуп података са којим ћемо радити](../../../../../../translated_images/data.50b2a9d5484bdbf0.sr.png) Да бисте преузели скуп података, користите овај код: diff --git a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 85381386..462be0d1 100644 --- a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "Да бисмо визуализовали идеалну мачку, почећемо са сликом насумичног шума и покушаћемо да користимо технику оптимизације градијентног спуштања како бисмо прилагодили слику тако да мрежа препозна мачку.\n", "\n", - "![Оптимизациони циклус](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sr.png)\n", + "![Оптимизациони циклус](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sr.png)\n", "\n", "Ово је наша почетна слика:\n" ] diff --git a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md index a8e4a6bf..d8369be6 100644 --- a/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: Ево примера карактеристика издвојених из слике мачке помоћу VGG-16 мреже: -![Карактеристике издвојене помоћу VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.sr.png) +![Карактеристике издвојене помоћу VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.sr.png) ## Скуп података: Мачке и пси @@ -48,19 +48,19 @@ CO_OP_TRANSLATOR_METADATA: Један приступ који можемо применити је да почнемо са насумичном сликом и затим покушамо да користимо технику **оптимизације градијентног спуштања** како бисмо прилагодили ту слику на такав начин да мрежа почне да мисли да је то мачка. -![Петља оптимизације слике](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sr.png) +![Петља оптимизације слике](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sr.png) Међутим, ако то урадимо, добићемо нешто веома слично насумичном шуму. То је зато што *постоји много начина да мрежа помисли да је улазна слика мачка*, укључујући неке који визуелно немају смисла. Иако те слике садрже много образаца типичних за мачку, ништа их не ограничава да буду визуелно препознатљиве. Да бисмо побољшали резултат, можемо додати још један члан у функцију губитка, који се назива **губитак варијације**. То је метрика која показује колико су слични суседни пиксели слике. Минимизирање губитка варијације чини слику глаткијом и уклања шум - чиме открива визуелно привлачније обрасце. Ево примера таквих "идеалних" слика, које се класификују као мачка и као зебра са високом вероватноћом: -![Идеална мачка](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.sr.png) | ![Идеална зебра](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.sr.png) +![Идеална мачка](../../../../../translated_images/ideal-cat.203dd4597643d6b0.sr.png) | ![Идеална зебра](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.sr.png) -----|----- *Идеална мачка* | *Идеална зебра* Сличан приступ може се користити за извођење такозваних **адверзаријалних напада** на неуронску мрежу. Претпоставимо да желимо да преваримо неуронску мрежу и учинимо да пас изгледа као мачка. Ако узмемо слику пса, коју мрежа препознаје као пса, можемо је мало изменити користећи оптимизацију градијентног спуштања, док мрежа не почне да је класификује као мачку: -![Слика пса](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.sr.png) | ![Слика пса класификована као мачка](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.sr.png) +![Слика пса](../../../../../translated_images/original-dog.8f68a67d2fe0911f.sr.png) | ![Слика пса класификована као мачка](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.sr.png) -----|----- *Оригинална слика пса* | *Слика пса класификована као мачка* diff --git a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 92a49eaa..dbb25a05 100644 --- a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "Пошто тренирамо аутокодер да ухвати што више информација из оригиналне слике ради тачне реконструкције, мрежа покушава да пронађе најбољу **репрезентацију** улазних слика како би ухватила њихово значење.\n", "\n", - "![Дијаграм аутокодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sr.jpg)\n", + "![Дијаграм аутокодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sr.jpg)\n", "\n", "> Слика са [Keras блога](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index 9387e066..252ec17d 100644 --- a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -19,7 +19,7 @@ "\n", "Пошто тренирамо аутокодер да ухвати што више информација из оригиналне слике ради тачне реконструкције, мрежа покушава да пронађе најбоље **уграђивање** улазних слика како би ухватила њихово значење.\n", "\n", - "![Шема аутокодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sr.jpg)\n", + "![Шема аутокодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sr.jpg)\n", "\n", "*Слика са [Keras блога](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md index 09a4538a..4f392349 100644 --- a/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Пошто тренирамо аутоенкодер да ухвати што више информација из оригиналне слике ради тачне реконструкције, мрежа покушава да пронађе најбоље **уграђивање** улазних слика како би ухватила њихово значење. -![Дијаграм аутоенкодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sr.jpg) +![Дијаграм аутоенкодера](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sr.jpg) > Слика са [Keras блога](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md index 6cb79798..ba30d966 100644 --- a/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [Квиз пре предавања](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![Детекција објеката](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sr.png) +![Детекција објеката](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.sr.png) > Слика са [YOLO v2 веб сајта](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 2. Покрените класификацију слике на свакој плочици. 3. Плочице које резултирају довољно високом активацијом могу се сматрати да садрже тражени објекат. -![Наивна детекција објеката](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.sr.png) +![Наивна детекција објеката](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.sr.png) > *Слика из [радне свеске за вежбе](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 класа * [COCO](http://cocodataset.org/#home) - Уобичајени објекти у контексту. 80 класа, оквири и маске за сегментацију -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.sr.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.sr.jpg) ## Метрике за детекцију објеката @@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA: Док је за класификацију слика лако измерити колико добро алгоритам ради, за детекцију објеката морамо измерити и исправност класе, као и прецизност локације предвиђеног оквира. За ово друго користимо такозвани **Пресек преко уније** (IoU), који мери колико добро се два оквира (или две произвољне области) преклапају. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.sr.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.sr.png) > *Фигура 2 из [овог одличног блог поста о IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) користи [Селективно претраживање](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) за генерисање хијерархијске структуре ROI региона, који се затим прослеђују кроз CNN екстракторе карактеристика и SVM класификаторе за одређивање класе објекта, и линеарну регресију за одређивање координата *оквира*. [Званични рад](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.sr.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.sr.png) > *Слика из ван де Санде и др. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.sr.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.sr.png) > *Слике из [овог блога](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ $$ Овај приступ је сличан R-CNN-у, али региони се дефинишу након што су примењени слојеви конволуције. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.sr.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.sr.png) > Слика из [званичног рада](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 @@ -118,7 +118,7 @@ $$ Главна идеја овог приступа је коришћење неуронске мреже за предвиђање ROI - такозване *мреже за предлог региона*. [Рад](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.sr.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.sr.png) > Слика из [званичног рада](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ $$ 2. Карактеристике се обрађују помоћу **мапе оцена осетљивих на позицију**. Сваки објекат из $C$ класа се дели на $k\times k$ регије, и тренирамо мрежу да предвиђа делове објеката. 3. За сваки део из $k\times k$ регија све мреже гласају за класе објеката, и класа објекта са максималним бројем гласова се бира. -![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.sr.png) +![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da.sr.png) > Слика из [званичног рада](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO је алгоритам за реално време са једним пр * Слика се дели на $S\times S$ регије. * За сваку регију, **CNN** предвиђа $n$ могућих објеката, координате *оквира* и *поузданост*=*вероватноћа* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.sr.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.sr.png) > Слика из [званичног рада](https://arxiv.org/abs/1506.02640) diff --git a/translations/sr/lessons/4-ComputerVision/README.md b/translations/sr/lessons/4-ComputerVision/README.md index 6e4016d6..9fb6e9c6 100644 --- a/translations/sr/lessons/4-ComputerVision/README.md +++ b/translations/sr/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Рачунарски вид -![Резиме садржаја о рачунарском виду у виду цртежа](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.sr.png) +![Резиме садржаја о рачунарском виду у виду цртежа](../../../../translated_images/ai-computervision.6506ebebac3fbf76.sr.png) У овом делу ћемо научити о: diff --git a/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index 3230b76a..b31789d3 100644 --- a/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "**Врећа речи** (BoW) представљање у виду вектора је најчешће коришћено традиционално представљање вектора. Свака реч је повезана са индексом вектора, а елемент вектора садржи број појављивања те речи у датом документу.\n", "\n", - "![Слика која приказује како је представљање вектора вреће речи приказано у меморији.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sr.png) \n", + "![Слика која приказује како је представљање вектора вреће речи приказано у меморији.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sr.png) \n", "\n", "> **Напомена**: Можете такође размишљати о BoW као о збиру свих вектора кодираних једним битом за појединачне речи у тексту.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index 94188a8f..81b3a594 100644 --- a/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/sr/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "**Торба речи** (BoW) представљање вектора је најједноставније за разумевање међу традиционалним представљањима вектора. Свака реч је повезана са индексом вектора, а елемент вектора садржи број појављивања сваке речи у датом документу.\n", "\n", - "![Слика која приказује како је представљање вектора методом \"торба речи\" приказано у меморији.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sr.png) \n", + "![Слика која приказује како је представљање вектора методом \"торба речи\" приказано у меморији.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sr.png) \n", "\n", "> **Note**: Можете такође размишљати о BoW као о збиру свих једноврсно-кодираних вектора за појединачне речи у тексту.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index a20052c5..96b32853 100644 --- a/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "Користећи слој за угњеждавање као први слој у нашој мрежи, можемо прећи са модела торбе речи на модел **торбе угњеждавања**, где прво конвертујемо сваку реч у нашем тексту у одговарајуће угњеждавање, а затим израчунавамо неку агрегатну функцију над свим тим угњеждавањима, као што су `sum`, `average` или `max`.\n", "\n", - "![Слика која приказује класификатор угњеждавања за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sr.png)\n", + "![Слика која приказује класификатор угњеждавања за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sr.png)\n", "\n", "Наша неуронска мрежа класификатора ће почети са слојем за угњеждавање, затим слојем за агрегирање, и линеарним класификатором на врху:\n" ] @@ -176,7 +176,7 @@ "\n", "У претходној архитектури, морали смо да попунимо све секвенце до исте дужине како би се уклопиле у мини серију. Ово није најефикаснији начин за представљање секвенци променљиве дужине - други приступ би био коришћење **вектора офсета**, који би садржао офсете свих секвенци смештених у један велики вектор.\n", "\n", - "![Слика која приказује репрезентацију секвенци са офсетом](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.sr.png)\n", + "![Слика која приказује репрезентацију секвенци са офсетом](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.sr.png)\n", "\n", "> **Note**: На слици изнад приказујемо секвенцу карактера, али у нашем примеру радимо са секвенцама речи. Међутим, општи принцип представљања секвенци помоћу вектора офсета остаје исти.\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW је бржи, док је skip-gram спорији, али боље представља речи које се ређе јављају.