chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)
This commit is contained in:
localizeflow[bot]
parent
3c760d21ff
commit
43c61babaf
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:29:31+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:34:49+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:21:36+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:44+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:42+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:50:16+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:42+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:46:02+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:54:03+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:34:19+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:39:14+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T05:30:53+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:17:18+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:05:24+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:06:37+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T05:32:06+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:34:06+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T14:32:41+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T22:50:17+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T14:32:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:49:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T14:32:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:53:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T14:27:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T14:26:37+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T14:26:16+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:57:52+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T14:26:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:13:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:52+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T14:28:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T14:29:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T14:28:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:50:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T14:29:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:37:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T14:36:02+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:33+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T14:35:42+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:46+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T14:33:47+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:58:21+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T14:35:13+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:37:19+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T14:33:26+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:29+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T14:33:59+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:05:21+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T14:34:51+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:14:39+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T14:34:35+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:28:50+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T14:24:35+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T14:25:45+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:46+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T14:24:55+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:29:16+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:25:05+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:23:15+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:38:21+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:09:28+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:02:09+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "bg"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:51:28+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:29:31+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Преглед на проекта
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T05:29:16+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -21,33 +12,34 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Изкуствен интелект за начинаещи - учебна програма
|
||||
# Изкуствен интелект за начинаещи - Учебна програма
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Изкуствен интелект за начинаещи - _Скетчноут от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _Ментална карта от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Изследвайте света на **Изкуствения интелект** (ИИ) с нашата 12-седмична, 24-урочна учебна програма! Тя включва практически уроци, тестове и лабораторни занятия. Учебната програма е подходяща за начинаещи и покрива инструменти като TensorFlow и PyTorch, както и етика в ИИ.
|
||||
|
||||
Разгледайте света на **Изкуствения интелект** (ИИ) с нашата 12-седмична програма с 24 урока! Включва практически уроци, тестове и лабораторни упражнения. Учебната програма е подходяща за начинаещи и покрива инструменти като TensorFlow и PyTorch, както и етика в ИИ.
|
||||
|
||||
### 🌐 Поддръжка на множество езици
|
||||
|
||||
#### Поддържа се чрез GitHub Action (автоматично и винаги актуално)
|
||||
#### Поддържано чрез GitHub Action (Автоматизирано и винаги актуално)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](./README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](./README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **Предпочитате да клонирате локално?**
|
||||
|
||||
> Това хранилище включва над 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводите, използвайте sparse checkout:
|
||||
> Това хранилище включва над 50 езикови превода, което значително увеличава размера на изтеглянето. За да клонирате без преводи, използвайте sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> Това ви дава всичко необходимо за завършване на курса с много по-бързо изтегляне.
|
||||
> Това Ви дава всичко необходимо за завършване на курса с много по-бързо изтегляне.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Ако желаете поддръжка на допълнителни езици, те са изброени [тук](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Ако желаете да се добавят допълнителни преводи, поддържаните езици са изброени [тук](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Присъединете се към общността
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -58,117 +50,117 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
В тази учебна програма ще научите:
|
||||
|
||||
* Различни подходи към изкуствения интелект, включително "добрия стар" символен подход с **Представяне на знания** и разсъждение ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Невронни мрежи** и **Дълбоко обучение**, които са в основата на съвременния ИИ. Ще илюстрираме концепциите зад тези важни теми с помощта на код в две от най-популярните рамки - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Невронни архитектури** за работа с изображения и текст. Ще обхванем по-нови модели, но може би леко да изоставаме по отношение на най-съвременните постижения.
|
||||
* Различни подходи към Изкуствения интелект, включително "старата добра" символна методика с **Представяне на знанието** и разсъждения ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Невронни мрежи** и **Дълбоко обучение**, които са в сърцето на съвременния ИИ. Ще илюстрираме концепциите зад тези важни теми с код в две от най-популярните рамки - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Невронни архитектури** за работа с изображения и текст. Ще покрием нови модели, но може да са малко изостанали от най-съвременните технологии.
|
||||
* По-малко популярни подходи в ИИ, като **Генетични алгоритми** и **Мултиагентни системи**.
|
||||
|
||||
Какво няма да покриваме в тази учебна програма:
|
||||
Какво няма да покрием в тази учебна програма:
|
||||
|
||||
> [Намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Намерете всички допълнителни ресурси за този курс в нашата колекция в Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Бизнес случаи за използване на **ИИ в бизнеса**. Помислете за вземане на учебния път [Въведение в ИИ за бизнес потребители](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) в Microsoft Learn или [Бизнес училище за ИИ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработено в сътрудничество с [INSEAD](https://www.insead.edu/).
|
||||
* **Класическо машинно обучение**, което е добре описано в нашата учебна програма [Машинно обучение за начинаещи](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практически AI приложения, изградени с помощта на **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. За това препоръчваме да започнете с модулите на Microsoft Learn за [визия](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обработка на естествен език](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративен ИИ с Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и други.
|
||||
* Специфични ML **обръчни облачни рамки**, като [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). Помислете за използване на учебните пътища [Създаване и управление на решения за машинно обучение с Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Създаване и управление на решения за машинно обучение с Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорен ИИ** и **чат ботове**. Има отделен учебен път [Създаване на решения за разговорен ИИ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а също така можете да се обърнете към [този блог пост](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) за повече подробности.
|
||||
* **Дълбока математика**, стояща зад дълбокото обучение. За това бихме препоръчали [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) от Ian Goodfellow, Yoshua Bengio и Aaron Courville, която е достъпна също онлайн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Бизнес казуси за използване на **ИИ в бизнеса**. Помислете за вземане на [Въведение в ИИ за бизнес потребители](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) учебен път в Microsoft Learn, или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработен в сътрудничество с [INSEAD](https://www.insead.edu/).
|
||||
* **Класическо машинно обучение**, което е добре описано в нашата [Учебна програма по машинно обучение за начинаещи](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практически приложения на ИИ, изградени с помощта на **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. За това препоръчваме да започнете с модулите на Microsoft Learn за [компютърно зрение](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обработка на естествен език](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративен ИИ с Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и други.
|
||||
* Специфични ML **Облачни рамки**, като [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). Помислете за използване на учебните пътища [Изграждане и опериране на решения за машинно обучение с Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Изграждане и опериране на решения за машинно обучение с Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорен ИИ** и **Чат ботове**. Съществува отделен учебен път [Създаване на разговорни AI решения](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) и можете да се обърнете и към [този блог пост](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) за повече подробности.
|
||||
* **Дълбока математика** зад дълбокото обучение. За това препоръчваме [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) от Иън Гудфелоу, Йошуа Бенгио и Аарън Курвил, която е достъпна и онлайн на [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
За леко въведение в темите за _ИИ в облака_, може да обмислите учебния път [Започнете с изкуствен интелект в Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
За леко въведение в темите за _ИИ в облака_ може да обмислите да вземете учебния път [Започнете с изкуствен интелект в Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Съдържание
|
||||
|
||||
| | Връзка към урока | PyTorch/Keras/TensorFlow | Лаборатория |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Настройка на курса](./lessons/0-course-setup/setup.md) | [Настройка на вашата среда за разработка](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Настройване на курса](./lessons/0-course-setup/setup.md) | [Настройване на средата за разработка](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Въведение в ИИ**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Въведение и история на ИИ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Символен ИИ** |
|
||||
| 02 | [Представяне на знания и експертни системи](./lessons/2-Symbolic/README.md) | [Експертни системи](./lessons/2-Symbolic/Animals.ipynb) / [Онтология](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф на концепции](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Въведение в Невронните мрежи**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Бележник](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаборатория](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Многослоен перцептрон и създаване на собствен фреймуърк](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Бележник](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаборатория](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Въведение във фреймуърковете (PyTorch/TensorFlow) и пренасищане](./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) | [Лаборатория](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Компютърно зрение**](./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)| [Изследвайте компютърното зрение в Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Въведение в компютърното зрение. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Бележник](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаборатория](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 02 | [Представяне на знанието и експертни системи](./lessons/2-Symbolic/README.md) | [Експертни системи](./lessons/2-Symbolic/Animals.ipynb) / [Онтология](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф на понятия](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Въведение в невронните мрежи**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Перцептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Тетрадка](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаборатория](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Многослоен перцептрон и създаване на наша собствена рамка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Тетрадка](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаборатория](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Въведение в рамки (PyTorch/TensorFlow) и пренасищане](./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) | [Лаборатория](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Компютърно зрение**](./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)| [Разгледайте компютърното зрение в Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Въведение в компютърното зрение. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Тетрадка](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаборатория](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Конволюционни невронни мрежи](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архитектури на 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) | [Лаборатория](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Предварително обучени мрежи и трансферно обучение](./lessons/4-ComputerVision/08-TransferLearning/README.md) и [Трикове за обучение](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаборатория](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автоенкодери и VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Генеративни състезателни мрежи и пренос на артистичен стил](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 08 | [Предварително обучени мрежи и трансферно обучение](./lessons/4-ComputerVision/08-TransferLearning/README.md) и [Тренировъчни трикове](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаборатория](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автоенкодери и VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Генеративно-състезателни мрежи и трансфер на артистичен стил](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Обектно разпознаване](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лаборатория](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Семантично сегментиране. 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 | [**Обработка на естествен език**](./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) | [Изследвайте обработката на естествен език в Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представяне на текст. 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 | [Семантични вграждания на думи. 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 | [Моделиране на езика. Обучение на собствени вграждания](./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) | [Лаборатория](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| V | [**Обработка на естествения език**](./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) | [Разгледайте обработката на естествения език в Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представяне на текст. Bag of Words/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Семантични вгради на думи. 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 | [Моделиране на езика. Обучение на собствени вградки](./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) | [Лаборатория](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Рекурентни невронни мрежи](./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 | [Генеративни рекурентни мрежи](./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) | [Лаборатория](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Трансформъри. 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 | [Разпознаване на именовани обекти](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лаборатория](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 19 | [Разпознаване на именувани обекти](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лаборатория](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Големи езикови модели, програмиране на заявки и задачи с малко примери](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Други AI техники** || |
|
||||
| 21 | [Генетични алгоритми](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Бележник](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 21 | [Генетични алгоритми](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Тетрадка](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Дълбоко подсилващо обучение](./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) | [Лаборатория](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Многоагентни системи](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Етика в AI** | | |
|
||||
| 24 | [Етика в AI и отговорен AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципи на отговорния AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Допълнителни материали** | | |
|
||||
| 25 | [Мултимодални мрежи, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Бележник](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 23 | [Мултиагентни системи](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Етика на изкуствения интелект** | | |
|
||||
| 24 | [Етика на ИИ и отговорен изкуствен интелект](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципи за отговорен ИИ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Допълнително** | | |
|
||||
| 25 | [Мултимодални мрежи, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Тетрадка](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Всяка лекция съдържа
|
||||
|
||||
* Материал за предварително четене
|
||||
* Изпълними бележници Jupyter, които често са специфични за даден фреймуърк (**PyTorch** или **TensorFlow**). Изпълнимият бележник също съдържа много теоретичен материал, затова за да разберете темата, трябва да преминете поне през една от версиите на бележника (или PyTorch, или TensorFlow).
|
||||
* **Лаборатории**, достъпни за някои теми, които ви дават възможност да опитате да приложите научения материал върху конкретен проблем.
|
||||
* Някои раздели съдържат връзки към модули в [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), които обхващат свързани теми.
|
||||
* Предварителни материали за четене
|
||||
* Изпълними Jupyter тетрадки, които често са специфични за рамката (**PyTorch** или **TensorFlow**). Изпълнимата тетрадка съдържа и много теоретичен материал, затова за да разберете темата, трябва да преминете през поне една версия на тетрадката (или PyTorch, или TensorFlow).
|
||||
* **Лаборатории**, налични за някои теми, които ви дават възможност да опитате прилагането на научения материал върху конкретен проблем.
|
||||
* Някои секции съдържат връзки към модули в [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), покриващи свързани теми.
|
||||
|
||||
## Започване
|
||||
|
||||
### 🎯 Нов в AI? Започнете тук!
|
||||
### 🎯 Новаци в ИИ? Започнете тук!
|
||||
|
||||
Ако сте напълно нови в AI и искате бързи, практични примери, разгледайте нашите [**Примери за начинаещи**](./examples/README.md)! Те включват:
|
||||
Ако сте напълно нови в ИИ и искате бързи, практически примери, разгледайте нашите [**Примери за начинаещи**](./examples/README.md)! Те включват:
|
||||
|
||||
- 🌟 **Hello AI World** - Вашата първа AI програма (разпознаване на шаблони)
|
||||
- 🌟 **Здравей, ИИ свят** - Вашата първа ИИ програма (разпознаване на шаблони)
|
||||
- 🧠 **Проста невронна мрежа** - Създаване на невронна мрежа от нулата
|
||||
- 🖼️ **Класификатор на изображения** - Класифицирайте изображения с подробни коментари
|
||||
- 💬 **Настроение на текста** - Анализирайте положителен/отрицателен текст
|
||||
|
||||
Тези примери са създадени, за да ви помогнат да разберете концепциите на ИИ преди да се потопите в пълната учебна програма.
|
||||
Тези примери са предназначени да ви помогнат да разберете концепциите за изкуствен интелект преди да се потопите в пълната учебна програма.
|
||||
|
||||
### 📚 Настройка на пълната учебна програма
|
||||
|
||||
- Създадохме [урок за настройка](./lessons/0-course-setup/setup.md), който да ви помогне с настройването на вашата среда за разработка. - За обучаващите сме създали и [урок за настройка на учебната програма](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Създадохме [урок за настройка](./lessons/0-course-setup/setup.md), за да ви помогнем с настройването на вашата среда за разработка. - За преподаватели също сме създали [урок за настройка на учебните програми](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Как да [стартирате кода във VSCode или Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Следвайте тези стъпки:
|
||||
|
||||
Форкнете Репозитория: Кликнете на бутона „Fork“ в горния десен ъгъл на тази страница.
|
||||
Форкнете хранилището: Кликнете върху бутона "Fork" в горния десен ъгъл на тази страница.
|
||||
|
||||
Клонирайте Репозитория: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Клонирайте хранилището: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Не забравяйте да дадете звезда (🌟) на това хранилище, за да го намерите по-лесно по-късно.
|
||||
|
||||
## Запознайте се с други учащи се
|
||||
## Срещнете други учащи
|
||||
|
||||
Присъединете се към нашия [официален AI Discord сървър](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), за да срещнете и създадете мрежа с други учащи се, които посещават този курс, и да получите подкрепа.
|
||||
Присъединете се към нашия [официален Discord сървър за AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), за да се срещнете и да установите контакти с други учащи, които следват този курс и да получите подкрепа.
|
||||
|
||||
Ако имате обратна връзка за продукта или въпроси докато изграждате, посетете нашия [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Ако имате обратна връзка за продукта или въпроси по време на разработка, посетете нашия [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Тестове
|
||||
|
||||
> **Бележка за тестовете**: Всички тестове са в папката Quiz-app в etc\quiz-app, или [онлайн тук](https://ff-quizzes.netlify.app/) Те са свързани вътре в уроците, приложението за тестове може да се стартира локално или да се разположи в Azure; следвайте инструкциите в папката `quiz-app`. Постепенно се локализират.
|
||||
> **Бележка за тестовете**: Всички тестове се намират в папката Quiz-app в etc\quiz-app, или [Онлайн тук](https://ff-quizzes.netlify.app/). Те са свързани вътре в уроците. Приложението за тестове може да се стартира локално или да се разположи в Azure; следвайте инструкциите в папката `quiz-app`. Те постепенно се локализират.
|
||||
|
||||
## Нужна помощ
|
||||
## Търсим помощ
|
||||
|
||||
Имате ли предложения или сте открили правописни или кодови грешки? Създайте issue или pull request.
|
||||
Имате ли предложения или сте намерили правописни или кодови грешки? Подайте запитване (issue) или създайте pull request.
|
||||
|
||||
## Специални благодарности
|
||||
|
||||
* **✍️ Главен автор:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Редактор:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Илюстратор на скици:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Създател на тестове:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Основни сътрудници:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ Основен автор:** [Дмитрий Сошников](http://soshnikov.com), доктор
|
||||
* **🔥 Редактор:** [Джен Лупър](https://twitter.com/jenlooper), доктор
|
||||
* **🎨 Иллюстратор на скици:** [Томоми Имура](https://twitter.com/girlie_mac)
|
||||
* **✅ Създател на тестове:** [Латифа Белло](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Основни сътрудници:** [Евгений Пищик](https://github.com/Pe4enIks)
|
||||
|
||||
## Други учебни програми
|
||||
|
||||
|
|
@ -176,51 +168,51 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Агенти
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Серия за генеративен ИИ
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Генеративен AI Сериите
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Основно обучение
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Серия Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Как да получите помощ
|
||||
## Получаване на помощ
|
||||
|
||||
Ако срещнете трудности или имате въпроси за изграждането на ИИ приложения, присъединете се към други учащи се и опитни разработчици в обсъжданията за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанието се споделя свободно.
|
||||
Ако зациклите или имате въпроси относно създаването на AI приложения. Присъединете се към други учащи и опитни разработчици в дискусии за MCP. Това е подкрепяща общност, където въпросите са добре дошли и знанията се споделят свободно.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Ако имате обратна връзка за продукта или грешки по време на работа, посетете:
|
||||
Ако имате обратна връзка за продукта или грешки при разработката, посетете:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
|
|
@ -228,5 +220,5 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Отказ от отговорност**:
|
||||
Този документ е преведен с помощта на AI преводаческа услуга [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматичните преводи могат да съдържат грешки или неточности. Оригиналният документ на езика, на който е написан, трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, възникнали в резултат на използването на този превод.