\n", "\n", - "![Слика која приказује и CBoW и Skip-Gram алгоритме за претварање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sr.png)\n", + "![Слика која приказује и CBoW и Skip-Gram алгоритме за претварање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sr.png)\n", "\n", "Да бисмо експериментисали са Word2Vec угнежђењем претходно обученим на Google News скупу података, можемо користити библиотеку **gensim**. Испод налазимо речи које су најсличније речи 'neural'.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index fda9c843..66bfd4ef 100644 --- a/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/sr/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "Коришћењем слоја за уграђивање као првог слоја у нашој мрежи, можемо прећи са модела „вреће речи“ на модел **вреће уграђивања**, где прво претварамо сваку реч у нашем тексту у одговарајуће уграђивање, а затим израчунавамо неку агрегатну функцију над свим тим уграђивањима, као што су `sum`, `average` или `max`.\n", "\n", - "![Слика која приказује класификатор са уграђивањем за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sr.png)\n", + "![Слика која приказује класификатор са уграђивањем за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sr.png)\n", "\n", "Наша неуронска мрежа класификатора састоји се од следећих слојева:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW је бржи, док је скип-грам спорији, али боље представља ретке речи.\n", "\n", - "![Слика која приказује алгоритме CBoW и Skip-Gram за конвертовање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sr.png)\n", + "![Слика која приказује алгоритме CBoW и Skip-Gram за конвертовање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sr.png)\n", "\n", "Да бисмо експериментисали са Word2Vec уградњом претходно обученом на Google News скупу података, можемо користити библиотеку **gensim**. Испод налазимо речи које су најсличније 'neural'.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/14-Embeddings/README.md b/translations/sr/lessons/5-NLP/14-Embeddings/README.md index dba460d3..70ff7647 100644 --- a/translations/sr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sr/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Коришћењем слоја угњеждења као првог слоја у нашој мрежи класификатора, можемо прећи са модела торбе речи на модел **торбе угњеждења**, где прво конвертујемо сваку реч у нашем тексту у одговарајуће угњеждење, а затим израчунавамо неку агрегатну функцију над свим тим угњеждењима, као што су `sum`, `average` или `max`. -![Слика која приказује класификатор заснован на угњеждењима за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sr.png) +![Слика која приказује класификатор заснован на угњеждењима за пет речи у низу.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sr.png) > Слика аутора @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW је бржи, док је скип-грам спорији, али боље представља ретке речи. -![Слика која приказује алгоритме CBoW и Skip-Gram за конвертовање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sr.png) +![Слика која приказује алгоритме CBoW и Skip-Gram за конвертовање речи у векторе.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sr.png) > Слика из [овог рада](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md index 95dd6420..cfb5b521 100644 --- a/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sr/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA: * **Континуирана врећа речи** (CBoW), где предвиђамо средишњи токен $W_0$ у низу токена $W_{-N}$, ..., $W_N$. * **Скип-грам**, где предвиђамо скуп суседних токена {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} на основу средишњег токена $W_0$. -![слика из рада о претварању речи у векторе](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sr.png) +![слика из рада о претварању речи у векторе](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sr.png) > Слика из [овог рада](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sr/lessons/5-NLP/16-RNN/README.md b/translations/sr/lessons/5-NLP/16-RNN/README.md index 2b62c02c..5671aa0c 100644 --- a/translations/sr/lessons/5-NLP/16-RNN/README.md +++ b/translations/sr/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Да бисмо ухватили значење секвенце текста, потребно је да користимо другу архитектуру неуронске мреже, која се назива **рекурентна неуронска мрежа**, или RNN. У RNN-у, реченицу пропуштамо кроз мрежу један симбол по један, а мрежа производи неко **стање**, које затим поново прослеђујемо мрежи са следећим симболом. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sr.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.sr.png) > Слика аутора @@ -61,7 +61,7 @@ LSTM мрежа је организована на начин сличан RNN- Рекурентна мрежа, било једносмерна или двосмерна, хвата одређене обрасце унутар секвенце и може их складиштити у вектор стања или проследити у излаз. Као и код конволуционих мрежа, можемо изградити још један рекурентни слој на врху првог да ухватимо обрасце вишег нивоа и изградимо од образаца нижег нивоа које је извукао први слој. Ово нас доводи до концепта **вишеслојног RNN-а**, који се састоји од два или више рекурентних мрежа, где се излаз претходног слоја прослеђује следећем слоју као улаз. -![Слика која приказује вишеслојни LSTM RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sr.jpg) +![Слика која приказује вишеслојни LSTM RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sr.jpg) *Слика из [овог дивног чланка](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) аутора Фернанда Лопеза* diff --git a/translations/sr/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/sr/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index 9b856c74..6fff7444 100644 --- a/translations/sr/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/sr/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "Рекурентна мрежа, једносмерна или двосмерна, хвата одређене обрасце унутар секвенце, и може их складиштити у вектор стања или проследити у излаз. Као и код конволуционих мрежа, можемо изградити још један рекурентни слој на врху првог како бисмо ухватили обрасце вишег нивоа, изграђене од образаца нижег нивоа које је извукао први слој. Ово нас доводи до концепта **вишеслојне РНН**, која се састоји од два или више рекурентних мрежа, где се излаз претходног слоја прослеђује следећем слоју као улаз.\n", "\n", - "![Слика која приказује вишеслојну дугорочно-краткорочну меморијску РНН](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sr.jpg)\n", + "![Слика која приказује вишеслојну дугорочно-краткорочну меморијску РНН](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sr.jpg)\n", "\n", "*Слика из [овог дивног чланка](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) аутора Фернанда Лопеза*\n", "\n", diff --git a/translations/sr/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/sr/lessons/5-NLP/16-RNN/RNNTF.ipynb index dbbbfd30..804f4f44 100644 --- a/translations/sr/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/sr/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "Да бисмо ухватили значење секвенце текста, користићемо архитектуру неуронске мреже која се зове **рекурентна неуронска мрежа**, или RNN. Када користимо RNN, пролазимо кроз реченицу кроз мрежу један токен по један, а мрежа производи неко **стање**, које затим поново прослеђујемо мрежи са следећим токеном.\n", "\n", - "![Слика која приказује пример генерисања рекурентне неуронске мреже.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sr.png)\n", + "![Слика која приказује пример генерисања рекурентне неуронске мреже.](../../../../../translated_images/rnn.27f5c29c53d727b5.sr.png)\n", "\n", "С обзиром на улазну секвенцу токена $X_0,\\dots,X_n$, RNN креира секвенцу блокова неуронске мреже и тренира ову секвенцу од почетка до краја користећи бацкпропагацију. Сваки блок мреже узима пар $(X_i,S_i)$ као улаз, и производи $S_{i+1}$ као резултат. Коначно стање $S_n$ или излаз $Y_n$ иде у линеарни класификатор да би произвео резултат. Сви блокови мреже деле исте тежине и тренирају се од почетка до краја користећи један пролаз бацкпропагације.\n", "\n", @@ -369,7 +369,7 @@ "\n", "Рекурентне мреже, било једносмерне или двосмерне, хватају обрасце унутар секвенце и чувају их у векторима стања или их враћају као излаз. Као и код конволуционих мрежа, можемо изградити још један рекурентни слој након првог како бисмо ухватили обрасце вишег нивоа, изграђене од образаца нижег нивоа које је извукао први слој. Ово нас доводи до појма **вишеслојног РНН-а**, који се састоји од два или више рекурентних мрежа, где се излаз претходног слоја прослеђује следећем слоју као улаз.\n", "\n", - "![Слика која приказује вишеслојни дугорочно-краткорочно-меморијски РНН](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sr.jpg)\n", + "![Слика која приказује вишеслојни дугорочно-краткорочно-меморијски РНН](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sr.jpg)\n", "\n", "*Слика из [овог сјајног чланка](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) аутора Фернанда Лопеза.*\n", "\n", diff --git a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index a2cf6f90..ac06299a 100644 --- a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "Начин на који ћемо тренирати RNN за генерисање текста је следећи. На сваком кораку, узимамо секвенцу карактера дужине `nchars` и тражимо од мреже да генерише следећи излазни карактер за сваки улазни карактер:\n", "\n", - "![Слика која приказује пример RNN генерисања речи 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sr.png)\n", + "![Слика која приказује пример RNN генерисања речи 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sr.png)\n", "\n", "У зависности од конкретног сценарија, можда ћемо желети да укључимо неке посебне карактере, као што је *крај секвенце* ``. У нашем случају, желимо само да обучимо мрежу за бесконачно генерисање текста, па ћемо фиксирати величину сваке секвенце да буде једнака `nchars` токенима. Сходно томе, сваки пример за тренирање ће се састојати од `nchars` улаза и `nchars` излаза (што је улазна секвенца померена за један симбол улево). Минибатч ће се састојати од неколико таквих секвенци.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index 95aa5c79..4b645248 100644 --- a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -113,7 +113,7 @@ "\n", "Начин на који ћемо тренирати RNN да генерише наслове вести је следећи. У сваком кораку, узимамо један наслов, који ће бити унет у RNN, и за сваки улазни карактер тражимо од мреже да генерише следећи излазни карактер:\n", "\n", - "![Слика која приказује пример генерације речи 'HELLO' помоћу RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sr.png)\n", + "![Слика која приказује пример генерације речи 'HELLO' помоћу RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sr.png)\n", "\n", "За последњи карактер у нашој секвенци, тражићемо од мреже да генерише `` токен.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md index c58fc7cc..0e43ca38 100644 --- a/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Ово омогућава различите неуронске архитектуре које су приказане на слици испод: -![Слика која приказује уобичајене обрасце рекурентних неуронских мрежа.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.sr.jpg) +![Слика која приказује уобичајене обрасце рекурентних неуронских мрежа.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.sr.jpg) > Слика из блога [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) аутора [Андреја Карпатија](http://karpathy.github.io/) @@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA: Обучаваћемо ову RNN да генерише текст корак по корак. На сваком кораку, узимамо секвенцу карактера дужине `nchars` и тражимо од мреже да генерише следећи излазни карактер за сваки улазни карактер: -![Слика која приказује пример RNN генерисања речи 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sr.png) +![Слика која приказује пример RNN генерисања речи 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sr.png) Када генеришемо текст (током инференције), почињемо са неким **подстицајем** (prompt), који се прослеђује кроз RNN ћелије да би се генерисало његово интермедијарно стање, а затим из тог стања почиње генерисање. Генеришемо један карактер у исто време и прослеђујемо стање и генерисани карактер следећој RNN ћелији да генерише следећи, све док не генеришемо довољно карактера. diff --git a/translations/sr/lessons/5-NLP/18-Transformers/README.md b/translations/sr/lessons/5-NLP/18-Transformers/README.md index 8eb22023..1ca0d7c9 100644 --- a/translations/sr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/sr/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA: **Механизми пажње** пружају начин за одређивање тежине контекстуалног утицаја сваког улазног вектора на сваку предикцију излазног РНМ-а. Ово се имплементира стварањем пречица између међустојања улазног РНМ-а и излазног РНМ-а. На овај начин, када генеришемо излазни симбол yt, узимамо у обзир сва улазна скривена стања hi, са различитим тежинским коефицијентима αt,i. -![Слика која приказује енкодер/декодер модел са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sr.png) +![Слика која приказује енкодер/декодер модел са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sr.png) > Енкодер-декодер модел са адитивним механизмом пажње у [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитиран из [овог блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) Матрица пажње {αi,j} представља степен у којем одређене улазне речи утичу на генерисање одређене речи у излазној секвенци. Испод је пример такве матрице: -![Слика која приказује пример поравнања пронађеног помоћу RNNsearch-50, преузета из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sr.png) +![Слика која приказује пример поравнања пронађеног помоћу RNNsearch-50, преузета из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sr.png) > Фигура из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Сл.3) @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: Следеће, потребно је ухватити неке обрасце унутар наше секвенце. Да бисмо то урадили, трансформери користе механизам **само-пажње**, који је у суштини пажња примењена на исту секвенцу као улаз и излаз. Примена само-пажње омогућава нам да узмемо у обзир **контекст** унутар реченице и видимо које речи су међусобно повезане. На пример, омогућава нам да видимо на које речи се односе кореференце, као што је *оно*, и такође узмемо у обзир контекст: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.sr.