|
||||
Този документ е преведен с помощта на AI преводаческа услуга [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия език трябва да се смята за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:21:36+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
## Сигурност
|
||||
|
||||
Microsoft приема сигурността на своите софтуерни продукти и услуги сериозно, включително всички хранилища с изходен код, управлявани чрез нашите GitHub организации, които включват [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) и [нашите GitHub организации](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:44+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Кодекс за поведение на Microsoft за отворен код
|
||||
|
||||
Този проект е приел [Кодекса за поведение на Microsoft за отворен код](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:42+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Принос
|
||||
|
||||
Този проект приветства приноси и предложения. Повечето приноси изискват от вас да се съгласите с Лицензионно споразумение за принос (CLA), което декларира, че имате право и наистина предоставяте ни правата да използваме вашия принос. За подробности посетете https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:50:16+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Въведение в AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:42+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Поддръжка
|
||||
|
||||
## Как да съобщите за проблеми и да получите помощ
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:46:02+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Допринасяйте чрез превод на уроци
|
||||
|
||||
Приветстваме преводи на уроците в тази учебна програма!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:54:03+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Тестове
|
||||
|
||||
Тези тестове са предварителни и последващи тестове към лекциите от учебната програма за изкуствен интелект на https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:34:19+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Примери за AI за начинаещи
|
||||
|
||||
Добре дошли! Тази директория съдържа прости, самостоятелни примери, които ще ви помогнат да започнете с AI и машинното обучение. Всеки пример е създаден така, че да бъде подходящ за начинаещи, с подробни коментари и обяснения стъпка по стъпка.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:39:14+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# За преподаватели
|
||||
|
||||
Искате ли да използвате тази учебна програма във вашата класна стая? Чувствайте се свободни да го направите!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T05:30:53+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Как да стартирате кода
|
||||
|
||||
Тази учебна програма съдържа много изпълними примери и лаборатории, които бихте искали да стартирате. За да направите това, ви е необходимо да можете да изпълнявате Python код в Jupyter бележници, предоставени като част от тази учебна програма. Имате няколко опции за стартиране на кода:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:17:18+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Започване с тази учебна програма
|
||||
|
||||
## Студент ли сте?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:05:24+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Въведение в AI
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:06:37+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Игрите са област, която е силно повлияна от развитието на AI и ML. В тази задача напишете кратко есе за игра, която харесвате и която е била повлияна от еволюцията на AI. Тя трябва да е достатъчно стара, за да е била повлияна от няколко типа компютърни процесорни системи. Добър пример са Шах или Го, но също така разгледайте видеоигри като Понг или Pac-Man. Напишете есе, което обсъжда миналото, настоящето и бъдещето на играта във връзка с AI.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T05:32:06+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Представяне на знания и експертни системи
|
||||
|
||||
|
||||
|
||||
|
||||
> Скетчноут от [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Така, проблемът с **представянето на знания** е да се намери ефективен начин за представяне на знания в компютър под формата на данни, за да станат автоматично използваеми. Това може да се разглежда като спектър:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Python | синтаксис на блокове | отстъпи
|
|||
|
||||
Един от ранните успехи на символичния ИИ бяха т.нар. **експертни системи** – компютърни системи, проектирани да действат като експерт в някаква ограничена предметна област. Те се базираха на **база знания**, извлечена от един или повече човешки експерти, и съдържаха **инференциален механизъм**, който извършваше разсъждения върху нея.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Оптимизирана структура на човешката нервна система | Архитектура на система базирана на знания
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Python | синтаксис на блокове | отстъпи
|
|||
|
||||
Като пример нека разгледаме следната експертна система за определяне на животно по неговите физически характеристики:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:34:06+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Създаване на онтология
|
||||
|
||||
Създаването на база знания се състои в категоризирането на модел, който представя факти за дадена тема. Изберете тема - като човек, място или предмет - и изградете модел на тази тема. Използвайте някои от техниките и стратегиите за изграждане на модели, описани в този урок. Пример би бил създаването на онтология на всекидневна с мебели, осветление и други. Как се различава всекидневната от кухнята? Банята? Как знаете, че това е всекидневна, а не трапезария? Използвайте [Protégé](https://protege.stanford.edu/), за да изградите вашата онтология.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T14:32:41+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Въведение в невронните мрежи: Перцептрон
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/bg/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/bg/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Изображения [от Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
където f е стъпковата активационна функция
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/bg/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Обучение на перцептрона
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T22:50:17+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Мултикласова класификация с перцептрон
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T14:32:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Въведение в невронните мрежи. Многослойни перцептрони
|
||||
|
||||
В предишния раздел научихте за най-простия модел на невронна мрежа - еднослоен перцептрон, линеен модел за двукласова класификация.
|
||||
|
|
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Забележете, че най-лявата част на всички тези изрази е една и съща, и следователно можем ефективно да изчисляваме производните, започвайки от функцията на загуба и преминавайки "назад" през изчислителния граф. Затова методът за обучение на многослоен перцептрон се нарича **обратна пропагация**, или 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/bg/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: цитиране на изображението
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:49:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# MNIST Класификация с Нашата Собствена Рамка
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T14:32:56+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Фреймворкове за невронни мрежи
|
||||
|
||||
Както вече научихме, за да можем ефективно да обучаваме невронни мрежи, трябва да направим две неща:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:40+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Класификация с PyTorch/TensorFlow
|
||||
|
||||
Задача от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:53:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Въведение в невронните мрежи
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T14:27:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Въведение в компютърното зрение
|
||||
|
||||
[Компютърното зрение](https://wikipedia.org/wiki/Computer_vision) е дисциплина, чиято цел е да позволи на компютрите да придобият високо ниво на разбиране на цифрови изображения. Това е доста широко определение, защото *разбирането* може да означава много различни неща, включително намиране на обект на изображение (**обектно откриване**), разбиране на случващото се (**откриване на събития**), описване на изображение с текст или реконструиране на сцена в 3D. Има и специални задачи, свързани с изображения на хора: оценка на възраст и емоции, откриване и идентификация на лица, както и 3D оценка на поза, наред с други.
|
||||
|
|
@ -115,7 +106,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
В тази лаборатория ще заснемете видео с прости жестове, а вашата цел е да извлечете движения нагоре/надолу/наляво/надясно, използвайки оптичен поток.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Кадър с движение на дланта"/>
|
||||
<img src="../../../../../translated_images/bg/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Кадър с движение на дланта"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Откриване на движения с помощта на Optical Flow
|
||||
|
||||
Задача от [Учебната програма за начинаещи в AI](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T14:26:37+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Добре познати архитектури на CNN
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ VGG-16 е мрежа, която постигна 92.7% точност в кла
|
|||
|
||||
ResNet е семейство модели, предложени от Microsoft Research през 2015 г. Основната идея на ResNet е използването на **остатъчни блокове**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/bg/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Изображение от [тази статия](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ ResNet е семейство модели, предложени от Microsoft R
|
|||
|
||||
Архитектурата Google Inception извежда тази идея на следващо ниво, като изгражда всеки слой на мрежата като комбинация от няколко различни пътища:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/bg/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Изображение от [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T14:26:16+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Конволюционни невронни мрежи
|
||||
|
||||
Вече видяхме, че невронните мрежи са доста добри в обработката на изображения, и дори еднослойният перцептрон може да разпознава ръкописни цифри от набора данни MNIST с приемлива точност. Въпреки това, наборът данни MNIST е доста специален, тъй като всички цифри са центрирани в изображението, което прави задачата по-лесна.
|
||||
|
|
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Например, ако приложим 3x3 филтри за вертикални и хоризонтални ръбове към цифрите от MNIST, можем да подчертаем (например високи стойности) местата, където има вертикални и хоризонтални ръбове в оригиналното изображение. Така тези два филтъра могат да се използват за "търсене" на ръбове. По същия начин можем да проектираме различни филтри, за да търсим други нискоуровневи шаблони:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/bg/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Изображение на [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:57:52+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Класификация на лицата на домашни любимци
|
||||
|
||||
Лабораторно упражнение от [Учебна програма за начинаещи в AI](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T14:26:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Предварително обучени мрежи и трансферно обучение
|
||||
|
||||
Обучението на CNN може да отнеме много време и изисква голямо количество данни. Въпреки това, голяма част от времето се отделя за научаване на най-добрите нискоуровневи филтри, които мрежата може да използва за извличане на модели от изображения. Възниква естествен въпрос - можем ли да използваме невронна мрежа, обучена върху един набор от данни, и да я адаптираме за класифициране на различни изображения, без да е необходим пълен процес на обучение?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:13:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Трикове за обучение на дълбоки невронни мрежи
|
||||
|
||||
С увеличаването на дълбочината на невронните мрежи, процесът на тяхното обучение става все по-предизвикателен. Един от основните проблеми са така наречените [изчезващи градиенти](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) или [експлодиращи градиенти](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Тази статия](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) предоставя добро въведение в тези проблеми.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:52+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Класификация на домашни любимци от Оксфорд с помощта на трансферно обучение
|
||||
|
||||
Лабораторно упражнение от [Учебната програма за начинаещи в AI](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T14:28:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Автоенкодери
|
||||
|
||||
При обучението на CNNs един от проблемите е, че се нуждаем от много етикетирани данни. В случая на класификация на изображения, трябва да разделим изображенията в различни класове, което изисква ръчен труд.