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.sr.png) > Слика из [Google блога](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -91,7 +91,7 @@ CO_OP_TRANSLATOR_METADATA: **BERT** (Bidirectional Encoder Representations from Transformers) је веома велика трансформер мрежа са више слојева, са 12 слојева за *BERT-base* и 24 за *BERT-large*. Модел се прво претходно тренира на великом корпусу текстуалних података (Wikipedia + књиге) користећи ненадгледано учење (предвиђање маскираних речи у реченици). Током претходног тренинга, модел апсорбује значајне нивое разумевања језика, који се затим могу искористити са другим скуповима података кроз фино подешавање. Овај процес се назива **трансфер учење**. -![слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sr.png) +![слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sr.png) > Слика [извор](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/sr/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/sr/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index 7116a855..019ec7ee 100644 --- a/translations/sr/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/sr/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**Механизми пажње** пружају начин да се тежински одреди контекстуални утицај сваког улазног вектора на сваку излазну предикцију RNN-а. Ово се имплементира стварањем пречица између интермедијарних стања улазног RNN-а и излазног RNN-а. На овај начин, када генеришемо излазни симбол $y_t$, узимамо у обзир сва улазна скривена стања $h_i$, са различитим тежинским коефицијентима $\\alpha_{t,i}$.\n", "\n", - "![Слика која приказује енкодер/декодер модел са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sr.png) \n", + "![Слика која приказује енкодер/декодер модел са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sr.png) \n", "*Енкодер-декодер модел са адитивним механизмом пажње у [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитиран из [овог блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "Матрица пажње $\\{\\alpha_{i,j}\\}$ представља степен у којем одређене улазне речи утичу на генерисање одређене речи у излазној секвенци. Испод је пример такве матрице:\n", "\n", - "![Слика која приказује пример поравнања пронађеног помоћу RNNsearch-50, преузета из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sr.png) \n", + "![Слика која приказује пример поравнања пронађеног помоћу RNNsearch-50, преузета из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sr.png) \n", "\n", "*Слика преузета из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Сл.3)*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) је веома велика трансформер мрежа са више слојева, са 12 слојева за *BERT-base*, и 24 за *BERT-large*. Модел се прво претходно тренира на великом корпусу текстуалних података (Википедија + књиге) користећи несупервизирано учење (предвиђање маскираних речи у реченици). Током претходног тренинга, модел апсорбује значајан ниво разумевања језика, који се затим може искористити са другим скуповима података кроз фино подешавање. Овај процес се назива **трансфер учење**.\n", "\n", - "![Слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sr.png)\n", + "![Слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sr.png)\n", "\n", "Постоји много варијација трансформер архитектура, укључујући BERT, DistilBERT, BigBird, OpenGPT3 и друге, које се могу фино подесити. [HuggingFace пакет](https://github.com/huggingface/) пружа репозиторијум за тренирање многих од ових архитектура са PyTorch-ом.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/sr/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 584ea626..5de1af2c 100644 --- a/translations/sr/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/sr/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**Механизми пажње** пружају начин да се тежински одреди контекстуални утицај сваког улазног вектора на сваку излазну предикцију РНН-а. Ово се имплементира стварањем пречица између међустојања улазног РНН-а и излазног РНН-а. На овај начин, приликом генерисања излазног симбола $y_t$, узимамо у обзир сва улазна скривена стања $h_i$, са различитим тежинским коефицијентима $\\alpha_{t,i}$. \n", "\n", - "![Слика која приказује модел енкодера/декодера са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.sr.png)\n", + "![Слика која приказује модел енкодера/декодера са адитивним слојем пажње](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.sr.png)\n", "*Модел енкодера-декодера са механизмом адитивне пажње у [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитиран из [овог блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "Матрица пажње $\\{\\alpha_{i,j}\\}$ представља степен у којем одређене улазне речи утичу на генерисање одређене речи у излазној секвенци. Испод је пример такве матрице:\n", "\n", - "![Слика која приказује пример поравнања које је пронашао RNNsearch-50, преузето из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.sr.png)\n", + "![Слика која приказује пример поравнања које је пронашао RNNsearch-50, преузето из Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.sr.png)\n", "\n", "*Слика преузета из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Сл.3)*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) је веома велики трансформер мрежни модел са више слојева, који има 12 слојева за *BERT-base* и 24 за *BERT-large*. Модел се прво претходно тренира на великом корпусу текстуалних података (Википедија + књиге) користећи несупервизирано учење (предвиђање маскираних речи у реченици). Током претходног тренирања, модел усваја значајан ниво разумевања језика, који се затим може искористити са другим скуповима података кроз фино подешавање. Овај процес се назива **трансферно учење**.\n", "\n", - "![слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.sr.png)\n", + "![слика са http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.sr.png)\n", "\n", "Постоји много варијација трансформер архитектура, укључујући BERT, DistilBERT, BigBird, OpenGPT3 и друге, које се могу фино подесити.\n", "\n", diff --git a/translations/sr/lessons/5-NLP/19-NER/README.md b/translations/sr/lessons/5-NLP/19-NER/README.md index 7116e04b..99b475dd 100644 --- a/translations/sr/lessons/5-NLP/19-NER/README.md +++ b/translations/sr/lessons/5-NLP/19-NER/README.md @@ -56,7 +56,7 @@ NER модели су у суштини **модели за класификац Пошто треба да изградимо један-на-један кореспонденцију између токена и класа, можемо обучити десни **многи-на-многе** модел неуронске мреже из ове слике: -![Слика која приказује уобичајене обрасце рекурентних неуронских мрежа.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.sr.jpg) +![Слика која приказује уобичајене обрасце рекурентних неуронских мрежа.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.sr.jpg) > *Слика из [овог блога](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) аутора [Андреја Карпатија](http://karpathy.github.io/). Модели за класификацију токена у NER-у одговарају десној архитектури мреже на овој слици.* diff --git a/translations/sr/lessons/5-NLP/README.md b/translations/sr/lessons/5-NLP/README.md index d0bd321b..bfc6a4b1 100644 --- a/translations/sr/lessons/5-NLP/README.md +++ b/translations/sr/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Обрада природног језика -![Резиме NLP задатака у скици](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.sr.png) +![Резиме NLP задатака у скици](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.sr.png) У овом делу ћемо се фокусирати на коришћење неуронских мрежа за решавање задатака везаних за **обраду природног језика (NLP)**. Постоји много NLP проблема које желимо да рачунари могу да реше: diff --git a/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md index e2d69868..d4c71312 100644 --- a/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/sr/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ ask turtles [ Након отварања модела, бићете пребачени на главни екран NetLogo-а. Ево примера модела који описује популацију вукова и оваца, уз ограничене ресурсе (трава). -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.sr.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.sr.png) > Снимак екрана, Дмитриј Сошњиков diff --git a/translations/sr/lessons/README.md b/translations/sr/lessons/README.md index 131ae778..903d97d9 100644 --- a/translations/sr/lessons/README.md +++ b/translations/sr/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Преглед -![Преглед у виду цртежа](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.sr.png) +![Преглед у виду цртежа](../../../translated_images/ai-overview.0857791951d19500.sr.png) > Цртеж белешке од [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/sr/lessons/X-Extras/X1-MultiModal/README.md b/translations/sr/lessons/X-Extras/X1-MultiModal/README.md index 69283cd1..af9f842f 100644 --- a/translations/sr/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/sr/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Главна идеја CLIP-а је могућност поређења текстуалних упита са сликом и одређивање колико добро слика одговара упиту. -![CLIP Архитектура](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.sr.png) +![CLIP Архитектура](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.sr.png) > *Слика из [овог блога](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ CLIP модел/библиотека доступан је на [OpenAI GitHub]( Претпоставимо да треба да класификујемо слике, рецимо, између мачака, паса и људи. У том случају, можемо моделу дати слику и низ текстуалних упита: "*слика мачке*", "*слика пса*", "*слика човека*". У резултујућем вектору од 3 вероватноће само треба изабрати индекс са највишом вредношћу. -![CLIP за класификацију слика](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.sr.png) +![CLIP за класификацију слика](../../../../../translated_images/clip-class.3af42ef0b2b19369.sr.png) > *Слика из [овог блога](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ CLIP се такође може користити за **генерисање Једна од важних разлика између VQGAN-а и традиционалног GAN-а је та што други може произвести пристојну слику из било ког улазног вектора, док VQGAN вероватно производи слику која није кохерентна. Због тога је потребно додатно усмеравати процес креирања слике, а то се може урадити помоћу CLIP-а. -![VQGAN+CLIP Архитектура](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.sr.png) +![VQGAN+CLIP Архитектура](../../../../../translated_images/vqgan.5027fe05051dfa31.sr.png) Да бисмо генерисали слику која одговара текстуалном упиту, почињемо са неким насумичним вектором кодирања који се прослеђује кроз VQGAN да би се произвела слика. Затим се CLIP користи за креирање функције губитка која показује колико добро слика одговара текстуалном упиту. Циљ је затим минимизовати овај губитак, користећи уназадно ширење да би се прилагодили параметри улазног вектора. Одлична библиотека која имплементира VQGAN+CLIP је [Pixray](http://github.com/pixray/pixray). -![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.sr.png) | ![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.sr.png) | ![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.sr.png) +![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.sr.png) | ![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.sr.png) | ![Слика коју је произвео Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.sr.png) ----|----|---- Слика генерисана на основу упита *акварелски портрет младог мушког професора књижевности са књигом* | Слика генерисана на основу упита *уљани портрет младе женске професорке рачунарских наука са рачунаром* | Слика генерисана на основу упита *уљани портрет старог мушког професора математике испред табле* diff --git a/translations/sv/README.md b/translations/sv/README.md index 02c45e92..b8dc7307 100644 --- a/translations/sv/README.md +++ b/translations/sv/README.md @@ -1,8 +1,8 @@ -[Arabiska](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgariska](../bg/README.md) | [Burmesiska (Myanmar)](../my/README.md) | [Kinesiska (förenklad)](../zh/README.md) | [Kinesiska (traditionell, Hong Kong)](../hk/README.md) | [Kinesiska (traditionell, Macau)](../mo/README.md) | [Kinesiska (traditionell, Taiwan)](../tw/README.md) | [Kroatiska](../hr/README.md) | [Tjeckiska](../cs/README.md) | [Danska](../da/README.md) | [Nederländska](../nl/README.md) | [Estniska](../et/README.md) | [Finska](../fi/README.md) | [Franska](../fr/README.md) | [Tyska](../de/README.md) | [Grekiska](../el/README.md) | [Hebreiska](../he/README.md) | [Hindi](../hi/README.md) | [Ungerska](../hu/README.md) | [Indonesiska](../id/README.md) | [Italienska](../it/README.md) | [Japanska](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanska](../ko/README.md) | [Litauiska](../lt/README.md) | [Malajiska](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalesiska](../ne/README.md) | [Nigeriansk pidgin](../pcm/README.md) | [Norska](../no/README.md) | [Persiska (Farsi)](../fa/README.md) | [Polska](../pl/README.md) | [Portugisiska (Brasilien)](../br/README.md) | [Portugisiska (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumänska](../ro/README.md) | [Ryska](../ru/README.md) | [Serbiska (kyrilliska)](../sr/README.md) | [Slovakiska](../sk/README.md) | [Slovenska](../sl/README.md) | [Spanska](../es/README.md) | [Swahili](../sw/README.md) | [Svenska](./README.md) | [Tagalog (filippinska)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailändska](../th/README.md) | [Turkiska](../tr/README.md) | [Ukrainska](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesiska](../vi/README.md) +[Arabiska](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgariska](../bg/README.md) | [Burmesiska (Myanmar)](../my/README.md) | [Kinesiska (förenklad)](../zh/README.md) | [Kinesiska (traditionell, Hongkong)](../hk/README.md) | [Kinesiska (traditionell, Macau)](../mo/README.md) | [Kinesiska (traditionell, Taiwan)](../tw/README.md) | [Kroatiska](../hr/README.md) | [Tjeckiska](../cs/README.md) | [Danska](../da/README.md) | [Nederländska](../nl/README.md) | [Estniska](../et/README.md) | [Finska](../fi/README.md) | [Franska](../fr/README.md) | [Tyska](../de/README.md) | [Grekiska](../el/README.md) | [Hebreiska](../he/README.md) | [Hindi](../hi/README.md) | [Ungerska](../hu/README.md) | [Indonesiska](../id/README.md) | [Italienska](../it/README.md) | [Japanska](../ja/README.md) | [Kannada](../kn/README.md) | [Koreanska](../ko/README.md) | [Litauiska](../lt/README.md) | [Malajiska](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalesiska](../ne/README.md) | [Nigeriansk pidgin](../pcm/README.md) | [Norska](../no/README.md) | [Persiska (farsi)](../fa/README.md) | [Polska](../pl/README.md) | [Portugisiska (Brasilien)](../br/README.md) | [Portugisiska (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumänska](../ro/README.md) | [Ryska](../ru/README.md) | [Serbiska (kyrilliska)](../sr/README.md) | [Slovakiska](../sk/README.md) | [Slovenska](../sl/README.md) | [Spanska](../es/README.md) | [Swahili](../sw/README.md) | [Svenska](./README.md) | [Tagalog (filippinsk)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailändska](../th/README.md) | [Turkiska](../tr/README.md) | [Ukrainska](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesiska](../vi/README.md) -**Om du vill att ytterligare översättningar ska stödjas finns de listade [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**Om du vill ha ytterligare översättningar finns stödda språk listade [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** -## Gå med i gemenskapen +## Gå med i communityn [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## Vad du kommer att lära dig **[Tankekarta för kursen](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -I denna kursplan kommer du att lära dig: +I denna läroplan kommer du att lära dig: -* Olika tillvägagångssätt för artificiell intelligens, inklusive den "goda gamla" symboliska ansatsen med **kunskapsrepresentation** och slutledning ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* Olika angreppssätt till artificiell intelligens, inklusive den "goda gamla" symboliska ansatsen med **kunskapsrepresentation** och slutledningsresonemang ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). * **Neurala nätverk** och **djupinlärning**, som är kärnan i modern AI. Vi kommer att illustrera koncepten bakom dessa viktiga ämnen med kod i två av de mest populära ramverken - [TensorFlow](http://Tensorflow.org) och [PyTorch](http://pytorch.org). -* **Neurala arkitekturer** för arbete med bilder och text. Vi kommer att täcka nyare modeller men kan sakna vissa av de allra senaste framstegen. +* **Neurala arkitekturer** för arbete med bilder och text. Vi kommer att täcka nyare modeller men kan vara något bristfälliga i det senaste inom området. * Mindre populära AI-ansatser, såsom **genetiska algoritmer** och **multi-agent-system**. -Vad vi inte kommer att täcka i denna kursplan: +Vad vi inte kommer att täcka i denna läroplan: > [Hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Affärsfall för att använda **AI i affärer**. Överväg att genomföra inlärningsvägen [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utvecklad i samarbete med [INSEAD](https://www.insead.edu/). -* **Klassisk maskininlärning**, som är väl beskriven i vår [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). -* Praktiska AI-applikationer byggda med **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. För detta rekommenderar vi att du börjar med Microsoft Learn-moduler för [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** med flera. -* Specifika ML **molnramverk**, såsom [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) eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Överväg att använda inlärningsvägarna [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) och [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). -* **Konversations-AI** och **chatbots**. Det finns en separat inlärningsväg [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), och du kan också hänvisa till [detta blogginlägg](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) för mer information. -* **Djup matematik** bakom djupinlärning. För detta rekommenderar vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) av Ian Goodfellow, Yoshua Bengio och Aaron Courville, som också är tillgänglig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Affärsfall för användning av **AI i företag**. Överväg att gå [Introduktion till AI för företagsanvändare](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) lärväg på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utvecklad i samarbete med [INSEAD](https://www.insead.edu/). +* **Klassisk maskininlärning**, som är väl beskriven i vår [Maskininlärning för nybörjare](http://github.com/Microsoft/ML-for-Beginners). +* Praktiska AI-applikationer byggda med **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. För detta rekommenderar vi att du börjar med Microsoft Learn-moduler för [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** och andra. +* Specifika ML **molnramverk**, såsom [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), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Överväg att använda lärvägarna [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) och [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). +* **Konverserande AI** och **chattbotar**. Det finns en separat lärväg [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), och du kan även hänvisa till [detta blogginlägg](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) för mer detaljer. +* **Djup matematik** bakom djupinlärning. För detta rekommenderar vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) av Ian Goodfellow, Yoshua Bengio och Aaron Courville, som också finns tillgänglig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att ta inlärningsvägen [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) på Microsoft Learn. +För en mjuk introduktion till ämnena _AI i molnet_ kan du överväga att gå lärvägen [Kom igång med artificiell intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum). # Innehåll -| | Lektionslänk | PyTorch/Keras/TensorFlow | Lab | +| | Lektionslänk | PyTorch/Keras/TensorFlow | Laboration | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | | 0 | [Kursinställning](./lessons/0-course-setup/setup.md) | [Ställ in din utvecklingsmiljö](./lessons/0-course-setup/how-to-run.md) | | | I | [**Introduktion till AI**](./lessons/1-Intro/README.md) | | | @@ -77,7 +77,7 @@ För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att ta inl | 02 | [Kunskapsrepresentation och expertsystem](./lessons/2-Symbolic/README.md) | [Expertsystem](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**Introduktion till neurala nätverk**](./lessons/3-NeuralNetworks/README.md) ||| | 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Anteckningsbok](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labb](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Flerlagig perceptron och att skapa vårt eget ramverk](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Anteckningsbok](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labb](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 04 | [Flerlagrat perceptron och att skapa vårt eget ramverk](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Anteckningsbok](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labb](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | | 05 | [Introduktion till ramverk (PyTorch/TensorFlow) och överanpassning](./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) | [Labb](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | | IV | [**Datorseende**](./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)| [Utforska datorseende på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | | 06 | [Introduktion till datorseende. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Anteckningsbok](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labb](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | @@ -85,41 +85,41 @@ För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att ta inl | 08 | [Förtränade nätverk och transferinlärning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Träningstips](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labb](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | | 09 | [Autoenkodare och VAE:er](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | | 10 | [Generativa adversariella nätverk och konstnärlig stilöverföring](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [Objektdetektion](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labb](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 11 | [Objektdetektering](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labb](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [Semantisk segmentering. 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 | [**Bearbetning av naturligt språk**](./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) | [Utforska bearbetning av naturligt språk på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| V | [**Naturlig språkbehandling**](./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) | [Utforska naturlig språkbehandling på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [Textrepresentation. 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 | [Semantiska ordinbäddningar. Word2Vec och 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 | [Språkmodellering. Träna dina egna inbäddningar](./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) | [Labb](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [Återkommande neurala nätverk](./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 | [Generativa återkommande nätverk](./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) | [Labb](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 16 | [Rekurrenta neurala nätverk](./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 | [Generativa rekurrenta nätverk](./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) | [Labb](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [Entitetsigenkänning](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labb](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [Stora språkmodeller, promptprogrammering och få-exempelsuppgifter](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 19 | [Identifiering av namngivna entiteter](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labb](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [Stora språkmodeller, promptprogrammering och few-shot-uppgifter](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **Andra AI-tekniker** || | | 21 | [Genetiska algoritmer](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Anteckningsbok](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | | 22 | [Djup förstärkningsinlärning](./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) | [Labb](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [Fleragentsystem](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| 23 | [Multiagentssystem](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **AI-etik** | | | -| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **Övrigt** | | | +| 24 | [AI-etik och ansvarsfull AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| IX | **Extra** | | | | 25 | [Multimodala nätverk, CLIP och VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Anteckningsbok](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## Varje lektion innehåller * Förberedande läsmaterial * Körbara Jupyter-notebookar, som ofta är specifika för ramverket (**PyTorch** eller **TensorFlow**). Den körbara notebooken innehåller också mycket teoretiskt material, så för att förstå ämnet behöver du gå igenom minst en version av notebooken (antingen PyTorch eller TensorFlow). -* **Laborationer** tillgängliga