|
||||
|
|
@ -46,7 +37,7 @@ VAE е автоенкодер, който се учи да предсказва
|
|||
* Вземаме проба `sample` от разпределението N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* Декодерът се опитва да декодира оригиналното изображение, използвайки `sample` като входен вектор
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/bg/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> Изображение от [този блог пост](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) от Исак Дайкман
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ VAE е автоенкодер, който се учи да предсказва
|
|||
|
||||
Едно важно предимство на VAE е, че те ни позволяват да генерираме нови изображения сравнително лесно, защото знаем от кое разпределение да вземем проби за латентните вектори. Например, ако обучим VAE с 2D латентен вектор върху MNIST, можем след това да променяме компонентите на латентния вектор, за да получим различни цифри:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/bg/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> Изображение от [Дмитрий Сошников](http://soshnikov.com)
|
||||
|
||||
Наблюдавайте как изображенията се преливат едно в друго, когато започнем да вземаме латентни вектори от различни части на пространството на латентните параметри. Можем също да визуализираме това пространство в 2D:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/bg/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> Изображение от [Дмитрий Сошников](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T14:29:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Генеративни състезателни мрежи
|
||||
|
||||
В предишния раздел научихме за **генеративните модели**: модели, които могат да генерират нови изображения, подобни на тези в тренировъчния набор от данни. VAE беше добър пример за генеративен модел.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Основната идея на GAN е да има две невронни мрежи, които се обучават една срещу друга:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/bg/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ Тъй като конволюционният слой се реализира като линеен филтър, който преминава през изображението, деконволюцията е по същество подобна на конволюцията и може да бъде реализирана с помощта на същата логика на слоя.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/bg/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T14:28:08+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Разпознаване на обекти
|
||||
|
||||
Моделите за класификация на изображения, с които сме работили досега, приемат изображение и произвеждат категоричен резултат, като например класа "число" в проблема MNIST. Въпреки това, в много случаи не искаме просто да знаем, че дадена снимка изобразява обекти - искаме да можем да определим тяхното точно местоположение. Именно това е целта на **разпознаването на обекти**.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:50:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Откриване на глави с помощта на Hollywood Heads Dataset
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T14:29:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Сегментация
|
||||
|
||||
По-рано научихме за Обектно откриване, което ни позволява да локализираме обекти в изображението чрез предсказване на техните *ограничителни кутии*. Въпреки това, за някои задачи не са достатъчни само ограничителните кутии, а е необходима по-прецизна локализация на обектите. Тази задача се нарича **сегментация**.
|
||||
|
|
@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
При сегментация на обекти тези овце са различни обекти, но при семантична сегментация всички овце са представени като един клас.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/bg/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> Изображение от [този блог пост](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **Енкодер** извлича характеристики от входното изображение.
|
||||
* **Декодер** преобразува тези характеристики в **маска изображение**, със същия размер и брой канали, съответстващи на броя на класовете.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/bg/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> Изображение от [тази публикация](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ Тази техника е особено подходяща за този тип медицински изображения, но какви други реални приложения можете да си представите?
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/bg/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> Изображение от PH<sup>2</sup> Database
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:37:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Сегментация на човешко тяло
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Компютърно зрение
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T14:36:02+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Представяне на текст като тензори
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Ако искаме да решаваме задачи за обработка на естествен език (NLP) с невронни мрежи, трябва да намерим начин да представим текста като тензори. Компютрите вече представят текстовите символи като числа, които се свързват с шрифтове на екрана ви, използвайки кодировки като ASCII или UTF-8.
|
||||
|
||||
<img alt="Изображение, показващо диаграма за преобразуване на символ в ASCII и двоично представяне" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="Изображение, показващо диаграма за преобразуване на символ в ASCII и двоично представяне" src="../../../../../translated_images/bg/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [Източник на изображението](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Когато решаваме задачи като класификация на текст, трябва да можем да представим текста чрез един фиксиран вектор, който ще използваме като вход за крайния плътен класификатор. Един от най-простите начини да направим това е да комбинираме всички индивидуални представяния на думи, например чрез тяхното събиране. Ако съберем one-hot кодировките на всяка дума, ще получим вектор на честотите, показващ колко пъти всяка дума се появява в текста. Такова представяне на текста се нарича **чанта с думи** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/bg/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> Изображение от автора
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:33+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Задача: Тетрадки
|
||||
|
||||
Използвайте тетрадките, свързани с този урок (независимо дали версията е за PyTorch или TensorFlow), за да ги стартирате отново с ваш собствен набор от данни, може би такъв от Kaggle, използван с посочване на източника. Пренапишете тетрадката, за да подчертаете вашите собствени открития. Опитайте с някои иновативни набори от данни, които може да се окажат изненадващи, като например [този за наблюдения на НЛО](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) от NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T14:35:42+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Вграждания
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:46+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Задача: Тетрадки
|
||||
|
||||
Използвайки тетрадките, свързани с този урок (независимо дали версията е PyTorch или TensorFlow), изпълнете ги отново, използвайки ваш собствен набор от данни, може би такъв от Kaggle, използван с подходящо приписване. Преработете тетрадката, за да подчертаете вашите собствени открития. Опитайте с различен вид набор от данни и документирайте вашите наблюдения, използвайки текст като [тези текстове на Beatles](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T14:33:47+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Моделиране на език
|
||||
|
||||
Семантичните вграждания, като Word2Vec и GloVe, всъщност са първа стъпка към **моделиране на език** - създаване на модели, които по някакъв начин *разбират* (или *представят*) природата на езика.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:58:21+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Обучение на Skip-Gram модел
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T14:35:13+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Рекурентни невронни мрежи
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Простата RNN клетка има две матрици на теглата вътре: едната трансформира входния символ (да я наречем W), а другата трансформира входното състояние (H). В този случай изходът на мрежата се изчислява като σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), където σ е функцията на активация, а b е допълнителен bias.
|
||||
|
||||
<img alt="Анатомия на RNN клетка" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="Анатомия на RNN клетка" src="../../../../../translated_images/bg/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> Изображение от автора
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:37:19+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Задача: Тетрадки
|
||||
|
||||
Използвайки тетрадките, свързани с този урок (независимо дали версията е за PyTorch или TensorFlow), стартирайте ги отново с ваш собствен набор от данни, например такъв от Kaggle, използван с подходящо посочване на източника. Преработете тетрадката, за да подчертаете вашите собствени открития. Опитайте с различен тип набор от данни и документирайте вашите наблюдения, използвайки текст като [този набор от данни за състезание в Kaggle относно туитове за времето](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T14:33:26+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Генеративни мрежи
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
При генериране на текст (по време на инференция) започваме с някакъв **подсказка**, която се предава през RNN клетките, за да генерира междинното си състояние, и след това от това състояние започва генерирането. Генерираме един символ наведнъж и предаваме състоянието и генерирания символ на друга RNN клетка, за да генерира следващия, докато генерираме достатъчно символи.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/bg/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> Изображение от автора
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:29+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Генериране на текст на ниво дума с RNNs
|
||||
|
||||
Лабораторно упражнение от [Учебна програма за начинаещи в AI](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T14:33:59+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Механизми за внимание и трансформери
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Обучаемо вграждане, подобно на вграждането на токени. Това е подходът, който разглеждаме тук. Прилагаме слоеве за вграждане върху токените и техните позиции, което води до вектори за вграждане със същите размери, които след това събираме.
|
||||
* Функция за фиксирано позиционно кодиране, както е предложено в оригиналната статия.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/bg/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> Изображение от автора
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:05:21+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Задача: Трансформъри
|
||||
|
||||
Експериментирайте с Трансформъри на HuggingFace! Опитайте някои от скриптовете, които те предоставят, за да работите с различните модели, налични на техния сайт: https://huggingface.co/docs/transformers/run_scripts. Използвайте един от техните набори от данни, след това импортирайте свой собствен от тази учебна програма или от Kaggle и вижте дали можете да генерирате интересни текстове. Създайте тетрадка с вашите открития.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T14:34:51+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Разпознаване на именувани обекти
|
||||
|
||||
Досега основно се концентрирахме върху една задача в обработката на естествен език (NLP) - класификация. Въпреки това, съществуват и други задачи в NLP, които могат да бъдат изпълнени с помощта на невронни мрежи. Една от тези задачи е **[Разпознаване на именувани обекти](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), която се занимава с разпознаване на специфични обекти в текста, като места, имена на хора, времеви интервали, химични формули и други.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Да предположим, че искате да разработите чат бот с естествен език, подобен на Amazon Alexa или Google Assistant. Интелигентните чат ботове работят, като *разбират* какво иска потребителят чрез класификация на текста в подаденото изречение. Резултатът от тази класификация е така нареченото **намерение**, което определя какво трябва да направи чат ботът.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/bg/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> Изображение от автора
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:14:39+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
Лабораторно упражнение от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T14:34:35+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Предварително обучени големи езикови модели
|
||||
|
||||
Във всички предишни задачи обучавахме невронна мрежа да изпълнява определена задача, използвайки етикетиран набор от данни. С големите трансформаторни модели, като BERT, използваме езиково моделиране в самонаблюдаващ се режим, за да изградим езиков модел, който след това се специализира за конкретна задача чрез допълнително обучение в специфична област. Въпреки това е доказано, че големите езикови модели могат да решават много задачи без НИКАКВО обучение в специфична област. Семейството от модели, способни на това, се нарича **GPT**: Генеративен предварително обучен трансформатор.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:28:50+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Обработка на естествен език
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T14:24:35+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Генетични алгоритми
|
||||
|
||||
## [Тест преди лекцията](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T14:25:45+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Дълбоко Укрепващо Обучение
|
||||
|
||||
Укрепващото обучение (RL) се счита за един от основните парадигми на машинното обучение, наред с контролираното и неконтролираното обучение. Докато при контролираното обучение разчитаме на набор от данни с известни резултати, RL се основава на **учене чрез действие**. Например, когато за първи път видим компютърна игра, започваме да играем, дори без да знаем правилата, и скоро успяваме да подобрим уменията си просто чрез процеса на игра и адаптиране на поведението си.