för vissa ämnen, som ger dig möjlighet att försöka tillämpa det material du lärt dig på ett specifikt problem. -* Vissa avsnitt innehåller länkar till [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduler som behandlar relaterade ämnen. +* **Labb** finns för vissa ämnen, vilket ger dig möjlighet att försöka tillämpa det du lärt dig på ett specifikt problem. +* Vissa avsnitt innehåller länkar till [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduler som täcker relaterade ämnen. ## Komma igång -### 🎯 Ny inom AI? Börja här! +### 🎯 Nybörjare inom AI? Börja här! -Om du är helt ny inom AI och vill ha snabba, praktiska exempel, kolla in våra [**Nybörjarvänliga exempel**](./examples/README.md)! Dessa inkluderar: +Om du är helt ny inom AI och vill ha snabba, praktiska exempel, kolla in våra [**Exempel för nybörjare**](./examples/README.md)! Dessa inkluderar: - 🌟 **Hello AI World** - Ditt första AI-program (mönsterigenkänning) -- 🧠 **Simple Neural Network** - Bygg ett neuralt nätverk från grunden +- 🧠 **Simple Neural Network** - Bygg ett neuralt nät från grunden - 🖼️ **Image Classifier** - Klassificera bilder med detaljerade kommentarer - 💬 **Text Sentiment** - Analysera positiv/negativ text @@ -127,96 +127,96 @@ Dessa exempel är utformade för att hjälpa dig förstå AI-koncept innan du dy ### 📚 Fullständigt kursupplägg -- Vi har skapat en [inställningslektion](./lessons/0-course-setup/setup.md) för att hjälpa dig med att konfigurera din utvecklingsmiljö. - För lärare har vi även skapat en [kursuppläggsinställningslektion](./lessons/0-course-setup/for-teachers.md) för er! -- Hur man [kör koden i VSCode eller en Codepace](./lessons/0-course-setup/how-to-run.md) +- Vi har skapat en [setup lesson](./lessons/0-course-setup/setup.md) för att hjälpa dig med att ställa in din utvecklingsmiljö. - För lärare har vi också skapat en [curricula setup lesson](./lessons/0-course-setup/for-teachers.md)! +- Hur du [kör koden i VSCode eller en Codepace](./lessons/0-course-setup/how-to-run.md) Följ dessa steg: -Fork the Repository: Klicka på knappen "Fork" uppe i högra hörnet av den här sidan. +Fork the Repository: Klicka på "Fork"-knappen uppe till höger på den här sidan. Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` -Glöm inte att ge det en stjärna (🌟) så att du lättare hittar det senare. +Glöm inte att stjärnmärka (🌟) det här repo:t för att hitta det lättare senare. ## Möt andra deltagare -Gå med i vår [officiella AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) för att träffa och nätverka med andra deltagare som tar denna kurs och få support. +Gå med i vår [officiella AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) för att träffa och nätverka med andra som tar den här kursen och få stöd. -Om du har produktfeedback eller frågor medan du bygger besök vårt [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) +Om du har produktfeedback eller frågor medan du bygger, besök vårt [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## Quiz +## Frågesporter -> **A note about quizzes**: Alla quiz finns i Quiz-app-mappen i etc\quiz-app, eller [Online Here](https://ff-quizzes.netlify.app/) De är länkade från lektionerna, quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De håller på att lokaliseras gradvis. +> **En notering om frågesporter**: Alla frågesporter finns i Quiz-app-mappen i etc\quiz-app, eller [Online här](https://ff-quizzes.netlify.app/) De är länkade från lektionerna; quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De håller på att lokaliseras successivt. ## Hjälp önskas -Har du förslag eller hittat stavfel eller kodfel? Skapa en issue eller en pull request. +Har du förslag eller hittat stavfel eller kodfel? Öppna ett issue eller skapa en pull request. -## Särskilt tack +## Stort tack * **✍️ Huvudförfattare:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 Redaktör:** [Jen Looper](https://twitter.com/jenlooper), PhD * **🎨 Sketchnote-illustratör:** [Tomomi Imura](https://twitter.com/girlie_mac) * **✅ Quizskapare:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 Kärnbidragsgivare:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **🙏 Huvudbidragsgivare:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## Andra kursplaner -Vårt team tar fram andra kursplaner! Kolla in: +Vårt team producerar andra kursplaner! Kolla in: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j för nybörjare](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js för nybörjare](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD för nybörjare](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI för nybörjare](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP för nybörjare](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI-agenter för nybörjare](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generativ AI-serie +[![Generativ AI för nybörjare](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generativ AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generativ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generativ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Kärnutbildning -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Kärnämnen +[![ML för nybörjare](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Datavetenskap för nybörjare](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI för nybörjare](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersäkerhet för nybörjare](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Webbutveckling för nybörjare](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT för nybörjare](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR-utveckling för nybörjare](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot Series -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +### Copilot-serien +[![Copilot för AI-parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot för C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Få hjälp -Om du fastnar eller har några frågor om att bygga AI-appar. Gå med i diskussioner med andra deltagare och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt. +Om du kör fast eller har frågor om att bygga AI-appar. Gå med bland andra deltagare och erfarna utvecklare i diskussioner om MCP. Det är ett stödjande community där frågor är välkomna och kunskap delas fritt. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Om du har produktfeedback eller felmeddelanden medan du bygger besök: +Om du har produktfeedback eller fel medan du bygger, besök: -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry utvecklarforum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- Ansvarsfriskrivning: -Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator (https://github.com/Azure/co-op-translator). Vi eftersträvar noggrannhet, men observera att automatiska översättningar kan innehålla fel eller brister. Den ursprungliga versionen av dokumentet på dess ursprungsspråk ska anses vara den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår vid användning av denna översättning. +Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator (https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet bör du vara medveten om att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på sitt originalspråk ska betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning. \ No newline at end of file diff --git a/translations/sv/lessons/1-Intro/README.md b/translations/sv/lessons/1-Intro/README.md index 8317babf..291bfbaa 100644 --- a/translations/sv/lessons/1-Intro/README.md +++ b/translations/sv/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduktion till AI -![Sammanfattning av innehållet i Introduktion till AI i en skiss](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.sv.png) +![Sammanfattning av innehållet i Introduktion till AI i en skiss](../../../../translated_images/ai-intro.bf28d1ac4235881c.sv.png) > Skiss av [Tomomi Imura](https://twitter.com/girlie_mac) @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Ursprungligen uppfanns datorer av [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) för att arbeta med siffror enligt en väl definierad procedur - en algoritm. Moderna datorer, även om de är betydligt mer avancerade än den ursprungliga modellen som föreslogs på 1800-talet, följer fortfarande samma idé om kontrollerade beräkningar. Därför är det möjligt att programmera en dator att göra något om vi vet den exakta sekvensen av steg som behövs för att uppnå målet. -![Foto av en person](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.sv.png) +![Foto av en person](../../../../translated_images/dsh_age.d212a30d4e54fb5f.sv.png) > Foto av [Vickie Soshnikova](http://twitter.com/vickievalerie) @@ -46,7 +46,7 @@ För mer information, se **[Artificiell General Intelligens](https://en.wikipedi Ett av problemen med att hantera termen **[intelligens](https://en.wikipedia.org/wiki/Intelligence)** är att det inte finns någon tydlig definition av termen. Man kan argumentera för att intelligens är kopplad till **abstrakt tänkande** eller **självmedvetenhet**, men vi kan inte definiera det ordentligt. -![Foto av en katt](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.sv.jpg) +![Foto av en katt](../../../../translated_images/photo-cat.8c8e8fb760ffe457.sv.jpg) > [Foto](https://unsplash.com/photos/75715CVEJhI) av [Amber Kipp](https://unsplash.com/@sadmax) från Unsplash @@ -98,13 +98,13 @@ Alternativt kan vi försöka modellera de enklaste elementen i vår hjärna – > | Vad sägs om ML? | | > |--------------|-----------| -> | En del av artificiell intelligens som bygger på att datorn lär sig att lösa ett problem baserat på viss data kallas **Machine Learning**. Vi kommer inte att behandla klassisk maskininlärning i denna kurs - vi hänvisar dig till en separat [Machine Learning for Beginners](http://aka.ms/ml-beginners) läroplan. | ![ML för nybörjare](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.sv.png) | +> | En del av artificiell intelligens som bygger på att datorn lär sig att lösa ett problem baserat på viss data kallas **Machine Learning**. Vi kommer inte att behandla klassisk maskininlärning i denna kurs - vi hänvisar dig till en separat [Machine Learning for Beginners](http://aka.ms/ml-beginners) läroplan. | ![ML för nybörjare](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.sv.png) | ## En kort historia om AI Artificiell intelligens startade som ett område i mitten av 1900-talet. Ursprungligen var symboliskt resonemang en dominerande ansats, och det ledde till ett antal viktiga framgångar, såsom expertsystem – datorprogram som kunde agera som en expert inom vissa begränsade problemområden. Men det blev snart klart att en sådan ansats inte skalar bra. Att extrahera kunskap från en expert, representera den i en dator och hålla den kunskapsbasen korrekt visade sig vara en mycket komplex uppgift och för dyr för att vara praktisk i många fall. Detta ledde till den så kallade [AI-vintern](https://en.wikipedia.org/wiki/AI_winter) på 1970-talet. -Kort historia om AI +Kort historia om AI > Bild av [Dmitry Soshnikov](http://soshnikov.com) @@ -124,7 +124,7 @@ På samma sätt kan vi se hur ansatsen för att skapa "talande program" (som kan * Moderna assistenter, såsom Cortana, Siri eller Google Assistant, är alla hybridsystem som använder neurala nätverk för att konvertera tal till text och känna igen vår avsikt, och sedan använder vissa resonemang eller explicita algoritmer för att utföra nödvändiga åtgärder. * I framtiden kan vi förvänta oss en komplett neuralbaserad modell som hanterar dialoger själv. Den senaste GPT- och [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft)-familjen av neurala nätverk visar stor framgång i detta. -Turing-testets utveckling +Turing-testets utveckling > Bild av Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) av [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash ## Senaste AI-forskningen diff --git a/translations/sv/lessons/2-Symbolic/Animals.ipynb b/translations/sv/lessons/2-Symbolic/Animals.ipynb index 0c1dd712..0e945972 100644 --- a/translations/sv/lessons/2-Symbolic/Animals.ipynb +++ b/translations/sv/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "I detta exempel kommer vi att implementera ett enkelt kunskapsbaserat system för att identifiera ett djur baserat på vissa fysiska egenskaper. Systemet kan representeras av följande AND-OR-träd (detta är en del av hela trädet, vi kan enkelt lägga till fler regler):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.sv.