|
||||
|
|
@ -34,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Опростена версия на балансирането е известна като **CartPole** проблем. В света на CartPole имаме хоризонтален плъзгач, който може да се движи наляво или надясно, а целта е да балансираме вертикален прът върху плъзгача, докато той се движи.
|
||||
|
||||
<img alt="a cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="a cartpole" src="../../../../../translated_images/bg/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
За да създадем и използваме тази среда, ни трябват няколко реда Python код:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:46+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Обучение на Mountain Car да избяга
|
||||
|
||||
Задача от [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T14:24:55+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Мултиагентни системи
|
||||
|
||||
Един от възможните начини за постигане на интелигентност е така нареченият **емергентен** (или **синергетичен**) подход, който се основава на факта, че комбинираното поведение на много относително прости агенти може да доведе до по-сложно (или интелигентно) поведение на системата като цяло. Теоретично това се базира на принципите на [Колективна интелигентност](https://en.wikipedia.org/wiki/Collective_intelligence), [Емергентизъм](https://en.wikipedia.org/wiki/Global_brain) и [Еволюционна кибернетика](https://en.wikipedia.org/wiki/Global_brain), които твърдят, че системи на по-високо ниво придобиват някаква добавена стойност, когато са правилно комбинирани от системи на по-ниско ниво (така нареченият *принцип на преход към метасистема*).
|
||||
|
|
@ -60,7 +51,7 @@ ask turtles [
|
|||
|
||||
Едно от страхотните неща в NetLogo е, че съдържа библиотека с работещи модели, които можете да опитате. Отидете на **File → Models Library**, и ще намерите много категории модели, от които да избирате.
|
||||
|
||||
<img alt="NetLogo Models Library" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="NetLogo Models Library" src="../../../../../translated_images/bg/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> Екранна снимка на библиотеката с модели от Дмитрий Сошников
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:29:16+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Задача с NetLogo
|
||||
|
||||
Вземете един от моделите в библиотеката на NetLogo и го използвайте, за да симулирате реална житейска ситуация възможно най-близо до действителността. Добър пример би бил да промените модела Virus в папката Alternative Visualizations, за да покажете как може да се използва за моделиране на разпространението на COVID-19. Можете ли да създадете модел, който имитира реално разпространение на вирус?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:25:05+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Етична и отговорна AI
|
||||
|
||||
Вие почти завършихте този курс и се надявам, че до този момент ясно виждате, че AI се основава на редица формални математически методи, които ни позволяват да откриваме връзки в данните и да обучаваме модели, които да възпроизвеждат някои аспекти на човешкото поведение. В този момент от историята разглеждаме AI като много мощен инструмент за извличане на модели от данни и за прилагането на тези модели за решаване на нови проблеми.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:23:15+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Преглед
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:38:21+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Мултимодални мрежи
|
||||
|
||||
След успеха на трансформър моделите за решаване на задачи в обработката на естествен език (NLP), същите или подобни архитектури започнаха да се прилагат и за задачи в компютърното зрение. Нараства интересът към създаването на модели, които да *комбинират* възможностите на зрението и естествения език. Един от тези опити е направен от OpenAI и се нарича CLIP и DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:09:28+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
Права, този лиценз се прилага към Вашата употреба на съдържанието на базата данни:
|
||||
|
||||
a. за избягване на съмнения, Раздел 2(a)(1) Ви предоставя правото да извличате, използвате повторно, възпроизвеждате и споделяте цялото или значителна част от съдържанието на базата данни;
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:02:09+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
Всички скици на учебната програма могат да бъдат изтеглени оттук.
|
||||
|
||||
🎨 Създадено от: Томоми Имура (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:51:28+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "bg"
|
||||
}
|
||||
-->
|
||||
# Ръководство за отстраняване на проблеми в AI-For-Beginners
|
||||
|
||||
Това ръководство ще ви помогне да решите често срещани проблеми при използването или допринасянето към хранилището [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners). Всеки проблем включва информация за произхода, симптомите, обяснения и стъпка по стъпка решения.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:28:58+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:32:58+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:21:24+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:39+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:33+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:49:53+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:35+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:53+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:53:49+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:34:10+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:39:05+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T05:26:25+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:15:27+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:04:18+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:05:17+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T05:26:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:59+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T14:20:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T22:48:54+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T14:20:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:49:01+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T14:21:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:53:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T14:15:40+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T14:14:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T14:14:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:57:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T14:15:14+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:12:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T14:16:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T14:17:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T14:16:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-25T22:49:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T14:17:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-25T22:37:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-25T22:27:51+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T14:24:14+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-25T21:54:27+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T14:23:51+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-25T21:42:39+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T14:22:06+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-25T21:58:14+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T14:23:20+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-25T21:37:13+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T14:21:44+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-25T21:48:23+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T14:22:19+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-25T22:05:15+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T14:23:03+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-25T22:14:27+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T14:22:44+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-25T21:28:27+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T14:12:46+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T14:13:59+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-25T23:35:40+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T14:13:10+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-25T23:29:10+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-25T21:24:48+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-25T21:23:10+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-25T23:37:57+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-26T00:08:11+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-26T00:02:01+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "ro"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:51:04+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:28:58+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Prezentare generală a proiectului
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T05:24:12+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -23,32 +14,32 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Inteligență Artificială pentru Începători - Un Curriculum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Inteligență Artificială pentru Începători - _Sketchnote de [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI Pentru Începători - _Sketchnote de la [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Explorează lumea **Inteligenței Artificiale** (IA) cu curriculum-ul nostru de 12 săptămâni, 24 de lecții! Include lecții practice, chestionare și laboratoare. Curriculum-ul este prietenos pentru începători și acoperă instrumente precum TensorFlow și PyTorch, precum și etica în IA.
|
||||
Explorează lumea **Inteligenței Artificiale** (IA) cu curriculumul nostru de 12 săptămâni, 24 de lecții! Include lecții practice, chestionare și laboratoare. Curriculumul este prietenos pentru începători și acoperă unelte precum TensorFlow și PyTorch, precum și etica în IA
|
||||
|
||||
|
||||
### 🌐 Suport Multilingv
|
||||
|
||||
#### Suportat prin GitHub Action (Automatizat și Mereu Actualizat)
|
||||
#### Acceptat prin GitHub Action (Automat și Întotdeauna Actualizat)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](./README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](./README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **Preferi să Clonezi Local?**
|
||||
> **Preferi să clonezi local?**
|
||||
|
||||
> Acest depozit include peste 50 de traduceri în limbi străine, ceea ce crește semnificativ dimensiunea descărcării. Pentru a clona fără traduceri, folosește sparse checkout:
|
||||
> Acest depozit include peste 50 de traduceri care cresc semnificativ dimensiunea descărcării. Pentru a clona fără traduceri, folosește sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> Acest lucru îți oferă tot ce ai nevoie pentru a finaliza cursul cu o descărcare mult mai rapidă.
|
||||
> Aceasta îți oferă tot ce ai nevoie pentru a finaliza cursul cu o descărcare mult mai rapidă.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Dacă dorești să susții suportul pentru limbi adiționale, acestea sunt listate [aici](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Dacă dorești să fie adăugate alte limbi pentru traduceri, acestea sunt listate [aici](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Alătură-te Comunității
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -59,169 +50,169 @@ Explorează lumea **Inteligenței Artificiale** (IA) cu curriculum-ul nostru de
|
|||
|
||||
În acest curriculum vei învăța:
|
||||
|
||||
* Diferite abordări ale Inteligenței Artificiale, inclusiv abordarea „bună și veche” simbolică cu **Reprezentarea Cunoașterii** și raționamentul ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Rețele Neuronale** și **Învățare Profundă**, care sunt în centrul IA moderne. Vom ilustra conceptele din spatele acestor subiecte importante folosind cod în două dintre cele mai populare framework-uri - [TensorFlow](http://Tensorflow.org) și [PyTorch](http://pytorch.org).
|
||||
* **Arhitecturi Neuronale** pentru lucrul cu imagini și text. Vom acoperi modele recente, dar ar putea fi puțin lipsit de cele mai noi tehnologii.
|
||||
* Abordări IA mai puțin populare, cum ar fi **Algoritmi Genetici** și **Sisteme Multi-Agent**.
|
||||
* Diferite abordări ale Inteligenței Artificiale, inclusiv abordarea simbolică „veche”, cu **Reprezentare a Cunoștințelor** și raționament ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Rețele Neuronale** și **Învățare Profundă**, care sunt în centrul IA moderne. Vom ilustra conceptele din spatele acestor subiecte importante folosind cod în două dintre cele mai populare cadre - [TensorFlow](http://Tensorflow.org) și [PyTorch](http://pytorch.org).
|
||||
* **Arhitecturi Neuronale** pentru lucrul cu imagini și text. Vom aborda modele recente, dar poate fi oarecum lipsit de cele mai noi tehnologii.
|
||||
* Abordări mai puțin populare ale IA, cum ar fi **Algoritmi Genetici** și **Sisteme Multi-Agent**.
|
||||
|
||||
Ce nu vom acoperi în acest curriculum:
|
||||
|
||||
> [Găsește toate resursele suplimentare pentru acest curs în colecția noastră Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Cazuri de utilizare a **IA în Afaceri**. Ia în considerare să urmezi calea de învățare [Introducere în IA pentru utilizatorii de business](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) pe Microsoft Learn, sau [Școala de Afaceri AI](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), dezvoltată în cooperare cu [INSEAD](https://www.insead.edu/).
|
||||
* **Învățarea Automatizată Clasică**, care este bine descrisă în [Curriculum-ul nostru Machine Learning pentru Începători](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplicații practice de IA construite folosind **[Servicii Cognitive](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Pentru acestea, recomandăm să începi cu modulele Microsoft Learn pentru [viziune](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [procesarea limbajului natural](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[IA Generativă cu Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** și altele.
|
||||
* **Framework-uri Cloud specifice ML**, cum ar fi [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), sau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Ia în considerare să folosești căile de învățare [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) și [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).
|
||||
* **IA Conversațională** și **Chat Bots**. Există o cale de învățare separată [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), iar tu poți de asemenea consulta [acest articol de blog](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pentru mai multe detalii.
|
||||
* **Matematică profundă** din spatele învățării profunde. Pentru aceasta recomandăm [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) de Ian Goodfellow, Yoshua Bengio și Aaron Courville, care este disponibil și online la [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Studii de caz de utilizare a **IA în Afaceri**. Ia în considerare urmarea traseului de învățare [Introducere în IA pentru utilizatorii de afaceri](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) pe Microsoft Learn, sau [Școala de Afaceri AI](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), dezvoltată în colaborare cu [INSEAD](https://www.insead.edu/).
|
||||
* **Învățare Automată Clasică**, care este bine descrisă în curriculumul nostru [Machine Learning pentru Începători](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplicații practice AI construite folosind **[Servicii Cognitive](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Pentru acestea, recomandăm să începi cu modulele Microsoft Learn pentru [viziune](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [procesarea limbajului natural](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI cu Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** și altele.
|
||||
* Anumite **Cadre Cloud pentru ML**, precum [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), sau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Ia în considerare folosirea traseelor de învățare [Construiește și operează soluții de învățare automată cu Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) și [Construiește și operează soluții de învățare automată cu Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Inteligență Artificială Conversațională** și **Chat Bots**. Există un traseu separat de învățare [Crearea soluțiilor AI conversaționale](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), și poți consulta [acest articol de blog](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pentru mai multe detalii.
|
||||
* **Matematică Avansată** din spatele învățării profunde. În acest scop recomandăm [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) de Ian Goodfellow, Yoshua Bengio și Aaron Courville, disponibil și online la [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Pentru o introducere blândă în subiectele _IA în Cloud_ poți lua în considerare urmarea căii de învățare [Începe cu Inteligența Artificială pe Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Pentru o introducere ușoară în subiectele _IA în Cloud_, poți considera urmarea traseului de învățare [Începe cu Inteligența Artificială pe Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Conținut
|
||||
|
||||
| | Link Lecție | PyTorch/Keras/TensorFlow | Laborator |
|
||||
| | Legătura Lecției | PyTorch/Keras/TensorFlow | Laborator |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Configurarea Cursului](./lessons/0-course-setup/setup.md) | [Configurează-ți Mediul de Dezvoltare](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Configurare Curs](./lessons/0-course-setup/setup.md) | [Setează Mediul de Dezvoltare](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Introducere în IA**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Introducere și Istoria IA](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **IA Simbolică** |
|
||||
| 02 | [Reprezentarea Cunoștințelor și Sisteme Expert](./lessons/2-Symbolic/README.md) | [Sisteme Expert](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafic de Concepte](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Introducere în Rețele Neuronale**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptron multi-stratificat și crearea propriului nostru framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Introducere în Framework-uri (PyTorch/TensorFlow) și Suprapotrivire](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Viziune Computațională**](./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)| [Explorați Viziunea Computațională pe Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Introducere în Viziune Computațională. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Rețele Neuronale Convoluționale](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arhitecturi CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Rețele Pre-antrenate și Învățare Transfer](./lessons/4-ComputerVision/08-TransferLearning/README.md) și [Trucuri de Antrenament](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 02 | [Reprezentarea Cunoașterii și Sisteme Expert](./lessons/2-Symbolic/README.md) | [Sisteme Expert](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafic de Concepte](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Introducere în Rețelele Neuronale**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laborator](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptron cu mai multe straturi și Crearea propriului nostru Cadru](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laborator](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Introducere în Cadre (PyTorch/TensorFlow) și Supraînvățare](./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) | [Laborator](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Viziune pe Calculator**](./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)| [Explorează Viziunea pe Calculator pe Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Introducere în Viziunea pe Calculator. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laborator](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Rețele Neuronale Convoluționale](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arhitecturi 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) | [Laborator](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Rețele Pre-antrenate și Învățare Transferată](./lessons/4-ComputerVision/08-TransferLearning/README.md) și [Trucuri de Antrenament](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laborator](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencodere și VAE-uri](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Rețele Generative Adversariale & Transfer Stil Artistic](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detecția Obiectelor](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 11 | [Detecție de Obiecte](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laborator](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentare Semantică. 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 | [**Procesarea Limbajului Natural**](./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) | [Explorați Procesarea Limbajului Natural pe Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Procesarea Limbajului Natural**](./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) | [Explorează Procesarea Limbajului Natural pe Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Reprezentarea Textului. 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 | [Încapsulări semantice ale cuvintelor. Word2Vec și 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 | [Modelarea Limbajului. Antrenarea propriilor încorporări](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rețele Neuronale Recurrente](./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 | [Rețele Generative Recurente](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 15 | [Modelare a Limbajului. Antrenarea propriilor încapsulări](./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) | [Laborator](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rețele Neuronale Recurente](./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 | [Rețele Recurente Generative](./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) | [Laborator](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformere. 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 | [Recunoașterea Entităților Numeite](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Modele Mari de Limbaj, Programarea Prompt-urilor și Sarcini Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 19 | [Recunoașterea Entităților Nume](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laborator](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Modele Mari de Limbaj, Programare Prompt și Sarcini Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Alte Tehnici AI** || |
|
||||
| 21 | [Algoritmi Genetici](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Învățare Profundă prin Recompensă](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sisteme Multi-Agente](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 22 | [Învățare Profundă prin Consolidare](./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) | [Laborator](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sisteme Multi-Agent](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etica AI** | | |
|
||||
| 24 | [Etica AI și AI Responsabil](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principiile AI Responsabil](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extra** | | |
|
||||
| IX | **Suplimente** | | |
|
||||
| 25 | [Rețele Multi-Modal, CLIP și VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Fiecare lecție conține
|
||||
|
||||
* Material de pre-lectură
|
||||
* Caiete Jupyter executabile, care sunt adesea specifice framework-ului (**PyTorch** sau **TensorFlow**). Caietul executabil conține și mult material teoretic, deci pentru a înțelege subiectul trebuie să parcurgeți cel puțin o versiune a caietului (fie PyTorch sau TensorFlow).
|
||||
* **Laboratoare** disponibile pentru unele subiecte, care vă oferă oportunitatea de a încerca aplicarea materialului învățat pe o problemă specifică.
|
||||
* Unele secțiuni conțin link-uri către module [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) care acoperă subiecte conexe.
|
||||
* Jupyter Notebooks executabile, adesea specifice cadrului (**PyTorch** sau **TensorFlow**). Notebook-ul executabil conține și mult material teoretic, astfel încât pentru a înțelege subiectul trebuie să parcurgi măcar o versiune a notebook-ului (PyTorch sau TensorFlow).
|
||||
* **Laboratoare** disponibile pentru unele subiecte, care îți oferă oportunitatea să aplici materialul învățat pe o problemă specifică.
|
||||
* Unele secțiuni conțin linkuri către module [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) care acoperă subiecte conexe.