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.sv.png)\n" ] }, { diff --git a/translations/sv/lessons/2-Symbolic/README.md b/translations/sv/lessons/2-Symbolic/README.md index c97b5596..7ac007b4 100644 --- a/translations/sv/lessons/2-Symbolic/README.md +++ b/translations/sv/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Kunskapsrepresentation och Expertsystem -![Sammanfattning av Symbolisk AI-innehåll](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.sv.png) +![Sammanfattning av Symbolisk AI-innehåll](../../../../translated_images/ai-symbolic.715a30cb610411a6.sv.png) > Sketchnote av [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +41,7 @@ Oftast definierar vi inte strikt vad kunskap är, utan vi relaterar den till and Således är problemet med **kunskapsrepresentation** att hitta ett effektivt sätt att representera kunskap i en dator i form av data, för att göra den automatiskt användbar. Detta kan ses som ett spektrum: -![Spektrum för kunskapsrepresentation](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.sv.png) +![Spektrum för kunskapsrepresentation](../../../../translated_images/knowledge-spectrum.b60df631852c0217.sv.png) > Bild av [Dmitry Soshnikov](http://soshnikov.com) @@ -94,7 +94,7 @@ Blocksyntax | Indragning | | | En av de tidiga framgångarna med symbolisk AI var de så kallade **expertsystemen** - datorsystem som designades för att agera som experter inom ett begränsat problemområde. De baserades på en **kunskapsbas** som extraherades från en eller flera mänskliga experter och innehöll en **slutsatsmotor** som utförde resonerande ovanpå den. -![Mänsklig arkitektur](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.sv.png) | ![Kunskapsbaserat system](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.sv.png) +![Mänsklig arkitektur](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.sv.png) | ![Kunskapsbaserat system](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.sv.png) ---------------------------------------------|------------------------------------------------ Förenklad struktur av ett mänskligt nervsystem | Arkitektur av ett kunskapsbaserat system @@ -106,7 +106,7 @@ Expertsystem är byggda som det mänskliga resoneringssystemet, som innehåller Som ett exempel, låt oss överväga följande expertsystem för att bestämma ett djur baserat på dess fysiska egenskaper: -![AND-OR-träd](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.sv.png) +![AND-OR-träd](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.sv.png) > Bild av [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index 26d1b4c9..8c163c93 100644 --- a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1259,7 +1259,7 @@ "* Låg träningsförlust - modellen kan approximera träningsdata väl eftersom den har tillräcklig uttryckskraft.\n", "* Valideringsförlust kan vara mycket högre än träningsförlust och kan börja öka under träningen - detta beror på att modellen \"memorerar\" träningspunkterna och förlorar \"helhetsbilden\".\n", "\n", - "![Överanpassning](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.sv.png)\n", + "![Överanpassning](../../../../../translated_images/overfit.a0bd57f717c15769.sv.png)\n", "\n", "> På denna bild står `x` för träningsdata, `o` - valideringsdata. Vänster - linjär modell (enlager), den approximera datans natur ganska väl. Höger - överanpassad modell, modellen approximera träningsdata perfekt, men slutar vara meningsfull för annan data (valideringsfelet är mycket högt).\n" ] diff --git a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md index c0b2a3a1..66d52cf3 100644 --- a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ Efter att ha bemästrat ramverken, låt oss repetera begreppet överanpassning. Tänk på följande problem med att approximera 5 punkter (representerade av `x` på graferna nedan): -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.sv.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.sv.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.sv.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.sv.jpg) -------------------------|-------------------------- **Linjär modell, 2 parametrar** | **Icke-linjär modell, 7 parametrar** Träningsfel = 5.3 | Träningsfel = 0 @@ -79,7 +79,7 @@ Det är mycket viktigt att hitta en korrekt balans mellan modellens komplexitet Som du kan se från grafen ovan kan överanpassning upptäckas genom ett mycket lågt träningsfel och ett högt valideringsfel. Normalt under träning ser vi både tränings- och valideringsfel minska, och sedan vid någon punkt kan valideringsfelet sluta minska och börja öka. Detta är ett tecken på överanpassning och en indikation på att vi förmodligen bör sluta träna vid denna punkt (eller åtminstone spara en ögonblicksbild av modellen). -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.sv.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.sv.png) ## Hur man förhindrar överanpassning diff --git a/translations/sv/lessons/3-NeuralNetworks/README.md b/translations/sv/lessons/3-NeuralNetworks/README.md index b67615a6..29475c9c 100644 --- a/translations/sv/lessons/3-NeuralNetworks/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduktion till neurala nätverk -![Sammanfattning av innehållet i Introduktion till neurala nätverk i en skiss](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sv.png) +![Sammanfattning av innehållet i Introduktion till neurala nätverk i en skiss](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.sv.png) Som vi diskuterade i introduktionen är ett av sätten att uppnå intelligens att träna en **datormodell** eller en **artificiell hjärna**. Sedan mitten av 1900-talet har forskare testat olika matematiska modeller, och på senare år har denna riktning visat sig vara mycket framgångsrik. Sådana matematiska modeller av hjärnan kallas **neurala nätverk**. @@ -36,13 +36,13 @@ I denna kursplan kommer vi endast att fokusera på modeller för neurala nätver Från biologin vet vi att vår hjärna består av nervceller (neuroner), var och en med flera "ingångar" (dendriter) och en enda "utgång" (axon). Både dendriter och axoner kan leda elektriska signaler, och kopplingarna mellan dem — kända som synapser — kan uppvisa varierande grad av ledningsförmåga, som regleras av neurotransmittorer. -![Modell av en neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sv.jpg) | ![Modell av en neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sv.png) +![Modell av en neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.sv.jpg) | ![Modell av en neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f.sv.png) ----|---- Verklig neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) från Wikipedia)* | Artificiell neuron *(Bild av författaren)* Således innehåller den enklaste matematiska modellen av en neuron flera ingångar X1, ..., XN och en utgång Y, samt en serie vikter W1, ..., WN. En utgång beräknas som: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) där f är någon icke-linjär **aktiveringsfunktion**. diff --git a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md index 82a7049d..cc3d3bad 100644 --- a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ I vår [OpenCV Notebook](OpenCV.ipynb) ger vi några exempel på när datorseend * **Förbehandling av ett fotografi av en Braille-bok**. Vi fokuserar på hur vi kan använda tröskling, funktionsdetektion, perspektivtransformation och NumPy-manipulationer för att separera individuella Braille-symboler för vidare klassificering av ett neuralt nätverk. -![Braille Image](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.sv.jpeg) | ![Braille Image Pre-processed](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.sv.png) | ![Braille Symbols](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.sv.png) +![Braille Image](../../../../../translated_images/braille.341962ff76b1bd70.sv.jpeg) | ![Braille Image Pre-processed](../../../../../translated_images/braille-result.46530fea020b03c7.sv.png) | ![Braille Symbols](../../../../../translated_images/braille-symbols.0159185ab69d5339.sv.png) ----|-----|----- > Bild från [OpenCV.ipynb](OpenCV.ipynb) * **Detektera rörelse i video med hjälp av bildruteskillnad**. Om kameran är fast, bör bildrutor från kameraflödet vara ganska lika varandra. Eftersom bildrutor representeras som arrayer, kan vi genom att subtrahera dessa arrayer för två efterföljande bildrutor få pixeldifferensen, som bör vara låg för statiska bildrutor och bli högre när det finns betydande rörelse i bilden. -![Image of video frames and frame differences](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.sv.png) +![Image of video frames and frame differences](../../../../../translated_images/frame-difference.706f805491a0883c.sv.png) > Bild från [OpenCV.ipynb](OpenCV.ipynb) @@ -89,7 +89,7 @@ I vår [OpenCV Notebook](OpenCV.ipynb) ger vi några exempel på när datorseend - **Tätt optiskt flöde** beräknar vektorfältet som visar för varje pixel var den rör sig. - **Gles optiskt flöde** baseras på att ta några distinkta funktioner i bilden (t.ex. kanter) och bygga deras bana från bildruta till bildruta. -![Image of Optical Flow](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.sv.png) +![Image of Optical Flow](../../../../../translated_images/optical.1f4a94464579a83a.sv.png) > Bild från [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index e6a82af3..97131683 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 är ett nätverk som uppnådde 92,7% noggrannhet i ImageNet top-5 klassificering år 2014. Det har följande lagerstruktur: -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.sv.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.sv.jpg) Som du kan se följer VGG en traditionell pyramidarkitektur, vilket är en sekvens av konvolutions- och poolinglager. -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.sv.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.sv.jpg) > Bild från [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index 4e33b09e..8e225f5f 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -262,7 +262,7 @@ "\n", "Således skulle en typisk CNN innehålla flera konvolutionella lager, med pooling-lager mellan dem för att minska bildens dimensioner. Vi skulle också öka antalet filter, eftersom mönstren blir mer avancerade – det finns fler möjliga intressanta kombinationer som vi behöver leta efter.\n", "\n", - "![En bild som visar flera konvolutionella lager med pooling-lager.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.sv.png)\n", + "![En bild som visar flera konvolutionella lager med pooling-lager.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.sv.png)\n", "\n", "På grund av de minskande rumsliga dimensionerna och de ökande funktions-/filterdimensionerna kallas denna arkitektur också för **pyramidarkitektur**.\n" ] diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index 13af043b..c0d9d364 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -358,7 +358,7 @@ "\n", "Således skulle en typisk CNN ha flera konvolutionella lager, med pooling-lager mellan dem för att minska bildens dimensioner. Vi skulle också öka antalet filter, eftersom mönstren blir mer avancerade – det finns fler möjliga intressanta kombinationer som vi behöver leta efter.\n", "\n", - "![En bild som visar flera konvolutionella lager med pooling-lager.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.sv.png)\n", + "![En bild som visar flera konvolutionella lager med pooling-lager.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.sv.png)\n", "\n", "På grund av minskande rumsliga dimensioner och ökande funktions-/filterdimensioner kallas denna arkitektur också för **pyramidarkitektur**.\n" ] diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md index d7dd9d30..7c768db2 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ I verkligheten vill vi kunna känna igen objekt på en bild oavsett deras exakta För att extrahera mönster kommer vi att använda begreppet **konvolutionella filter**. Som du vet representeras en bild av en 2D-matris eller en 3D-tensor med färgdjup. Att applicera ett filter innebär att vi tar en relativt liten **filterkärna**-matris, och för varje pixel i den ursprungliga bilden beräknar vi det viktade medelvärdet med angränsande punkter. Vi kan se detta som ett litet fönster som glider över hela bilden och jämnar ut alla pixlar enligt vikterna i filterkärnan. -![Vertikalt kantfilter](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.sv.png) | ![Horisontellt kantfilter](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.sv.png) +![Vertikalt kantfilter](../../../../../translated_images/filter-vert.b7148390ca0bc356.sv.png) | ![Horisontellt kantfilter](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.sv.png) ----|---- > Bild av Dmitry Soshnikov @@ -38,7 +38,7 @@ Så här fungerar CNN baserat på följande viktiga idéer: * Vi kan designa nätverket så att filtren tränas automatiskt * Vi kan använda samma metod för att hitta mönster i hög-nivå egenskaper, inte bara i den ursprungliga bilden. Således arbetar CNN med en hierarki av egenskaper, från låg-nivå pixelkombinationer till högre nivå kombinationer av bilddelar. -![Hierarkisk egenskapsutvinning](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.sv.png) +![Hierarkisk egenskapsutvinning](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.sv.png) > Bild från [en artikel av Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), baserad på [deras forskning](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) @@ -55,9 +55,9 @@ De flesta CNN som används för bildbehandling följer en så kallad pyramidarki Som exempel, låt oss titta på arkitekturen för VGG-16, ett nätverk som uppnådde 92,7% noggrannhet i ImageNet's topp-5 klassificering år 2014: -![ImageNet-lager](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.sv.jpg) +![ImageNet-lager](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.sv.jpg) -![ImageNet-pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.sv.jpg) +![ImageNet-pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.sv.jpg) > Bild från [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md index ab1e1831..839059b2 100644 --- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ Du behöver träna ett konvolutionellt neuralt nätverk för att klassificera ol Vi kommer att använda [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), som innehåller bilder av 37 olika raser av hundar och katter. -![Datasetet vi kommer att arbeta med](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.sv.png) +![Datasetet vi kommer att arbeta med](../../../../../../translated_images/data.50b2a9d5484bdbf0.sv.png) För att ladda ner datasetet, använd följande kodsnutt: diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 3f31ff66..181bc346 100644 --- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "För att visualisera den ideala katten börjar vi med en slumpmässig brusbild och försöker använda gradientnedstigningsoptimeringstekniken för att justera bilden så att nätverket känner igen en katt.\n", "\n", - "![Optimeringsloop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sv.png)\n", + "![Optimeringsloop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sv.png)\n", "\n", "Här är vår startbild:\n" ] diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md index 018188c0..7ceda4e3 100644 --- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Både Keras och PyTorch innehåller funktioner för att enkelt ladda förtränad Här är exempel på funktioner som extraherats från en bild av en katt med VGG-16-nätverket: -![Funktioner extraherade av VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.sv.png) +![Funktioner extraherade av VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.sv.png) ## Dataset för katter och hundar @@ -48,19 +48,19 @@ Ett förtränat neuralt nätverk innehåller olika mönster i sitt *"hjärna"*, En metod vi kan använda är att börja med en slumpmässig bild och sedan försöka använda **gradient descent-optimering** för att justera bilden så att nätverket börjar tro att det är en katt. -![Bildoptimeringsloop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.sv.png) +![Bildoptimeringsloop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.sv.png) Om vi gör detta kommer vi dock att få något som liknar slumpmässigt brus. Detta beror på att *det finns många sätt att få nätverket att tro att inmatningsbilden är en katt*, inklusive sådana som inte är visuellt meningsfulla. Även om dessa bilder innehåller många mönster som är typiska för en katt, finns det inget som begränsar dem till att vara visuellt distinkta. För att förbättra resultatet kan vi lägga till en annan term i förlustfunktionen, kallad **variation loss**. Det är en metrik som visar hur lika angränsande pixlar i bilden är. Genom att minimera variation loss blir bilden mjukare och bruset försvinner - vilket avslöjar mer visuellt tilltalande mönster. Här är exempel på sådana "ideala" bilder som klassificeras som katt och zebra med hög sannolikhet: -![Ideal katt](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.sv.png) | ![Ideal zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.sv.png) +![Ideal katt](../../../../../translated_images/ideal-cat.203dd4597643d6b0.sv.png) | ![Ideal zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.sv.png) -----|----- *Ideal katt* | *Ideal zebra* En liknande metod kan användas för att utföra så kallade **adversarial attacks** på ett neuralt nätverk. Anta att vi vill lura ett neuralt nätverk och få en hund att se ut som en katt. Om vi tar en bild av en hund som nätverket känner igen som en hund, kan vi sedan justera den lite med gradient descent-optimering tills nätverket börjar klassificera den som en katt: -![Bild av en hund](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.sv.png) | ![Bild av en hund klassificerad som en katt](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.sv.png) +![Bild av en hund](../../../../../translated_images/original-dog.8f68a67d2fe0911f.sv.png) | ![Bild av en hund klassificerad som en katt](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.sv.png) -----|----- *Originalbild av en hund* | *Bild av en hund klassificerad som en katt* diff --git a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 2a1f0c0b..0a70d8a5 100644 --- a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "Eftersom vi tränar autoencodern för att fånga så mycket information som möjligt från den ursprungliga bilden för en korrekt rekonstruktion, försöker nätverket hitta den bästa **inbäddningen** av inmatningsbilder för att fånga meningen.\n", "\n", - "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sv.jpg)\n", + "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sv.jpg)\n", "\n", "> Bild från [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index 37d55b2a..ab02f75b 100644 --- a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -19,7 +19,7 @@ "\n", "Eftersom vi tränar autoencodern att fånga så mycket information som möjligt från den ursprungliga bilden för att kunna återskapa den korrekt, försöker nätverket hitta den bästa **inbäddningen** av inmatningsbilder för att fånga dess innebörd.\n", "\n", - "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sv.jpg)\n", + "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sv.jpg)\n", "\n", "*Bild från [Keras blogg](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md index 2fb95848..b73f3925 100644 --- a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ Men vi kanske vill använda rå (omärkt) data för att träna CNN-funktionsextr Eftersom vi tränar en autoencoder för att fånga så mycket information som möjligt från den ursprungliga bilden för en korrekt rekonstruktion, försöker nätverket hitta den bästa **embedding** av inmatningsbilder för att fånga dess betydelse. -![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.sv.jpg) +![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.sv.jpg) > Bild från [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md index 229838cd..0815b837 100644 --- a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ De bildklassificeringsmodeller vi har arbetat med hittills tar en bild och produ ## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![Objektigenkänning](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.sv.png) +![Objektigenkänning](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.sv.png) > Bild från [YOLO v2 webbplats](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ Om vi ville hitta en katt på en bild, skulle en mycket naiv metod för objektig 2. Kör bildklassificering på varje ruta. 3. De rutor som resulterar i tillräckligt hög aktivering kan anses innehålla det aktuella objektet. -![Naiv objektigenkänning](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.sv.png) +![Naiv objektigenkänning](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.sv.png) > *Bild från [Övningsanteckningsbok](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ Du kan stöta på följande dataset för denna uppgift: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 klasser * [COCO](http://cocodataset.org/#home) - Vanliga objekt i kontext. 80 klasser, begränsningsrutor och segmenteringsmasker -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.sv.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.sv.jpg) ## Mätvärden för objektigenkänning @@ -50,7 +50,7 @@ Du kan stöta på följande dataset för denna uppgift: Medan det är enkelt att mäta hur väl algoritmen presterar för bildklassificering, behöver vi för objektigenkänning mäta både korrektheten av klassen och precisionen av den förutsagda begränsningsrutans position. För det senare använder vi den så kallade **Intersection over Union** (IoU), som mäter hur väl två rutor (eller två godtyckliga områden) överlappar. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.sv.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.sv.png) > *Figur 2 från [denna utmärkta bloggpost om IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ Det finns två breda klasser av algoritmer för objektigenkänning: [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) använder [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) för att generera en hierarkisk struktur av ROI-regioner, som sedan passerar genom CNN-funktionsextraktorer och SVM-klassificerare för att bestämma objektklassen, och linjär regression för att bestämma *begränsningsrutans* koordinater. [Officiell artikel](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.sv.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.sv.png) > *Bild från van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.sv.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.sv.png) > *Bilder från [denna blogg](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ Det finns två breda klasser av algoritmer för objektigenkänning: Denna metod liknar R-CNN, men regioner definieras efter att konvolutionslager har applicerats. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.sv.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.sv.png) > Bild från [den officiella artikeln](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 @@ -118,7 +118,7 @@ Denna metod liknar R-CNN, men regioner definieras efter att konvolutionslager ha Huvudidén med denna metod är att använda ett neuralt nätverk för att förutsäga ROI - så kallat *Region Proposal Network*. [Artikel](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.sv.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.sv.png) > Bild från [den officiella artikeln](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ Denna algoritm är ännu snabbare än Faster R-CNN. Huvudidén är följande: 2. Funktionerna bearbetas av **Position-Sensitive Score Map**. Varje objekt från $C$ klasser delas upp i $k\times k$ regioner, och vi tränar för att förutsäga delar av objekt. 3. För varje del från $k\times k$ regioner röstar alla nätverk för objektklasser, och den objektklass med flest röster väljs. -![r-fcn bild](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.sv.png) +![r-fcn bild](../../../../../translated_images/r-fcn.13eb88158b99a3da.sv.png) > Bild från [officiell artikel](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO är en realtidsalgoritm med ett enda pass. Huvudidén är följande: * Bilden delas upp i $S\times S$ regioner. * För varje region förutsäger **CNN** $n$ möjliga objekt, *begränsningsrutans* koordinater och *confidence*=*sannolikhet* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.sv.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.sv.png) > Bild från [officiell artikel](https://arxiv.org/abs/1506.02640) diff --git a/translations/sv/lessons/4-ComputerVision/README.md b/translations/sv/lessons/4-ComputerVision/README.md index ebe494b1..e6205334 100644 --- a/translations/sv/lessons/4-ComputerVision/README.md +++ b/translations/sv/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Datorseende -![Sammanfattning av innehållet om datorseende i en skiss](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.sv.png) +![Sammanfattning av innehållet om datorseende i en skiss](../../../../translated_images/ai-computervision.6506ebebac3fbf76.sv.png) I den här delen kommer vi att lära oss om: diff --git a/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index 66868564..f098fc83 100644 --- a/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "**Påsmodell** (BoW) vektorrepresentation är den mest använda traditionella vektorrepresentationen. Varje ord är kopplat till ett vektorindex, och varje element i vektorn innehåller antalet förekomster av ett ord i ett givet dokument.\n", "\n", - "![Bild som visar hur en påsmodell-vektorrepresentation lagras i minnet.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sv.png) \n", + "![Bild som visar hur en påsmodell-vektorrepresentation lagras i minnet.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sv.png) \n", "\n", "> **Note**: Du kan också tänka på BoW som en summa av alla enskilda one-hot-kodade vektorer för individuella ord i texten.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index 9ba99324..4dd81a5f 100644 --- a/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/sv/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "**Bag-of-words** (BoW) vektorrepresentation är den mest lättförståeliga traditionella vektorrepresentationen. Varje ord är kopplat till ett vektorindex, och ett element i vektorn innehåller antalet förekomster av varje ord i ett givet dokument.\n", "\n", - "![Bild som visar hur en bag-of-words vektorrepresentation representeras i minnet.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.sv.png) \n", + "![Bild som visar hur en bag-of-words vektorrepresentation representeras i minnet.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.sv.png) \n", "\n", "> **Note**: Du kan också tänka på BoW som en summa av alla enskilt one-hot-kodade vektorer för individuella ord i texten.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index ad266679..8a771849 100644 --- a/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "Genom att använda inbäddningslagret som det första lagret i vårt nätverk kan vi byta från bag-of-words till **embedding bag**-modellen, där vi först konverterar varje ord i vår text till motsvarande inbäddning och sedan beräknar någon aggregeringsfunktion över alla dessa inbäddningar, såsom `sum`, `average` eller `max`.\n", "\n", - "![Bild som visar en inbäddningsklassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sv.png)\n", + "![Bild som visar en inbäddningsklassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sv.png)\n", "\n", "Vårt klassificerande neurala nätverk kommer att börja med ett inbäddningslager, sedan ett aggregeringslager och en linjär klassificerare ovanpå det:\n" ] @@ -176,7 +176,7 @@ "\n", "I den tidigare arkitekturen behövde vi fylla ut alla sekvenser till samma längd för att passa in dem i en minibatch. Detta är inte det mest effektiva sättet att representera sekvenser med variabel längd - ett annat tillvägagångssätt skulle vara att använda en **offset**-vektor, som innehåller offset för alla sekvenser lagrade i en stor vektor.\n", "\n", - "![Bild som visar en offset-sekvensrepresentation](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.sv.png)\n", + "![Bild som visar en offset-sekvensrepresentation](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.sv.png)\n", "\n", "> **Note**: På bilden ovan visar vi en sekvens av tecken, men i vårt exempel arbetar vi med sekvenser av ord. Principen för att representera sekvenser med en offset-vektor förblir dock densamma.\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW är snabbare, medan skip-gram är långsammare men gör ett bättre jobb med att representera sällsynta ord.\n", "\n", - "![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sv.png)\n", + "![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sv.png)\n", "\n", "För att experimentera med Word2Vec-inbäddningar förtränade på Google News-datasetet kan vi använda **gensim**-biblioteket. Nedan hittar vi de ord som är mest lik 'neural'.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index 81a2b3bc..05cf39bd 100644 --- a/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/sv/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "Genom att använda ett embedding-lager som det första lagret i vårt nätverk kan vi byta från bag-of-words till en **embedding bag**-modell, där vi först konverterar varje ord i vår text till motsvarande embedding och sedan beräknar någon aggregeringsfunktion över alla dessa embeddings, såsom `sum`, `average` eller `max`.\n", "\n", - "![Bild som visar en embedding-klassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sv.png)\n", + "![Bild som visar en embedding-klassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sv.png)\n", "\n", "Vårt klassificeringsnätverk består av följande lager:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW är snabbare, medan skip-gram är långsammare men gör ett bättre jobb med att representera sällsynta ord.\n", "\n", - "![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sv.png)\n", + "![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sv.png)\n", "\n", "För att experimentera med Word2Vec-inbäddningen förtränad på Google News-datasetet kan vi använda **gensim**-biblioteket. Nedan hittar vi de ord som är mest liknande 'neural'.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/README.md b/translations/sv/lessons/5-NLP/14-Embeddings/README.md index 21131c58..5143fbed 100644 --- a/translations/sv/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/sv/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ Så, inbäddningslagret skulle ta ett ord som indata och producera en utdata-vek Genom att använda ett inbäddningslager som det första lagret i vårt klassificeringsnätverk kan vi byta från en bag-of-words till en **embedding bag**-modell, där vi först konverterar varje ord i vår text till motsvarande inbäddning och sedan beräknar någon aggregeringsfunktion över alla dessa inbäddningar, såsom `sum`, `average` eller `max`. -![Bild som visar en inbäddningsklassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.sv.png) +![Bild som visar en inbäddningsklassificerare för fem sekvensord.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.sv.png) > Bild av författaren @@ -40,7 +40,7 @@ För att göra detta behöver vi förträna vår inbäddningsmodell på en stor CBoW är snabbare, medan skip-gram är långsammare men gör ett bättre jobb med att representera sällsynta ord. -![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sv.png) +![Bild som visar både CBoW- och Skip-Gram-algoritmer för att konvertera ord till vektorer.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sv.png) > Bild från [denna artikel](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md index 65bc894d..7bfbf69a 100644 --- a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ I våra tidigare exempel använde vi förtränade semantiska inbäddningar, men * **Continuous Bag-of-Words** (CBoW), där vi förutspår den mittersta token $W_0$ i en sekvens av tokens $W_{-N}$, ..., $W_N$. * **Skip-gram**, där vi förutspår en uppsättning närliggande tokens {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} från den mittersta token $W_0$. -![bild från artikel om att konvertera ord till vektorer](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.sv.png) +![bild från artikel om att konvertera ord till vektorer](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.sv.png) > Bild från [denna artikel](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/sv/lessons/5-NLP/16-RNN/README.md b/translations/sv/lessons/5-NLP/16-RNN/README.md index cbc35a83..68c09127 100644 --- a/translations/sv/lessons/5-NLP/16-RNN/README.md +++ b/translations/sv/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ I tidigare avsnitt har vi använt rika semantiska representationer av text och e För att fånga betydelsen av en textsekvens behöver vi använda en annan neural nätverksarkitektur, som kallas för ett **rekurrent neuralt nätverk**, eller RNN. I RNN skickar vi vår mening genom nätverket en symbol i taget, och nätverket producerar ett **tillstånd**, som vi sedan skickar tillbaka till nätverket tillsammans med nästa symbol. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sv.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.sv.png) > Bild av författaren @@ -61,7 +61,7 @@ Vi har diskuterat rekurrenta nätverk som arbetar i en riktning, från början a Ett rekurrent nätverk, antingen enkelriktat eller bidirektionellt, fångar vissa mönster inom en sekvens och kan lagra dem i en tillståndsvektor eller skicka dem till utgången. Precis som med konvolutionella nätverk kan vi bygga ett annat rekurrent lager ovanpå det första för att fånga högre nivåmönster och bygga från lågnivåmönster som extraherats av det första lagret. Detta leder oss till begreppet **flerskiktat RNN**, som består av två eller fler rekurrenta nätverk, där utgången från det föregående lagret skickas till nästa lager som inmatning. -![Bild som visar ett flerskiktat Long Short Term Memory-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sv.jpg) +![Bild som visar ett flerskiktat Long Short Term Memory-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sv.jpg) *Bild från [detta fantastiska inlägg](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) av Fernando López* diff --git a/translations/sv/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/sv/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index 580926be..b1a45d75 100644 --- a/translations/sv/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/sv/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "Ett rekurrent nätverk, oavsett om det är enkelriktat eller bidirektionellt, fångar vissa mönster inom en sekvens och kan lagra dem i en tillståndsvektor eller skicka dem vidare till utdata. Precis som med konvolutionella nätverk kan vi bygga ett annat rekurrent lager ovanpå det första för att fånga mönster på högre nivå, baserat på låg-nivå mönster som det första lagret har extraherat. Detta leder oss till begreppet **flerskiktad RNN**, som består av två eller fler rekurrenta nätverk, där utdata från det föregående lagret skickas som indata till nästa lager.\n", "\n", - "![Bild som visar en flerskiktad lång-korttidsminne-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sv.jpg)\n", + "![Bild som visar en flerskiktad lång-korttidsminne-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sv.jpg)\n", "\n", "*Bild från [detta fantastiska inlägg](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) av Fernando López*\n", "\n", diff --git a/translations/sv/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/sv/lessons/5-NLP/16-RNN/RNNTF.ipynb index 6e2ae4c0..540d369d 100644 --- a/translations/sv/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/sv/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "För att fånga betydelsen av en textsekvens kommer vi att använda en neural nätverksarkitektur som kallas **rekurrenta neurala nätverk**, eller RNN. När vi använder en RNN skickar vi vår mening genom nätverket en token i taget, och nätverket producerar ett **tillstånd**, som vi sedan skickar vidare till nätverket tillsammans med nästa token.\n", "\n", - "![Bild som visar ett exempel på generering med rekurrenta neurala nätverk.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.sv.png)\n", + "![Bild som visar ett exempel på generering med rekurrenta neurala nätverk.](../../../../../translated_images/rnn.27f5c29c53d727b5.sv.png)\n", "\n", "Givet en inmatningssekvens av token $X_0,\\dots,X_n$, skapar RNN en sekvens av neurala nätverksblock och tränar denna sekvens från början till slut med hjälp av backpropagation. Varje nätverksblock tar ett par $(X_i,S_i)$ som indata och producerar $S_{i+1}$ som resultat. Det slutliga tillståndet $S_n$ eller utdata $Y_n$ skickas till en linjär klassificerare för att producera resultatet. Alla nätverksblock delar samma vikter och tränas från början till slut med en enda backpropagation-pass.\n", "\n", @@ -369,7 +369,7 @@ "\n", "Rekurrenta nätverk, oavsett om de är enkelriktade eller bidirektionella, fångar mönster inom en sekvens och lagrar dem i tillståndsvektorer eller returnerar dem som output. Precis som med konvolutionella nätverk kan vi bygga ett annat rekurrent lager efter det första för att fånga högre nivåmönster, byggda från lägre nivåmönster som extraherats av det första lagret. Detta leder oss till begreppet **flerskiktad RNN**, som består av två eller fler rekurrenta nätverk, där output från det föregående lagret skickas till nästa lager som input.\n", "\n", - "![Bild som visar ett flerskiktat lång-korttidsminnes-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.sv.jpg)\n", + "![Bild som visar ett flerskiktat lång-korttidsminnes-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.sv.jpg)\n", "\n", "*Bild från [detta fantastiska inlägg](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) av Fernando López.*\n", "\n", diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index 6f9b88a6..02a7087f 100644 --- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "Så här kommer vi att träna ett RNN för att generera text. Vid varje steg tar vi en sekvens av tecken med längden `nchars` och ber nätverket att generera nästa utmatningstecken för varje inmatningstecken:\n", "\n", - "![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sv.png)\n", + "![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sv.png)\n", "\n", "Beroende på det faktiska scenariot kan vi också vilja inkludera några specialtecken, såsom *slut-på-sekvens* ``. I vårt fall vill vi bara träna nätverket för oändlig textgenerering, därför kommer vi att fixa storleken på varje sekvens till att vara lika med `nchars` tokens. Följaktligen kommer varje tränings-exempel att bestå av `nchars` inmatningar och `nchars` utmatningar (vilka är inmatningssekvensen förskjuten ett tecken åt vänster). Minibatchen kommer att bestå av flera sådana sekvenser.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index dfef00ed..637ffc08 100644 --- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -113,7 +113,7 @@ "\n", "Så här kommer vi att träna ett RNN för att generera nyhetstitlar. Vid varje steg tar vi en titel, som matas in i ett RNN, och för varje inmatad tecken ber vi nätverket att generera nästa utmatade tecken:\n", "\n", - "![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sv.png)\n", + "![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sv.png)\n", "\n", "För det sista tecknet i vår sekvens kommer vi att be nätverket att generera ``-token.\n", "\n", diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md index bf5765b6..b2f92c5b 100644 --- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ I RNN-arkitekturen som vi diskuterade i föregående enhet, producerade varje RN Detta möjliggör olika neurala arkitekturer som visas i bilden nedan: -![Bild som visar vanliga mönster för återkommande neurala nätverk.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.sv.jpg) +![Bild som visar vanliga mönster för återkommande neurala nätverk.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.sv.jpg) > Bild från blogginlägget [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) av [Andrej Karpaty](http://karpathy.github.io/) @@ -32,7 +32,7 @@ I denna enhet kommer vi att fokusera på enkla generativa modeller som hjälper Vi kommer att träna denna RNN att generera text steg för steg. Vid varje steg tar vi en sekvens av tecken med längden `nchars` och ber nätverket att generera nästa outputtecken för varje inputtecken: -![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.sv.png) +![Bild som visar ett exempel på RNN-generering av ordet 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.sv.png) När vi genererar text (under inferens), börjar vi med en **prompt**, som passeras genom RNN-celler för att generera dess mellanliggande tillstånd, och sedan börjar genereringen från detta tillstånd. Vi genererar ett tecken i taget och skickar tillståndet och det genererade tecknet till en annan RNN-cell för att generera nästa, tills vi har genererat tillräckligt många tecken.