|
||||
|
||||
## Începeți
|
||||
## Începutul
|
||||
|
||||
### 🎯 Nou în domeniul AI? Începeți aici!
|
||||
### 🎯 Ești nou în AI? Începe aici!
|
||||
|
||||
Dacă sunteți complet nou în AI și vreți exemple rapide, practice, consultați [**Exemple Prietenoase pentru Începători**](./examples/README.md)! Acestea includ:
|
||||
Dacă ești complet nou în AI și vrei exemple rapide, practice, aruncă o privire la [**Exemple pentru Începători**](./examples/README.md)! Acestea includ:
|
||||
|
||||
- 🌟 **Salut, Lume AI** - Primul dvs. program AI (recunoaștere de tipare)
|
||||
- 🧠 **Rețea Neurală Simplă** - Construiți o rețea neurală de la zero
|
||||
- 🖼️ **Clasificator de Imagini** - Clasificați imagini cu comentarii detaliate
|
||||
- 💬 **Sentimentul textului** - Analizează text pozitiv/negativ
|
||||
- 🌟 **Hello AI World** - Primul tău program AI (recunoașterea tiparelor)
|
||||
- 🧠 **Rețea Neuronală Simplă** - Construiește o rețea neuronală de la zero
|
||||
- 🖼️ **Clasificator de Imagini** - Clasifică imagini cu comentarii detaliate
|
||||
- 💬 **Sentiment Text** - Analizează text pozitiv/negativ
|
||||
|
||||
Aceste exemple sunt concepute pentru a vă ajuta să înțelegeți conceptele AI înainte de a explora întregul curriculum.
|
||||
Aceste exemple sunt concepute pentru a vă ajuta să înțelegeți conceptele AI înainte de a începe curricula completă.
|
||||
|
||||
### 📚 Configurarea întregului curriculum
|
||||
### 📚 Configurarea Curriculumului Complet
|
||||
|
||||
- Am creat o [lecție de configurare](./lessons/0-course-setup/setup.md) pentru a vă ajuta cu configurarea mediului de dezvoltare. - Pentru educatori, am creat și o [lecție de configurare a curriculumului](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Cum să [rulați codul în VSCode sau în Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Am creat o [lecție de configurare](./lessons/0-course-setup/setup.md) pentru a vă ajuta să vă configurați mediul de dezvoltare. - Pentru educatorii, am creat și o [lecție de configurare a curriculumului](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Cum să [rulați codul în VSCode sau Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Urmăriți acești pași:
|
||||
Urmați acești pași:
|
||||
|
||||
Fork la Repository: Faceți clic pe butonul „Fork” din colțul din dreapta sus al acestei pagini.
|
||||
Furcați Repository-ul: Faceți clic pe butonul "Fork" din colțul din dreapta sus al acestei pagini.
|
||||
|
||||
Clonați Repository-ul: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Nu uitați să acordați stea (🌟) acestui repo pentru a-l găsi mai ușor mai târziu.
|
||||
|
||||
## Cunoașteți alți cursanți
|
||||
## Întâlniți alți cursanți
|
||||
|
||||
Alăturați-vă [serverului oficial AI Discord](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) pentru a întâlni și a interacționa cu alți cursanți care urmează acest curs și pentru a primi suport.
|
||||
Alăturați-vă [serverului oficial Discord AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) pentru a cunoaște și a face networking cu alți cursanți care urmează acest curs și pentru a primi suport.
|
||||
|
||||
Dacă aveți feedback despre produs sau întrebări în timpul construirii, vizitați [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Dacă aveți feedback despre produs sau întrebări în timpul dezvoltării, vizitați [Forum-ul Dezvoltatorilor Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## Chestionare
|
||||
## Chestionare
|
||||
|
||||
> **O notă despre chestionare**: Toate chestionarele se află în folderul Quiz-app din etc\quiz-app, sau [Online aici](https://ff-quizzes.netlify.app/) Sunt legate din lecții, aplicația de chestionar poate fi rulată local sau implementată în Azure; urmați instrucțiunile din folder `quiz-app`. Ele sunt treptat localizate.
|
||||
> **O notă despre chestionare**: Toate chestionarele se află în folderul Quiz-app din etc\quiz-app, sau [Online aici](https://ff-quizzes.netlify.app/) Sunt legate din lecții, aplicația de quiz poate fi rulată local sau implementată pe Azure; urmați instrucțiunile din folderul `quiz-app`. Se lucrează treptat la localizarea acestora.
|
||||
|
||||
## Ajutor căutat
|
||||
## Ajutor Cerut
|
||||
|
||||
Aveți sugestii sau ați găsit greșeli de ortografie ori erori de cod? Deschideți un issue sau creați un pull request.
|
||||
Aveți sugestii sau ați găsit greșeli de ortografie sau de cod? Deschideți un issue sau creați o pull request.
|
||||
|
||||
## Mulțumiri speciale
|
||||
## Mulțumiri Speciale
|
||||
|
||||
* **✍️ Autor principal:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **✍️ Autor Principal:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator schițe:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Creatoare chestionare:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Contributori de bază:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🎨 Ilustrator Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Creator Quiz:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Contribuabili Importanți:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Alte curriculum-uri
|
||||
## Alte Curriculumuri
|
||||
|
||||
Echipa noastră produce și alte curriculum-uri! Verificați:
|
||||
Echipa noastră produce și alte curriculumuri! Consultați:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agenți
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agenți
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Seria AI Generativ
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Seria AI Generativă
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Învățare de bază
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Învățare de Bază
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Seria Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
### Seria Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Obțineți ajutor
|
||||
## Obținerea Ajutorului
|
||||
|
||||
Dacă vă blocați sau aveți întrebări despre construirea aplicațiilor AI. Alăturați-vă altor cursanți și dezvoltatori experimentați în discuții despre MCP. Este o comunitate suportivă unde întrebările sunt binevenite și cunoștințele sunt împărtășite liber.
|
||||
Dacă rămâneți blocat sau aveți întrebări despre construirea aplicațiilor AI. Alăturați-vă altor cursanți și dezvoltatori experimentați în discuții despre MCP. Este o comunitate suportivă unde întrebările sunt binevenite și cunoștințele se împărtășesc liber.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Dacă aveți feedback despre produs sau erori în timpul construirii, vizitați:
|
||||
Dacă aveți feedback despre produs sau erori în timp ce dezvoltați, vizitați:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
|
|
@ -229,5 +220,5 @@ Dacă aveți feedback despre produs sau erori în timpul construirii, vizitați:
|
|||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Declinare de responsabilitate**:
|
||||
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim pentru acuratețe, vă rugăm să aveți în vedere că traducerile automate pot conține erori sau inexactități. Documentul original, în limba sa nativă, trebuie considerat sursa autorizată. Pentru informații critice, se recomandă traducerea profesională efectuată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite rezultate din utilizarea acestei traduceri.
|
||||
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim pentru acuratețe, vă rugăm să țineți cont că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă trebuie considerat sursa autorizată. Pentru informații critice, se recomandă traducerea profesională realizată de un translator uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite rezultate din utilizarea acestei traduceri.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-25T21:21:24+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
## Securitate
|
||||
|
||||
Microsoft tratează cu maximă seriozitate securitatea produselor și serviciilor noastre software, inclusiv toate depozitele de cod sursă gestionate prin organizațiile noastre GitHub, care includ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) și [organizațiile noastre GitHub](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-26T00:44:39+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Codul de Conduită pentru Proiectele Open Source Microsoft
|
||||
|
||||
Acest proiect a adoptat [Codul de Conduită pentru Proiectele Open Source Microsoft](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-26T00:47:33+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Contribuții
|
||||
|
||||
Acest proiect acceptă contribuții și sugestii. Majoritatea contribuțiilor necesită ca tu să
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-26T00:49:53+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Introducere în AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-26T00:43:35+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Suport
|
||||
|
||||
## Cum să raportezi probleme și să obții ajutor
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-26T00:45:53+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Contribuie prin traducerea lecțiilor
|
||||
|
||||
Salutăm traducerile pentru lecțiile din acest curriculum!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-26T00:53:49+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Chestionare
|
||||
|
||||
Aceste chestionare sunt chestionarele de dinainte și după lecții pentru curriculumul AI disponibil la https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:34:10+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Exemple de AI pentru Începători
|
||||
|
||||
Bun venit! Acest director conține exemple simple și independente pentru a te ajuta să începi cu AI și învățarea automată. Fiecare exemplu este conceput să fie prietenos pentru începători, cu comentarii detaliate și explicații pas cu pas.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-26T00:39:05+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Pentru Educatori
|
||||
|
||||
Doriți să folosiți acest curriculum în sala de clasă? Vă rugăm să o faceți!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T05:26:25+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Cum să Rulați Codul
|
||||
|
||||
Acest curriculum conține multe exemple și laboratoare executabile pe care veți dori să le rulați. Pentru a face acest lucru, aveți nevoie de posibilitatea de a executa cod Python în Jupyter Notebooks furnizate ca parte a acestui curriculum. Aveți mai multe opțiuni pentru a rula codul:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:15:27+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Începerea cu acest curriculum
|
||||
|
||||
## Ești student?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T22:04:18+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Introducere în Inteligența Artificială
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T22:05:17+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Jocurile sunt un domeniu care a fost puternic influențat de dezvoltările în AI și ML. În această temă, scrie un scurt eseu despre un joc care îți place și care a fost influențat de evoluția AI. Ar trebui să fie un joc suficient de vechi pentru a fi fost influențat de mai multe tipuri de sisteme de procesare a computerelor. Un exemplu bun este Șahul sau Go, dar poți analiza și jocuri video precum Pong sau Pac-Man. Scrie un eseu care discută despre trecutul, prezentul și viitorul AI al jocului.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T05:26:47+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Reprezentarea Cunoașterii și Sistemele Expert
|
||||
|
||||
|
||||
|
||||
|
||||
> Schiță realizată de [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ De cele mai multe ori, nu definim strict cunoașterea, ci o aliniem cu alte conc
|
|||
|
||||
Astfel, problema **reprezentării cunoașterii** este să găsim o modalitate eficace de a reprezenta cunoașterea în interiorul unui calculator sub formă de date, pentru a o face utilizabilă automat. Aceasta poate fi văzută ca un spectru:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagine de [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Sintaxă-Bloc | Indentare | | |
|
|||
|
||||
Unul dintre succesele timpurii ale AI simbolic au fost aşa-numitele **sisteme expert** - sisteme de calculator proiectate să acționeze ca experți într-un domeniu de problemă limitat. Acestea se bazau pe o **bază de cunoștințe** extrasă de la unul sau mai mulți experți umani și conțineau un **motor de inferență** care făcea raționamente pe baza acesteia.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Structură simplificată a unui sistem neural uman | Arhitectura unui sistem bazat pe cunoaștere
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Sistemele expert sunt construite asemeni sistemului de raționament uman, care c
|
|||
|
||||
Ca exemplu, să considerăm următorul sistem expert pentru determinarea unui animal bazat pe caracteristicile sale fizice:
|
||||
|
||||
|
||||
|
||||
|
||||
> Imagine de [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-26T00:33:59+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Construiește o Ontologie
|
||||
|
||||
Construirea unei baze de cunoștințe înseamnă să categorisești un model care reprezintă fapte despre un subiect. Alege un subiect - cum ar fi o persoană, un loc sau un obiect - și apoi construiește un model al acelui subiect. Folosește unele dintre tehnicile și strategiile de construire a modelelor descrise în această lecție. Un exemplu ar fi crearea unei ontologii a unui living cu mobilier, lumini și așa mai departe. Cum diferă livingul de bucătărie? De baie? Cum știi că este un living și nu o sufragerie? Folosește [Protégé](https://protege.stanford.edu/) pentru a construi ontologia ta.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T14:20:52+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Introducere în Rețele Neuronale: Perceptron
|
||||
|
||||
## [Chestionar înainte de lecție](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Una dintre primele încercări de a implementa ceva similar cu o rețea neuronal
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/ro/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/ro/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Imagini [de pe Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
unde f este o funcție de activare de tip treaptă.
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/ro/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Antrenarea Perceptronului
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T22:48:54+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Clasificare Multi-Clasă cu Perceptron
|
||||
|
||||
Temă de laborator din [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T14:20:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Introducere în Rețele Neuronale. Perceptron Multi-Stratificat
|
||||
|
||||
În secțiunea anterioară, ai învățat despre cel mai simplu model de rețea neuronală - perceptronul cu un singur strat, un model liniar de clasificare în două clase.
|
||||
|
|
@ -65,7 +56,7 @@ Algoritmul gradient descent ar rămâne același, dar ar fi mai dificil de calcu
|
|||
|
||||
Observați că partea din stânga a tuturor acestor expresii este aceeași, și astfel putem calcula eficient derivatele începând de la funcția de pierdere și mergând "înapoi" prin graful computațional. Astfel, metoda de antrenare a unui perceptron multi-stratificat este numită **backpropagation**, sau 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/ro/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: citarea imaginii
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-25T23:49:01+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Clasificarea MNIST cu Propriul Cadru
|
||||
|
||||
Temă de laborator din [Curriculumul AI pentru Începători](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T14:21:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Frameworkuri pentru Rețele Neuronale
|
||||
|
||||
Așa cum am învățat deja, pentru a putea antrena rețele neuronale eficient, trebuie să facem două lucruri:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-25T23:55:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Clasificare cu PyTorch/TensorFlow
|
||||
|
||||
Temă de laborator din [Curriculum AI pentru Începători](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:53:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Introducere în Rețele Neuronale
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T14:15:40+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Introducere în Viziunea Computațională
|
||||
|
||||
[Viziunea Computațională](https://wikipedia.org/wiki/Computer_vision) este o disciplină al cărei scop este să permită calculatoarelor să obțină o înțelegere de nivel înalt a imaginilor digitale. Aceasta este o definiție destul de largă, deoarece *înțelegerea* poate însemna multe lucruri diferite, inclusiv identificarea unui obiect într-o imagine (**detectarea obiectelor**), înțelegerea a ceea ce se întâmplă (**detectarea evenimentelor**), descrierea unei imagini în text sau reconstruirea unei scene în 3D. Există, de asemenea, sarcini speciale legate de imaginile umane: estimarea vârstei și emoțiilor, detectarea și identificarea fețelor, și estimarea poziției 3D, printre altele.
|
||||
|
|
@ -115,7 +106,7 @@ Citește mai multe despre fluxul optic [în acest tutorial excelent](https://lea
|
|||
|
||||
În acest laborator, vei filma un video cu gesturi simple, iar scopul tău este să extragi mișcările sus/jos/stânga/dreapta folosind flux optic.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Cadru Mișcare Palmă"/>
|
||||
<img src="../../../../../translated_images/ro/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Cadru Mișcare Palmă"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-25T23:05:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Detectarea Mișcărilor folosind Optical Flow
|
||||
|
||||
Temă de laborator din [Curriculumul AI pentru Începători](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T14:14:49+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Arhitecturi CNN Celebre
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ După cum se poate observa, VGG urmează o arhitectură tradițională de tip pi
|
|||
|
||||
ResNet este o familie de modele propusă de Microsoft Research în 2015. Ideea principală a ResNet este utilizarea **blocurilor reziduale**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/ro/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Imagine din [acest articol](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ De asemenea, această rețea poate fi privită ca fiind capabilă să își ajus
|
|||
|
||||
Arhitectura Google Inception duce această idee un pas mai departe și construiește fiecare strat al rețelei ca o combinație de mai multe căi diferite:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/ro/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Imagine de la [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T14:14:29+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Rețele Neuronale Convoluționale
|
||||
|
||||
Am văzut anterior că rețelele neuronale sunt destul de bune la procesarea imaginilor, iar chiar și un perceptron cu un singur strat este capabil să recunoască cifre scrise de mână din setul de date MNIST cu o acuratețe rezonabilă. Totuși, setul de date MNIST este foarte special, iar toate cifrele sunt centrate în interiorul imaginii, ceea ce face sarcina mai simplă.
|
||||
|
|
@ -24,7 +15,7 @@ Pentru a extrage tipare, vom folosi noțiunea de **filtre convoluționale**. Dup
|
|||
|
||||
De exemplu, dacă aplicăm filtre pentru margini verticale și orizontale de 3x3 pe cifrele MNIST, putem obține evidențieri (de exemplu, valori mari) acolo unde există margini verticale și orizontale în imaginea originală. Astfel, aceste două filtre pot fi utilizate pentru a "căuta" margini. În mod similar, putem proiecta diferite filtre pentru a căuta alte tipare de nivel scăzut:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/ro/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Imagine a [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:57:43+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Clasificarea Fețelor Animalelor de Companie
|
||||
|
||||
Temă de laborator din [Curriculum AI pentru Începători](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T14:15:14+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Rețele Pre-antrenate și Învățarea prin Transfer
|
||||
|
||||
Antrenarea CNN-urilor poate dura mult timp și necesită o cantitate mare de date. Totuși, o mare parte din timp este petrecut în învățarea celor mai bune filtre de nivel scăzut pe care o rețea le poate folosi pentru a extrage modele din imagini. O întrebare naturală apare - putem folosi o rețea neuronală antrenată pe un set de date și să o adaptăm pentru a clasifica imagini diferite fără a necesita un proces complet de antrenare?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-25T23:12:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Trucuri pentru antrenarea rețelelor neuronale profunde
|
||||
|
||||
Pe măsură ce rețelele neuronale devin mai adânci, procesul de antrenare devine din ce în ce mai dificil. Una dintre principalele probleme este așa-numita [problemă a gradientului care dispare](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) sau [gradientul exploziv](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Acest articol](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) oferă o introducere bună în aceste probleme.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-25T23:16:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ro"
|
||||
}
|
||||
-->
|
||||
# Clasificarea animalelor de companie Oxford folosind Transfer Learning
|
||||
|
||||
Temă de laborator din [Curriculumul AI pentru Începători](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue