diff --git a/translations/my/lessons/5-NLP/15-LanguageModeling/README.md b/translations/my/lessons/5-NLP/15-LanguageModeling/README.md index eeef065d..a25b5860 100644 --- a/translations/my/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/my/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ Semantic embeddings, Word2Vec နှင့် GloVe က **ဘာသာစကာ * **Continuous Bag-of-Words** (CBoW)၊ token အစဉ် $W_{-N}$, ..., $W_N$ တွင် အလယ် token $W_0$ ကို ခန့်မှန်းခြင်း။ * **Skip-gram**၊ အလယ် token $W_0$ မှ အနီးအနား token များ {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} ကို ခန့်မှန်းခြင်း။ -![image from paper on converting words to vectors](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.my.png) +![image from paper on converting words to vectors](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.my.png) > Image from [this paper](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/my/lessons/5-NLP/16-RNN/README.md b/translations/my/lessons/5-NLP/16-RNN/README.md index 754635e7..80bc3ab7 100644 --- a/translations/my/lessons/5-NLP/16-RNN/README.md +++ b/translations/my/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: စာသားအစီအစဉ်၏ အဓိပ္ပါယ်ကို ဖမ်းဆီးရန် **recurrent neural network** (RNN) ဟုခေါ်သော neural network architecture တစ်ခုကို အသုံးပြုရန် လိုအပ်သည်။ RNN တွင် ကျွန်ုပ်တို့၏ စာကြောင်းကို network အတွင်းသို့ သင်္ကေတတစ်ခုစီဖြင့် ဖြတ်သွားပြီး network သည် **state** တစ်ခုကို ထုတ်လုပ်သည်၊ ထို့နောက် ကျွန်ုပ်တို့သည် နောက်ထပ်သင်္ကေတနှင့်အတူ network သို့ ပြန်လည်ပေးပို့သည်။ -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.my.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.my.png) > ပုံကို စာရေးသူမှ ဖန်တီးသည် @@ -61,7 +61,7 @@ State C ၏ components များကို flags အဖြစ် switch on န Recurrent network တစ်ခုသည် direction တစ်ခုဖြစ်စေ bidirectional ဖြစ်စေ sequence အတွင်း certain patterns များကို ဖမ်းဆီးပြီး state vector သို့မဟုတ် output သို့ ပေးပို့နိုင်သည်။ Convolutional networks များနှင့်တူပင်၊ ပထမ layer မှ low-level patterns များကို extract လုပ်ပြီး အဆင့်မြင့် patterns များကို ဖမ်းဆီးရန် ပထမ layer အပေါ်တွင် recurrent layer တစ်ခုတိုးတက်စေပြီး **multi-layer RNN** ကို ဖန်တီးနိုင်သည်။ Multi-layer RNN သည် recurrent networks နှစ်ခု သို့မဟုတ် အများကြီးပါဝင်ပြီး ယခင် layer ၏ output ကို နောက်တစ်ခု layer ၏ input အဖြစ် ပေးပို့သည်။ -![Image showing a Multilayer long-short-term-memory- RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.my.jpg) +![Image showing a Multilayer long-short-term-memory- RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.my.jpg) *Fernando López ရေးသားသော [this wonderful post](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) မှ ပုံ* diff --git a/translations/my/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/my/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index d90e661e..c8c33a9f 100644 --- a/translations/my/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/my/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -420,7 +420,7 @@ "\n", "Recurrent network, one-directional ဖြစ်စေ bidirectional ဖြစ်စေ၊ sequence တစ်ခုအတွင်းမှာ pattern အချို့ကို capture လုပ်နိုင်ပြီး၊ state vector ထဲမှာ သိမ်းဆည်းနိုင်သလို output ကို pass လုပ်နိုင်ပါတယ်။ Convolutional networks တွေနဲ့တူတူပဲ၊ ပထမ layer က low-level patterns တွေကို extract လုပ်ပြီး၊ အဲ့ဒီ patterns တွေကို အသုံးပြုပြီး higher level patterns တွေကို capture လုပ်ဖို့ ပထမ layer ရဲ့အပေါ်မှာ recurrent layer တစ်ခုတိုးဖွဲ့နိုင်ပါတယ်။ ဒီအရာက **multi-layer RNN** ဆိုတဲ့အယူအဆကို ရောက်လာစေပြီး၊ ဒါဟာ recurrent networks နှစ်ခု သို့မဟုတ် အများကြီးပါဝင်ပြီး၊ အရင် layer ရဲ့ output ကို နောက် layer ရဲ့ input အဖြစ် pass လုပ်ပေးတဲ့ network ဖြစ်ပါတယ်။\n", "\n", - "![Multilayer long-short-term-memory- RNN ကို ပြသတဲ့ပုံ](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.my.jpg)\n", + "![Multilayer long-short-term-memory- RNN ကို ပြသတဲ့ပုံ](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.my.jpg)\n", "\n", "*Fernando López ရဲ့ [ဒီ post](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) မှာရရှိတဲ့ပုံ*\n", "\n", diff --git a/translations/my/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/my/lessons/5-NLP/16-RNN/RNNTF.ipynb index 30033088..bfe57cc0 100644 --- a/translations/my/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/my/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "စာသားအစီအစဉ်၏ အဓိပ္ပါယ်ကို ဖမ်းဆီးရန်၊ **recurrent neural network** (RNN) ဟုခေါ်သော နယူးရယ်နက်ဝက် architecture ကို အသုံးပြုမည်ဖြစ်သည်။ RNN ကို အသုံးပြုသောအခါ၊ ကျွန်ုပ်တို့၏ စာကြောင်းကို network အတွင်းသို့ token တစ်ခုစီဖြင့် အဆင့်ဆင့် ဖြတ်သန်းပြီး၊ network သည် **state** တစ်ခုကို ထုတ်ပေးမည်ဖြစ်သည်။ ထို state ကို နောက် token နှင့်အတူ network သို့ ပြန်လည်ထည့်သွင်းမည်ဖြစ်သည်။\n", "\n", - "![Recurrent neural network ထုတ်လုပ်မှု၏ ဥပမာကို ပြသသော ပုံ။](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.my.png)\n", + "![Recurrent neural network ထုတ်လုပ်မှု၏ ဥပမာကို ပြသသော ပုံ။](../../../../../translated_images/rnn.27f5c29c53d727b5.my.png)\n", "\n", "tokens များ၏ input အစီအစဉ် $X_0,\\dots,X_n$ ကို ပေးသောအခါ၊ RNN သည် နယူးရယ်နက်ဝက် block များ၏ အစီအစဉ်တစ်ခုကို ဖန်တီးပြီး၊ ထိုအစီအစဉ်ကို backpropagation အသုံးပြု၍ အဆုံးမှ အဆုံးသို့ လေ့ကျင့်သည်။ network block တစ်ခုစီသည် $(X_i,S_i)$ ကို input အနေဖြင့် လက်ခံပြီး၊ $S_{i+1}$ ကို ရလဒ်အဖြစ် ထုတ်ပေးသည်။ နောက်ဆုံး state $S_n$ သို့မဟုတ် output $Y_n$ ကို linear classifier သို့ ပေးပို့ပြီး ရလဒ်ကို ထုတ်ယူသည်။ network block အားလုံးသည် တူညီသော weight များကို မျှဝေထားပြီး၊ တစ်ကြိမ်တည်းသော backpropagation pass ဖြင့် အဆုံးမှ အဆုံးသို့ လေ့ကျင့်သည်။\n", "\n", @@ -369,7 +369,7 @@ "\n", "Recurrent network များ၊ unidirectional ဖြစ်စေ bidirectional ဖြစ်စေ၊ sequence အတွင်းရှိ pattern များကို ဖမ်းဆီးပြီး state vector များအဖြစ် သိမ်းဆည်းသို့မဟုတ် output အဖြစ် ပြန်လည်ပေးသည်။ Convolutional network များနှင့်တူပင်၊ ပထမ layer မှ အနိမ့်ဆုံး level pattern များကို ဖမ်းဆီးပြီး၊ အမြင့်ဆုံး level pattern များကို ဖမ်းဆီးရန် ပိုမိုမြင့်မားသော recurrent layer တစ်ခုကို တည်ဆောက်နိုင်သည်။ ၎င်းသည် **multi-layer RNN** ၏ အယူအဆသို့ ဦးတည်ပြီး၊ ၎င်းသည် recurrent network နှစ်ခု သို့မဟုတ် အများကြီးပါဝင်ပြီး၊ ယခင် layer ၏ output ကို နောက် layer ၏ input အဖြစ် ပေးပို့သည်။\n", "\n", - "![Multilayer long-short-term-memory- RNN ကို ပြသထားသော ပုံ](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.my.jpg)\n", + "![Multilayer long-short-term-memory- RNN ကို ပြသထားသော ပုံ](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.my.jpg)\n", "\n", "*Fernando López ရေးသားထားသော [ဤအလွန်အမိုက်ဆုံး post](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) မှ ရိုက်ယူထားသော ပုံ။*\n", "\n", diff --git a/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index a72009d9..845b70fd 100644 --- a/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "RNN ကို စာသားထုတ်လုပ်ရန် လေ့ကျင့်ပုံမှာ အောက်ပါအတိုင်းဖြစ်ပါမည်။ အဆင့်တစ်ခုစီတွင် `nchars` အရှည်ရှိသော စာလုံးများ၏ အစဉ်အတိုင်းယူပြီး၊ နောက်ထွက်စာလုံးကို အဝင်စာလုံးတစ်ခုစီအတွက် ကွန်ယက်အားဖြင့် ထုတ်လုပ်ရန် တောင်းဆိုပါမည်။\n", "\n", - "![RNN သုံး၍ 'HELLO' စကားလုံးကို ထုတ်လုပ်နေသော ဥပမာပုံ။](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.my.png)\n", + "![RNN သုံး၍ 'HELLO' စကားလုံးကို ထုတ်လုပ်နေသော ဥပမာပုံ။](../../../../../translated_images/rnn-generate.56c54afb52f9781d.my.png)\n", "\n", "အခြေအနေအလိုက်၊ *အဆုံးအမှတ်အသား* `` ကဲ့သို့သော အထူးအက္ခရာများကိုလည်း ထည့်သွင်းလိုတတ်ပါသည်။ သို့သော် ကျွန်ုပ်တို့အနေဖြင့် အဆုံးမရှိသော စာသားထုတ်လုပ်မှုအတွက် ကွန်ယက်ကိုသာ လေ့ကျင့်လိုသောကြောင့်၊ အစဉ်တစ်ခုစီ၏ အရွယ်အစားကို `nchars` အက္ခရာများအဖြစ် သတ်မှတ်ထားမည်ဖြစ်သည်။ ထို့ကြောင့်၊ လေ့ကျင့်မှုဥပမာတစ်ခုစီတွင် `nchars` အဝင်များနှင့် `nchars` အထွက်များ (အဝင်အစဉ်ကို ဘယ်ဘက်သို့ အက္ခရာတစ်လုံးရွှေ့ထားသောအတိုင်း) ပါဝင်မည်ဖြစ်သည်။ Minibatch တစ်ခုတွင် ဤအစဉ်များစွာ ပါဝင်မည်ဖြစ်သည်။\n", "\n", diff --git a/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index a6d3c744..1001deb9 100644 --- a/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/my/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -111,7 +111,7 @@ "\n", "RNN ကို သတင်းခေါင်းစဉ်များ ဖန်တီးရန် သင်ကြားပုံမှာ အောက်ပါအတိုင်း ဖြစ်ပါတယ်။ တစ်ခုချင်းစီအဆင့်မှာ RNN ထဲသို့ ထည့်မည့် ခေါင်းစဉ်တစ်ခုကို ရွေးပြီး၊ အင်ပွတ်အက္ခရာတစ်ခုစီအတွက် နောက်ထွက်အက္ခရာကို ဖန်တီးရန် ကွန်ယက်ကို မေးမြန်းပါမည်။\n", "\n", - "![RNN က 'HELLO' စကားလုံးကို ဖန်တီးနေသည်ကို ပြသသော ပုံ။](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.my.png)\n", + "![RNN က 'HELLO' စကားလုံးကို ဖန်တီးနေသည်ကို ပြသသော ပုံ။](../../../../../translated_images/rnn-generate.56c54afb52f9781d.my.png)\n", "\n", "အကြောင်းအရာ၏ နောက်ဆုံးအက္ခရာအတွက် `` token ကို ဖန်တီးရန် ကွန်ယက်ကို မေးမြန်းပါမည်။\n", "\n", diff --git a/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md index f05596d9..d8e6af49 100644 --- a/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/my/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ Recurrent Neural Networks (RNNs) နှင့် Long Short Term Memory Cells (L ဤအရာသည် အောက်ပါပုံတွင် ဖော်ပြထားသော neural architectures များကို ဖန်တီးနိုင်စေသည်- -![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.my.jpg) +![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.my.jpg) > ပုံကို [Andrej Karpaty](http://karpathy.github.io/) ရဲ့ [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) ဆိုတဲ့ blog post မှရယူထားသည်။ @@ -32,7 +32,7 @@ Recurrent Neural Networks (RNNs) နှင့် Long Short Term Memory Cells (L ဤ RNN ကို စာသားကို အဆင့်ဆင့် ထုတ်လုပ်ရန် training လုပ်မည်။ အဆင့်တစ်ခုစီတွင် `nchars` အရှည်ရှိသော စာလုံးများ၏ sequence ကိုယူပြီး၊ input character တစ်ခုစီအတွက် နောက်ထွက် character ကို network မှ ထုတ်ပေးရန် မေးမြန်းမည်- -![Image showing an example RNN generation of the word 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.my.png) +![Image showing an example RNN generation of the word 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.my.png) စာသားထုတ်လုပ်ခြင်း (inference အတွင်း) တွင် **prompt** တစ်ခုကို RNN cells မှတဆင့် hidden state ကို ရယူပြီး၊ ထို့နောက် generation ကို စတင်မည်။ စာလုံးတစ်လုံးစီကို အဆင့်ဆင့် ထုတ်လုပ်ပြီး၊ state နှင့် ထုတ်လုပ်ထားသော စာလုံးကို နောက် RNN cell သို့ ပေးပို့ကာ နောက် character ကို ထုတ်လုပ်မည်။ ထိုနောက် လိုအပ်သော စာလုံးများကို ထုတ်လုပ်ပြီးမှ ရပ်မည်။ diff --git a/translations/my/lessons/5-NLP/18-Transformers/README.md b/translations/my/lessons/5-NLP/18-Transformers/README.md index 7d487fec..09cd338b 100644 --- a/translations/my/lessons/5-NLP/18-Transformers/README.md +++ b/translations/my/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ RNNs အသုံးပြု၍ sequence-to-sequence ကို **encoder** န **Attention Mechanisms** သည် RNN ၏ output prediction အပေါ် input vector တစ်ခုချင်းစီ၏ context သက်ရောက်မှုကို အလေးပေးရန် နည်းလမ်းတစ်ခုဖြစ်သည်။ ဒီနည်းလမ်းကို input RNN ၏ intermediate states နှင့် output RNN အကြား shortcut များဖန်တီးခြင်းဖြင့် အကောင်အထည်ဖော်သည်။ ထို့ကြောင့် output symbol yt ကို ဖန်တီးသောအခါ input hidden states hi အားလုံးကို အလေးပေး coefficient αt,i များဖြင့် ထည့်သွင်းစဉ်းစားမည်။ -![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.my.png) +![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.my.png) > Encoder-decoder မော်ဒယ်နှင့် additive attention mechanism ကို [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) မှ ရယူထားသည်။ [ဒီ blog post](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) မှာလည်း ရှင်းပြထားသည်။ Attention matrix {αi,j} သည် output sequence အတွင်း စကားလုံးတစ်ခုကို ဖန်တီးရာတွင် input စကားလုံးတစ်ခုချင်းစီ၏ သက်ရောက်မှုကို ကိုယ်စားပြုသည်။ အောက်တွင် matrix ၏ ဥပမာတစ်ခုကို ဖော်ပြထားသည်- -![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.my.png) +![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.my.png) > [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) မှာပါရှိသော (Fig.3) ပုံ @@ -66,7 +66,7 @@ Positional embedding ရလဒ်သည် original token နှင့် sequen ထို့နောက် sequence အတွင်း pattern များကို ဖမ်းဆီးရန်လိုအပ်သည်။ Transformers တွင် **self-attention** mechanism ကို အသုံးပြုသည်။ Self-attention သည် input နှင့် output အဖြစ် တူညီသော sequence အပေါ် attention ကို အသုံးပြုခြင်းဖြစ်သည်။ Self-attention ကို အသုံးပြုခြင်းဖြင့် sentence အတွင်း context ကို စဉ်းစားနိုင်ပြီး၊ စကားလုံးများ၏ inter-relationship ကို တွေ့နိုင်သည်။ ဥပမာ- *it* ကဲ့သို့သော coreferences ကို ရှာဖွေနိုင်သည်။ -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.my.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.my.png) > [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) မှ ပုံ @@ -91,7 +91,7 @@ Input position တစ်ခုချင်းစီကို output position တ **BERT** (Bidirectional Encoder Representations from Transformers) သည် *BERT-base* အတွက် 12 layers နှင့် *BERT-large* အတွက် 24 layers ပါဝင်သော အလွန်ကြီးမားသော multi-layer transformer network ဖြစ်သည်။ မော်ဒယ်ကို WikiPedia နှင့် books ကဲ့သို့သော text data အကြီးအကျယ်ကို unsupervised training (sentence အတွင်း masked words များကို ခန့်မှန်းခြင်း) ဖြင့် ပထမဦးဆုံး pre-train လုပ်သည်။ Pre-training အတွင်း မော်ဒယ်သည် language understanding အဆင့်များကို စွမ်းဆောင်နိုင်ပြီး၊ အခြား datasets များနှင့် fine-tuning ဖြင့် အသုံးပြုနိုင်သည်။ ဒီလုပ်ငန်းစဉ်ကို **transfer learning** ဟု ခေါ်သည်။ -![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.my.png) +![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.my.png) > ပုံ [source](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/my/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/my/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index 14696c29..7a37b3d0 100644 --- a/translations/my/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/my/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**Attention Mechanisms (အာရုံစူးစိုက်မှုစနစ်များ)** ကတော့ RNN ရဲ့ output prediction (အထွက်ခန့်မှန်းမှု) တစ်ခုစီအပေါ် input vector (အဝင်ဗက်တာ) တစ်ခုစီရဲ့ အကြောင်းအရာသက်ရောက်မှုကို အလေးပေးနိုင်တဲ့ နည်းလမ်းတစ်ခုကို ပံ့ပိုးပေးပါတယ်။ ဒီစနစ်ကို အကောင်အထည်ဖော်တဲ့နည်းလမ်းက input RNN ရဲ့ အလယ်အလတ်အခြေအနေတွေနဲ့ output RNN အကြား shortcut (တိုက်ရိုက်လမ်းကြောင်း) တွေ ဖန်တီးခြင်းဖြစ်ပါတယ်။ ဒီနည်းလမ်းနဲ့ $y_t$ output symbol ကို ဖန်တီးတဲ့အခါမှာ input hidden states $h_i$ အားလုံးကို အလေးချိန်ကွဲပြားမှု $\\alpha_{t,i}$ နဲ့အတူ စဉ်းစားပါမယ်။\n", "\n", - "![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.my.png)\n", + "![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.my.png)\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) မှ additive attention mechanism ပါတဲ့ encoder-decoder မော်ဒယ်ကို [ဒီ blog post](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) မှ ရယူထားသည်။*\n", "\n", "Attention matrix $\\{\\alpha_{i,j}\\}$ က output sequence (အထွက်အဆက်မပြတ်အချက်အလက်) ရဲ့ စကားလုံးတစ်လုံးကို ဖန်တီးရာမှာ input words (အဝင်စကားလုံး) တစ်ချို့ရဲ့ သက်ရောက်မှုအဆင့်ကို ကိုယ်စားပြုပါတယ်။ အောက်မှာ ဒီလို matrix ရဲ့ ဥပမာကို ကြည့်နိုင်ပါတယ်။\n", "\n", - "![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.my.png)\n", + "![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.my.png)\n", "\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) မှ (ပုံ ၃) ကို ရယူထားသည်။*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) က အလွှာ ၁၂ လွှာပါတဲ့ *BERT-base* နဲ့ အလွှာ ၂၄ လွှာပါတဲ့ *BERT-large* တို့ဖြင့် ဖွဲ့စည်းထားတဲ့ အလွန်ကြီးမားတဲ့ multi-layer transformer network တစ်ခုဖြစ်ပါတယ်။ ဒီမော်ဒယ်ကို စာကြောင်းထဲက masked words (ဖုံးထားသောစကားလုံးများ) ကို ခန့်မှန်းတဲ့ unsupervised training (မကြီးကြပ်သောလေ့ကျင့်မှု) နည်းလမ်းနဲ့ စာကြောင်းအများအပြား (WikiPedia + စာအုပ်များ) အပေါ်မှာ အရင်ဆုံး pre-train လုပ်ထားပါတယ်။ Pre-training လုပ်စဉ်မှာ မော်ဒယ်က ဘာသာစကားနားလည်မှုအဆင့်မြင့်တစ်ခုကို စုပ်ယူထားပြီး၊ အဲ့ဒီနားလည်မှုကို အခြား dataset တွေနဲ့ fine-tuning (အသေးစိတ်ချိန်ညှိမှု) လုပ်နိုင်ပါတယ်။ ဒီလုပ်ငန်းစဉ်ကို **transfer learning** လို့ ခေါ်ပါတယ်။\n", "\n", - "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.my.png)\n", + "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.my.png)\n", "\n", "Transformer architecture တွေမှာ BERT, DistilBERT, BigBird, OpenGPT3 စတဲ့ မော်ဒယ်အမျိုးအစားအများအပြားရှိပြီး၊ အဲ့ဒီမော်ဒယ်တွေကို fine-tune လုပ်နိုင်ပါတယ်။ [HuggingFace package](https://github.com/huggingface/) က PyTorch နဲ့ အဲ့ဒီ architecture တွေကို training လုပ်ဖို့ repository တစ်ခုကို ပံ့ပိုးပေးထားပါတယ်။\n", "\n", diff --git a/translations/my/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/my/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 9585a52f..3b008ed0 100644 --- a/translations/my/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/my/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**အာရုံစူးစိုက်မှု မော်ကွန်းများ** သည် RNN ၏ output များကို ခန့်မှန်းရာတွင် input vector တစ်ခုချင်းစီ၏ context သက်ရောက်မှုကို အလေးပေးနိုင်စေသော နည်းလမ်းတစ်ခုဖြစ်သည်။ ၎င်းကို အကောင်အထည်ဖော်ရာတွင် input RNN ၏ အလယ်အလတ် states များနှင့် output RNN အကြား shortcut များ ဖန်တီးခြင်းဖြင့် ပြုလုပ်သည်။ ဒီနည်းလမ်းဖြင့် output symbol $y_t$ ကို ထုတ်လုပ်စဉ်တွင် input hidden states $h_i$ အားလုံးကို အလေးချိန် coefficient များ $\\alpha_{t,i}$ ဖြင့် သက်ဆိုင်စွာ ထည့်သွင်းစဉ်းစားမည်ဖြစ်သည်။\n", "\n", - "![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.my.png)\n", + "![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.my.png)\n", "*Additive attention mechanism ပါဝင်သည့် encoder-decoder မော်ဒယ် ([Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf)) ကို [ဒီ blog post](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) မှ ရယူထားသည်*\n", "\n", "Attention matrix $\\{\\alpha_{i,j}\\}$ သည် output စာကြောင်းအတွင်း စကားလုံးတစ်လုံးကို ဖန်တီးရာတွင် သက်ဆိုင်သော input စကားလုံးများ၏ သက်ရောက်မှုအဆင့်ကို ကိုယ်စားပြုသည်။ အောက်တွင် ထို matrix ၏ ဥပမာကို ဖော်ပြထားသည်-\n", "\n", - "![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.my.png)\n", + "![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.my.png)\n", "\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) မှ ရယူထားသော ပုံ]*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) သည် *BERT-base* အတွက် အလွှာ 12 လွှာနှင့် *BERT-large* အတွက် အလွှာ 24 လွှာပါဝင်သော အလွန်ကြီးမားသော multi-layer transformer network တစ်ခုဖြစ်သည်။ ဤမော်ဒယ်ကို ပထမဦးစွာ အကြီးမားသော စာသားဒေတာများ (WikiPedia + စာအုပ်များ) ကို အသုံးပြု၍ unsupervised training (ဝါကျအတွင်းရှိ masked စကားလုံးများကို ခန့်မှန်းခြင်း) ဖြင့် pre-training ပြုလုပ်သည်။ Pre-training လုပ်စဉ်အတွင်း မော်ဒယ်သည် ဘာသာစကားနားလည်မှုအဆင့်အတန်းများကို အလွန်အမင်း စွမ်းဆောင်နိုင်စွမ်း ရရှိလာပြီး၊ ထို့နောက် အခြားသောဒေတာများနှင့်အတူ fine tuning ဖြင့် အသုံးချနိုင်သည်။ ဤလုပ်ငန်းစဉ်ကို **transfer learning** ဟုခေါ်သည်။\n", "\n", - "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.my.png)\n", + "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.my.png)\n", "\n", "BERT, DistilBERT, BigBird, OpenGPT3 စသည်တို့အပါအဝင် Transformer architecture များ၏ အမျိုးအစားများစွာရှိပြီး၊ ထိုမော်ဒယ်များကို fine tuning ပြုလုပ်နိုင်သည်။\n", "\n", diff --git a/translations/my/lessons/5-NLP/19-NER/README.md b/translations/my/lessons/5-NLP/19-NER/README.md index f4b3457d..fc057248 100644 --- a/translations/my/lessons/5-NLP/19-NER/README.md +++ b/translations/my/lessons/5-NLP/19-NER/README.md @@ -58,7 +58,7 @@ infant | O Token နှင့် class များအကြား တစ်ခုချင်းစီကို တိုက်ရိုက်ဆက်စပ်မှုတစ်ခုတည်ဆောက်ရန် လိုအပ်သဖြင့်၊ ဒီပုံစံမှ **many-to-many** neural network model တစ်ခုကို တည်ဆောက်နိုင်ပါသည်။ -![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.my.jpg) +![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.my.jpg) > *ပုံကို [ဒီ blog post](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) မှ [Andrej Karpathy](http://karpathy.github.io/) ရေးသားထားသည်။ NER token classification model များသည် ဒီပုံရဲ့ ညာဘက်ဆုံး network architecture ကို ကိုယ်စားပြုသည်။* diff --git a/translations/my/lessons/5-NLP/README.md b/translations/my/lessons/5-NLP/README.md index 55d5ae5e..3fdc7b44 100644 --- a/translations/my/lessons/5-NLP/README.md +++ b/translations/my/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # သဘာဝဘာသာစကားလုပ်ငန်းဆောင်တာ -![NLP လုပ်ငန်းဆောင်တာများကို ရေးဆွဲထားသော ပုံ](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.my.png) +![NLP လုပ်ငန်းဆောင်တာများကို ရေးဆွဲထားသော ပုံ](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.my.png) ဤအပိုင်းတွင် **သဘာဝဘာသာစကားလုပ်ငန်းဆောင်တာ (NLP)** နှင့်ဆက်စပ်သောအလုပ်များကို Neural Networks အသုံးပြု၍ ဖြေရှင်းပုံကို အဓိကထားဆွေးနွေးသွားမည်ဖြစ်သည်။ ကွန်ပျူတာများကို ဖြေရှင်းစေလိုသော NLP ပြဿနာများစွာရှိသည်။ diff --git a/translations/my/lessons/6-Other/23-MultiagentSystems/README.md b/translations/my/lessons/6-Other/23-MultiagentSystems/README.md index bef3daf8..1f764805 100644 --- a/translations/my/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/my/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ models တစ်ခုကို ဖွင့်နိုင်သည်၊ ဥ model ကို ဖွင့်ပြီးနောက် NetLogo ၏ အဓိက screen သို့ ရောက်ရှိသည်။ ဤနေရာတွင် finite resources (grass) ရှိသော wolves နှင့် sheep ၏ population ကို ဖော်ပြသော sample model တစ်ခုကို တွေ့နိုင်သည်။ -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.my.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.my.png) > Dmitry Soshnikov ၏ screenshot diff --git a/translations/my/lessons/README.md b/translations/my/lessons/README.md index b87c39f4..7bf69526 100644 --- a/translations/my/lessons/README.md +++ b/translations/my/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # အကျဉ်းချုပ် -![အကျဉ်းချုပ်ကို ရေးဆွဲထားသော ပုံ](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.my.png) +![အကျဉ်းချုပ်ကို ရေးဆွဲထားသော ပုံ](../../../translated_images/ai-overview.0857791951d19500.my.png) > [Tomomi Imura](https://twitter.com/girlie_mac) မှ ရေးဆွဲထားသော Sketchnote diff --git a/translations/my/lessons/X-Extras/X1-MultiModal/README.md b/translations/my/lessons/X-Extras/X1-MultiModal/README.md index 574d5a1a..790097f5 100644 --- a/translations/my/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/my/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ NLP အလုပ်များကို ဖြေရှင်းရန် trans CLIP ၏ အဓိကအကြောင်းအရာမှာ စာသား prompt များနှင့် ပုံတစ်ပုံကို နှိုင်းယှဉ်ပြီး ပုံသည် prompt နှင့် ဘယ်လောက်တိကျမှုရှိသည်ကို သတ်မှတ်နိုင်ရန်ဖြစ်သည်။ -![CLIP Architecture](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.my.png) +![CLIP Architecture](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.my.png) > *ဤ blog post မှ ပုံ [ဒီမှာ](https://openai.com/blog/clip/)* @@ -31,7 +31,7 @@ CLIP မော်ဒယ်/စာကြည့်တိုက်ကို [OpenAI ဥပမာအားဖြင့် ပုံများကို ကြောင်၊ ခွေး၊ လူတို့အကြား ခွဲခြားရန် လိုအပ်သည်ဟု ယူဆပါစို့။ ဤအခါတွင် မော်ဒယ်ကို ပုံတစ်ပုံနှင့် စာသား prompt များ "*a picture of a cat*", "*a picture of a dog*", "*a picture of a human*" တို့ကို ပေးပါ။ 3 probabilities ရလဒ် vector တွင် အမြင့်ဆုံးတန်ဖိုးရှိသော index ကို ရွေးချယ်ရမည်ဖြစ်သည်။ -![CLIP for Image Classification](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.my.png) +![CLIP for Image Classification](../../../../../translated_images/clip-class.3af42ef0b2b19369.my.png) > *ဤ blog post မှ ပုံ [ဒီမှာ](https://openai.com/blog/clip/)* @@ -55,13 +55,13 @@ VQGAN အကြောင်းကို [Taming Transformers](https://compvis.gi VQGAN နှင့် ရိုးရာ GAN အကြား အရေးကြီးသော ကွာခြားချက်တစ်ခုမှာ၊ နောက်ဆုံးပုံကို မည်သည့် input vector မှမဆို ရိုးရာ GAN သည် သင့်တော်သောပုံကို ဖန်တီးနိုင်သော်လည်း၊ VQGAN သည် coherence မရှိသောပုံကို ဖန်တီးနိုင်သည်။ ထို့ကြောင့် ပုံဖန်တီးမှုလုပ်ငန်းစဉ်ကို CLIP ကို အသုံးပြု၍ ထပ်မံလမ်းညွှန်ရန် လိုအပ်သည်။ -![VQGAN+CLIP Architecture](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.my.png) +![VQGAN+CLIP Architecture](../../../../../translated_images/vqgan.5027fe05051dfa31.my.png) စာသား prompt နှင့် ကိုက်ညီသော ပုံတစ်ပုံကို ဖန်တီးရန်၊ random encoding vector တစ်ခုဖြင့် စတင်ပြီး၊ ၎င်းကို VQGAN မှတဆင့် ပုံတစ်ပုံထုတ်လုပ်သည်။ ထို့နောက် CLIP ကို loss function တစ်ခုဖန်တီးရန် အသုံးပြုသည်။ ၎င်းသည် ပုံသည် စာသား prompt နှင့် ဘယ်လောက်ကိုက်ညီသည်ကို ပြသသည်။ ထို့နောက် loss ကို အနည်းဆုံးဖြစ်အောင်လုပ်ရန်၊ back propagation ကို အသုံးပြု၍ input vector parameters များကို ပြင်ဆင်သည်။ VQGAN+CLIP ကို အကောင်အထည်ဖော်ထားသော စာကြည့်တိုက်တစ်ခုမှာ [Pixray](http://github.com/pixray/pixray) ဖြစ်သည်။ -![Picture produced by Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.my.png) | ![Picture produced by pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.my.png) | ![Picture produced by Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.my.png) +![Picture produced by Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.my.png) | ![Picture produced by pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.my.png) | ![Picture produced by Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.my.png) ----|----|---- Prompt *a closeup watercolor portrait of young male teacher of literature with a book* မှ ဖန်တီးထားသော ပုံ | Prompt *a closeup oil portrait of young female teacher of computer science with a computer* မှ ဖန်တီးထားသော ပုံ | Prompt *a closeup oil portrait of old male teacher of mathematics in front of blackboard* မှ ဖန်တီးထားသော ပုံ diff --git a/translations/ne/README.md b/translations/ne/README.md index 2429c170..985235f0 100644 --- a/translations/ne/README.md +++ b/translations/ne/README.md @@ -1,17 +1,17 @@ [![GitHub लाइसेन्स](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub योगदानकर्ताहरू](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) -[![GitHub इश्यूहरू](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) -[![GitHub पुल अनुरोधहरू](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) -[![PR हरू स्वागत](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub मुद्दाहरू](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) +[![GitHub पुल-रिक्वेस्टहरू](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) +[![PR हरूलाई स्वागत छ](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub वाचरहरू](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) [![GitHub फोर्कहरू](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) @@ -19,118 +19,118 @@ CO_OP_TRANSLATOR_METADATA: [![Binder](https://mybinder.org/badge_logo.svg)](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD) [![Gitter](https://badges.gitter.im/Microsoft/ai-for-beginners.svg)](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge) -[![Microsoft Foundry डिस्कोर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# नवप्रवेशीहरूको लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम +# शुरुआतीहरूको लागि कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम -|![स्केच नोट द्वारा @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.ne.png)| +|![स्केच नोट द्वारा @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.ne.png)| |:---:| -| नवप्रवেশीहरूको लागि AI - _स्केच नोट [@girlie_mac](https://twitter.com/girlie_mac)_ | +| शुरुआतीहरूको लागि AI - _स्केच नोट द्वारा [@girlie_mac](https://twitter.com/girlie_mac)_ | -हाम्रो 12-सप्ताह, 24-पाठको पाठ्यक्रमसँगै **कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस्! यसमा व्यावहारिक पाठहरू, प्रश्नोत्तरीहरू, र प्रयोगशालाहरू समावेश छन्। पाठ्यक्रम नवप्रवेशी-अनुकूल छ र यसले TensorFlow र PyTorch जस्ता उपकरणहरू साथै एआईमा नैतिकतालाई समेट्छ +हाम्रो 12-साता, 24-पाठ्यक्रमको पाठ्यक्रमसँग **कृत्रिम बुद्धिमत्ता** (AI) को संसार अन्वेषण गर्नुहोस्! यसमा व्यावहारिक पाठहरू, क्विजहरू, र प्रयोगशालाहरू समावेश छन्। यो पाठ्यक्रम शूरुआतीहरूको लागि अनुकूल छ र यसले TensorFlow र PyTorch जस्ता उपकरणहरू र AI मा नीति सम्बन्धी विषयहरूलाई समेट्छ। ### 🌐 बहु-भाषा समर्थन -#### GitHub Action मार्फत समर्थित (स्वचालित र सधैं अद्यावधिक) +#### GitHub Action मार्फत समर्थन गरिएको (स्वचालित र सधैं अद्यावधिक) -[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियाली](../bg/README.md) | [बर्मी (म्यानमार)](../my/README.md) | [चिनियाँ (सरलीकृत)](../zh/README.md) | [चिनियाँ (परम्परागत, हङकङ)](../hk/README.md) | [चिनियाँ (परम्परागत, मकाउ)](../mo/README.md) | [चिनियाँ (परम्परागत, ताइवान)](../tw/README.md) | [क्रोएशियाली](../hr/README.md) | [चेच](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियाली](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेन्च](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिन्दी](../hi/README.md) | [हंगेरी](../hu/README.md) | [इन्डोनेशियाली](../id/README.md) | [इटालियन](../it/README.md) | [जापानी](../ja/README.md) | [कन्नडा](../kn/README.md) | [कोरियन](../ko/README.md) | [लिथुआनियाली](../lt/README.md) | [मलय](../ms/README.md) | [मलयालम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](./README.md) | [नाइजेरियन पिजिन](../pcm/README.md) | [नर्वेजियन](../no/README.md) | [फारसी (Farsi)](../fa/README.md) | [पोलिश](../pl/README.md) | [पोर्तुगिज (ब्राजिल)](../br/README.md) | [पोर्तुगिज (पोर्चुगल)](../pt/README.md) | [पंजाबी (गुरमुखी)](../pa/README.md) | [रोमानियाली](../ro/README.md) | [रूसी](../ru/README.md) | [सर्बियाली (सिरिलिक)](../sr/README.md) | [स्लोभाक](../sk/README.md) | [स्लोभेनियाली](../sl/README.md) | [स्पेनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्विडिश](../sv/README.md) | [टागालोग (फिलिपिनो)](../tl/README.md) | [तमिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [टर्किश](../tr/README.md) | [युक्रेनीयाली](../uk/README.md) | [उर्दु](../ur/README.md) | [भियतनामी](../vi/README.md) +[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियाली](../bg/README.md) | [बर्मी (म्यान्मार)](../my/README.md) | [चिनियाँ (सरलीकृत)](../zh/README.md) | [चिनियाँ (परम्परागत, हङकङ)](../hk/README.md) | [चिनियाँ (परम्परागत, मकाउ)](../mo/README.md) | [चिनियाँ (परम्परागत, ताइवान)](../tw/README.md) | [क्रोएशियाली](../hr/README.md) | [चेक](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियन](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रान्सेली](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिन्दी](../hi/README.md) | [हंगेरीयन](../hu/README.md) | [इन्डोनेशियाली](../id/README.md) | [इटालियन](../it/README.md) | [जापानी](../ja/README.md) | [कन्नड़](../kn/README.md) | [कोरियाली](../ko/README.md) | [लिथुआनियाली](../lt/README.md) | [मलय](../ms/README.md) | [मलयालम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](./README.md) | [नाइजेरियन पिजिन](../pcm/README.md) | [नर्वेजियन](../no/README.md) | [फारसी (फार्सी)](../fa/README.md) | [पोलिश](../pl/README.md) | [पोर्चुगाली (ब्राजिल)](../br/README.md) | [पोर्चुगाली (पोर्चुगल)](../pt/README.md) | [पञ्जाबी (गुरमुखी)](../pa/README.md) | [रोमानियन](../ro/README.md) | [रूसी](../ru/README.md) | [सर्बियाली (सिरिलिक)](../sr/README.md) | [स्लोवाक](../sk/README.md) | [स्लोभेनियाली](../sl/README.md) | [स्पेनी](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [तागालोग (फिलिपिनो)](../tl/README.md) | [तमिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [तुर्की](../tr/README.md) | [युक्रेनी](../uk/README.md) | [उर्दू](../ur/README.md) | [भियतनामी](../vi/README.md) -**यदि तपाईं थप अनुवाद चाहनुहुन्छ भने समर्थन गरिएका भाषाहरू [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीकृत छन्** +**यदि तपाईं थप अनुवादहरू चाहनुहुन्छ भने समर्थित भाषाहरू [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध छन्** -## समुदायमा सामेल हुनुहोस् -[![Microsoft Foundry डिस्कोर्ड](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +## समुदायमा सहभागी हुनुहोस् +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## तपाईंले के सिक्नुहुनेछ **[पाठ्यक्रमको माइन्डम्याप](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -यस पाठ्यक्रममा, तपाईंले यी कुरा सिक्नुहुनेछ: +यस पाठ्यक्रममा, तपाईंले निम्न कुरा सिक्नुहुनेछ: -* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जसमा "पुरानो राम्रो" प्रतीकात्मक दृष्टिकोण सहित **ज्ञान प्रतिनिधित्व** र तर्क ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))। -* **न्यूरल नेटवर्कहरू** र **डीप लर्निङ**, जुन आधुनिक एआईको केन्द्रमा छन्। हामी यी महत्वपूर्ण विषयहरू पछाडि अवधारणाहरू दुई लोकप्रिय फ्रेमवर्कहरूमा कोड प्रयोग गरेर उदाहरणसहित देखाउनेछौं - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org)। -* तस्बिर र पाठसँग काम गर्नका लागि **न्यूरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर स्टेट-ओफ-द-आर्टमा केही कमी हुन सक्छ। -* कम लोकप्रिय एआई दृष्टिकोणहरू, जस्तै **जेनेटिक एल्गोरिदमहरू** र **बहु-एजेण्ट प्रणालीहरू**। +* कृत्रिम बुद्धिमत्ताका विभिन्न दृष्टिकोणहरू, जसमा "पुरानो" प्रतीकात्मक दृष्टिकोण सहित **ज्ञान प्रतिनिधित्व** र तर्क (reasoning) ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) समावेश छन्। +* **न्युरल नेटवर्कहरू** र **डीप लर्निङ**, जुन आधुनिक AI को मूलमा छन्। हामी यी महत्वपूर्ण विषयहरूको पछाडि रहेका अवधारणाहरूलाई कोड प्रयोग गरेर दुई लोकप्रिय फ्रेमवर्कहरू - [TensorFlow](http://Tensorflow.org) र [PyTorch](http://pytorch.org) मा प्रदर्शन गर्नेछौं। +* तस्वीर र टेक्स्टसँग काम गर्नका लागि **न्युरल आर्किटेक्चरहरू**। हामी हालका मोडेलहरू समेट्नेछौं तर राज्य-उपलब्धताको हिसाबमा केही कमी हुन सक्छ। +* कम लोकप्रिय AI दृष्टिकोणहरू, जस्तै **जिनेटिक एल्गोरिदमहरू** र **बहु-एजेन्ट प्रणालीहरू**। -यस पाठ्यक्रमले के समेट्ने छैन: +यस पाठ्यक्रममा हामीले समावेश नगर्ने विषयहरू: -> [यस कोर्सका सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा पाउनुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [यस कोर्सका लागि सबै अतिरिक्त स्रोतहरू हाम्रो Microsoft Learn संग्रहमा फेला पार्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* व्यवसायमा **AI** प्रयोग गर्ने व्यापारिक केसहरू। Microsoft Learn मा [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सिक्ने पथ लिनुहोस्, वा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) जसलाई [INSEAD](https://www.insead.edu/) सँगको सहकार्यमा विकास गरिएको छ। -* **क्लासिक मशीन लर्निङ**, जुन हाम्रो [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ। -* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** प्रयोग गरेर बनाइएका व्यावहारिक एआई अनुप्रयोगहरू। यसको लागि, हामी सिफारिश गर्छौं कि तपाईं Microsoft Learn का [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** र अन्य मोड्युलबाट सुरु गर्न सुझाव दिन्छौं। -* विशिष्ट ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [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), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [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) र [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) सिक्ने पथहरू प्रयोग गर्न विचार गर्नुहोस्। -* **संवादी एआई** र **च्याट बोटहरू**। यसको लागि अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिक्ने पथ छ, र थप विवरणका लागि तपाईं [यस ब्लग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) लाई पनि हेर्न सक्नुहुन्छ। -* डीप लर्निङको पछाडि रहेको **गहिरो गणित**। यसको लागि, हामी Ian Goodfellow, Yoshua Bengio र Aaron Courville द्वारा लिखित [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) सिफारिश गर्छौं, जुन अनलाइनमा पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) मा। +* व्यावसायिक प्रयोगका केसहरू जहाँ **व्यवसायमा AI** प्रयोग गरिन्छ। यसका लागि Microsoft Learn मा रहेको [व्यवसाय प्रयोगकर्ताका लागि AI परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग लिन विचार गर्नुहोस्, वा [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जुन [INSEAD](https://www.insead.edu/) सँग सहकार्यमा विकास गरिएको हो। +* **क्लासिक मेशिन लर्निङ**, जुन हाम्रो [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) मा राम्रोसँग वर्णन गरिएको छ। +* **Cognitive Services** प्रयोग गरी बनेका व्यावहारिक AI अनुप्रयोगहरू। यसका लागि, हामी सिफारिश गर्छौं कि तपाईं Microsoft Learn का [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** र अन्य मोड्युलहरूसँग सुरू गर्नुहोस्। +* विशिष्ट ML **क्लाउड फ्रेमवर्कहरू**, जस्तै [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), वा [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। [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) र [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) सिकाइ मार्गहरू प्रयोग गर्ने सोच गर्नुहोस्। +* **संवादी AI** र **च्याट बोटहरू**। यसका लागि अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सिकाइ मार्ग छ, र थप विवरणका लागि तपाईं [यो ब्लगपोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) लाई पनि हेर्न सक्नुहुन्छ। +* डीप लर्निङको पछाडि रहेको **गहिरो गणित**। यसको लागि, हामी सिफारिश गर्छौं Ian Goodfellow, Yoshua Bengio र Aaron Courville द्वारा लेखिएको [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) पुस्तक, जुन अनलाइनमा पनि उपलब्ध छ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) मा। -क्लाउडमा _AI_ सम्बन्धी विषयहरूको सहज परिचयको लागि तपाईं [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) सिक्ने पथ लिन विचार गर्न सक्नुहुन्छ। +_एआई इन द क्लाउड_ विषयहरूको सहज परिचयका लागि तपाईं [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path लिन विचार गर्न सक्नुहुन्छ। # सामग्री -| | पाठ लिङ्क | PyTorch/Keras/TensorFlow | ल्याब | +| | पाठ लिङ्क | PyTorch/Keras/TensorFlow | लैब | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [Course Setup](./lessons/0-course-setup/setup.md) | [Setup Your Development Environment](./lessons/0-course-setup/how-to-run.md) | | -| I | [**कृत्रिम बुद्धिमत्तिमा परिचय**](./lessons/1-Intro/README.md) | | | +| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [आफ्नो विकास वातावरण सेटअप गर्नुहोस्](./lessons/0-course-setup/how-to-run.md) | | +| I | [**कृत्रिम बुद्धिमत्ताको परिचय**](./lessons/1-Intro/README.md) | | | | 01 | [AI को परिचय र इतिहास](./lessons/1-Intro/README.md) | - | - | | II | **प्रतीकात्मक AI** | -| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [ओन्टोलोजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[अवधारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | -| III | [**न्यूरल नेटवर्कहरूमा परिचय**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [पर्सेप्ट्रोन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [लैब](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [बहु-परत पर्सेप्ट्रोन र हाम्रो आफ्नै फ्रेमवर्क सिर्जना गर्ने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [लैब](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [फ्रेमवर्कहरूको परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./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) | [लैब](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| 02 | [ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालीहरू](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[अवधारणा ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| III | [**न्युरल नेटवर्क्सको परिचय**](./lessons/3-NeuralNetworks/README.md) ||| +| 03 | [परसेप्ट्रोन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [लैब](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [बहु-परत परसेप्ट्रोन र आफ्नै फ्रेमवर्क बनाउने](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [लैब](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [फ्रेमवर्कहरूमा परिचय (PyTorch/TensorFlow) र ओभरफिटिङ](./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) | [लैब](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | | IV | [**कम्प्युटर भिजन**](./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)| [Microsoft Azure मा कम्प्युटर भिजन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | | 06 | [कम्प्युटर भिजनमा परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [लैब](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [कन्भोल्युशनल न्युरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चरहरू](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [लैब](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [प्रशिक्षण ट्रिक्स](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लैब](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [अटोइन्कोडरहरू र VAE हरू](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [जेनेरेटिभ एड्भर्सेरियल नेटवर्कहरू & कलात्मक शैली ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [वस्तु पहिचान](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [लैब](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [सेमान्टिक सेग्मेन्टेसन। 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) | | +| 07 | [कन्भोल्युसनल न्युरल नेटवर्कहरू](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN वास्तुकला](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [लैब](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [पूर्व-प्रशिक्षित नेटवर्कहरू र ट्रान्सफर लर्निङ](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [प्रशिक्षण युक्तिहरू](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लैब](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [आटोएनकोडरहरू र 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 | [जेनेरेटिभ एड्भर्सेरियल नेटवर्कहरू र कलात्मक शैली ट्रान्सफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [वस्तु पत्ता लगाउने](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [लैब](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [सेम्यान्टिक सेगमेन्टेशन। 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 | [**प्राकृतिक भाषा प्रशोधन**](./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) | [Microsoft Azure मा प्राकृतिक भाषा प्रशोधन अन्वेषण गर्नुहोस्](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [पाठ प्रतिनिधित्व। 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 | [सेमान्टिक शब्द एम्बेडिङहरू। Word2Vec र 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 | [भाषा मोडलिङ। आफ्नै एम्बेडिङहरू प्रशिक्षण](./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) | [लैब](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [प्रत्यावर्ती न्युरल नेटवर्कहरू](./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 | [जेनेरेटिभ प्रत्यावर्ती नेटवर्कहरू](./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) | [लैब](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 14 | [सामान्तिक शब्द एम्बेडिङहरू। Word2Vec र 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 | [भाषा मोडेलिङ। आफ्नै एम्बेडिङहरू प्रशिक्षण](./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) | [लैब](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [पुनरावर्ती न्युरल नेटवर्कहरू](./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 | [जेनेरेटिभ पुनरावर्ती नेटवर्कहरू](./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) | [लैब](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [ट्रान्सफर्मर्स। 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 | [नामित एकाइ पहिचान](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [लैब](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [ठूला भाषा मोडेलहरू, प्रम्प्ट प्रोग्रामिङ र थोरै-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **अन्य AI प्रविधिहरू** || | -| 21 | [जेनेटिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [गहिरो सुदृढीकरण सिकाइ](./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) | [लैब](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [बहु-एजेण्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | | -| VII | **AI नैतिकता** | | | -| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: जिम्मेवार AI सिद्धान्तहरू](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **थप सामग्री** | | | -| 25 | [बहु-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 19 | [नामित एंटिटी मान्यता](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [लैब](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [वृहद् भाषा मोडेलहरू, प्रम्प्ट प्रोग्रामिङ र फ्यु-शट कार्यहरू](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| VI | **अन्य एआई प्रविधिहरू** || | +| 21 | [आनुवंशिक एल्गोरिदमहरू](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [गहिरो सुदृढीकरण शिक्षण](./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) | [लैब](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [बहु-एजेन्ट प्रणालीहरू](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| VII | **एआई नैतिकता** | | | +| 24 | [एआई नैतिकता र जिम्मेवार एआई](./lessons/7-Ethics/README.md) | [Microsoft Learn: जिम्मेवार एआई सिद्धान्तहरू](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| IX | **अतिरिक्त** | | | +| 25 | [मल्टि-मोडल नेटवर्कहरू, CLIP र VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## प्रत्येक पाठमा समावेश छन् +## Each lesson contains * पूर्व-पठन सामग्री -* कार्यान्वयनयोग्य Jupyter नोटबुकहरू, जुन प्रायः फ्रेमवर्क विशेष (**PyTorch** or **TensorFlow**) हुन्छन्। कार्यान्वयनयोग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषयलाई बुझ्नको लागि तपाईंले कम्तीमा एउटा संस्करणको नोटबुक (PyTorch वा TensorFlow) अवलोकन गर्नुपर्छ। -* **लैबहरू** केही विषयहरूको लागि उपलब्ध छन्, जसले तपाईंलाई सिकेको सामग्रीलाई विशेष समस्यामा लागू गरेर प्रयास गर्ने अवसर दिन्छ। -* केही खण्डहरूमा सम्बन्धित विषयहरू समेट्ने [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोड्युलहरूको लिङ्कहरू समावेश छन्। +* कार्यशील Jupyter नोटबुकहरू, जुन प्रायः फ्रेमवर्क-विशिष्ट हुन्छन् (**PyTorch** or **TensorFlow**). कार्यान्वयन योग्य नोटबुकमा धेरै सैद्धान्तिक सामग्री पनि हुन्छ, त्यसैले विषयलाई बुझ्नका लागि तपाईंले कम्तीमा एउटा संस्करण नोटबुक हेर्नु आवश्यक छ (PyTorch वा TensorFlow). +* **लैब** केही विषयहरूको लागि उपलब्ध छन्, जसले तपाईंलाई सिकेको सामग्रीलाई विशिष्ट समस्यामा लागू गरेर प्रयास गर्ने अवसर दिन्छ। +* केही भागहरूमा सम्बन्धित विषयहरू समेट्ने [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मोडुलहरूको लिङ्कहरू समावेश छन्। -## सुरु गर्ने +## Getting Started -### 🎯 AI मा नयाँ? यहाँबाट सुरु गर्नुहोस्! +### 🎯 एआईमा नयाँ? यहाँबाट सुरु गर्नुहोस्! -यदि तपाईं पूर्ण रूपमा AI मा नयाँ हुनुहुन्छ र छिटो, प्रयोगात्मक उदाहरणहरू चाहनुहुन्छ भने हाम्रो [**शुरुआती-अनुकूल उदाहरणहरू**](./examples/README.md) हेर्नुहोस्! यीमा समावेश छन्: +If you're completely new to AI and want quick, hands-on examples, check out our [**शुरुवातीमैत्री उदाहरणहरू**](./examples/README.md)! These include: -- 🌟 **हेलो AI वर्ल्ड** - तपाईंको पहिलो AI कार्यक्रम (ढाँचा पहिचान) -- 🧠 **साधारण न्युरल नेटवर्क** - शून्यदेखि नै एउटा न्युरल नेटवर्क निर्माण गर्नुहोस् -- 🖼️ **छवि वर्गीकरणकर्ता** - विस्तृत टिप्पणीहरूसँग छविहरू वर्गीकृत गर्नुहोस् -- 💬 **टेक्स्ट सेंटिमेन्ट** - सकारात्मक/नकारात्मक पाठ विश्लेषण गर्नुहोस् +- 🌟 **Hello AI World** - Your first AI program (pattern recognition) +- 🧠 **Simple Neural Network** - शून्यबाट एउटा न्युरल नेटवर्क बनाउनुहोस् +- 🖼️ **Image Classifier** - विस्तृत टिप्पणीहरूसहित तस्वीरहरू वर्गीकरण गर्नुहोस् +- 💬 **पाठ भावना** - सकारात्मक/नकारात्मक पाठ विश्लेषण -यी उदाहरणहरू पूर्ण पाठ्यक्रममा प्रवेश गर्नु अघि तपाईंलाई AI अवधारणाहरू बुझ्न मद्दत गर्न डिजाइन गरिएको हो। +यी उदाहरणहरू पूर्ण पाठ्यक्रममा सुरु गर्नु अघि तपाईंलाई AI अवधारणाहरू बुझ्न मद्दत गर्ने उद्देश्यले तयार पारिएका हुन्। ### 📚 पूर्ण पाठ्यक्रम सेटअप -- हामीले तपाईंको विकास वातावरण सेटअप गर्न मद्दतको लागि [सेटअप पाठ](./lessons/0-course-setup/setup.md) सिर्जना गरेका छौं। - शिक्षकहरूका लागि, हामीले तपाईंको लागि पनि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) सिर्जना गरेका छौं! +- हामीले तपाईंको विकास वातावरण सेटअप गर्न सहयोग गर्नको लागि [सेटअप पाठ](./lessons/0-course-setup/setup.md) तयार गरेका छौं। - शिक्षकहरूका लागि, हामीले तपाईंहरूको लागि [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) पनि तयार गरेका छौं! - कसरी [VSCode वा Codepace मा कोड चलाउने](./lessons/0-course-setup/how-to-run.md) -यी कदमहरू पालन गर्नुहोस्: +Follow these steps: Fork the Repository: Click on the "Fork" button at the top-right corner of this page. @@ -138,63 +138,63 @@ Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.g Don't forget to star (🌟) this repo to find it easier later. -## अन्य सिक्नेहरूलाई भेट्नुहोस् +## अन्य शिक्षार्थीहरूलाई भेट्नुहोस् -हाम्रो [आधिकारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) मा सामेल हुनुहोस् ताकि यस कोर्स लिने अन्य सिक्नेहरूसँग भेटघाट, नेटवर्किङ र समर्थन प्राप्त गर्न सक्नुहुन्छ। +Join our [आधिकारिक AI Discord सर्भर](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support. -यदि तपाईंले निर्माण गर्दा उत्पादन सम्बन्धी प्रतिक्रिया वा प्रश्नहरू छन् भने हाम्रो [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) हेर्नुहोस्। +If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## क्विजहरू +## Quizzes -> **क्विजहरू सम्बन्धी एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डरमा etc\quiz-app मा रहेको छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/) । तिनीहरू पाठहरू भित्र लिंक गरिएका छन्, क्विज एप स्थानीय रूपमा चलाउन सकिन्छ वा Azure मा परिनियोजित गर्न सकिन्छ; `quiz-app` फोल्डरमा दिइएका निर्देशनहरू पालन गर्नुहोस्। तिनीहरू क्रमिक रूपमा स्थानीयकरण गरिँदैछन्। +> **क्विजहरू सम्बन्धी एउटा नोट**: सबै क्विजहरू Quiz-app फोल्डरमा etc\quiz-app भित्र समावेश छन्, वा [यहाँ अनलाइन](https://ff-quizzes.netlify.app/)। ती पाठ्यक्रमहरू भित्रबाट लिंक गरिएका छन्; क्विज एप स्थानीय रूपमा चलाउन वा Azure मा डिप्लोय गर्न सकिन्छ; `quiz-app` फोल्डरमा भएका निर्देशनहरू पालना गर्नुहोस्। ती क्रमशः स्थानीयकरण भइरहेको छन्। ## सहयोग चाहिन्छ -तपाईं सल्लाहहरू दिनुहुन्छ वा वर्तनी वा कोडका त्रुटिहरू फेला पार्नुभयो? एउटा issue खोल्नुहोस् वा pull request सिर्जना गर्नुहोस्। +Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request. ## विशेष धन्यवाद -* **✍️ मुख्य लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD +* **✍️ प्रमुख लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 सम्पादक:** [Jen Looper](https://twitter.com/jenlooper), PhD * **🎨 स्केचनोट इलस्ट्रेटर:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ क्विज सिर्जनाकर्ता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 मुख्य योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **✅ क्विज निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 मूल योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## अन्य पाठ्यक्रमहरू -हाम्रो टोलीले अन्य पाठ्यक्रमहरू पनि बनाउँछ! हेर्नुहोस्: +Our team produces other curricula! Check out: ### LangChain -[![LangChain4j शुरुआतीहरूको लागि](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js शुरुआतीहरूको लागि](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j सुरूवातकर्ताका लागि](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js सुरूवातकर्ताका लागि](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD शुरुआतीहरूको लागि](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI शुरुआतीहरूको लागि](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP शुरुआतीहरूको लागि](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents शुरुआतीहरूको लागि](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD सुरूवातकर्ताका लागि](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI सुरूवातकर्ताका लागि](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP सुरूवातकर्ताका लागि](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents सुरूवातकर्ताका लागि](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generative AI Series -[![जनरेटिभ AI शुरुआतीहरूको लागि](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![जनरेटिभ AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![जनरेटिभ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![जनरेटिभ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### जनरेटिभ AI शृंखला +[![Generative AI सुरूवातकर्ताका लागि](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### कोर सिकाइ -[![ML शुरुआतीहरूको लागि](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science शुरुआतीहरूको लागि](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI शुरुआतीहरूको लागि](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity शुरुआतीहरूको लागि](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev शुरुआतीहरूको लागि](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT शुरुआतीहरूको लागि](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development शुरुआतीहरूको लागि](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### मूल शिक्षा +[![ML सुरूवातकर्ताका लागि](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science सुरूवातकर्ताका लागि](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI सुरूवातकर्ताका लागि](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity सुरूवातकर्ताका लागि](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev सुरूवातकर्ताका लागि](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT सुरूवातकर्ताका लागि](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development सुरूवातकर्ताका लागि](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- @@ -204,19 +204,19 @@ Don't forget to star (🌟) this repo to find it easier later. [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## सहयोग कसरी प्राप्त गर्ने +## सहायता प्राप्त गर्ने तरिका -यदि तपाइँ अड्किनुभयो वा AI एपहरू बनाउँदा कुनै प्रश्नहरू छन् भने, MCP सम्बन्धी छलफलमा सहपाठी सिक्नेहरू र अनुभवी विकासकर्ताहरूमा सामेल हुनुहोस्। यो एक सहयोगी समुदाय हो जहाँ प्रश्नहरू स्वागत गरिन्छ र ज्ञान स्वतन्त्र रूपमा साझा गरिन्छ। +If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -यदि तपाईंले निर्माण गर्दा उत्पादन सम्बन्धी प्रतिक्रिया वा त्रुटिहरू भेट्नुभयो भने यहाँ जानुहोस्: +If you have product feedback or errors while building visit: -[![Microsoft Foundry डेभलपर फोरम](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry विकासकर्ता फोरम](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- अस्वीकरण: -यो दस्तावेज AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौँ, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुनसक्छ। मूल दस्तावेजलाई त्यसको मूल भाषामा नै प्राधिकृत स्रोत मानिनु पर्छ। महत्वपूर्ण जानकारीका लागि पेशेवर मानवीय अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौँ। +यस कागजातलाई AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। मूल भाषामा रहेको दस्तावेजलाई आधिकारिक स्रोत मान्नुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार छैनौं। \ No newline at end of file diff --git a/translations/ne/lessons/1-Intro/README.md b/translations/ne/lessons/1-Intro/README.md index 610184d2..9f4fa3b4 100644 --- a/translations/ne/lessons/1-Intro/README.md +++ b/translations/ne/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # एआईको परिचय -![एआईको परिचयको सामग्रीको डूडलमा सारांश](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.ne.png) +![एआईको परिचयको सामग्रीको डूडलमा सारांश](../../../../translated_images/ai-intro.bf28d1ac4235881c.ne.png) > स्केच नोट [टोमोमी इमुरा](https://twitter.com/girlie_mac) द्वारा @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: सुरुमा, कम्प्युटरहरू [चार्ल्स बैबेज](https://en.wikipedia.org/wiki/Charles_Babbage) द्वारा संख्याहरूमा काम गर्न र एक राम्रो परिभाषित प्रक्रिया - एल्गोरिदम - अनुसरण गर्न आविष्कार गरिएको थियो। आधुनिक कम्प्युटरहरू, यद्यपि १९औं शताब्दीमा प्रस्तावित मूल मोडेलभन्दा धेरै उन्नत छन्, अझै पनि नियन्त्रित गणनाको उही विचारलाई अनुसरण गर्छन्। त्यसैले, यदि हामीलाई लक्ष्य प्राप्त गर्न आवश्यक चरणहरूको ठ्याक्कै क्रम थाहा छ भने, कम्प्युटरलाई कुनै काम गर्न प्रोग्राम गर्न सम्भव छ। -![व्यक्तिको फोटो](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.ne.png) +![व्यक्तिको फोटो](../../../../translated_images/dsh_age.d212a30d4e54fb5f.ne.png) > फोटो [भिक्की सोश्निकोभा](http://twitter.com/vickievalerie) द्वारा @@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA: **[बुद्धिमत्ता](https://en.wikipedia.org/wiki/Intelligence)** शब्दसँग व्यवहार गर्दा एउटा समस्या यो हो कि यस शब्दको कुनै स्पष्ट परिभाषा छैन। कसैले तर्क गर्न सक्छ कि बुद्धिमत्ता **सार सोचाइ** वा **आत्म-जागरूकता**सँग सम्बन्धित छ, तर हामी यसलाई ठीकसँग परिभाषित गर्न सक्दैनौं। -![बिरालोको फोटो](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.ne.jpg) +![बिरालोको फोटो](../../../../translated_images/photo-cat.8c8e8fb760ffe457.ne.jpg) > [फोटो](https://unsplash.com/photos/75715CVEJhI) [एम्बर किप](https://unsplash.com/@sadmax) द्वारा अनस्प्लाशबाट @@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA: > | एमएलको बारेमा के? | | > |--------------|-----------| -> | केही डेटा आधारित समस्याहरू समाधान गर्न कम्प्युटर सिकाइमा आधारित कृत्रिम बुद्धिमत्ताको भागलाई **मेसिन लर्निङ** भनिन्छ। हामी यस पाठ्यक्रममा शास्त्रीय मेसिन लर्निङलाई विचार गर्ने छैनौं - हामी तपाईंलाई छुट्टै [मेसिन लर्निङका लागि शुरुआती](http://aka.ms/ml-beginners) पाठ्यक्रममा सन्दर्भ दिन्छौं। | ![मेसिन लर्निङका लागि शुरुआती](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.ne.png) | +> | केही डेटा आधारित समस्याहरू समाधान गर्न कम्प्युटर सिकाइमा आधारित कृत्रिम बुद्धिमत्ताको भागलाई **मेसिन लर्निङ** भनिन्छ। हामी यस पाठ्यक्रममा शास्त्रीय मेसिन लर्निङलाई विचार गर्ने छैनौं - हामी तपाईंलाई छुट्टै [मेसिन लर्निङका लागि शुरुआती](http://aka.ms/ml-beginners) पाठ्यक्रममा सन्दर्भ दिन्छौं। | ![मेसिन लर्निङका लागि शुरुआती](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.ne.png) | ## एआईको संक्षिप्त इतिहास कृत्रिम बुद्धिमत्ता २०औं शताब्दीको मध्यमा एउटा क्षेत्रको रूपमा सुरु भएको थियो। सुरुमा, प्रतीकात्मक तर्क एक प्रमुख दृष्टिकोण थियो, र यसले विशेषज्ञ प्रणालीहरू जस्ता केही महत्त्वपूर्ण सफलताहरू ल्यायो - कम्प्युटर प्रोग्रामहरू जसले केही सिमित समस्या क्षेत्रहरूमा विशेषज्ञको रूपमा काम गर्न सक्षम थिए। तर, चाँडै यो स्पष्ट भयो कि यस्तो दृष्टिकोण राम्रोसँग स्केल हुँदैन। विशेषज्ञबाट ज्ञान निकाल्नु, यसलाई कम्प्युटरमा प्रतिनिधित्व गर्नु, र त्यो ज्ञान आधारलाई सटीक राख्नु धेरै जटिल कार्य हो, र धेरै अवस्थामा व्यावहारिक हुन धेरै महँगो छ। यसले १९७० को दशकमा तथाकथित [एआई जाडो](https://en.wikipedia.org/wiki/AI_winter) ल्यायो। -एआईको संक्षिप्त इतिहास +एआईको संक्षिप्त इतिहास > छवि [दिमित्री सोश्निकोभ](http://soshnikov.com) द्वारा diff --git a/translations/ne/lessons/2-Symbolic/Animals.ipynb b/translations/ne/lessons/2-Symbolic/Animals.ipynb index df809af3..3eaef660 100644 --- a/translations/ne/lessons/2-Symbolic/Animals.ipynb +++ b/translations/ne/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "यस नमूनामा, हामी केही भौतिक विशेषताहरूको आधारमा जनावर पहिचान गर्नको लागि एक साधारण ज्ञान-आधारित प्रणाली कार्यान्वयन गर्नेछौं। प्रणालीलाई निम्न AND-OR रूखद्वारा प्रतिनिधित्व गर्न सकिन्छ (यो सम्पूर्ण रूखको एक भाग हो, हामी सजिलै थप नियमहरू थप्न सक्छौं):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.ne.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.ne.png)\n" ] }, { diff --git a/translations/ne/lessons/2-Symbolic/README.md b/translations/ne/lessons/2-Symbolic/README.md index b1e3fdef..c3d56f7a 100644 --- a/translations/ne/lessons/2-Symbolic/README.md +++ b/translations/ne/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ज्ञान प्रतिनिधित्व र विशेषज्ञ प्रणाली -![सिम्बोलिक AI सामग्रीको सारांश](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.ne.png) +![सिम्बोलिक AI सामग्रीको सारांश](../../../../translated_images/ai-symbolic.715a30cb610411a6.ne.png) > स्केच नोट [Tomomi Imura](https://twitter.com/girlie_mac) द्वारा @@ -41,7 +41,7 @@ AI को सुरुवाती दिनहरूमा, बुद्धि त्यसैले, **ज्ञान प्रतिनिधित्व** को समस्या भनेको कम्प्युटर भित्र ज्ञानलाई डाटाको रूपमा प्रतिनिधित्व गर्ने केही प्रभावकारी तरिका पत्ता लगाउनु हो, ताकि यसलाई स्वचालित रूपमा प्रयोग गर्न सकियोस्। यसलाई एक स्पेक्ट्रमको रूपमा हेर्न सकिन्छ: -![ज्ञान प्रतिनिधित्व स्पेक्ट्रम](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.ne.png) +![ज्ञान प्रतिनिधित्व स्पेक्ट्रम](../../../../translated_images/knowledge-spectrum.b60df631852c0217.ne.png) > छवि [Dmitry Soshnikov](http://soshnikov.com) द्वारा @@ -94,7 +94,7 @@ Untyped-Language | छैन | प्रकार परिभाषा सिम्बोलिक AI को प्रारम्भिक सफलताहरू मध्ये एक **विशेषज्ञ प्रणालीहरू** थिए - कम्प्युटर प्रणालीहरू जसलाई सीमित समस्या क्षेत्रमा विशेषज्ञको रूपमा कार्य गर्न डिजाइन गरिएको थियो। तिनीहरू **ज्ञान आधार** मा आधारित थिए, जुन एक वा बढी मानव विशेषज्ञहरूबाट निकालिएको थियो, र तिनीहरूमा **तर्क इन्जिन** समावेश थियो जसले यसमा केही तर्क प्रदर्शन गर्थ्यो। -![मानव वास्तुकला](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.ne.png) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.ne.png) +![मानव वास्तुकला](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.ne.png) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.ne.png) ---------------------------------------------|------------------------------------------------ मानव न्युरल प्रणालीको सरलीकृत संरचना | ज्ञान-आधारित प्रणालीको वास्तुकला @@ -106,7 +106,7 @@ Untyped-Language | छैन | प्रकार परिभाषा उदाहरणका लागि, निम्न विशेषज्ञ प्रणालीलाई विचार गरौं जसले शारीरिक विशेषताहरूको आधारमा जनावर निर्धारण गर्दछ: -![AND-OR ट्री](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.ne.png) +![AND-OR ट्री](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.ne.png) > छवि [Dmitry Soshnikov](http://soshnikov.com) द्वारा diff --git a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index b45a6f0b..31c355e0 100644 --- a/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/ne/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1259,7 +1259,7 @@ "* कम प्रशिक्षण हानि - मोडेलले प्रशिक्षण डेटा राम्रोसँग अनुमान गर्न सक्छ, किनभने यससँग पर्याप्त अभिव्यक्तिपूर्ण शक्ति छ। \n", "* मान्यकरण हानि प्रशिक्षण हानिभन्दा धेरै उच्च हुन सक्छ र प्रशिक्षणको क्रममा बढ्न थाल्न सक्छ - यसको कारण मोडेलले \"प्रशिक्षण बिन्दुहरू\" सम्झिन्छ, र \"समग्र चित्र\" गुमाउँछ।\n", "\n", - "![ओभरफिटिङ](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.ne.png)\n", + "![ओभरफिटिङ](../../../../../translated_images/overfit.a0bd57f717c15769.ne.png)\n", "\n", "> यस चित्रमा, `x` ले प्रशिक्षण डेटा जनाउँछ, `o` ले मान्यकरण डेटा। बायाँ - रेखीय मोडेल (एक-स्तरीय), यसले डेटा प्रकृतिलाई राम्रोसँग अनुमान गर्छ। दायाँ - ओभरफिट गरिएको मोडेल, यसले प्रशिक्षण डेटा पूर्ण रूपमा अनुमान गर्छ, तर अन्य कुनै पनि डेटा (मान्यकरण त्रुटि धेरै उच्च छ) सँग अर्थपूर्ण हुँदैन।\n" ] diff --git a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md index 0331e765..bde44bd4 100644 --- a/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ High-level API| [Keras](IntroKeras.ipynb) | *PyTorch Lightning* तलको समस्या विचार गर्नुहोस् जहाँ ५ बिन्दुहरूलाई (ग्राफमा `x` ले प्रतिनिधित्व गरिएको) अनुमान गर्नुपर्छ: -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.ne.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.ne.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.ne.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.ne.jpg) -------------------------|-------------------------- **रेखीय मोडेल, २ प्यारामिटरहरू** | **गैर-रेखीय मोडेल, ७ प्यारामिटरहरू** प्रशिक्षण त्रुटि = ५.३ | प्रशिक्षण त्रुटि = ० @@ -79,7 +79,7 @@ High-level API| [Keras](IntroKeras.ipynb) | *PyTorch Lightning* जसरी माथिको ग्राफबाट देख्न सकिन्छ, ओभरफिटिङलाई धेरै कम प्रशिक्षण त्रुटि र उच्च मान्यकरण त्रुटिबाट पत्ता लगाउन सकिन्छ। सामान्यतया प्रशिक्षणको क्रममा हामीले प्रशिक्षण र मान्यकरण त्रुटिहरू दुवै घट्न थालेको देख्छौं, र त्यसपछि कुनै बिन्दुमा मान्यकरण त्रुटि घट्न रोक्न सक्छ र बढ्न थाल्न सक्छ। यो ओभरफिटिङको संकेत हुनेछ, र यो बिन्दुमा प्रशिक्षण रोक्नुपर्छ (वा कम्तीमा मोडेलको स्न्यापशट लिनुपर्छ) भन्ने सूचक हुनेछ। -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.ne.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.ne.png) ## ओभरफिटिङ रोक्न कसरी diff --git a/translations/ne/lessons/3-NeuralNetworks/README.md b/translations/ne/lessons/3-NeuralNetworks/README.md index 0a90cf3f..2f921d7a 100644 --- a/translations/ne/lessons/3-NeuralNetworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # न्युरल नेटवर्कको परिचय -![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ne.png) +![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.ne.png) जसरी हामीले परिचयमा चर्चा गर्यौं, बुद्धिमत्ता प्राप्त गर्ने एक तरिका भनेको **कम्प्युटर मोडेल** वा **कृत्रिम मस्तिष्क**लाई प्रशिक्षण दिनु हो। २०औं शताब्दीको मध्यदेखि, अनुसन्धानकर्ताहरूले विभिन्न गणितीय मोडेलहरू प्रयास गरे, र पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भयो। मस्तिष्कको यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ। @@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA: जैविक विज्ञानबाट, हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरू (न्युरोनहरू) बाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (डेंड्राइटहरू) र एक "आउटपुट" (एक्सन) हुन्छ। डेंड्राइटहरू र एक्सनहरू दुवैले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र तिनीहरू बीचको जडानहरू — जसलाई सिन्याप्स भनिन्छ — विभिन्न स्तरको प्रवाहशीलता देखाउन सक्छन्, जुन न्युरोट्रान्समिटरहरूले नियमन गर्छन्। -![न्युरोनको मोडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ne.jpg) | ![न्युरोनको मोडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ne.png) +![न्युरोनको मोडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.ne.jpg) | ![न्युरोनको मोडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f.ne.png) ----|---- वास्तविक न्युरोन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा बनाइएको छवि)* त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X1, ..., XN र एक आउटपुट Y हुन्छ, र तौलहरूको श्रृंखला W1, ..., WN हुन्छ। आउटपुट यसरी गणना गरिन्छ: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) जहाँ f भनेको केही गैर-रेखीय **सक्रियता फलन** हो। diff --git a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md index 747d3029..49c05c8f 100644 --- a/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/ne/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) * **ब्रेल पुस्तकको तस्बिर पूर्व-प्रशोधन गर्ने**। हामी थ्रेसहोल्डिङ, फिचर डिटेक्सन, परिप्रेक्ष्य रूपान्तरण र NumPy हेरफेर प्रयोग गरेर व्यक्तिगत ब्रेल प्रतीकहरू अलग गर्नेमा केन्द्रित छौं, जसलाई न्यूरल नेटवर्कद्वारा थप वर्गीकरण गर्न सकिन्छ। -![ब्रेल छवि](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.ne.jpeg) | ![ब्रेल छवि पूर्व-प्रशोधित](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.ne.png) | ![ब्रेल प्रतीकहरू](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.ne.png) +![ब्रेल छवि](../../../../../translated_images/braille.341962ff76b1bd70.ne.jpeg) | ![ब्रेल छवि पूर्व-प्रशोधित](../../../../../translated_images/braille-result.46530fea020b03c7.ne.png) | ![ब्रेल प्रतीकहरू](../../../../../translated_images/braille-symbols.0159185ab69d5339.ne.png) ----|-----|----- > छवि [OpenCV.ipynb](OpenCV.ipynb) बाट * **फ्रेम भिन्नता प्रयोग गरेर भिडियोमा गति पत्ता लगाउने**। यदि क्यामेरा स्थिर छ भने, क्यामेरा फिडका फ्रेमहरू एकअर्कासँग धेरै समान हुनुपर्छ। किनभने फ्रेमहरू एरेको रूपमा प्रतिनिधित्व गरिन्छ, दुई लगातार फ्रेमहरूको लागि ती एरेहरू घटाएर मात्र हामी पिक्सेल भिन्नता प्राप्त गर्नेछौं, जुन स्थिर फ्रेमहरूको लागि कम हुनुपर्छ, र छविमा पर्याप्त गति हुँदा उच्च हुन्छ। -![भिडियो फ्रेम र फ्रेम भिन्नताको छवि](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.ne.png) +![भिडियो फ्रेम र फ्रेम भिन्नताको छवि](../../../../../translated_images/frame-difference.706f805491a0883c.ne.png) > छवि [OpenCV.ipynb](OpenCV.ipynb) बाट @@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) - **डेंस अप्टिकल फ्लो** प्रत्येक पिक्सेलको लागि भेक्टर फिल्ड गणना गर्दछ जसले देखाउँछ कि यो कहाँ सर्दैछ। - **स्पार्स अप्टिकल फ्लो** छविमा केही विशिष्ट फिचरहरू (जस्तै किनाराहरू) लिनेमा आधारित छ, र फ्रेमबाट फ्रेममा तिनीहरूको ट्राजेक्टोरी निर्माण गर्ने। -![अप्टिकल फ्लोको छवि](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.ne.png) +![अप्टिकल फ्लोको छवि](../../../../../translated_images/optical.1f4a94464579a83a.ne.png) > छवि [OpenCV.ipynb](OpenCV.ipynb) बाट diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 6451c267..4d1e23df 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 एक नेटवर्क हो जसले २०१४ मा ImageNet टप-५ वर्गीकरणमा ९२.७% शुद्धता प्राप्त गर्यो। यसको लेयर संरचना निम्नानुसार छ: -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.ne.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.ne.jpg) जस्तो कि तपाईं देख्न सक्नुहुन्छ, VGG ले परम्परागत पिरामिड आर्किटेक्चर अनुसरण गर्दछ, जुन कनभोल्युसन-पूलिङ लेयरहरूको क्रम हो। -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.ne.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.ne.jpg) > [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) बाट छवि diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index 8e24afe3..8f2a9903 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -260,7 +260,7 @@ "\n", "त्यसैले, एउटा सामान्य CNN मा धेरै कनभोल्युसनल तहहरू हुन्छन्, जसको बीचमा पूलिङ तहहरू हुन्छन् तस्बिरको आयाम घटाउनका लागि। हामी फिल्टरहरूको संख्या पनि बढाउँछौं, किनकि ढाँचाहरू जति जटिल बन्दै जान्छन् - त्यति नै धेरै सम्भावित रोचक संयोजनहरू हुन्छन् जसलाई हामी खोज्नुपर्ने हुन्छ।\n", "\n", - "![कनभोल्युसनल तहहरू र पूलिङ तहहरूको पिरामिड देखाउने तस्बिर।](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.ne.png)\n", + "![कनभोल्युसनल तहहरू र पूलिङ तहहरूको पिरामिड देखाउने तस्बिर।](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.ne.png)\n", "\n", "स्थानिक आयाम घटाउने र विशेषता/फिल्टर आयाम बढाउने कारणले गर्दा, यो आर्किटेक्चरलाई **पिरामिड आर्किटेक्चर** पनि भनिन्छ।\n" ] diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index 83489b40..5cbd5695 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -359,7 +359,7 @@ "\n", "त्यसैले, एउटा सामान्य CNN मा धेरै कन्भोल्युसनल तहहरू हुनेछन्, जसको बीचमा पूलिङ तहहरू तस्बिरको आयाम घटाउन प्रयोग गरिन्छ। हामी फिल्टरहरूको संख्या पनि बढाउँछौं, किनभने ढाँचाहरू जति जटिल बन्दै जान्छन् - त्यति नै धेरै सम्भावित चाखलाग्दा संयोजनहरू हुन्छन् जसलाई हामी खोज्न आवश्यक हुन्छ।\n", "\n", - "![कन्भोल्युसनल तहहरू र पूलिङ तहहरूको साथमा पिरामिड आर्किटेक्चर देखाउने तस्बिर।](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.ne.png)\n", + "![कन्भोल्युसनल तहहरू र पूलिङ तहहरूको साथमा पिरामिड आर्किटेक्चर देखाउने तस्बिर।](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.ne.png)\n", "\n", "स्थानिक आयाम घट्दै र विशेषता/फिल्टर आयाम बढ्दै जाने भएकाले, यस आर्किटेक्चरलाई **पिरामिड आर्किटेक्चर** पनि भनिन्छ।\n" ] diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md index d84b8d04..d64b5aa4 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ढाँचाहरू निकाल्न, हामी **कन्भोल्युसनल फिल्टरहरू** को धारणा प्रयोग गर्नेछौं। तपाईंलाई थाहा छ, छवि 2D-म्याट्रिक्स वा रंग गहिराइ भएको 3D-टेन्सरद्वारा प्रतिनिधित्व गरिन्छ। फिल्टर लागू गर्नुको मतलब हामी सानो **फिल्टर कर्नेल** म्याट्रिक्स लिन्छौं, र मूल छविको प्रत्येक पिक्सेलको लागि हामी छिमेकी बिन्दुहरूसँग तौलित औसत गणना गर्छौं। हामी यसलाई सानो झ्यालले सम्पूर्ण छविमा स्लाइड गर्दै, र फिल्टर कर्नेल म्याट्रिक्समा तौलहरू अनुसार सबै पिक्सेलहरू औसत गर्दै हेर्न सक्छौं। -![Vertical Edge Filter](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.ne.png) | ![Horizontal Edge Filter](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.ne.png) +![Vertical Edge Filter](../../../../../translated_images/filter-vert.b7148390ca0bc356.ne.png) | ![Horizontal Edge Filter](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.ne.png) ----|---- > छवि: दिमित्री सोश्निकोभ @@ -38,7 +38,7 @@ CNN काम गर्ने तरिका निम्न महत्त् * हामी नेटवर्कलाई यसरी डिजाइन गर्न सक्छौं कि फिल्टरहरू स्वचालित रूपमा प्रशिक्षित हुन्छन् * हामी मूल छविमा मात्र होइन, उच्च-स्तरका विशेषताहरूमा ढाँचाहरू फेला पार्न उस्तै दृष्टिकोण प्रयोग गर्न सक्छौं। यसरी CNN विशेषता निकाल्ने काम विशेषताको पदानुक्रममा हुन्छ, तल्लो-स्तरका पिक्सेल संयोजनबाट सुरु गर्दै, चित्रका भागहरूको उच्च-स्तर संयोजनसम्म। -![Hierarchical Feature Extraction](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.ne.png) +![Hierarchical Feature Extraction](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.ne.png) > छवि: [Hislop-Lynch को पेपर](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d) बाट, [तिनीहरूको अनुसन्धान](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) मा आधारित @@ -55,9 +55,9 @@ CNN काम गर्ने तरिका निम्न महत्त् उदाहरणका लागि, VGG-16 को आर्किटेक्चरलाई हेरौं, जसले 2014 मा ImageNet को शीर्ष-5 वर्गीकरणमा 92.7% शुद्धता प्राप्त गर्यो: -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.ne.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.ne.jpg) -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.ne.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.ne.jpg) > छवि: [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) बाट diff --git a/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 09c919ff..83df5641 100644 --- a/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/ne/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA: हामी [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) प्रयोग गर्नेछौं, जसमा कुकुर र बिरालोका ३७ विभिन्न प्रजातिहरूका छविहरू समावेश छन्। -![हामीले प्रयोग गर्ने डेटासेट](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.ne.png) +![हामीले प्रयोग गर्ने डेटासेट](../../../../../../translated_images/data.50b2a9d5484bdbf0.ne.png) डेटासेट डाउनलोड गर्न, यो कोड स्निपेट प्रयोग गर्नुहोस्: diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index a0e8fce6..b3ccaf89 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "आदर्श बिरालोलाई देखाउनका लागि, हामी एउटा जथाभावी आवाज भएको तस्बिरबाट सुरु गर्नेछौं, र ग्रेडियन्ट डिसेन्ट अनुकूलन प्रविधि प्रयोग गरेर तस्बिरलाई समायोजन गर्ने प्रयास गर्नेछौं ताकि नेटवर्कले बिरालोलाई चिन्न सकोस्।\n", "\n", - "![अनुकूलन लूप](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.ne.png)\n", + "![अनुकूलन लूप](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.ne.png)\n", "\n", "यहाँ हाम्रो सुरुवाती तस्बिर छ:\n" ] diff --git a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md index 0d0590d8..f28db26c 100644 --- a/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/ne/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Keras र PyTorch दुवैमा सामान्य आर्किटे यहाँ VGG-16 नेटवर्कले बिरालोको तस्बिरबाट निकालेका विशेषताहरूको उदाहरण छ: -![Features extracted by VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.ne.png) +![Features extracted by VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.ne.png) ## बिरालो र कुकुर डेटासेट @@ -48,19 +48,19 @@ Keras र PyTorch दुवैमा सामान्य आर्किटे हामी एउटा विधि लिन सक्छौं, जहाँ हामी एउटा र्यान्डम छविबाट सुरु गर्छौं, र त्यसपछि **ग्रेडियन्ट डिसेन्ट अप्टिमाइजेसन** प्रविधि प्रयोग गरेर त्यो छवि समायोजन गर्ने प्रयास गर्छौं, ताकि नेटवर्कले सोच्न थाल्छ कि यो बिरालो हो। -![Image Optimization Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.ne.png) +![Image Optimization Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.ne.png) तर, यदि हामी यसो गर्छौं भने, हामीले र्यान्डम आवाजसँग धेरै मिल्दोजुल्दो केही प्राप्त गर्नेछौं। यसको कारण हो कि *नेटवर्कलाई इनपुट छवि बिरालो हो भनेर सोच्न बनाउने धेरै तरिकाहरू छन्*, जसमा केही दृश्य रूपमा अर्थपूर्ण छैनन्। ती छविहरूमा बिरालोको लागि सामान्य ढाँचाहरू धेरै हुन्छन्, तर तिनीहरूलाई दृश्य रूपमा विशिष्ट बनाउने कुनै बाध्यता छैन। नतिजा सुधार गर्न, हामी हानि कार्यमा अर्को पद थप्न सक्छौं, जसलाई **भेरिएसन हानि** भनिन्छ। यो एउटा मेट्रिक हो, जसले छविको छेउछाउका पिक्सेलहरू कति समान छन् भनेर देखाउँछ। भेरिएसन हानि न्यूनतम गर्दा छवि चिल्लो हुन्छ, र आवाज हट्छ - जसले दृश्य रूपमा आकर्षक ढाँचाहरू प्रकट गर्छ। यहाँ उच्च सम्भावनाका साथ बिरालो र जेब्रा भनेर वर्गीकृत गरिएका "आदर्श" छविहरूको उदाहरण छ: -![Ideal Cat](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.ne.png) | ![Ideal Zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.ne.png) +![Ideal Cat](../../../../../translated_images/ideal-cat.203dd4597643d6b0.ne.png) | ![Ideal Zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.ne.png) -----|----- *आदर्श बिरालो* | *आदर्श जेब्रा* यस्तै विधि प्रयोग गरेर न्यूरल नेटवर्कमा **adversarial attacks** गर्न सकिन्छ। मानौं हामी न्यूरल नेटवर्कलाई मूर्ख बनाउन चाहन्छौं र कुकुरलाई बिरालो जस्तो देखाउन चाहन्छौं। यदि हामी कुकुरको छवि लिन्छौं, जुन नेटवर्कले कुकुर भनेर पहिचान गर्छ, हामी त्यसलाई थोरै समायोजन गर्न सक्छौं ग्रेडियन्ट डिसेन्ट अप्टिमाइजेसन प्रयोग गरेर, जबसम्म नेटवर्कले यसलाई बिरालो भनेर वर्गीकृत गर्न थाल्दैन: -![Picture of a Dog](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.ne.png) | ![Picture of a dog classified as a cat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.ne.png) +![Picture of a Dog](../../../../../translated_images/original-dog.8f68a67d2fe0911f.ne.png) | ![Picture of a dog classified as a cat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.ne.png) -----|----- *कुकुरको मूल छवि* | *कुकुरको छवि बिरालो भनेर वर्गीकृत गरिएको* diff --git a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 89c561d1..12d8d728 100644 --- a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "किनभने हामी ऑटोएन्कोडरलाई मूल छविबाट सकेसम्म धेरै जानकारी समात्न प्रशिक्षण दिइरहेका छौं ताकि सही पुनर्निर्माण गर्न सकियोस्, नेटवर्कले इनपुट छविहरूको अर्थ समात्नको लागि उत्तम **एम्बेडिङ** खोज्ने प्रयास गर्छ।\n", "\n", - "![ऑटोएन्कोडर चित्र](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ne.jpg)\n", + "![ऑटोएन्कोडर चित्र](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ne.jpg)\n", "\n", "> छवि [Keras ब्लग](https://blog.keras.io/building-autoencoders-in-keras.html) बाट\n", "\n", diff --git a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index c2707dff..52e7c2de 100644 --- a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -19,7 +19,7 @@ "\n", "किनकि हामी ऑटोएन्कोडरलाई मूल छविबाट यथासम्भव धेरै जानकारी समात्न प्रशिक्षण गरिरहेका छौं ताकि सही पुनर्निर्माण गर्न सकियोस्, नेटवर्कले इनपुट छविहरूको अर्थ समात्नको लागि उत्तम **एम्बेडिङ** खोज्ने प्रयास गर्छ।\n", "\n", - "![ऑटोएन्कोडर डायग्राम](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ne.jpg)\n", + "![ऑटोएन्कोडर डायग्राम](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ne.jpg)\n", "\n", "*छवि [Keras ब्लग](https://blog.keras.io/building-autoencoders-in-keras.html) बाट*\n", "\n", diff --git a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md index d72633ad..9036ec7f 100644 --- a/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/ne/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ CNNs प्रशिक्षण गर्दा, एउटा समस्य किनकि हामी अटोएनकोडरलाई मूल छविबाट सकेसम्म धेरै जानकारी समात्न प्रशिक्षण गर्दैछौं ताकि सही पुनर्निर्माण गर्न सकियोस्, नेटवर्कले इनपुट छविहरूको उत्तम **एम्बेडिङ** पत्ता लगाउन प्रयास गर्छ। -![अटोएनकोडर आरेख](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.ne.jpg) +![अटोएनकोडर आरेख](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.ne.jpg) > छवि [Keras ब्लग](https://blog.keras.io/building-autoencoders-in-keras.html) बाट diff --git a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md index 0119e05e..5ec8e485 100644 --- a/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/ne/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [पूर्व-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![वस्तु पहिचान](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.ne.png) +![वस्तु पहिचान](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.ne.png) > छवि [YOLO v2 वेबसाइट](https://pjreddie.com/darknet/yolov2/) बाट @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 2. प्रत्येक टाइलमा छवि वर्गीकरण चलाउनुहोस्। 3. ती टाइलहरू, जसले पर्याप्त उच्च सक्रियता देखाउँछन्, तिनीहरूमा खोजिएको वस्तु भएको मान्न सकिन्छ। -![साधारण वस्तु पहिचान](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.ne.png) +![साधारण वस्तु पहिचान](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.ne.png) > *छवि [व्यायाम नोटबुक](ObjectDetection-TF.ipynb) बाट* @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - २० वर्गहरू * [COCO](http://cocodataset.org/#home) - सामान्य वस्तुहरू सन्दर्भमा। ८० वर्गहरू, सीमाना बक्सहरू र खण्डन मास्कहरू -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.ne.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.ne.jpg) ## वस्तु पहिचान मेट्रिक्स @@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA: जहाँ छवि वर्गीकरणका लागि एल्गोरिदमको प्रदर्शन मापन गर्न सजिलो छ, वस्तु पहिचानका लागि वर्गको शुद्धता र अनुमानित सीमाना बक्स स्थानको सटीकता दुवै मापन गर्न आवश्यक छ। पछिल्लोका लागि, हामी **Intersection over Union** (IoU) प्रयोग गर्छौं, जसले दुई बक्सहरू (वा दुई मनमानी क्षेत्रहरू) कत्तिको ओभरल्याप गर्छन् भनेर मापन गर्छ। -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.ne.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.ne.png) > *[IoU सम्बन्धी उत्कृष्ट ब्लग पोस्ट](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) बाट चित्र २* @@ -97,11 +97,11 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) ले [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) प्रयोग गरी ROI क्षेत्रहरूको पदानुक्रम संरचना उत्पन्न गर्छ, जसलाई CNN फिचर एक्स्ट्र्याक्टरहरू र SVM वर्गीकरणकर्ताहरू मार्फत पास गरिन्छ, वस्तु वर्ग निर्धारण गर्न, र *सीमाना बक्स* समन्वय निर्धारण गर्न रेखीय रिग्रेसन प्रयोग गरिन्छ। [आधिकारिक पेपर](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.ne.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.ne.png) > *van de Sande et al. ICCV’11 बाट छवि* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.ne.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.ne.png) > *[यो ब्लग](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e) बाट छविहरू* @@ -109,7 +109,7 @@ $$ यो दृष्टिकोण R-CNN जस्तै हो, तर क्षेत्रहरू कन्भोल्युसन तहहरू लागू भएपछि परिभाषित गरिन्छन्। -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.ne.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.ne.png) > [आधिकारिक पेपर](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 बाट छवि @@ -117,7 +117,7 @@ $$ यस दृष्टिकोणको मुख्य विचार भनेको क्षेत्रहरू भविष्यवाणी गर्न न्यूरल नेटवर्क प्रयोग गर्नु हो - जसलाई *क्षेत्र प्रस्ताव नेटवर्क* भनिन्छ। [पेपर](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.ne.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.ne.png) > [आधिकारिक पेपर](https://arxiv.org/pdf/1506.01497.pdf) बाट छवि @@ -129,7 +129,7 @@ $$ 2. फिचरहरू **पोजिसन-सेंसिटिभ स्कोर म्याप** द्वारा प्रशोधन गरिन्छ। $C$ वर्गका प्रत्येक वस्तु $k\times k$ क्षेत्रहरूमा विभाजन गरिन्छ, र हामी वस्तुका भागहरू भविष्यवाणी गर्न प्रशिक्षण गर्छौं। 3. $k\times k$ क्षेत्रका प्रत्येक भागका लागि सबै नेटवर्कहरूले वस्तु वर्गहरूको लागि मतदान गर्छन्, र अधिकतम भोट भएको वस्तु वर्ग चयन गरिन्छ। -![r-fcn छवि](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.ne.png) +![r-fcn छवि](../../../../../translated_images/r-fcn.13eb88158b99a3da.ne.png) > [आधिकारिक पेपर](https://arxiv.org/abs/1605.06409) बाट छवि @@ -140,7 +140,7 @@ YOLO एक वास्तविक-समय एक-पास एल्गो * छवि $S\times S$ क्षेत्रहरूमा विभाजन गरिन्छ। * प्रत्येक क्षेत्रका लागि, **CNN** ले $n$ सम्भावित वस्तुहरू, *सीमाना बक्स* समन्वय र *विश्वास* = *संभाव्यता* * IoU भविष्यवाणी गर्छ। - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.ne.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.ne.png) > [आधिकारिक पेपर](https://arxiv.org/abs/1506.02640) बाट छवि diff --git a/translations/ne/lessons/4-ComputerVision/README.md b/translations/ne/lessons/4-ComputerVision/README.md index f128e0cb..e3ada9d7 100644 --- a/translations/ne/lessons/4-ComputerVision/README.md +++ b/translations/ne/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # कम्प्युटर भिजन -![कम्प्युटर भिजन सामग्रीको सारांश डुडलमा](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.ne.png) +![कम्प्युटर भिजन सामग्रीको सारांश डुडलमा](../../../../translated_images/ai-computervision.6506ebebac3fbf76.ne.png) यस खण्डमा हामी सिक्नेछौं: diff --git a/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index 11a2ceee..6034b8a1 100644 --- a/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "**शब्दहरूको झोला** (BoW) भेक्टर प्रतिनिधित्व परम्परागत भेक्टर प्रतिनिधित्वमा सबैभन्दा धेरै प्रयोग गरिने विधि हो। प्रत्येक शब्दलाई भेक्टरको सूचकसँग जोडिन्छ, र भेक्टरको तत्त्वले कुनै विशेष दस्तावेजमा शब्दको उपस्थितिको सङ्ख्या समावेश गर्दछ।\n", "\n", - "![शब्दहरूको झोला भेक्टर प्रतिनिधित्व मेमोरीमा कसरी देखिन्छ भन्ने देखाउने छवि।](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.ne.png)\n", + "![शब्दहरूको झोला भेक्टर प्रतिनिधित्व मेमोरीमा कसरी देखिन्छ भन्ने देखाउने छवि।](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.ne.png)\n", "\n", "> **Note**: तपाईं BoW लाई पाठका व्यक्तिगत शब्दहरूको लागि सबै एक-तर्फ-कोड गरिएको भेक्टरहरूको योगको रूपमा पनि सोच्न सक्नुहुन्छ।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index 5d1d4f09..b2c64a6e 100644 --- a/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/ne/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "**शब्दहरूको झोला** (BoW) भेक्टर प्रतिनिधित्व परम्परागत भेक्टर प्रतिनिधित्वहरू मध्ये सबैभन्दा सरल र बुझ्न सजिलो हो। प्रत्येक शब्दलाई भेक्टरको सूचकसँग जोडिन्छ, र भेक्टरको तत्वले कुनै पनि दस्तावेजमा प्रत्येक शब्दको उपस्थितिको संख्या समावेश गर्दछ।\n", "\n", - "![शब्दहरूको झोला भेक्टर प्रतिनिधित्व मेमोरीमा कसरी प्रतिनिधित्व गरिन्छ भन्ने देखाउने चित्र।](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.ne.png)\n", + "![शब्दहरूको झोला भेक्टर प्रतिनिधित्व मेमोरीमा कसरी प्रतिनिधित्व गरिन्छ भन्ने देखाउने चित्र।](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.ne.png)\n", "\n", "> **Note**: तपाईं BoW लाई पाठमा व्यक्तिगत शब्दहरूको लागि एक-हट-एन्कोड गरिएको भेक्टरहरूको योगको रूपमा पनि सोच्न सक्नुहुन्छ।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index 1a667d13..4fd540e0 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "हाम्रो नेटवर्कमा पहिलो लेयरको रूपमा एम्बेडिङ लेयर प्रयोग गरेर, हामी ब्याग-अफ-वर्ड्स मोडेलबाट **एम्बेडिङ ब्याग** मोडेलमा स्विच गर्न सक्छौं, जहाँ हामी पहिलो पटक हाम्रो पाठका प्रत्येक शब्दलाई सम्बन्धित एम्बेडिङमा रूपान्तरण गर्छौं, र त्यसपछि ती सबै एम्बेडिङहरूमा `sum`, `average` वा `max` जस्ता कुनै एग्रिगेट फङ्सन गणना गर्छौं। \n", "\n", - "![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ क्लासिफायर देखाउने छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ne.png)\n", + "![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ क्लासिफायर देखाउने छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ne.png)\n", "\n", "हाम्रो क्लासिफायर न्यूरल नेटवर्क एम्बेडिङ लेयरबाट सुरु हुनेछ, त्यसपछि एग्रिगेसन लेयर, र यसको माथि लीनियर क्लासिफायर हुनेछ:\n" ] @@ -176,7 +176,7 @@ "\n", "अघिल्लो आर्किटेक्चरमा, हामीले सबै अनुक्रमहरूलाई एउटै लम्बाइमा ल्याउनका लागि padding गर्नुपर्ने हुन्थ्यो ताकि तिनीहरूलाई मिनिब्याचमा फिट गर्न सकियोस्। यो भिन्न-लम्बाइ अनुक्रमहरूको प्रतिनिधित्व गर्ने सबैभन्दा प्रभावकारी तरिका होइन - अर्को तरिका भनेको **offset** भेक्टर प्रयोग गर्नु हो, जसले एउटै ठूलो भेक्टरमा भण्डारण गरिएका सबै अनुक्रमहरूको offsets राख्छ।\n", "\n", - "![Offset अनुक्रम प्रतिनिधित्व देखाउने चित्र](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.ne.png)\n", + "![Offset अनुक्रम प्रतिनिधित्व देखाउने चित्र](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.ne.png)\n", "\n", "> **Note**: माथिको चित्रमा, हामीले क्यारेक्टरहरूको अनुक्रम देखाएका छौं, तर हाम्रो उदाहरणमा हामी शब्दहरूको अनुक्रमसँग काम गरिरहेका छौं। यद्यपि, offset भेक्टर प्रयोग गरेर अनुक्रमहरूको प्रतिनिधित्व गर्ने सामान्य सिद्धान्त उस्तै रहन्छ।\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW छिटो हुन्छ, जबकि स्किप-ग्राम ढिलो हुन्छ, तर दुर्लभ शब्दहरूको प्रतिनिधित्व गर्न राम्रो काम गर्छ।\n", "\n", - "![CBoW र स्किप-ग्राम एल्गोरिदमहरू शब्दहरूलाई भेक्टरमा रूपान्तरण गर्ने तरिका देखाउने चित्र।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ne.png)\n", + "![CBoW र स्किप-ग्राम एल्गोरिदमहरू शब्दहरूलाई भेक्टरमा रूपान्तरण गर्ने तरिका देखाउने चित्र।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ne.png)\n", "\n", "Google News डेटासेटमा प्रि-ट्रेन गरिएको word2vec एम्बेडिङसँग प्रयोग गर्न, हामी **gensim** लाइब्रेरी प्रयोग गर्न सक्छौं। तल हामी 'neural' शब्दसँग सबैभन्दा मिल्दो शब्दहरू फेला पार्छौं।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index 8be16bbd..df99b3e4 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/ne/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "हाम्रो नेटवर्कको पहिलो लेयरको रूपमा एम्बेडिङ लेयर प्रयोग गरेर, हामी ब्याग-ऑफ-वर्ड्स मोडेलबाट **एम्बेडिङ ब्याग** मोडेलमा स्विच गर्न सक्छौं, जहाँ हामी पहिलो पटक हाम्रो पाठको प्रत्येक शब्दलाई सम्बन्धित एम्बेडिङमा रूपान्तरण गर्छौं, र त्यसपछि ती सबै एम्बेडिङहरूमा केही समग्र कार्य गणना गर्छौं, जस्तै `sum`, `average` वा `max`। \n", "\n", - "![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ वर्गीकरण देखाउने छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ne.png)\n", + "![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ वर्गीकरण देखाउने छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ne.png)\n", "\n", "हाम्रो वर्गीकरण न्युरल नेटवर्क निम्न लेयरहरू समावेश गर्दछ:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW छिटो हुन्छ, जबकि स्किप-ग्राम ढिलो भए पनि यो दुर्लभ शब्दहरूको प्रतिनिधित्व गर्न राम्रो काम गर्छ।\n", "\n", - "![CBoW र स्किप-ग्राम एल्गोरिदमहरूलाई शब्दहरूलाई भेक्टरमा रूपान्तरण गर्न देखाउने छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ne.png)\n", + "![CBoW र स्किप-ग्राम एल्गोरिदमहरूलाई शब्दहरूलाई भेक्टरमा रूपान्तरण गर्न देखाउने छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ne.png)\n", "\n", "Google News डेटासेटमा प्रि-ट्रेन गरिएको Word2Vec एम्बेडिङसँग प्रयोग गर्न, हामी **gensim** लाइब्रेरी प्रयोग गर्न सक्छौं। तल हामी 'neural' शब्दसँग सबैभन्दा मिल्दोजुल्दो शब्दहरू फेला पार्छौं।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/14-Embeddings/README.md b/translations/ne/lessons/5-NLP/14-Embeddings/README.md index 15e0bf80..6f2e307a 100644 --- a/translations/ne/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/ne/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: हाम्रो वर्गीकरणकर्ता नेटवर्कमा पहिलो लेयरको रूपमा एम्बेडिङ लेयर प्रयोग गरेर, हामी बाग-ऑफ-वर्ड्सबाट **embedding bag** मोडेलमा स्विच गर्न सक्छौं, जहाँ हामी हाम्रो पाठमा प्रत्येक शब्दलाई सम्बन्धित एम्बेडिङमा रूपान्तरण गर्छौं, र त्यसपछि ती सबै एम्बेडिङ्समा केही समग्र कार्य जस्तै `sum`, `average` वा `max` गणना गर्छौं। -![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ वर्गीकरणकर्ताको छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.ne.png) +![पाँच अनुक्रम शब्दहरूको लागि एम्बेडिङ वर्गीकरणकर्ताको छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.ne.png) > लेखकद्वारा प्रदान गरिएको छवि @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW छिटो छ, जबकि स्किप-ग्राम ढिलो छ, तर दुर्लभ शब्दहरूको प्रतिनिधित्व गर्न राम्रो काम गर्छ। -![शब्दहरूलाई भेक्टरमा रूपान्तरण गर्न CBoW र स्किप-ग्राम एल्गोरिदमहरूको छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ne.png) +![शब्दहरूलाई भेक्टरमा रूपान्तरण गर्न CBoW र स्किप-ग्राम एल्गोरिदमहरूको छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ne.png) > [यस पेपर](https://arxiv.org/pdf/1301.3781.pdf) बाट लिइएको छवि diff --git a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md index 6e9558e5..94cbc18c 100644 --- a/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/ne/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ Word2Vec र GloVe जस्ता सेम्यान्टिक एम् * **Continuous Bag-of-Words** (CBoW), जहाँ हामी टोकन अनुक्रम $W_{-N}$, ..., $W_N$ को बीचको टोकन $W_0$ भविष्यवाणी गर्छौं। * **Skip-gram**, जहाँ हामी बीचको टोकन $W_0$ बाट छेउछाउका टोकनहरूको सेट {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} भविष्यवाणी गर्छौं। -![शब्दहरूलाई भेक्टरमा रूपान्तरण गर्ने एल्गोरिदमको कागजबाट चित्र](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.ne.png) +![शब्दहरूलाई भेक्टरमा रूपान्तरण गर्ने एल्गोरिदमको कागजबाट चित्र](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.ne.png) > चित्र [यस कागज](https://arxiv.org/pdf/1301.3781.pdf) बाट diff --git a/translations/ne/lessons/5-NLP/16-RNN/README.md b/translations/ne/lessons/5-NLP/16-RNN/README.md index 7f3bf082..a793cb13 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/README.md +++ b/translations/ne/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: पाठ अनुक्रमको अर्थ समेट्नका लागि, हामीले अर्को न्यूरल नेटवर्क वास्तुकला प्रयोग गर्नुपर्छ, जसलाई **पुनरावर्ती न्यूरल नेटवर्क** (RNN) भनिन्छ। RNN मा, हामी हाम्रो वाक्यलाई नेटवर्कमार्फत एक पटकमा एउटा प्रतीक पठाउँछौं, र नेटवर्कले केही **स्थिति** उत्पादन गर्छ, जसलाई हामी अर्को प्रतीकसँग पुनः नेटवर्कमा पठाउँछौं। -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.ne.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.ne.png) > लेखकद्वारा तयार गरिएको छवि @@ -61,7 +61,7 @@ LSTM नेटवर्क RNN जस्तै व्यवस्थित छ, पुनरावर्ती नेटवर्क, चाहे एक-दिशात्मक होस् वा द्विदिशात्मक, अनुक्रमभित्रका निश्चित ढाँचाहरू समात्छ, र तिनीहरूलाई स्थिति भेक्टरमा भण्डारण गर्न वा आउटपुटमा पास गर्न सक्छ। कन्भोल्युसनल नेटवर्कहरूको जस्तै, हामी पहिलो तहले निकालेका तल्लो-स्तरका ढाँचाहरूबाट उच्च-स्तरका ढाँचाहरू समात्न अर्को पुनरावर्ती तह निर्माण गर्न सक्छौं। यसले हामीलाई **बहु-तह RNN** को अवधारणामा पुर्‍याउँछ, जसमा दुई वा बढी पुनरावर्ती नेटवर्कहरू हुन्छन्, जहाँ अघिल्लो तहको आउटपुटलाई अर्को तहमा इनपुटको रूपमा पास गरिन्छ। -![बहु-तह लामो-छोटो-समय-स्मृति RNN देखाउने छवि](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ne.jpg) +![बहु-तह लामो-छोटो-समय-स्मृति RNN देखाउने छवि](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ne.jpg) *फर्नान्डो लोपेजको [यो अद्भुत पोस्ट](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) बाट लिइएको चित्र* diff --git a/translations/ne/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/ne/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index b6de5954..8e2c052e 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/ne/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "पुनरावर्ती नेटवर्क, एक-दिशात्मक होस् वा द्विदिशात्मक, अनुक्रमभित्रका केही ढाँचाहरू समात्छ, र तिनीहरूलाई अवस्था भेक्टरमा भण्डारण गर्न वा आउटपुटमा पास गर्न सक्छ। जस्तै कनभोल्युसनल नेटवर्कहरूमा, हामी पहिलो तहले निकालेका तल्लो-स्तरीय ढाँचाहरूबाट उच्च-स्तरीय ढाँचाहरू समात्न अर्को पुनरावर्ती तह माथि निर्माण गर्न सक्छौं। यसले हामीलाई **बहु-स्तरीय RNN** को अवधारणामा पुर्‍याउँछ, जसमा दुई वा बढी पुनरावर्ती नेटवर्कहरू हुन्छन्, जहाँ अघिल्लो तहको आउटपुटलाई अर्को तहमा इनपुटको रूपमा पास गरिन्छ।\n", "\n", - "![बहु-स्तरीय लामो-छोटो-अवधि-स्मृति RNN देखाउने चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ne.jpg)\n", + "![बहु-स्तरीय लामो-छोटो-अवधि-स्मृति RNN देखाउने चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ne.jpg)\n", "\n", "*फर्नान्डो लोपेजको [यो उत्कृष्ट पोस्ट](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) बाट चित्र*\n", "\n", diff --git a/translations/ne/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/ne/lessons/5-NLP/16-RNN/RNNTF.ipynb index 3d810b19..8dd388e4 100644 --- a/translations/ne/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/ne/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "पाठ अनुक्रमको अर्थ समेट्न, हामी **पुनरावर्ती न्युरल नेटवर्क** भनिने न्युरल नेटवर्क आर्किटेक्चर प्रयोग गर्नेछौं। RNN प्रयोग गर्दा, हामी हाम्रो वाक्यलाई नेटवर्कमा एक पटकमा एक टोकन पास गर्छौं, र नेटवर्कले केही **स्थिति** उत्पादन गर्छ, जुन हामी अर्को टोकनसँग फेरि नेटवर्कमा पास गर्छौं।\n", "\n", - "![पुनरावर्ती न्युरल नेटवर्क उत्पादनको उदाहरण देखाउने चित्र।](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.ne.png)\n", + "![पुनरावर्ती न्युरल नेटवर्क उत्पादनको उदाहरण देखाउने चित्र।](../../../../../translated_images/rnn.27f5c29c53d727b5.ne.png)\n", "\n", "टोकनहरूको इनपुट अनुक्रम $X_0,\\dots,X_n$ दिइएको अवस्थामा, RNN ले न्युरल नेटवर्क ब्लकहरूको अनुक्रम सिर्जना गर्छ, र यो अनुक्रमलाई ब्याकप्रोपोगेसन प्रयोग गरेर अन्त-देखि-अन्तसम्म प्रशिक्षण गर्छ। प्रत्येक नेटवर्क ब्लकले $(X_i,S_i)$ जोडीलाई इनपुटको रूपमा लिन्छ, र परिणामस्वरूप $S_{i+1}$ उत्पादन गर्छ। अन्तिम स्थिति $S_n$ वा आउटपुट $Y_n$ लाई रैखिक वर्गीकरणकर्तामा पठाइन्छ ताकि परिणाम उत्पादन गर्न सकियोस्। सबै नेटवर्क ब्लकहरूले समान तौलहरू साझा गर्छन्, र एक ब्याकप्रोपोगेसन पास प्रयोग गरेर अन्त-देखि-अन्तसम्म प्रशिक्षण गरिन्छ।\n", "\n", @@ -369,7 +369,7 @@ "\n", "पुनरावर्ती नेटवर्कहरूले, एकदिशात्मक होस् वा द्विदिशात्मक, अनुक्रमभित्रका ढाँचाहरूलाई समात्छन्, र तिनीहरूलाई अवस्था भेक्टरहरूमा भण्डारण गर्छन् वा तिनीहरूलाई आउटपुटको रूपमा फिर्ता दिन्छन्। कन्भोल्युसनल नेटवर्कहरूको जस्तै, हामी पहिलो तहले निकालेका तल्लो स्तरका ढाँचाहरूबाट उच्च स्तरका ढाँचाहरू समात्न अर्को पुनरावर्ती तह निर्माण गर्न सक्छौं। यसले हामीलाई **बहु-स्तरीय RNN** को अवधारणामा पुर्‍याउँछ, जसमा दुई वा बढी पुनरावर्ती नेटवर्कहरू हुन्छन्, जहाँ अघिल्लो तहको आउटपुटलाई अर्को तहमा इनपुटको रूपमा पठाइन्छ।\n", "\n", - "![बहु-स्तरीय लामो-छोटो-अवधि-स्मृति RNN देखाउने चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.ne.jpg)\n", + "![बहु-स्तरीय लामो-छोटो-अवधि-स्मृति RNN देखाउने चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.ne.jpg)\n", "\n", "*फर्नान्डो लोपेजको [यो उत्कृष्ट पोस्ट](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) बाट लिइएको चित्र।*\n", "\n", diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index e1b5b59f..e5418391 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "हामी RNN लाई पाठ उत्पन्न गर्न प्रशिक्षण दिने तरिका निम्नानुसार हुनेछ। प्रत्येक चरणमा, हामी `nchars` लम्बाइको अक्षरहरूको श्रृंखला लिनेछौं, र प्रत्येक इनपुट अक्षरको लागि नेटवर्कलाई अर्को आउटपुट अक्षर उत्पन्न गर्न अनुरोध गर्नेछौं:\n", "\n", - "![RNN ले 'HELLO' शब्द उत्पन्न गरिरहेको उदाहरण देखाउने छवि।](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ne.png)\n", + "![RNN ले 'HELLO' शब्द उत्पन्न गरिरहेको उदाहरण देखाउने छवि।](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ne.png)\n", "\n", "वास्तविक परिदृश्यमा निर्भर गर्दै, हामीले केही विशेष अक्षरहरू पनि समावेश गर्न चाहन सक्छौं, जस्तै *end-of-sequence* ``। हाम्रो अवस्थामा, हामी केवल नेटवर्कलाई अन्तहीन पाठ उत्पन्न गर्न प्रशिक्षण दिन चाहन्छौं, त्यसैले हामी प्रत्येक श्रृंखलाको आकारलाई `nchars` टोकनहरूको बराबरमा स्थिर गर्नेछौं। तदनुसार, प्रत्येक प्रशिक्षण उदाहरण `nchars` इनपुटहरू र `nchars` आउटपुटहरू (जसले इनपुट श्रृंखलालाई एक प्रतीक बायाँ सिफ्ट गरेको हुन्छ) बाट बनेको हुनेछ। मिनिब्याचमा यस्ता धेरै श्रृंखलाहरू हुनेछन्।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index 9c6b4f87..8ea0585e 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -111,7 +111,7 @@ "\n", "हामीले RNN लाई समाचार शीर्षकहरू उत्पन्न गर्न प्रशिक्षण गर्ने तरिका यस प्रकार हुनेछ। प्रत्येक चरणमा, हामी एउटा शीर्षक लिनेछौं, जसलाई RNN मा खुवाइनेछ, र प्रत्येक इनपुट अक्षरको लागि, हामी नेटवर्कलाई अर्को आउटपुट अक्षर उत्पन्न गर्न अनुरोध गर्नेछौं:\n", "\n", - "![शब्द 'HELLO' को RNN द्वारा उत्पन्न गर्ने उदाहरण देखाउने छवि।](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ne.png)\n", + "![शब्द 'HELLO' को RNN द्वारा उत्पन्न गर्ने उदाहरण देखाउने छवि।](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ne.png)\n", "\n", "हाम्रो अनुक्रमको अन्तिम अक्षरको लागि, हामी नेटवर्कलाई `` टोकन उत्पन्न गर्न अनुरोध गर्नेछौं।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md index 8df8965e..c83ce9ee 100644 --- a/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/ne/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ Recurrent Neural Networks (RNNs) र तिनका गेटेड सेल यसले विभिन्न न्युरल आर्किटेक्चरहरूलाई अनुमति दिन्छ जुन तलको चित्रमा देखाइएको छ: -![सामान्य पुनरावर्ती न्युरल नेटवर्क ढाँचाहरू देखाउने चित्र।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.ne.jpg) +![सामान्य पुनरावर्ती न्युरल नेटवर्क ढाँचाहरू देखाउने चित्र।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.ne.jpg) > [Andrej Karpaty](http://karpathy.github.io/) द्वारा [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) ब्लग पोस्टबाट चित्र @@ -32,7 +32,7 @@ Recurrent Neural Networks (RNNs) र तिनका गेटेड सेल हामीले यो RNN लाई चरण-दर-चरण पाठ उत्पन्न गर्न तालिम दिनेछौं। प्रत्येक चरणमा, हामी `nchars` लम्बाइको क्यारेक्टरहरूको अनुक्रम लिनेछौं, र नेटवर्कलाई प्रत्येक इनपुट क्यारेक्टरको लागि अर्को आउटपुट क्यारेक्टर उत्पन्न गर्न सोध्नेछौं: -![शब्द 'HELLO' को RNN उत्पादनको उदाहरण देखाउने चित्र।](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.ne.png) +![शब्द 'HELLO' को RNN उत्पादनको उदाहरण देखाउने चित्र।](../../../../../translated_images/rnn-generate.56c54afb52f9781d.ne.png) पाठ उत्पन्न गर्दा (इनफरेन्सको समयमा), हामी केही **प्रम्प्ट** बाट सुरु गर्छौं, जुन RNN सेलहरू मार्फत पास गरिन्छ यसको मध्यवर्ती अवस्था उत्पन्न गर्न, र त्यसपछि यो अवस्थाबाट उत्पादन सुरु हुन्छ। हामी एक पटकमा एक क्यारेक्टर उत्पन्न गर्छौं, र अर्को RNN सेलमा अवस्था र उत्पन्न क्यारेक्टर पास गर्छौं अर्को क्यारेक्टर उत्पन्न गर्न, जबसम्म हामी पर्याप्त क्यारेक्टरहरू उत्पन्न गर्दैनौं। diff --git a/translations/ne/lessons/5-NLP/18-Transformers/README.md b/translations/ne/lessons/5-NLP/18-Transformers/README.md index bf8388b8..bc99cb2b 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/README.md +++ b/translations/ne/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ RNNs प्रयोग गर्दा, sequence-to-sequence दुई पु **ध्यान मेकानिज्महरू** प्रत्येक इनपुट भेक्टरको सन्दर्भात्मक प्रभावलाई प्रत्येक RNN को आउटपुट भविष्यवाणीमा तौल दिने माध्यम प्रदान गर्छ। यसलाई कार्यान्वयन गर्ने तरिका भनेको इनपुट RNN र आउटपुट RNN का बीचमा छोटो मार्गहरू सिर्जना गर्नु हो। यस प्रकार, आउटपुट प्रतीक yt उत्पन्न गर्दा, हामी सबै इनपुट लुकाइएको अवस्थाहरू hi लाई विभिन्न तौल गुणांकहरू αt,i सहित विचार गर्नेछौं। -![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ne.png) +![Image showing an encoder/decoder model with an additive attention layer](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ne.png) > [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मा additive attention मेकानिज्मसहितको encoder-decoder मोडेल, [यो ब्लग पोस्ट](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) बाट उद्धृत। ध्यान म्याट्रिक्स {αi,j} ले इनपुट अनुक्रमका निश्चित शब्दहरूले आउटपुट अनुक्रमको कुनै शब्दको उत्पत्तिमा कति भूमिका खेल्छन् भन्ने प्रतिनिधित्व गर्दछ। तल यस्तो म्याट्रिक्सको उदाहरण छ: -![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ne.png) +![Image showing a sample alignment found by RNNsearch-50, taken from Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ne.png) > [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) बाट चित्र (Fig.3) @@ -66,7 +66,7 @@ Positional embedding को परिणामले मूल टोकन र अब, हामीले हाम्रो अनुक्रमभित्र केही ढाँचाहरू कब्जा गर्न आवश्यक छ। यो गर्न ट्रान्सफर्मरहरूले **self-attention** मेकानिज्म प्रयोग गर्छन्, जुन इनपुट र आउटपुटको रूपमा समान अनुक्रममा लागू गरिएको ध्यान हो। Self-attention लागू गर्दा हामी वाक्यभित्रको **सन्दर्भ**लाई विचार गर्न सक्छौं, र कुन शब्दहरू परस्पर सम्बन्धित छन् हेर्न सक्छौं। उदाहरणका लागि, यसले *it* जस्ता coreferences द्वारा उल्लेख गरिएका शब्दहरू हेर्न र सन्दर्भलाई विचार गर्न अनुमति दिन्छ: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.ne.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.ne.png) > [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) बाट चित्र। @@ -91,7 +91,7 @@ Encoder-decoder attention RNNs मा प्रयोग गरिएको ध **BERT** (Bidirectional Encoder Representations from Transformers) एक धेरै ठूलो बहु-लेयर ट्रान्सफर्मर नेटवर्क हो, *BERT-base* को लागि 12 लेयरहरू, र *BERT-large* को लागि 24। मोडेललाई पहिलो पटक ठूलो पाठ डाटाको संग्रह (WikiPedia + किताबहरू) मा unsupervised प्रशिक्षण (वाक्यमा masked शब्दहरूको भविष्यवाणी गर्दै) प्रयोग गरेर प्रि-ट्रेन गरिन्छ। प्रि-ट्रेनिङको क्रममा मोडेलले भाषा बुझ्ने महत्त्वपूर्ण स्तरहरू अवशोषित गर्छ, जसलाई अन्य डाटासेटहरूसँग fine tuning गरेर उपयोग गर्न सकिन्छ। यस प्रक्रियालाई **transfer learning** भनिन्छ। -![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ne.png) +![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ne.png) > [स्रोत](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/ne/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/ne/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index 2d3ec29a..91de8068 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/ne/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**ध्यान केन्द्रित गर्ने प्रणालीहरू** (Attention Mechanisms) ले प्रत्येक इनपुट भेक्टरको सन्दर्भात्मक प्रभावलाई RNN को प्रत्येक आउटपुट भविष्यवाणीमा तौल दिने माध्यम प्रदान गर्छ। यसलाई कार्यान्वयन गर्ने तरिका भनेको इनपुट RNN का मध्यवर्ती अवस्थाहरू र आउटपुट RNN बीच छोटो मार्गहरू सिर्जना गर्नु हो। यसरी, आउटपुट प्रतीक $y_t$ उत्पन्न गर्दा, हामी सबै इनपुट लुकेका अवस्थाहरू $h_i$ लाई विभिन्न तौल गुणांक $\\alpha_{t,i}$ का साथ विचार गर्नेछौं।\n", "\n", - "![एन्कोडर/डिकोडर मोडेलमा एडिटिभ ध्यान तह देखाउने छवि](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ne.png)\n", + "![एन्कोडर/डिकोडर मोडेलमा एडिटिभ ध्यान तह देखाउने छवि](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ne.png)\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मा एडिटिभ ध्यान प्रणाली भएको एन्कोडर-डिकोडर मोडेल, [यो ब्लग पोस्ट](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) बाट उद्धृत]*\n", "\n", "ध्यान म्याट्रिक्स $\\{\\alpha_{i,j}\\}$ ले इनपुटका निश्चित शब्दहरूले आउटपुट अनुक्रमको कुनै शब्द उत्पन्न गर्न कत्तिको भूमिका खेल्छन् भन्ने प्रतिनिधित्व गर्दछ। तल यस्तो म्याट्रिक्सको उदाहरण दिइएको छ:\n", "\n", - "![RNNsearch-50 द्वारा फेला परेको नमूना संरेखण देखाउने छवि, Bahdanau - arviz.org बाट लिइएको](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ne.png)\n", + "![RNNsearch-50 द्वारा फेला परेको नमूना संरेखण देखाउने छवि, Bahdanau - arviz.org बाट लिइएको](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ne.png)\n", "\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) बाट लिइएको चित्र (Fig.3)*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) एक धेरै ठूलो बहु-तह ट्रान्सफर्मर नेटवर्क हो, जसमा *BERT-base* का लागि १२ तहहरू र *BERT-large* का लागि २४ तहहरू छन्। मोडेललाई पहिलो पटक ठूलो पाठ डाटाको कर्पस (WikiPedia + पुस्तकहरू) मा असुपरभाइज्ड प्रशिक्षण (वाक्यमा लुकेका शब्दहरूको भविष्यवाणी) प्रयोग गरेर पूर्व-प्रशिक्षण गरिन्छ। पूर्व-प्रशिक्षणको क्रममा मोडेलले महत्त्वपूर्ण स्तरको भाषा बुझाइ प्राप्त गर्छ, जसलाई अन्य डाटासेटहरूसँग फाइन ट्युनिङ गरेर उपयोग गर्न सकिन्छ। यस प्रक्रियालाई **ट्रान्सफर लर्निङ** भनिन्छ।\n", "\n", - "![http://jalammar.github.io/illustrated-bert/ बाट चित्र](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ne.png)\n", + "![http://jalammar.github.io/illustrated-bert/ बाट चित्र](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ne.png)\n", "\n", "BERT, DistilBERT, BigBird, OpenGPT3 जस्ता ट्रान्सफर्मर आर्किटेक्चरका धेरै भेरिएसनहरू छन्, जसलाई फाइन ट्युन गर्न सकिन्छ। [HuggingFace package](https://github.com/huggingface/) ले यी आर्किटेक्चरहरूलाई PyTorch का साथ प्रशिक्षण गर्नका लागि रिपोजिटरी प्रदान गर्दछ।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/ne/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 79468133..e2470e45 100644 --- a/translations/ne/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/ne/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**ध्यान मेकानिज्महरू** RNN को प्रत्येक आउटपुट भविष्यवाणीमा प्रत्येक इनपुट भेक्टरको सन्दर्भात्मक प्रभावलाई तौल दिने माध्यम प्रदान गर्छन्। यसलाई कार्यान्वयन गर्ने तरिका भनेको इनपुट RNN का मध्यवर्ती अवस्थाहरू र आउटपुट RNN बीच छोटो मार्गहरू सिर्जना गर्नु हो। यसरी, आउटपुट प्रतीक $y_t$ उत्पन्न गर्दा, हामी सबै इनपुट लुकेका अवस्थाहरू $h_i$ लाई विभिन्न तौल गुणांक $\\alpha_{t,i}$ का साथ विचार गर्नेछौं।\n", "\n", - "![एन्कोडर/डिकोडर मोडेलमा एडिटिभ ध्यान तह देखाउने छवि](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.ne.png)\n", + "![एन्कोडर/डिकोडर मोडेलमा एडिटिभ ध्यान तह देखाउने छवि](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.ne.png)\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) मा एडिटिभ ध्यान मेकानिज्म भएको एन्कोडर-डिकोडर मोडेल, [यो ब्लग पोस्ट](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) बाट उद्धृत]*\n", "\n", "ध्यान म्याट्रिक्स $\\{\\alpha_{i,j}\\}$ ले इनपुटका निश्चित शब्दहरूले आउटपुट अनुक्रमको कुनै शब्द उत्पन्न गर्न कत्तिको भूमिका खेल्छन् भन्ने प्रतिनिधित्व गर्दछ। तल यस्तो म्याट्रिक्सको उदाहरण दिइएको छ:\n", "\n", - "![RNNsearch-50 द्वारा फेला परेको नमूना एलाइनमेन्ट देखाउने छवि, Bahdanau - arviz.org बाट लिइएको](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.ne.png)\n", + "![RNNsearch-50 द्वारा फेला परेको नमूना एलाइनमेन्ट देखाउने छवि, Bahdanau - arviz.org बाट लिइएको](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.ne.png)\n", "\n", "*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) बाट लिइएको चित्र (Fig.3)*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) एक धेरै ठूलो बहु-स्तरीय ट्रान्सफर्मर नेटवर्क हो जसमा *BERT-base* का लागि १२ तहहरू र *BERT-large* का लागि २४ तहहरू छन्। यो मोडेललाई पहिलो चरणमा ठूलो पाठ डाटाको संग्रह (WikiPedia + किताबहरू) मा असुपरभाइज्ड तालिम (वाक्यमा लुकेका शब्दहरूको भविष्यवाणी गर्दै) प्रयोग गरेर प्रि-ट्रेन गरिन्छ। प्रि-ट्रेनिङको क्रममा मोडेलले भाषाको गहिरो समझ हासिल गर्छ, जसलाई अन्य डाटासेटहरूसँग फाइन ट्युनिङ गरेर उपयोग गर्न सकिन्छ। यस प्रक्रियालाई **ट्रान्सफर लर्निङ** भनिन्छ।\n", "\n", - "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.ne.png)\n", + "![picture from http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.ne.png)\n", "\n", "BERT, DistilBERT, BigBird, OpenGPT3 लगायतका ट्रान्सफर्मर आर्किटेक्चरका धेरै भेरिएसनहरू छन् जसलाई फाइन ट्युन गर्न सकिन्छ।\n", "\n", diff --git a/translations/ne/lessons/5-NLP/19-NER/README.md b/translations/ne/lessons/5-NLP/19-NER/README.md index 5c1d02fa..2dd25021 100644 --- a/translations/ne/lessons/5-NLP/19-NER/README.md +++ b/translations/ne/lessons/5-NLP/19-NER/README.md @@ -58,7 +58,7 @@ infant | O किनकि हामीले टोकनहरू र वर्गहरू बीच एक-देखि-एक सम्बन्ध निर्माण गर्नुपर्छ, हामी यस चित्रबाट सही **many-to-many** न्यूरल नेटवर्क मोडेल प्रशिक्षण गर्न सक्छौं: -![सामान्य पुनरावर्ती न्यूरल नेटवर्क ढाँचाहरू देखाउने छवि।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.ne.jpg) +![सामान्य पुनरावर्ती न्यूरल नेटवर्क ढाँचाहरू देखाउने छवि।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.ne.jpg) > *[Andrej Karpathy](http://karpathy.github.io/) द्वारा [यो ब्लग पोस्ट](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) बाट छवि। NER टोकन वर्गीकरण मोडेलहरू यस चित्रको दायाँ-तर्फको नेटवर्क आर्किटेक्चरसँग मेल खान्छ।* diff --git a/translations/ne/lessons/5-NLP/README.md b/translations/ne/lessons/5-NLP/README.md index ed54b076..d7dca438 100644 --- a/translations/ne/lessons/5-NLP/README.md +++ b/translations/ne/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # प्राकृतिक भाषा प्रशोधन -![NLP कार्यहरूको सारांश](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.ne.png) +![NLP कार्यहरूको सारांश](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.ne.png) यस खण्डमा, हामी **प्राकृतिक भाषा प्रशोधन (NLP)** सम्बन्धित कार्यहरू समाधान गर्न न्युरल नेटवर्कहरू प्रयोग गर्ने कुरामा ध्यान केन्द्रित गर्नेछौं। कम्प्युटरले समाधान गर्नुपर्ने धेरै NLP समस्याहरू छन्: diff --git a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md index af4f60ca..63732728 100644 --- a/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/ne/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ NetLogo को एक उत्कृष्ट पक्ष यो हो कि मोडेल खोलिसकेपछि, तपाईंलाई मुख्य NetLogo स्क्रिनमा लगिन्छ। यहाँ सीमित स्रोतहरू (घाँस) दिइएको भेडा र ब्वाँसोको जनसंख्यालाई वर्णन गर्ने नमूना मोडेल छ। -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.ne.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.ne.png) > Dmitry Soshnikov द्वारा स्क्रिनशट diff --git a/translations/ne/lessons/README.md b/translations/ne/lessons/README.md index 1ec02c7b..a1de382e 100644 --- a/translations/ne/lessons/README.md +++ b/translations/ne/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # अवलोकन -![डुडलमा अवलोकन](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.ne.png) +![डुडलमा अवलोकन](../../../translated_images/ai-overview.0857791951d19500.ne.png) > स्केच नोट [Tomomi Imura](https://twitter.com/girlie_mac) द्वारा diff --git a/translations/ne/lessons/X-Extras/X1-MultiModal/README.md b/translations/ne/lessons/X-Extras/X1-MultiModal/README.md index 18b46b75..16f1aa32 100644 --- a/translations/ne/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/ne/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ NLP कार्यहरू समाधान गर्न ट्रान् CLIP को मुख्य विचार भनेको टेक्स्ट प्रम्प्टहरूलाई तस्बिरसँग तुलना गर्न र तस्बिरले प्रम्प्टसँग कत्तिको मेल खान्छ भनेर निर्धारण गर्न सक्षम हुनु हो। -![CLIP आर्किटेक्चर](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.ne.png) +![CLIP आर्किटेक्चर](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.ne.png) > *[यो ब्लग पोस्ट](https://openai.com/blog/clip/) बाट तस्बिर* @@ -31,7 +31,7 @@ CLIP मोडेल/लाइब्रेरी [OpenAI GitHub](https://github. मानौं हामीलाई तस्बिरहरूलाई बिरालो, कुकुर र मानिसहरू बीच वर्गीकरण गर्नुपर्छ। यस अवस्थामा, हामी मोडेललाई तस्बिर र टेक्स्ट प्रम्प्टहरूको श्रृंखला दिन सक्छौं: "*बिरालोको तस्बिर*", "*कुकुरको तस्बिर*", "*मानिसको तस्बिर*"। परिणामस्वरूप 3 सम्भावनाहरूको भेक्टरमा हामीले सबैभन्दा उच्च मान भएको इन्डेक्स चयन गर्नुपर्छ। -![इमेज क्लासिफिकेशनको लागि CLIP](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.ne.png) +![इमेज क्लासिफिकेशनको लागि CLIP](../../../../../translated_images/clip-class.3af42ef0b2b19369.ne.png) > *[यो ब्लग पोस्ट](https://openai.com/blog/clip/) बाट तस्बिर* @@ -55,13 +55,13 @@ VQGAN को बारेमा थप जान्न [Taming Transformers](htt VQGAN र पारम्परिक GAN बीचको महत्त्वपूर्ण भिन्नता भनेको पछिल्लोले कुनै पनि इनपुट भेक्टरबाट राम्रो तस्बिर उत्पादन गर्न सक्छ, जबकि VQGAN ले सुसंगत तस्बिर उत्पादन गर्न सक्दैन। त्यसैले, हामीले तस्बिर निर्माण प्रक्रियालाई थप मार्गदर्शन गर्न आवश्यक छ, र त्यो CLIP प्रयोग गरेर गर्न सकिन्छ। -![VQGAN+CLIP आर्किटेक्चर](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.ne.png) +![VQGAN+CLIP आर्किटेक्चर](../../../../../translated_images/vqgan.5027fe05051dfa31.ne.png) टेक्स्ट प्रम्प्टसँग मेल खाने तस्बिर निर्माण गर्न, हामी केही र्यान्डम इन्कोडिङ भेक्टरबाट सुरु गर्छौं जुन VQGAN मार्फत पास गरिन्छ र तस्बिर उत्पादन गरिन्छ। त्यसपछि CLIP प्रयोग गरेर लस फङ्क्सन उत्पादन गरिन्छ जसले तस्बिर टेक्स्ट प्रम्प्टसँग कत्तिको मेल खान्छ भनेर देखाउँछ। त्यसपछि यो लसलाई न्यूनतम बनाउने लक्ष्य राखिन्छ, ब्याक प्रोपोगेसन प्रयोग गरेर इनपुट भेक्टर प्यारामिटरहरू समायोजन गरिन्छ। VQGAN+CLIP कार्यान्वयन गर्ने उत्कृष्ट लाइब्रेरी [Pixray](http://github.com/pixray/pixray) हो। -![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.ne.png) | ![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.ne.png) | ![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.ne.png) +![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.ne.png) | ![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.ne.png) | ![Pixray द्वारा उत्पादन गरिएको तस्बिर](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.ne.png) ----|----|---- प्रम्प्ट *साहित्यको युवा पुरुष शिक्षकको पुस्तकसहितको नजिकको वाटरकलर पोर्ट्रेट* बाट उत्पन्न तस्बिर | प्रम्प्ट *कम्प्युटर विज्ञानको युवा महिला शिक्षकको कम्प्युटरसहितको नजिकको तेल पोर्ट्रेट* बाट उत्पन्न तस्बिर | प्रम्प्ट *गणितको वृद्ध पुरुष शिक्षकको ब्ल्याकबोर्ड अगाडि नजिकको तेल पोर्ट्रेट* बाट उत्पन्न तस्बिर diff --git a/translations/nl/README.md b/translations/nl/README.md index 597673ba..bd42ee73 100644 --- a/translations/nl/README.md +++ b/translations/nl/README.md @@ -1,8 +1,8 @@ -[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](./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) +[Arabisch](../ar/README.md) | [Bengaals](../bn/README.md) | [Bulgaars](../bg/README.md) | [Birmaans (Myanmar)](../my/README.md) | [Chinees (vereenvoudigd)](../zh/README.md) | [Chinees (traditioneel, Hongkong)](../hk/README.md) | [Chinees (traditioneel, Macau)](../mo/README.md) | [Chinees (traditioneel, Taiwan)](../tw/README.md) | [Kroatisch](../hr/README.md) | [Tsjechisch](../cs/README.md) | [Deens](../da/README.md) | [Nederlands](./README.md) | [Ests](../et/README.md) | [Fins](../fi/README.md) | [Frans](../fr/README.md) | [Duits](../de/README.md) | [Grieks](../el/README.md) | [Hebreeuws](../he/README.md) | [Hindi](../hi/README.md) | [Hongaars](../hu/README.md) | [Indonesisch](../id/README.md) | [Italiaans](../it/README.md) | [Japans](../ja/README.md) | [Kannada](../kn/README.md) | [Koreaans](../ko/README.md) | [Litouws](../lt/README.md) | [Maleis](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalees](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Noors](../no/README.md) | [Perzisch (Farsi)](../fa/README.md) | [Pools](../pl/README.md) | [Portugees (Brazilië)](../br/README.md) | [Portugees (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Roemeens](../ro/README.md) | [Russisch](../ru/README.md) | [Servisch (Cyrillisch)](../sr/README.md) | [Slowaaks](../sk/README.md) | [Sloveens](../sl/README.md) | [Spaans](../es/README.md) | [Swahili](../sw/README.md) | [Zweeds](../sv/README.md) | [Tagalog (Filipijns)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thais](../th/README.md) | [Turks](../tr/README.md) | [Oekraïens](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamees](../vi/README.md) -**Als u extra vertalingen wilt, staan de ondersteunde talen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**Als u extra vertalingen wenst, staan de ondersteunde talen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) vermeld** ## Doe mee met de community [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) @@ -48,46 +48,46 @@ Verken de wereld van **Artificial Intelligence** (AI) met ons 12 weken durende c In dit curriculum leer je: -* Verschillende benaderingen van kunstmatige intelligentie, waaronder de "goede oude" symbolische benadering met **kennisrepresentatie** en redeneren ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Neurale netwerken** en **Deep Learning**, die de kern vormen van moderne AI. We zullen de concepten achter deze belangrijke onderwerpen illustreren met code in twee van de populairste frameworks - [TensorFlow](http://Tensorflow.org) en [PyTorch](http://pytorch.org). -* **Neurale architecturen** voor het werken met afbeeldingen en tekst. We behandelen recente modellen maar kunnen iets achterlopen op de allerlaatste ontwikkelingen. -* Minder populaire AI-benaderingen, zoals **genetische algoritmen** en **multi-agentsystemen**. +* Verschillende benaderingen van Kunstmatige Intelligentie, waaronder de "goede oude" symbolische benadering met **Kennisrepresentatie** en redeneren ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Neurale netwerken** en **Deep Learning**, die de kern vormen van moderne AI. We illustreren de achterliggende concepten van deze belangrijke onderwerpen met code in twee van de populairste frameworks - [TensorFlow](http://Tensorflow.org) en [PyTorch](http://pytorch.org). +* **Neurale architecturen** voor het werken met afbeeldingen en tekst. We behandelen recente modellen, maar kunnen iets achterlopen op de allernieuwste ontwikkelingen. +* Minder populaire AI-benaderingen, zoals **Genetische algoritmen** en **Multi-agent systemen**. -Wat we niet zullen behandelen in dit curriculum: +Wat we niet behandelen in dit curriculum: > [Vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Zakelijke cases van het gebruik van **AI in het bedrijfsleven**. Overweeg het volgen van het leerpad [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) op Microsoft Learn, of [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ontwikkeld in samenwerking met [INSEAD](https://www.insead.edu/). -* **Klassieke machine learning**, dat goed beschreven staat in ons [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). -* Praktische AI-toepassingen gebouwd met **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Hiervoor raden we aan te beginnen met modules op Microsoft Learn voor [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** en anderen. -* Specifieke ML **cloudframeworks**, zoals [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), of [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overweeg het gebruik van de leerpaden [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) en [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). -* **Conversationele AI** en **chatbots**. Er is een apart leerpad [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), en u kunt ook verwijzen naar [dit blogbericht](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) voor meer details. -* **Diepe wiskunde** achter deep learning. Hiervoor raden we het boek [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) van Ian Goodfellow, Yoshua Bengio en Aaron Courville aan, dat ook online beschikbaar is op [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Zakelijke toepassingen van **AI in het bedrijfsleven**. Overweeg het volgen van het leerpad [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) op Microsoft Learn, of [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ontwikkeld in samenwerking met [INSEAD](https://www.insead.edu/). +* **Klassieke Machine Learning**, dat goed beschreven wordt in ons [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). +* Praktische AI-toepassingen gebouwd met **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Hiervoor raden we aan te beginnen met Microsoft Learn-modules voor [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** en anderen. +* Specifieke ML **cloudframeworks**, zoals [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), of [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overweeg de leerpaden [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) en [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). +* **Conversationele AI** en **chatbots**. Er is een apart leerpad [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), en je kunt ook naar [dit blogbericht](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) verwijzen voor meer details. +* **Diepe wiskunde** achter deep learning. Hiervoor raden we het boek [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) aan van Ian Goodfellow, Yoshua Bengio en Aaron Courville, dat ook online beschikbaar is op [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -Voor een zachte introductie tot onderwerpen rond _AI in de cloud_ kunt u het leerpad [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) overwegen. +Voor een zachte introductie in _AI in de cloud_ kun je overwegen het leerpad [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) te volgen. # Inhoud | | Leslink | PyTorch/Keras/TensorFlow | Lab | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [Cursusopzet](./lessons/0-course-setup/setup.md) | [Stel uw ontwikkelomgeving in](./lessons/0-course-setup/how-to-run.md) | | -| I | [**Introductie tot AI**](./lessons/1-Intro/README.md) | | | -| 01 | [Introductie en geschiedenis van AI](./lessons/1-Intro/README.md) | - | - | +| 0 | [Cursusopzet](./lessons/0-course-setup/setup.md) | [Stel je ontwikkelomgeving in](./lessons/0-course-setup/how-to-run.md) | | +| I | [**Inleiding tot AI**](./lessons/1-Intro/README.md) | | | +| 01 | [Inleiding en geschiedenis van AI](./lessons/1-Intro/README.md) | - | - | | II | **Symbolische AI** | -| 02 | [Kennisrepresentatie en expertsystemen](./lessons/2-Symbolic/README.md) | [Expertsystemen](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Conceptgrafiek](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | -| III | [**Introductie tot neurale netwerken**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notitieboek](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Meerlaagse Perceptron en het creëren van ons eigen framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notitieboek](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 02 | [Kennisrepresentatie en Expertsystemen](./lessons/2-Symbolic/README.md) | [Expertsystemen](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Conceptgrafiek](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| III | [**Inleiding in Neurale Netwerken**](./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 | [Meerlagig Perceptron en het maken van ons eigen 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 | [Introductie tot frameworks (PyTorch/TensorFlow) en overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**Computervisie**](./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)| [Ontdek Computer Vision op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [Introductie tot Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notitieboek](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| IV | [**Computervisie**](./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)| [Ontdek computervisie op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [Introductie tot computervisie. 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 | [Convolutionele neurale netwerken](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-architecturen](./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 | [Voorgetrainde netwerken en Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Trainingstrucs](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [Auto-encoders en VAE's](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [Generatieve adversariële netwerken & Artistieke stijltransfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 08 | [Voorgetrainde netwerken en transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Trainingtips](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [Autoencoders en VAE's](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [Generatieve adversariële netwerken & artistieke stijloverdracht](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | | 11 | [Objectdetectie](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [Semantische segmentatie. 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 | [**Natuurlijke taalverwerking**](./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) | [Ontdek Natuurlijke Taalverwerking op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| V | [**Natuurlijke taalverwerking**](./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) | [Ontdek natuurlijke taalverwerking op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [Tekstrepresentatie. 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 | [Semantische woord-embeddings. Word2Vec en 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 | [Taalmodellering. Het trainen van je eigen embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | @@ -95,128 +95,128 @@ Voor een zachte introductie tot onderwerpen rond _AI in de cloud_ kunt u het lee | 17 | [Generatieve recurrente netwerken](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | | 19 | [Herkenning van benoemde entiteiten](./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 | [Grote taalmodellen, prompt-programmering en few-shot taken](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 20 | [Grote taalmodellen, prompt-programmering en taken met weinig voorbeelden](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **Andere AI-technieken** || | -| 21 | [Genetische algoritmen](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notitieboek](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [Diepe versterkingsleren](./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 | [Multi-agent systemen](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| 21 | [Genetische algoritmen](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [Diepe versterkende leermethoden](./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 | [Multi-agentsystemen](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **AI-ethiek** | | | -| 24 | [AI-ethiek en Verantwoordelijke AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principes voor Verantwoordelijke AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 24 | [AI-ethiek en Verantwoorde AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principes voor Verantwoorde AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **Extra's** | | | -| 25 | [Multimodale netwerken, CLIP en VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notitieboek](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | +| 25 | [Multimodale netwerken, CLIP en VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## Elke les bevat * Vooraf te lezen materiaal -* Uitvoerbare Jupyter-notebooks, die vaak specifiek zijn voor het framework (**PyTorch** of **TensorFlow**). Het uitvoerbare notebook bevat ook veel theoretisch materiaal, dus om het onderwerp te begrijpen moet je minstens één versie van het notebook doornemen (ofwel PyTorch of TensorFlow). -* **Labs** beschikbaar voor sommige onderwerpen, waarmee je de kans krijgt om het geleerde toe te passen op een specifiek probleem. +* Uitvoerbare Jupyter Notebooks, die vaak specifiek zijn voor het framework (**PyTorch** of **TensorFlow**). Het uitvoerbare notebook bevat ook veel theoretisch materiaal, dus om het onderwerp te begrijpen moet je ten minste één versie van het notebook doornemen (ofwel PyTorch of TensorFlow). +* **Labs** beschikbaar voor sommige onderwerpen, die je de kans geven het geleerde toe te passen op een specifiek probleem. * Sommige secties bevatten links naar [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modules die gerelateerde onderwerpen behandelen. ## Aan de slag ### 🎯 Nieuw in AI? Begin hier! -Als je helemaal nieuw bent in AI en snelle, praktische voorbeelden wil, bekijk dan onze [**Beginnersvriendelijke Voorbeelden**](./examples/README.md)! Deze omvatten: +Als je helemaal nieuw bent in AI en snelle, praktische voorbeelden wilt, bekijk onze [**Voorbeelden voor beginners**](./examples/README.md)! Deze omvatten: - 🌟 **Hello AI World** - Je eerste AI-programma (patroonherkenning) -- 🧠 **Eenvoudig Neuraal Netwerk** - Bouw een neuraal netwerk vanaf nul -- 🖼️ **Afbeeldingsclassifier** - Classificeer afbeeldingen met gedetailleerde toelichtingen +- 🧠 **Eenvoudig neuraal netwerk** - Bouw een neuraal netwerk vanaf nul +- 🖼️ **Beeldclassificator** - Classificeer afbeeldingen met gedetailleerde opmerkingen - 💬 **Tekstsentiment** - Analyseer positieve/negatieve tekst These examples are designed to help you understand AI concepts before diving into the full curriculum. ### 📚 Volledige cursusopzet -- We have created a [setup-les](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - Voor docenten, we have created a [cursusopzetles](./lessons/0-course-setup/for-teachers.md) for you too! -- Hoe je de [code in VSCode of Codepace kunt uitvoeren](./lessons/0-course-setup/how-to-run.md) +- We have created a [instructieles](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [curriculumopzetles](./lessons/0-course-setup/for-teachers.md) for you too! +- Hoe [de code in VSCode of Codepace uit te voeren](./lessons/0-course-setup/how-to-run.md) -Volg deze stappen: +Follow these steps: -Fork de repository: Klik op de "Fork" knop in de rechterbovenhoek van deze pagina. +Fork the Repository: Click on the "Fork" button at the top-right corner of this page. -Clone de repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` +Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` -Vergeet niet deze repo te voorzien van een ster (🌟) zodat je hem later makkelijker terugvindt. +Don't forget to star (🌟) this repo to find it easier later. ## Ontmoet andere leerlingen -Word lid van onze [officiële AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) om andere cursisten van deze cursus te ontmoeten, te netwerken en ondersteuning te krijgen. +Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support. -Als je productfeedback of vragen hebt tijdens het bouwen bezoek ons [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) +If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## Quizzen +## Quizzes -> **Een opmerking over quizzen**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online hier](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized. +> **Een opmerking over quizzen**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized. -## Hulp gezocht +## Hulp gewenst -Heb je suggesties of spelling- of codefouten gevonden? Open een issue of maak een pull request. +Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request. ## Speciale dank * **✍️ Hoofdauteur:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 Redacteur:** [Jen Looper](https://twitter.com/jenlooper), PhD * **🎨 Sketchnote-illustrator:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ Maker van quizzen:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **✅ Quizmaker:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 Kernbijdragers:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## Andere curricula -Ons team maakt ook andere curricula! Bekijk: +Our team produces other curricula! Check out: ### LangChain -[![LangChain4j voor beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js voor beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j voor Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js voor Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD voor beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI voor beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP voor beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents voor beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD voor Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI voor Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP voor Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents voor Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generatieve AI-reeks -[![Generatieve AI voor beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generatieve AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generatieve AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generatieve AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generative AI Series +[![Generative AI voor Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### Kernonderwijs -[![ML voor beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science voor beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI voor beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity voor beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Webontwikkeling voor beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT voor beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR-ontwikkeling voor beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ML voor Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science voor Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI voor Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity voor Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev voor Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT voor Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development voor Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot-serie -[![Copilot voor AI-ondersteund programmeren](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot Series +[![Copilot voor AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot voor C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot-avontuur](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Hulp krijgen -Als je vastloopt of vragen hebt over het bouwen van AI-apps, sluit je aan bij medecursisten en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende community waar vragen welkom zijn en kennis vrij wordt gedeeld. +If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Als je productfeedback of fouten hebt tijdens het bouwen bezoek: +If you have product feedback or errors while building visit: -[![Microsoft Foundry Ontwikkelaarsforum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**Vrijwaring**: -Dit document is vertaald met behulp van de AI-vertalingsdienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we naar nauwkeurigheid streven, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onjuistheden kunnen bevatten. Het originele document in de brontaal moet als de gezaghebbende bron worden beschouwd. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. +**Disclaimer**: +Dit document is vertaald met behulp van de AI-vertalingsdienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel wij streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het oorspronkelijke document in de brontaal dient als gezaghebbende bron te worden beschouwd. Voor cruciale informatie wordt een professionele, door een mens uitgevoerde vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file diff --git a/translations/nl/lessons/1-Intro/README.md b/translations/nl/lessons/1-Intro/README.md index 8541cc3a..b4894e04 100644 --- a/translations/nl/lessons/1-Intro/README.md +++ b/translations/nl/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introductie tot AI -![Samenvatting van de inhoud van de introductie van AI in een schets](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.nl.png) +![Samenvatting van de inhoud van de introductie van AI in een schets](../../../../translated_images/ai-intro.bf28d1ac4235881c.nl.png) > Sketchnote door [Tomomi Imura](https://twitter.com/girlie_mac) @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Oorspronkelijk werden computers uitgevonden door [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) om met cijfers te werken volgens een goed gedefinieerde procedure - een algoritme. Moderne computers, hoewel aanzienlijk geavanceerder dan het oorspronkelijke model dat in de 19e eeuw werd voorgesteld, volgen nog steeds hetzelfde idee van gecontroleerde berekeningen. Het is dus mogelijk om een computer te programmeren om iets te doen als we de exacte reeks stappen kennen die nodig zijn om het doel te bereiken. -![Foto van een persoon](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.nl.png) +![Foto van een persoon](../../../../translated_images/dsh_age.d212a30d4e54fb5f.nl.png) > Foto door [Vickie Soshnikova](http://twitter.com/vickievalerie) @@ -46,7 +46,7 @@ Voor meer informatie, zie **[Algemene Kunstmatige Intelligentie](https://en.wiki Een van de problemen bij het omgaan met de term **[Intelligentie](https://en.wikipedia.org/wiki/Intelligence)** is dat er geen duidelijke definitie van deze term is. Men kan stellen dat intelligentie verbonden is met **abstract denken**, of met **zelfbewustzijn**, maar we kunnen het niet goed definiëren. -![Foto van een kat](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.nl.jpg) +![Foto van een kat](../../../../translated_images/photo-cat.8c8e8fb760ffe457.nl.jpg) > [Foto](https://unsplash.com/photos/75715CVEJhI) door [Amber Kipp](https://unsplash.com/@sadmax) van Unsplash @@ -98,13 +98,13 @@ Alternatief kunnen we proberen de eenvoudigste elementen in ons brein te modelle > | Wat betreft ML? | | > |--------------|-----------| -> | Een onderdeel van Kunstmatige Intelligentie dat gebaseerd is op het leren van een computer om een probleem op te lossen op basis van bepaalde data wordt **Machine Learning** genoemd. We zullen klassieke machine learning niet behandelen in deze cursus - we verwijzen je naar een aparte [Machine Learning voor Beginners](http://aka.ms/ml-beginners) curriculum. | ![ML voor Beginners](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.nl.png) | +> | Een onderdeel van Kunstmatige Intelligentie dat gebaseerd is op het leren van een computer om een probleem op te lossen op basis van bepaalde data wordt **Machine Learning** genoemd. We zullen klassieke machine learning niet behandelen in deze cursus - we verwijzen je naar een aparte [Machine Learning voor Beginners](http://aka.ms/ml-beginners) curriculum. | ![ML voor Beginners](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.nl.png) | ## Een korte geschiedenis van AI Kunstmatige Intelligentie begon als een vakgebied in het midden van de twintigste eeuw. Aanvankelijk was symbolisch redeneren een veelgebruikte benadering, en dit leidde tot een aantal belangrijke successen, zoals expertsystemen – computerprogramma's die als expert konden optreden in enkele beperkte probleemdomeinen. Het werd echter al snel duidelijk dat deze benadering niet goed schaalbaar is. Het extraheren van kennis van een expert, het representeren ervan in een computer en het nauwkeurig houden van die kennisbank blijkt een zeer complexe taak te zijn, en te duur om in veel gevallen praktisch te zijn. Dit leidde tot de zogenaamde [AI Winter](https://en.wikipedia.org/wiki/AI_winter) in de jaren '70. -Korte geschiedenis van AI +Korte geschiedenis van AI > Afbeelding door [Dmitry Soshnikov](http://soshnikov.com) @@ -124,7 +124,7 @@ Evenzo kunnen we zien hoe de benadering van het creëren van "sprekende programm * Moderne assistenten, zoals Cortana, Siri of Google Assistant, zijn allemaal hybride systemen die neurale netwerken gebruiken om spraak om te zetten in tekst en onze intentie te herkennen, en vervolgens enige redenering of expliciete algoritmen gebruiken om de vereiste acties uit te voeren. * In de toekomst kunnen we een volledig neurale model verwachten dat zelf een dialoog kan afhandelen. De recente GPT- en [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) familie van neurale netwerken tonen hierin grote successen. -de evolutie van de Turing-test +de evolutie van de Turing-test > Afbeelding door Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) door [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash ## Recente AI-onderzoeken diff --git a/translations/nl/lessons/2-Symbolic/Animals.ipynb b/translations/nl/lessons/2-Symbolic/Animals.ipynb index eb32e71e..a4a75b1d 100644 --- a/translations/nl/lessons/2-Symbolic/Animals.ipynb +++ b/translations/nl/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "In dit voorbeeld implementeren we een eenvoudig kennisgebaseerd systeem om een dier te bepalen op basis van enkele fysieke kenmerken. Het systeem kan worden weergegeven door de volgende AND-OR-boom (dit is een deel van de volledige boom, we kunnen eenvoudig meer regels toevoegen):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.nl.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.nl.png)\n" ] }, { diff --git a/translations/nl/lessons/2-Symbolic/README.md b/translations/nl/lessons/2-Symbolic/README.md index 4aab8b02..f41f9ac1 100644 --- a/translations/nl/lessons/2-Symbolic/README.md +++ b/translations/nl/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Kennisrepresentatie en Expertsystemen -![Samenvatting van Symbolische AI-inhoud](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.nl.png) +![Samenvatting van Symbolische AI-inhoud](../../../../translated_images/ai-symbolic.715a30cb610411a6.nl.png) > Sketchnote door [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +41,7 @@ Meestal definiëren we kennis niet strikt, maar brengen we het in lijn met ander Het probleem van **kennisrepresentatie** is dus om een effectieve manier te vinden om kennis binnen een computer in de vorm van data te representeren, zodat het automatisch bruikbaar is. Dit kan worden gezien als een spectrum: -![Spectrum van kennisrepresentatie](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.nl.png) +![Spectrum van kennisrepresentatie](../../../../translated_images/knowledge-spectrum.b60df631852c0217.nl.png) > Afbeelding door [Dmitry Soshnikov](http://soshnikov.com) @@ -94,7 +94,7 @@ Blok-syntaxis | Inspringing | | | Een van de vroege successen van symbolische AI waren de zogenaamde **expertsystemen** - computersystemen die waren ontworpen om als expert te functioneren in een beperkt probleemgebied. Ze waren gebaseerd op een **kennisbasis** die was geëxtraheerd van een of meer menselijke experts, en ze bevatten een **inferentie-engine** die enige redenering uitvoerde bovenop deze basis. -![Menselijke Architectuur](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.nl.png) | ![Kennisgebaseerd Systeem](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.nl.png) +![Menselijke Architectuur](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.nl.png) | ![Kennisgebaseerd Systeem](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.nl.png) ---------------------------------------------|------------------------------------------------ Vereenvoudigde structuur van een menselijk neuraal systeem | Architectuur van een kennisgebaseerd systeem @@ -106,7 +106,7 @@ Expertsystemen zijn gebouwd zoals het menselijke redeneersysteem, dat **korteter Als voorbeeld bekijken we het volgende expertsysteem om een dier te bepalen op basis van zijn fysieke kenmerken: -![AND-OR Boom](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.nl.png) +![AND-OR Boom](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.nl.png) > Afbeelding door [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index 2f8aff37..a19bd918 100644 --- a/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/nl/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1259,7 +1259,7 @@ "* Lage trainingsfout - het model kan trainingsdata goed benaderen, omdat het voldoende expressieve kracht heeft.\n", "* Validatiefout kan veel hoger zijn dan de trainingsfout en kan tijdens het trainen beginnen te stijgen - dit komt doordat het model de trainingspunten \"onthoudt\" en het \"overzicht\" verliest.\n", "\n", - "![Overfitting](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.nl.png)\n", + "![Overfitting](../../../../../translated_images/overfit.a0bd57f717c15769.nl.png)\n", "\n", "> Op deze afbeelding staat `x` voor trainingsdata, `o` voor validatiedata. Links - lineair model (één laag), het benadert de aard van de data redelijk goed. Rechts - overfitted model, het model benadert de trainingsdata perfect, maar verliest betekenis bij andere data (validatiefout is erg hoog).\n" ] diff --git a/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md index dff9b813..53b838f1 100644 --- a/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ Overfitting is een uiterst belangrijk concept in machine learning, en het is ess Bekijk het volgende probleem van het benaderen van 5 punten (weergegeven door `x` op de grafieken hieronder): -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.nl.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.nl.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.nl.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.nl.jpg) -------------------------|-------------------------- **Lineair model, 2 parameters** | **Niet-lineair model, 7 parameters** Trainingsfout = 5.3 | Trainingsfout = 0 @@ -79,7 +79,7 @@ Het is erg belangrijk om een juiste balans te vinden tussen de rijkdom van het m Zoals je kunt zien op de bovenstaande grafiek, kan overfitting worden gedetecteerd door een zeer lage trainingsfout en een hoge validatiefout. Normaal gesproken zien we tijdens het trainen zowel de trainings- als validatiefouten afnemen, en op een gegeven moment kan de validatiefout stoppen met afnemen en beginnen te stijgen. Dit is een teken van overfitting en een indicatie dat we waarschijnlijk op dit punt moeten stoppen met trainen (of op zijn minst een snapshot van het model moeten maken). -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.nl.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.nl.png) ## Hoe overfitting te voorkomen diff --git a/translations/nl/lessons/3-NeuralNetworks/README.md b/translations/nl/lessons/3-NeuralNetworks/README.md index 391df2b4..f064ce52 100644 --- a/translations/nl/lessons/3-NeuralNetworks/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introductie tot Neurale Netwerken -![Samenvatting van de inhoud van Intro Neural Networks in een schets](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.nl.png) +![Samenvatting van de inhoud van Intro Neural Networks in een schets](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.nl.png) Zoals we in de introductie hebben besproken, is een van de manieren om intelligentie te bereiken het trainen van een **computermodel** of een **kunstmatig brein**. Sinds het midden van de 20e eeuw hebben onderzoekers verschillende wiskundige modellen geprobeerd, totdat deze richting in de afgelopen jaren enorm succesvol bleek te zijn. Dergelijke wiskundige modellen van het brein worden **neurale netwerken** genoemd. @@ -36,13 +36,13 @@ In dit curriculum richten we ons uitsluitend op neurale netwerkmodellen. Uit de biologie weten we dat ons brein bestaat uit neurale cellen (neuronen), die elk meerdere "inputs" (dendrieten) en een enkele "output" (axon) hebben. Zowel dendrieten als axonen kunnen elektrische signalen geleiden, en de verbindingen daartussen — bekend als synapsen — kunnen verschillende graden van geleiding vertonen, die worden gereguleerd door neurotransmitters. -![Model van een Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.nl.jpg) | ![Model van een Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.nl.png) +![Model van een Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.nl.jpg) | ![Model van een Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f.nl.png) ----|---- Echt Neuron *([Afbeelding](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) van Wikipedia)* | Kunstmatig Neuron *(Afbeelding door Auteur)* Het eenvoudigste wiskundige model van een neuron bevat dus meerdere inputs X1, ..., XN en een output Y, en een reeks gewichten W1, ..., WN. Een output wordt berekend als: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) waarbij f een niet-lineaire **activatiefunctie** is. diff --git a/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md index 7ef1fada..e946ee8b 100644 --- a/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/nl/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ In ons [OpenCV Notebook](OpenCV.ipynb) geven we enkele voorbeelden van wanneer c * **Voorbewerking van een foto van een Braille-boek**. We richten ons op hoe we thresholding, kenmerkdetectie, perspectieftransformatie en NumPy-manipulaties kunnen gebruiken om individuele Braille-symbolen te scheiden voor verdere classificatie door een neuraal netwerk. -![Braille Afbeelding](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.nl.jpeg) | ![Braille Afbeelding Voorbewerkt](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.nl.png) | ![Braille Symbolen](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.nl.png) +![Braille Afbeelding](../../../../../translated_images/braille.341962ff76b1bd70.nl.jpeg) | ![Braille Afbeelding Voorbewerkt](../../../../../translated_images/braille-result.46530fea020b03c7.nl.png) | ![Braille Symbolen](../../../../../translated_images/braille-symbols.0159185ab69d5339.nl.png) ----|-----|----- > Afbeelding uit [OpenCV.ipynb](OpenCV.ipynb) * **Beweging detecteren in video met behulp van frameverschillen**. Als de camera vast staat, zouden frames van de camerafeed vrij vergelijkbaar met elkaar moeten zijn. Omdat frames worden weergegeven als arrays, krijg je door die arrays van twee opeenvolgende frames van elkaar af te trekken het pixelverschil, dat laag zou moeten zijn voor statische frames, en hoger wordt zodra er aanzienlijke beweging in de afbeelding is. -![Afbeelding van videoframes en frameverschillen](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.nl.png) +![Afbeelding van videoframes en frameverschillen](../../../../../translated_images/frame-difference.706f805491a0883c.nl.png) > Afbeelding uit [OpenCV.ipynb](OpenCV.ipynb) @@ -89,7 +89,7 @@ In ons [OpenCV Notebook](OpenCV.ipynb) geven we enkele voorbeelden van wanneer c - **Dense Optical Flow** berekent het vectorveld dat voor elke pixel laat zien waar deze naartoe beweegt. - **Sparse Optical Flow** is gebaseerd op het nemen van enkele onderscheidende kenmerken in de afbeelding (bijv. randen) en het opbouwen van hun traject van frame tot frame. -![Afbeelding van Optische Stroom](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.nl.png) +![Afbeelding van Optische Stroom](../../../../../translated_images/optical.1f4a94464579a83a.nl.png) > Afbeelding uit [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index e37839d2..24e49509 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 is een netwerk dat in 2014 een nauwkeurigheid van 92,7% behaalde in de ImageNet top-5 classificatie. Het heeft de volgende laagstructuur: -![ImageNet Lagen](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.nl.jpg) +![ImageNet Lagen](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.nl.jpg) Zoals je kunt zien, volgt VGG een traditionele piramide-architectuur, wat een opeenvolging is van convolutie- en poolinglagen. -![ImageNet Piramide](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.nl.jpg) +![ImageNet Piramide](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.nl.jpg) > Afbeelding van [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index b8c4abfa..a96d3eb9 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -260,7 +260,7 @@ "\n", "In een typische CNN zijn er dus meerdere convolutionele lagen, met pooling-lagen ertussen om de afmetingen van de afbeelding te verkleinen. We zouden ook het aantal filters verhogen, omdat er, naarmate patronen complexer worden, meer mogelijke interessante combinaties zijn waar we naar moeten zoeken.\n", "\n", - "![Een afbeelding die meerdere convolutionele lagen met pooling-lagen toont.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.nl.png)\n", + "![Een afbeelding die meerdere convolutionele lagen met pooling-lagen toont.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.nl.png)\n", "\n", "Vanwege de afnemende ruimtelijke afmetingen en toenemende kenmerken/filters wordt deze architectuur ook wel **piramide-architectuur** genoemd.\n" ] diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index 5078a218..1dccf55b 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -360,7 +360,7 @@ "\n", "In een typische CNN zijn er dus meerdere convolutionele lagen, met pooling-lagen ertussen om de afmetingen van de afbeelding te verkleinen. We zouden ook het aantal filters verhogen, omdat er naarmate patronen geavanceerder worden, meer mogelijke interessante combinaties zijn waar we naar moeten zoeken.\n", "\n", - "![Een afbeelding die verschillende convolutionele lagen met pooling-lagen toont.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.nl.png)\n", + "![Een afbeelding die verschillende convolutionele lagen met pooling-lagen toont.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.nl.png)\n", "\n", "Vanwege de afnemende ruimtelijke dimensies en toenemende feature-/filterdimensies wordt deze architectuur ook wel **piramide-architectuur** genoemd.\n" ] diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md index 4f449935..aa4838a9 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ In het echte leven willen we objecten op een afbeelding kunnen herkennen, ongeac Om patronen te extraheren, maken we gebruik van het concept van **convolutionele filters**. Zoals je weet, wordt een afbeelding weergegeven door een 2D-matrix, of een 3D-tensor met kleurendiepte. Het toepassen van een filter betekent dat we een relatief kleine **filterkernel**-matrix nemen, en voor elke pixel in de originele afbeelding het gewogen gemiddelde berekenen met naburige punten. Dit kun je zien als een klein venster dat over de hele afbeelding schuift en alle pixels gemiddeld volgens de gewichten in de filterkernel-matrix. -![Verticaal Randfilter](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.nl.png) | ![Horizontaal Randfilter](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.nl.png) +![Verticaal Randfilter](../../../../../translated_images/filter-vert.b7148390ca0bc356.nl.png) | ![Horizontaal Randfilter](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.nl.png) ----|---- > Afbeelding door Dmitry Soshnikov @@ -38,7 +38,7 @@ De werking van CNN's is gebaseerd op de volgende belangrijke ideeën: * We kunnen het netwerk zo ontwerpen dat de filters automatisch worden getraind. * We kunnen dezelfde aanpak gebruiken om patronen te vinden in hoog-niveau kenmerken, niet alleen in de originele afbeelding. Hierdoor werkt de CNN-functie-extractie op een hiërarchie van kenmerken, beginnend bij laag-niveau pixelcombinaties tot hoog-niveau combinaties van afbeeldingsonderdelen. -![Hiërarchische Functie-extractie](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.nl.png) +![Hiërarchische Functie-extractie](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.nl.png) > Afbeelding uit [een paper van Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), gebaseerd op [hun onderzoek](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) @@ -55,9 +55,9 @@ De meeste CNN's die worden gebruikt voor beeldverwerking volgen een zogenaamde p Als voorbeeld bekijken we de architectuur van VGG-16, een netwerk dat in 2014 een nauwkeurigheid van 92,7% behaalde in de top-5 classificatie van ImageNet: -![ImageNet Lagen](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.nl.jpg) +![ImageNet Lagen](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.nl.jpg) -![ImageNet Piramide](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.nl.jpg) +![ImageNet Piramide](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.nl.jpg) > Afbeelding van [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) diff --git a/translations/nl/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/nl/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 6005fe1a..4a939959 100644 --- a/translations/nl/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/nl/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ Je moet een convolutioneel neuraal netwerk trainen om verschillende rassen van k We gebruiken de [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), die afbeeldingen bevat van 37 verschillende rassen van honden en katten. -![Dataset waarmee we werken](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.nl.png) +![Dataset waarmee we werken](../../../../../../translated_images/data.50b2a9d5484bdbf0.nl.png) Om de dataset te downloaden, gebruik deze codefragment: diff --git a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 6ca9cfc1..e219a290 100644 --- a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "Om de ideale kat te visualiseren, beginnen we met een willekeurige ruisafbeelding en proberen we de optimalisatietechniek van gradient descent te gebruiken om de afbeelding aan te passen zodat een netwerk een kat herkent.\n", "\n", - "![Optimalisatie Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.nl.png)\n", + "![Optimalisatie Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.nl.png)\n", "\n", "Hier is onze startafbeelding:\n" ] diff --git a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md index de8ba40e..3a11023c 100644 --- a/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/nl/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Zowel Keras als PyTorch bevatten functies om eenvoudig voorgetrainde neurale net Hier zijn voorbeeldkenmerken die door een VGG-16 netwerk uit een afbeelding van een kat zijn gehaald: -![Kenmerken geëxtraheerd door VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.nl.png) +![Kenmerken geëxtraheerd door VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.nl.png) ## Cats vs. Dogs Dataset @@ -48,19 +48,19 @@ Een voorgetraind neuraal netwerk bevat verschillende patronen in zijn *brein*, w Een aanpak die we kunnen nemen is om te beginnen met een willekeurige afbeelding en vervolgens de techniek van **gradient descent optimalisatie** te gebruiken om die afbeelding zo aan te passen dat het netwerk begint te denken dat het een kat is. -![Afbeelding Optimalisatie Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.nl.png) +![Afbeelding Optimalisatie Loop](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.nl.png) Als we dit doen, krijgen we echter iets dat erg lijkt op willekeurige ruis. Dit komt omdat *er veel manieren zijn om een netwerk te laten denken dat de invoerafbeelding een kat is*, inclusief enkele die visueel geen zin hebben. Hoewel deze afbeeldingen veel patronen bevatten die typisch zijn voor een kat, is er niets dat hen dwingt visueel onderscheidend te zijn. Om het resultaat te verbeteren, kunnen we een andere term toevoegen aan de verliesfunctie, genaamd **variation loss**. Dit is een maatstaf die aangeeft hoe vergelijkbaar naburige pixels van de afbeelding zijn. Het minimaliseren van variation loss maakt de afbeelding gladder en verwijdert ruis, waardoor meer visueel aantrekkelijke patronen zichtbaar worden. Hier is een voorbeeld van dergelijke "ideale" afbeeldingen, die met hoge waarschijnlijkheid als kat en als zebra worden geclassificeerd: -![Ideale Kat](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.nl.png) | ![Ideale Zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.nl.png) +![Ideale Kat](../../../../../translated_images/ideal-cat.203dd4597643d6b0.nl.png) | ![Ideale Zebra](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.nl.png) -----|----- *Ideale Kat* | *Ideale Zebra* Een soortgelijke aanpak kan worden gebruikt om zogenaamde **adversarial attacks** op een neuraal netwerk uit te voeren. Stel dat we een neuraal netwerk willen misleiden en een hond eruit willen laten zien als een kat. Als we een afbeelding van een hond nemen, die door een netwerk wordt herkend als een hond, kunnen we deze vervolgens een beetje aanpassen met behulp van gradient descent optimalisatie, totdat het netwerk deze begint te classificeren als een kat: -![Afbeelding van een Hond](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.nl.png) | ![Afbeelding van een hond geclassificeerd als een kat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.nl.png) +![Afbeelding van een Hond](../../../../../translated_images/original-dog.8f68a67d2fe0911f.nl.png) | ![Afbeelding van een hond geclassificeerd als een kat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.nl.png) -----|----- *Originele afbeelding van een hond* | *Afbeelding van een hond geclassificeerd als een kat* diff --git a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index 4563b9f9..82f7e0a8 100644 --- a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "Omdat we de autoencoder trainen om zoveel mogelijk informatie uit de originele afbeelding vast te leggen voor een nauwkeurige reconstructie, probeert het netwerk de beste **embedding** van invoerafbeeldingen te vinden om de betekenis vast te leggen.\n", "\n", - "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.nl.jpg)\n", + "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.nl.jpg)\n", "\n", "> Afbeelding afkomstig van [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index dd0f1c67..09766a5c 100644 --- a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -19,7 +19,7 @@ "\n", "Omdat we de autoencoder trainen om zoveel mogelijk informatie uit de originele afbeelding vast te leggen voor een nauwkeurige reconstructie, probeert het netwerk de beste **embedding** van inputafbeeldingen te vinden om de betekenis te vatten.\n", "\n", - "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.nl.jpg)\n", + "![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.nl.jpg)\n", "\n", "*Afbeelding afkomstig van [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md index 9efd6adc..23e9285d 100644 --- a/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/nl/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ We willen echter mogelijk ruwe (ongelabelde) data gebruiken om CNN-feature extra Omdat we een autoencoder trainen om zoveel mogelijk informatie uit de originele afbeelding vast te leggen voor een nauwkeurige reconstructie, probeert het netwerk de beste **embedding** van invoerafbeeldingen te vinden om de betekenis vast te leggen. -![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.nl.jpg) +![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.nl.jpg) > Afbeelding van [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md index 0402592b..e86f0539 100644 --- a/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/nl/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ De beeldclassificatiemodellen die we tot nu toe hebben behandeld, namen een afbe ## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![Objectdetectie](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.nl.png) +![Objectdetectie](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.nl.png) > Afbeelding van [YOLO v2 website](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ Stel dat we een kat op een afbeelding willen vinden, een zeer eenvoudige aanpak 2. Voer beeldclassificatie uit op elke tegel. 3. De tegels die een voldoende hoge activatie opleveren, kunnen worden beschouwd als tegels die het betreffende object bevatten. -![Eenvoudige objectdetectie](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.nl.png) +![Eenvoudige objectdetectie](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.nl.png) > *Afbeelding uit [Exercise Notebook](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ Je kunt de volgende datasets tegenkomen voor deze taak: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 klassen * [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 klassen, begrenzingskaders en segmentatiemaskers -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.nl.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.nl.jpg) ## Objectdetectie-metrics @@ -50,7 +50,7 @@ Je kunt de volgende datasets tegenkomen voor deze taak: Bij beeldclassificatie is het eenvoudig om te meten hoe goed het algoritme presteert, maar bij objectdetectie moeten we zowel de juistheid van de klasse als de precisie van de voorspelde locatie van het begrenzingskader meten. Voor dat laatste gebruiken we de zogenaamde **Intersection over Union** (IoU), die meet hoe goed twee kaders (of twee willekeurige gebieden) overlappen. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.nl.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.nl.png) > *Figuur 2 uit [deze uitstekende blogpost over IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ Er zijn twee brede categorieën van objectdetectie-algoritmen: [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) gebruikt [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) om een hiërarchische structuur van ROI-regio's te genereren, die vervolgens door CNN-feature extractors en SVM-classificators worden geleid om de objectklasse te bepalen, en lineaire regressie om de coördinaten van *begrenzingskaders* te bepalen. [Officiële paper](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.nl.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.nl.png) > *Afbeelding van van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.nl.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.nl.png) > *Afbeeldingen uit [deze blog](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ Er zijn twee brede categorieën van objectdetectie-algoritmen: Deze aanpak lijkt op R-CNN, maar regio's worden gedefinieerd nadat convolutielagen zijn toegepast. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.nl.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.nl.png) > Afbeelding uit [de officiële paper](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015 @@ -118,7 +118,7 @@ Deze aanpak lijkt op R-CNN, maar regio's worden gedefinieerd nadat convolutielag Het belangrijkste idee van deze aanpak is om een neuraal netwerk te gebruiken om ROI's te voorspellen - de zogenaamde *Region Proposal Network*. [Paper](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.nl.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.nl.png) > Afbeelding uit [de officiële paper](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ Dit algoritme is zelfs sneller dan Faster R-CNN. Het belangrijkste idee is als v 2. Features worden verwerkt door **Position-Sensitive Score Map**. Elk object uit $C$ klassen wordt verdeeld in $k\times k$ regio's, en we trainen om delen van objecten te voorspellen. 3. Voor elk deel uit $k\times k$ regio's stemmen alle netwerken op objectklassen, en de objectklasse met de meeste stemmen wordt geselecteerd. -![r-fcn afbeelding](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.nl.png) +![r-fcn afbeelding](../../../../../translated_images/r-fcn.13eb88158b99a3da.nl.png) > Afbeelding uit [officiële paper](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO is een realtime one-pass algoritme. Het belangrijkste idee is als volgt: * De afbeelding wordt verdeeld in $S\times S$ regio's. * Voor elke regio voorspelt **CNN** $n$ mogelijke objecten, *begrenzingskader*-coördinaten en *vertrouwen*=*waarschijnlijkheid* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.nl.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.nl.png) > Afbeelding uit [officiële paper](https://arxiv.org/abs/1506.02640) diff --git a/translations/nl/lessons/4-ComputerVision/README.md b/translations/nl/lessons/4-ComputerVision/README.md index 086ff681..e947acce 100644 --- a/translations/nl/lessons/4-ComputerVision/README.md +++ b/translations/nl/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Computer Vision -![Samenvatting van Computer Vision-inhoud in een schets](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.nl.png) +![Samenvatting van Computer Vision-inhoud in een schets](../../../../translated_images/ai-computervision.6506ebebac3fbf76.nl.png) In deze sectie leren we over: diff --git a/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index acbdbc62..78a30d2a 100644 --- a/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "**Zak met Woorden** (BoW) vectorrepresentatie is de meest gebruikte traditionele vectorrepresentatie. Elk woord is gekoppeld aan een vectorindex, en het vectorelement bevat het aantal keren dat een woord voorkomt in een bepaald document.\n", "\n", - "![Afbeelding die laat zien hoe een zak met woorden vectorrepresentatie in het geheugen wordt weergegeven.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.nl.png) \n", + "![Afbeelding die laat zien hoe een zak met woorden vectorrepresentatie in het geheugen wordt weergegeven.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.nl.png) \n", "\n", "> **Note**: Je kunt BoW ook zien als de som van alle one-hot-gecodeerde vectoren voor individuele woorden in de tekst.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index bd807808..16b78961 100644 --- a/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/nl/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "**Bag-of-words** (BoW) vectorrepresentatie is de meest eenvoudige traditionele vectorrepresentatie om te begrijpen. Elk woord is gekoppeld aan een vectorindex, en een element in de vector bevat het aantal keren dat elk woord voorkomt in een bepaald document.\n", "\n", - "![Afbeelding die laat zien hoe een bag-of-words vectorrepresentatie in het geheugen wordt weergegeven.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.nl.png) \n", + "![Afbeelding die laat zien hoe een bag-of-words vectorrepresentatie in het geheugen wordt weergegeven.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.nl.png) \n", "\n", "> **Note**: Je kunt BoW ook zien als de som van alle one-hot-gecodeerde vectoren voor individuele woorden in de tekst.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index 7e865b67..ff22c84b 100644 --- a/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "Door een embedding-laag als eerste laag in ons netwerk te gebruiken, kunnen we overschakelen van een bag-of-words naar een **embedding bag**-model, waarbij we eerst elk woord in onze tekst omzetten naar de bijbehorende embedding en vervolgens een aggregatiefunctie toepassen op al deze embeddings, zoals `sum`, `average` of `max`.\n", "\n", - "![Afbeelding die een embedding-classificator toont voor vijf sequentiewoorden.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.nl.png)\n", + "![Afbeelding die een embedding-classificator toont voor vijf sequentiewoorden.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.nl.png)\n", "\n", "Ons classifier-neuraal netwerk zal beginnen met een embedding-laag, gevolgd door een aggregatielaag en een lineaire classifier bovenop:\n" ] @@ -176,7 +176,7 @@ "\n", "In de vorige architectuur moesten we alle sequenties op dezelfde lengte opvullen om ze in een minibatch te passen. Dit is niet de meest efficiënte manier om sequenties met variabele lengte te representeren - een andere aanpak zou zijn om een **offset**-vector te gebruiken, die de offsets van alle sequenties in één grote vector bevat.\n", "\n", - "![Afbeelding die een offset-sequentierepresentatie toont](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.nl.png)\n", + "![Afbeelding die een offset-sequentierepresentatie toont](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.nl.png)\n", "\n", "> **Note**: Op de afbeelding hierboven tonen we een sequentie van karakters, maar in ons voorbeeld werken we met sequenties van woorden. Het algemene principe van het representeren van sequenties met een offset-vector blijft echter hetzelfde.\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW is sneller, terwijl skip-gram langzamer is, maar beter presteert bij het representeren van zeldzame woorden.\n", "\n", - "![Afbeelding die zowel CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren te converteren.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.nl.png)\n", + "![Afbeelding die zowel CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren te converteren.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.nl.png)\n", "\n", "Om te experimenteren met Word2Vec-embedding die is voorgetraind op de Google News dataset, kunnen we de **gensim**-bibliotheek gebruiken. Hieronder vinden we de woorden die het meest lijken op 'neural'.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index fc7796d7..6236f2e3 100644 --- a/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/nl/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "Door een embedding-laag als de eerste laag in ons netwerk te gebruiken, kunnen we overschakelen van een bag-of-words-model naar een **embedding bag**-model, waarbij we eerst elk woord in onze tekst omzetten naar de bijbehorende embedding en vervolgens een aggregatiefunctie toepassen op al deze embeddings, zoals `sum`, `average` of `max`.\n", "\n", - "![Afbeelding die een embedding-classificator toont voor vijf sequentiewoorden.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.nl.png)\n", + "![Afbeelding die een embedding-classificator toont voor vijf sequentiewoorden.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.nl.png)\n", "\n", "Ons classifier-neuraal netwerk bestaat uit de volgende lagen:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW is sneller, terwijl skip-gram langzamer is, maar beter presteert bij het representeren van zeldzame woorden.\n", "\n", - "![Afbeelding die zowel de CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren om te zetten.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.nl.png)\n", + "![Afbeelding die zowel de CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren om te zetten.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.nl.png)\n", "\n", "Om te experimenteren met de Word2Vec-embedding die vooraf is getraind op de Google News-dataset, kunnen we de **gensim**-bibliotheek gebruiken. Hieronder vinden we de woorden die het meest lijken op 'neural'.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/14-Embeddings/README.md b/translations/nl/lessons/5-NLP/14-Embeddings/README.md index 8e97415e..3af06c56 100644 --- a/translations/nl/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/nl/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ De embeddinglaag neemt een woord als invoer en produceert een uitvoervector met Door een embeddinglaag als eerste laag in ons classifier-netwerk te gebruiken, kunnen we overschakelen van een bag-of-words naar een **embedding bag** model, waarbij we eerst elk woord in onze tekst omzetten in de bijbehorende embedding, en vervolgens een aggregatiefunctie berekenen over al deze embeddings, zoals `sum`, `average` of `max`. -![Afbeelding die een embedding classifier toont voor vijf woorden in een reeks.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.nl.png) +![Afbeelding die een embedding classifier toont voor vijf woorden in een reeks.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.nl.png) > Afbeelding door de auteur @@ -40,7 +40,7 @@ Om dit te bereiken, moeten we ons embeddingmodel op een grote tekstcollectie op CBoW is sneller, terwijl skip-gram langzamer is, maar beter presteert bij het representeren van zeldzame woorden. -![Afbeelding die zowel de CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren te converteren.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.nl.png) +![Afbeelding die zowel de CBoW- als Skip-Gram-algoritmen toont om woorden naar vectoren te converteren.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.nl.png) > Afbeelding uit [dit artikel](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md b/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md index e460a2ff..1b9482f4 100644 --- a/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/nl/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ In onze eerdere voorbeelden hebben we gebruik gemaakt van vooraf getrainde seman * **Continuous Bag-of-Words** (CBoW), waarbij we het middelste token $W_0$ voorspellen in een reeks tokens $W_{-N}$, ..., $W_N$. * **Skip-gram**, waarbij we een set van naburige tokens {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} voorspellen vanuit het middelste token $W_0$. -![afbeelding uit paper over het converteren van woorden naar vectoren](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.nl.png) +![afbeelding uit paper over het converteren van woorden naar vectoren](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.nl.png) > Afbeelding uit [deze paper](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/nl/lessons/5-NLP/16-RNN/README.md b/translations/nl/lessons/5-NLP/16-RNN/README.md index a8547fdf..d7e704b8 100644 --- a/translations/nl/lessons/5-NLP/16-RNN/README.md +++ b/translations/nl/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ In de vorige secties hebben we gebruik gemaakt van rijke semantische representat Om de betekenis van een tekstsequentie vast te leggen, moeten we een andere neurale netwerkarchitectuur gebruiken, genaamd een **recurrent neural network**, of RNN. In een RNN sturen we onze zin één symbool tegelijk door het netwerk, en het netwerk produceert een **toestand**, die we vervolgens weer doorgeven aan het netwerk samen met het volgende symbool. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.nl.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.nl.png) > Afbeelding door de auteur @@ -61,7 +61,7 @@ We hebben recurrente netwerken besproken die in één richting werken, van het b Een recurrent netwerk, of het nu éénrichtings of bidirectioneel is, legt bepaalde patronen binnen een sequentie vast en kan deze opslaan in een toestandsvector of doorgeven aan de uitvoer. Net zoals bij convolutionele netwerken, kunnen we een andere recurrente laag bovenop de eerste bouwen om hogere niveau patronen vast te leggen en te bouwen op laag-niveau patronen die door de eerste laag zijn geëxtraheerd. Dit leidt ons naar het concept van een **multi-layer RNN**, die bestaat uit twee of meer recurrente netwerken, waarbij de uitvoer van de vorige laag wordt doorgegeven aan de volgende laag als invoer. -![Afbeelding van een multilayer long-short-term-memory RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.nl.jpg) +![Afbeelding van een multilayer long-short-term-memory RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.nl.jpg) *Afbeelding uit [dit geweldige artikel](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) door Fernando López* diff --git a/translations/nl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/nl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index 16058b58..88e2b61e 100644 --- a/translations/nl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/nl/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "Een recurrent netwerk, of het nu eendirectioneel of bidirectioneel is, legt bepaalde patronen binnen een reeks vast en kan deze opslaan in de toestandsvector of doorgeven aan de uitvoer. Net als bij convolutionele netwerken kunnen we een andere recurrente laag bovenop de eerste bouwen om patronen van een hoger niveau vast te leggen, opgebouwd uit de laag-niveau patronen die door de eerste laag zijn geëxtraheerd. Dit brengt ons bij het concept van een **meerlaagse RNN**, die bestaat uit twee of meer recurrente netwerken, waarbij de uitvoer van de vorige laag wordt doorgegeven aan de volgende laag als invoer.\n", "\n", - "![Afbeelding van een meerlaagse long-short-term-memory-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.nl.jpg)\n", + "![Afbeelding van een meerlaagse long-short-term-memory-RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.nl.jpg)\n", "\n", "*Afbeelding afkomstig uit [deze geweldige post](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) van Fernando López*\n", "\n", diff --git a/translations/nl/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/nl/lessons/5-NLP/16-RNN/RNNTF.ipynb index 3302f224..d4ba6839 100644 --- a/translations/nl/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/nl/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "Om de betekenis van een tekstsequentie vast te leggen, gebruiken we een neurale netwerkarchitectuur genaamd **recurrente neurale netwerken**, of RNN. Bij het gebruik van een RNN voeren we onze zin één token tegelijk door het netwerk, en het netwerk produceert een bepaalde **toestand**, die we vervolgens weer doorgeven aan het netwerk met het volgende token.\n", "\n", - "![Afbeelding die een voorbeeld van generatie door een recurrent neuraal netwerk toont.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.nl.png)\n", + "![Afbeelding die een voorbeeld van generatie door een recurrent neuraal netwerk toont.](../../../../../translated_images/rnn.27f5c29c53d727b5.nl.png)\n", "\n", "Gegeven de invoersequentie van tokens $X_0,\\dots,X_n$, creëert de RNN een reeks neurale netwerkblokken en traint deze reeks end-to-end met behulp van backpropagation. Elk netwerkblok neemt een paar $(X_i,S_i)$ als invoer en produceert $S_{i+1}$ als resultaat. De uiteindelijke toestand $S_n$ of uitvoer $Y_n$ gaat naar een lineaire classifier om het resultaat te produceren. Alle netwerkblokken delen dezelfde gewichten en worden end-to-end getraind met één backpropagation-pass.\n", "\n", @@ -369,7 +369,7 @@ "\n", "Recurrente netwerken, unidirectioneel of bidirectioneel, leggen patronen binnen een reeks vast en slaan deze op in toestandsvectoren of geven ze terug als output. Net zoals bij convolutionele netwerken kunnen we een andere recurrente laag bouwen na de eerste om hogere-orde patronen vast te leggen, opgebouwd uit lagere-orde patronen die door de eerste laag zijn geëxtraheerd. Dit leidt ons naar het concept van een **meerlaagse RNN**, die bestaat uit twee of meer recurrente netwerken, waarbij de output van de vorige laag als invoer wordt doorgegeven aan de volgende laag.\n", "\n", - "![Afbeelding van een meerlaagse long-short-term-memory RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.nl.jpg)\n", + "![Afbeelding van een meerlaagse long-short-term-memory RNN](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.nl.jpg)\n", "\n", "*Afbeelding afkomstig uit [deze geweldige post](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) van Fernando López.*\n", "\n", diff --git a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index e4989910..ac7a7110 100644 --- a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "De manier waarop we een RNN zullen trainen om tekst te genereren, is als volgt. Bij elke stap nemen we een reeks karakters van lengte `nchars` en vragen we het netwerk om het volgende uitvoerkarakter te genereren voor elk invoerkarakter:\n", "\n", - "![Afbeelding die een voorbeeld toont van een RNN die het woord 'HELLO' genereert.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.nl.png)\n", + "![Afbeelding die een voorbeeld toont van een RNN die het woord 'HELLO' genereert.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.nl.png)\n", "\n", "Afhankelijk van het specifieke scenario willen we mogelijk ook enkele speciale karakters opnemen, zoals *einde-van-sequentie* ``. In ons geval willen we het netwerk gewoon trainen voor eindeloze tekstgeneratie, dus stellen we de grootte van elke sequentie vast op `nchars` tokens. Bijgevolg zal elk trainingsvoorbeeld bestaan uit `nchars` invoer en `nchars` uitvoer (wat de invoersequentie is, verschoven met één symbool naar links). Een minibatch zal bestaan uit meerdere van dergelijke sequenties.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index 66534542..89f429e5 100644 --- a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -111,7 +111,7 @@ "\n", "De manier waarop we een RNN zullen trainen om nieuwstitels te genereren is als volgt. Bij elke stap nemen we één titel, die wordt ingevoerd in een RNN, en voor elk invoerkarakter vragen we het netwerk om het volgende uitvoerkarakter te genereren:\n", "\n", - "![Afbeelding die een voorbeeld toont van RNN-generatie van het woord 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.nl.png)\n", + "![Afbeelding die een voorbeeld toont van RNN-generatie van het woord 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.nl.png)\n", "\n", "Voor het laatste karakter van onze reeks vragen we het netwerk om een ``-token te genereren.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md index cb159c93..1090441c 100644 --- a/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/nl/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ In de RNN-architectuur die we in de vorige eenheid hebben besproken, produceerde Dit maakt verschillende neurale architecturen mogelijk, zoals weergegeven in de onderstaande afbeelding: -![Afbeelding met veelvoorkomende patronen van recurrente neurale netwerken.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.nl.jpg) +![Afbeelding met veelvoorkomende patronen van recurrente neurale netwerken.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.nl.jpg) > Afbeelding uit de blogpost [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) door [Andrej Karpaty](http://karpathy.github.io/) @@ -32,7 +32,7 @@ In deze eenheid richten we ons op eenvoudige generatieve modellen die ons helpen We trainen deze RNN om tekst stap voor stap te genereren. Bij elke stap nemen we een reeks karakters van lengte `nchars` en vragen we het netwerk om het volgende uitvoerkarakter te genereren voor elk invoerkarakter: -![Afbeelding met een voorbeeld van RNN-generatie van het woord 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.nl.png) +![Afbeelding met een voorbeeld van RNN-generatie van het woord 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.nl.png) Bij het genereren van tekst (tijdens inferentie) beginnen we met een **prompt**, die door de RNN-cellen wordt doorgegeven om de tussenliggende toestand te genereren. Vanuit deze toestand begint de generatie. We genereren één karakter tegelijk en geven de toestand en het gegenereerde karakter door aan een andere RNN-cel om het volgende te genereren, totdat we genoeg karakters hebben gegenereerd. diff --git a/translations/nl/lessons/5-NLP/18-Transformers/README.md b/translations/nl/lessons/5-NLP/18-Transformers/README.md index e0078482..280fc9d7 100644 --- a/translations/nl/lessons/5-NLP/18-Transformers/README.md +++ b/translations/nl/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ Met RNNs wordt sequence-to-sequence geïmplementeerd door twee recurrente netwer **Aandachtsmechanismen** bieden een manier om het contextuele effect van elke invoervector op elke outputvoorspelling van de RNN te wegen. Dit wordt geïmplementeerd door shortcuts te creëren tussen de tussenliggende toestanden van de input-RNN en de output-RNN. Op deze manier nemen we bij het genereren van outputsymbool yt alle verborgen toestanden hi van de input in aanmerking, met verschillende gewichtcoëfficiënten αt,i. -![Afbeelding van een encoder/decoder-model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.nl.png) +![Afbeelding van een encoder/decoder-model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.nl.png) > Het encoder-decoder model met additief aandachtsmechanisme in [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), geciteerd uit [deze blogpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) De aandachtmatrix {αi,j} vertegenwoordigt de mate waarin bepaalde invoerwoorden een rol spelen bij het genereren van een bepaald woord in de outputsequentie. Hieronder staat een voorbeeld van zo'n matrix: -![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig van Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.nl.png) +![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig van Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.nl.png) > Afbeelding uit [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) @@ -66,7 +66,7 @@ Het resultaat dat we krijgen met positionele embedding embedt zowel het oorspron Vervolgens moeten we enkele patronen binnen onze sequentie vastleggen. Om dit te doen, gebruiken transformers een **zelf-aandachtsmechanisme**, wat in wezen aandacht is toegepast op dezelfde sequentie als input en output. Het toepassen van zelf-aandacht stelt ons in staat om **context** binnen de zin in aanmerking te nemen en te zien welke woorden met elkaar verbonden zijn. Bijvoorbeeld, het stelt ons in staat om te zien welke woorden worden verwezen door coreferenties, zoals *het*, en ook de context in aanmerking te nemen: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.nl.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.nl.png) > Afbeelding van de [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -91,7 +91,7 @@ Omdat elke invoerpositie onafhankelijk wordt gekoppeld aan elke uitvoerpositie, **BERT** (Bidirectional Encoder Representations from Transformers) is een zeer groot meerlagig transformernetwerk met 12 lagen voor *BERT-base*, en 24 voor *BERT-large*. Het model wordt eerst voorgetraind op een grote corpus van tekstdata (WikiPedia + boeken) met behulp van ongesuperviseerde training (voorspellen van gemaskeerde woorden in een zin). Tijdens het voortrainen absorbeert het model aanzienlijke niveaus van taalbegrip, die vervolgens kunnen worden benut met andere datasets door middel van fine-tuning. Dit proces wordt **transfer learning** genoemd. -![Afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.nl.png) +![Afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.nl.png) > Afbeelding [bron](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/nl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/nl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index f26e3e38..cfe6533f 100644 --- a/translations/nl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/nl/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**Aandachtsmechanismen** bieden een manier om het contextuele effect van elke invoervector op elke uitvoervoorspelling van het RNN te wegen. Dit wordt geïmplementeerd door shortcuts te creëren tussen de tussenliggende toestanden van het invoer-RNN en het uitvoer-RNN. Op deze manier houden we bij het genereren van het uitvoersymbool $y_t$ rekening met alle verborgen toestanden van de invoer $h_i$, met verschillende gewichtscoëfficiënten $\\alpha_{t,i}$.\n", "\n", - "![Afbeelding van een encoder/decoder model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.nl.png)\n", + "![Afbeelding van een encoder/decoder model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.nl.png)\n", "*Het encoder-decoder model met additief aandachtsmechanisme in [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), geciteerd uit [deze blogpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "De aandachtsmatrix $\\{\\alpha_{i,j}\\}$ vertegenwoordigt de mate waarin bepaalde invoerwoorden een rol spelen bij het genereren van een bepaald woord in de uitvoerreeks. Hieronder staat een voorbeeld van zo'n matrix:\n", "\n", - "![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig van Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.nl.png)\n", + "![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig van Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.nl.png)\n", "\n", "*Afbeelding afkomstig uit [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) is een zeer groot meerlagig transformer-netwerk met 12 lagen voor *BERT-base* en 24 voor *BERT-large*. Het model wordt eerst voorgetraind op een grote corpus van tekstdata (Wikipedia + boeken) met behulp van ongesuperviseerde training (voorspellen van gemaskeerde woorden in een zin). Tijdens het voortrainen absorbeert het model een significant niveau van taalbegrip, dat vervolgens kan worden benut met andere datasets door middel van fine-tuning. Dit proces wordt **transfer learning** genoemd.\n", "\n", - "![Afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.nl.png)\n", + "![Afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.nl.png)\n", "\n", "Er zijn veel variaties van Transformer-architecturen, waaronder BERT, DistilBERT, BigBird, OpenGPT3 en meer, die kunnen worden gefinetuned. Het [HuggingFace-pakket](https://github.com/huggingface/) biedt een repository voor het trainen van veel van deze architecturen met PyTorch.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/nl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index f56175c8..90410cd1 100644 --- a/translations/nl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/nl/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**Aandachtsmechanismen** bieden een manier om het contextuele gewicht van elke invoervector op elke uitvoervoorspelling van het RNN te bepalen. Dit wordt geïmplementeerd door shortcuts te creëren tussen de tussenliggende toestanden van het invoer-RNN en het uitvoer-RNN. Op deze manier houden we bij het genereren van het uitvoersymbool $y_t$ rekening met alle verborgen toestanden van de invoer $h_i$, met verschillende gewichtscoëfficiënten $\\alpha_{t,i}$. \n", "\n", - "![Afbeelding van een encoder/decoder model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.nl.png)\n", + "![Afbeelding van een encoder/decoder model met een additieve aandachtlaag](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.nl.png)\n", "*Het encoder-decoder model met additief aandachtsmechanisme in [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), geciteerd uit [deze blogpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "De aandachtsmatrix $\\{\\alpha_{i,j}\\}$ vertegenwoordigt de mate waarin bepaalde invoerwoorden bijdragen aan de generatie van een specifiek woord in de uitvoerreeks. Hieronder staat een voorbeeld van zo'n matrix:\n", "\n", - "![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig uit Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.nl.png)\n", + "![Afbeelding van een voorbeelduitlijning gevonden door RNNsearch-50, afkomstig uit Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.nl.png)\n", "\n", "*Afbeelding afkomstig uit [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) is een zeer groot meerlagig transformernetwerk met 12 lagen voor *BERT-base* en 24 lagen voor *BERT-large*. Het model wordt eerst voorgetraind op een grote hoeveelheid tekstdata (WikiPedia + boeken) met behulp van ongesuperviseerd leren (voorspellen van gemaskeerde woorden in een zin). Tijdens de voortraining absorbeert het model een aanzienlijk niveau van taalbegrip, wat vervolgens kan worden benut met andere datasets door middel van fine-tuning. Dit proces wordt **transfer learning** genoemd.\n", "\n", - "![afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.nl.png)\n", + "![afbeelding van http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.nl.png)\n", "\n", "Er zijn veel variaties van Transformer-architecturen, waaronder BERT, DistilBERT, BigBird, OpenGPT3 en meer, die kunnen worden fijn afgestemd.\n", "\n", diff --git a/translations/nl/lessons/5-NLP/19-NER/README.md b/translations/nl/lessons/5-NLP/19-NER/README.md index 9fb20caf..d6b1f83f 100644 --- a/translations/nl/lessons/5-NLP/19-NER/README.md +++ b/translations/nl/lessons/5-NLP/19-NER/README.md @@ -58,7 +58,7 @@ infant | O Omdat we een één-op-één-correspondentie tussen tokens en klassen moeten opbouwen, kunnen we een rechtse **veel-op-veel** neurale netwerkmodel trainen zoals in deze afbeelding: -![Afbeelding die veelvoorkomende patronen van recurrente neurale netwerken toont.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.nl.jpg) +![Afbeelding die veelvoorkomende patronen van recurrente neurale netwerken toont.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.nl.jpg) > *Afbeelding uit [deze blogpost](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) door [Andrej Karpathy](http://karpathy.github.io/). NER-tokenclassificatiemodellen komen overeen met de rechtse netwerkarchitectuur op deze afbeelding.* diff --git a/translations/nl/lessons/5-NLP/README.md b/translations/nl/lessons/5-NLP/README.md index c824e46e..abf41235 100644 --- a/translations/nl/lessons/5-NLP/README.md +++ b/translations/nl/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Natuurlijke Taalverwerking -![Samenvatting van NLP-taken in een schets](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.nl.png) +![Samenvatting van NLP-taken in een schets](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.nl.png) In deze sectie richten we ons op het gebruik van neurale netwerken om taken met betrekking tot **Natuurlijke Taalverwerking (NLP)** uit te voeren. Er zijn veel NLP-problemen die we willen dat computers kunnen oplossen: diff --git a/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md b/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md index eacc5454..af068cd4 100644 --- a/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/nl/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ Je kunt een van de modellen openen, bijvoorbeeld **Biology → Flocking Na het openen van het model kom je op het hoofdscherm van NetLogo. Hier is een voorbeeldmodel dat de populatie van wolven en schapen beschrijft, gegeven eindige middelen (gras). -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.nl.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.nl.png) > Screenshot door Dmitry Soshnikov diff --git a/translations/nl/lessons/README.md b/translations/nl/lessons/README.md index 7ae990ac..a1ff3acf 100644 --- a/translations/nl/lessons/README.md +++ b/translations/nl/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Overzicht -![Overzicht in een schets](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.nl.png) +![Overzicht in een schets](../../../translated_images/ai-overview.0857791951d19500.nl.png) > Schetsnotitie door [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/nl/lessons/X-Extras/X1-MultiModal/README.md b/translations/nl/lessons/X-Extras/X1-MultiModal/README.md index 03026c9d..0dedd512 100644 --- a/translations/nl/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/nl/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ Na het succes van transformer-modellen voor het oplossen van NLP-taken, zijn dez Het belangrijkste idee van CLIP is om tekstprompts te kunnen vergelijken met een afbeelding en te bepalen hoe goed de afbeelding overeenkomt met de prompt. -![CLIP Architectuur](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.nl.png) +![CLIP Architectuur](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.nl.png) > *Afbeelding uit [deze blogpost](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ Zodra dit model is voorgetraind, kunnen we het een batch afbeeldingen en een bat Stel dat we afbeeldingen moeten classificeren tussen bijvoorbeeld katten, honden en mensen. In dit geval kunnen we het model een afbeelding geven en een reeks tekstprompts: "*een afbeelding van een kat*", "*een afbeelding van een hond*", "*een afbeelding van een mens*". In de resulterende vector van 3 waarschijnlijkheden hoeven we alleen de index met de hoogste waarde te selecteren. -![CLIP voor Afbeeldingsclassificatie](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.nl.png) +![CLIP voor Afbeeldingsclassificatie](../../../../../translated_images/clip-class.3af42ef0b2b19369.nl.png) > *Afbeelding uit [deze blogpost](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ Meer informatie over VQGAN vind je op de [Taming Transformers](https://compvis.g Een belangrijk verschil tussen VQGAN en traditionele GAN is dat de laatste een behoorlijke afbeelding kan produceren vanuit elke invoervector, terwijl VQGAN waarschijnlijk een afbeelding produceert die niet coherent is. Daarom moeten we het proces van afbeeldingcreatie verder sturen, en dat kan worden gedaan met behulp van CLIP. -![VQGAN+CLIP Architectuur](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.nl.png) +![VQGAN+CLIP Architectuur](../../../../../translated_images/vqgan.5027fe05051dfa31.nl.png) Om een afbeelding te genereren die overeenkomt met een tekstprompt, beginnen we met een willekeurige coderingsvector die door VQGAN wordt doorgegeven om een afbeelding te produceren. Vervolgens wordt CLIP gebruikt om een verliesfunctie te produceren die aangeeft hoe goed de afbeelding overeenkomt met de tekstprompt. Het doel is dan om dit verlies te minimaliseren, door middel van backpropagation om de parameters van de invoervector aan te passen. Een geweldige bibliotheek die VQGAN+CLIP implementeert is [Pixray](http://github.com/pixray/pixray). -![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.nl.png) | ![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.nl.png) | ![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.nl.png) +![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.nl.png) | ![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.nl.png) | ![Afbeelding gegenereerd door Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.nl.png) ----|----|---- Afbeelding gegenereerd vanuit prompt *een close-up aquarelportret van een jonge mannelijke leraar literatuur met een boek* | Afbeelding gegenereerd vanuit prompt *een close-up olieverfportret van een jonge vrouwelijke leraar informatica met een computer* | Afbeelding gegenereerd vanuit prompt *een close-up olieverfportret van een oude mannelijke leraar wiskunde voor een schoolbord* diff --git a/translations/no/README.md b/translations/no/README.md index c9e02813..c96f9faf 100644 --- a/translations/no/README.md +++ b/translations/no/README.md @@ -1,8 +1,8 @@ -[Arabisk](../ar/README.md) | [Bengalsk](../bn/README.md) | [Bulgarsk](../bg/README.md) | [Burmesisk (Myanmar)](../my/README.md) | [Kinesisk (forenklet)](../zh/README.md) | [Kinesisk (tradisjonell, Hongkong)](../hk/README.md) | [Kinesisk (tradisjonell, Macau)](../mo/README.md) | [Kinesisk (tradisjonell, Taiwan)](../tw/README.md) | [Kroatisk](../hr/README.md) | [Tsjekkisk](../cs/README.md) | [Dansk](../da/README.md) | [Nederlandsk](../nl/README.md) | [Estisk](../et/README.md) | [Finsk](../fi/README.md) | [Fransk](../fr/README.md) | [Tysk](../de/README.md) | [Gresk](../el/README.md) | [Hebraisk](../he/README.md) | [Hindi](../hi/README.md) | [Ungarsk](../hu/README.md) | [Indonesisk](../id/README.md) | [Italiensk](../it/README.md) | [Japansk](../ja/README.md) | [Kannada](../kn/README.md) | [Koreansk](../ko/README.md) | [Litauisk](../lt/README.md) | [Malaysisk](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigeriansk pidgin](../pcm/README.md) | [Norsk](./README.md) | [Persisk (Farsi)](../fa/README.md) | [Polsk](../pl/README.md) | [Portugisisk (Brasil)](../br/README.md) | [Portugisisk (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumensk](../ro/README.md) | [Russisk](../ru/README.md) | [Serbisk (kyrillisk)](../sr/README.md) | [Slovakisk](../sk/README.md) | [Slovensk](../sl/README.md) | [Spansk](../es/README.md) | [Swahili](../sw/README.md) | [Svensk](../sv/README.md) | [Tagalog (filippinsk)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thailandsk](../th/README.md) | [Tyrkisk](../tr/README.md) | [Ukrainsk](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisk](../vi/README.md) +[Arabisk](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarsk](../bg/README.md) | [Burmesisk (Myanmar)](../my/README.md) | [Kinesisk (forenklet)](../zh/README.md) | [Kinesisk (tradisjonell, Hongkong)](../hk/README.md) | [Kinesisk (tradisjonell, Macau)](../mo/README.md) | [Kinesisk (tradisjonell, Taiwan)](../tw/README.md) | [Kroatisk](../hr/README.md) | [Tsjekkisk](../cs/README.md) | [Dansk](../da/README.md) | [Nederlandsk](../nl/README.md) | [Estisk](../et/README.md) | [Finsk](../fi/README.md) | [Fransk](../fr/README.md) | [Tysk](../de/README.md) | [Gresk](../el/README.md) | [Hebraisk](../he/README.md) | [Hindi](../hi/README.md) | [Ungarsk](../hu/README.md) | [Indonesisk](../id/README.md) | [Italiensk](../it/README.md) | [Japansk](../ja/README.md) | [Kannada](../kn/README.md) | [Koreansk](../ko/README.md) | [Litauisk](../lt/README.md) | [Malayisk](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigeriansk pidgin](../pcm/README.md) | [Norsk](./README.md) | [Persisk (Farsi)](../fa/README.md) | [Polsk](../pl/README.md) | [Portugisisk (Brasil)](../br/README.md) | [Portugisisk (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumensk](../ro/README.md) | [Russisk](../ru/README.md) | [Serbisk (kyrillisk)](../sr/README.md) | [Slovakisk](../sk/README.md) | [Slovensk](../sl/README.md) | [Spansk](../es/README.md) | [Swahili](../sw/README.md) | [Svensk](../sv/README.md) | [Tagalog (filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Tyrkisk](../tr/README.md) | [Ukrainsk](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamesisk](../vi/README.md) -**Hvis du ønsker at flere oversettelsesspråk skal støttes, er de oppført [her](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** ## Bli med i fellesskapet [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## Hva du vil lære -**[Tankekart for kurset](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[Kursets tankekart](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** I denne læreplanen vil du lære: -* Ulike tilnærminger til kunstig intelligens, inkludert den "gode, gamle" symbolske tilnærmingen med **kunnskapsrepresentasjon** og resonnement ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Neurale nettverk** og **dyp læring**, som er kjernen i moderne AI. Vi vil illustrere konseptene bak disse viktige emnene ved hjelp av kode i to av de mest populære rammeverkene - [TensorFlow](http://Tensorflow.org) og [PyTorch](http://pytorch.org). -* **Neurale arkitekturer** for arbeid med bilder og tekst. Vi vil dekke nyere modeller, men kan være litt mangelfulle når det gjelder det nyeste innen feltet. -* Mindre vanlige AI-tilnærminger, som **genetiske algoritmer** og **multiagentssystemer**. +* Ulike tilnærminger til kunstig intelligens, inkludert den «gode, gamle» symbolske tilnærmingen med **kunnskapsrepresentasjon** og resonnement ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Nevrale nettverk** og **dyp læring**, som er kjernen i moderne AI. Vi vil illustrere konseptene bak disse viktige emnene ved hjelp av kode i to av de mest populære rammeverkene - [TensorFlow](http://Tensorflow.org) og [PyTorch](http://pytorch.org). +* **Nevrale arkitekturer** for arbeid med bilder og tekst. Vi vil dekke nyere modeller, men kan være noe mangelfulle når det gjelder det nyeste innen feltet. +* Mindre populære AI-tilnærminger, som **genetiske algoritmer** og **multi-agent-systemer**. Hva vi ikke vil dekke i denne læreplanen: -> [Finn alle tilleggsressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [Finn alle ekstra ressurser for dette kurset i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Forretningscase for bruk av **AI i virksomheter**. Vurder å ta læringsløpet [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utviklet i samarbeid med [INSEAD](https://www.insead.edu/). +* Forretningscaser for bruk av **AI i virksomheter**. Vurder å ta [Introduksjon til AI for forretningsbrukere](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) læringssti på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utviklet i samarbeid med [INSEAD](https://www.insead.edu/). * **Klassisk maskinlæring**, som er godt beskrevet i vår [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). -* Praktiske AI-applikasjoner bygget ved hjelp av **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For dette anbefaler vi at du begynner med Microsoft Learn-moduler for [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** og andre. -* Spesifikke ML **sky-rammeverk**, som [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Vurder å bruke læringsløpene [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) og [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). -* **Konversasjons-AI** og **chatteroboter**. Det finnes et eget læringsløp [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), og du kan også se [dette blogginnlegget](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for mer informasjon. +* Praktiske AI-applikasjoner bygget ved hjelp av **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For dette anbefaler vi at du begynner med Microsoft Learn-modulene for [datamaskinsyn](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [naturlig språkbehandling](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativ AI med Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** og andre. +* Spesifikke ML **sky-rammeverk**, som [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Vurder å bruke [Bygg og drift av maskinlæringsløsninger med Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) og [Bygg og drift av maskinlæringsløsninger med Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) læringsstier. +* **Samtale-AI** og **chatboter**. Det finnes en egen [Lag samtale-AI-løsninger](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) læringssti, og du kan også referere til [denne bloggposten](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for mer detaljer. * **Dyp matematikk** bak dyp læring. For dette anbefaler vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) av Ian Goodfellow, Yoshua Bengio og Aaron Courville, som også er tilgjengelig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -For en forsiktig introduksjon til temaene _AI i skyen_ kan du vurdere å ta læringsløpet [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path. +For en myk introduksjon til temaene _AI i skyen_ kan du vurdere å ta [Kom i gang med kunstig intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) læringssti. # Innhold | | Leksjonslenke | PyTorch/Keras/TensorFlow | Lab | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [Kursoppsett](./lessons/0-course-setup/setup.md) | [Sett opp utviklingsmiljøet](./lessons/0-course-setup/how-to-run.md) | | +| 0 | [Kursoppsett](./lessons/0-course-setup/setup.md) | [Sett opp utviklingsmiljøet ditt](./lessons/0-course-setup/how-to-run.md) | | | I | [**Introduksjon til AI**](./lessons/1-Intro/README.md) | | | | 01 | [Introduksjon og historie om AI](./lessons/1-Intro/README.md) | - | - | | II | **Symbolsk AI** | -| 02 | [Kunnskapsrepresentasjon og ekspertsystemer](./lessons/2-Symbolic/README.md) | [Ekspertsystemer](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konseptgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 02 | [Kunnskapsrepresentasjon og ekspertsystemer](./lessons/2-Symbolic/README.md) | [Ekspertsystemer](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Begrepsgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**Introduksjon til nevrale nettverk**](./lessons/3-NeuralNetworks/README.md) ||| | 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notatbok](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Flerlagsperceptron og å lage vårt eget rammeverk](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notatbok](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 04 | [Flerlaget perceptron og å lage vårt eget rammeverk](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notatbok](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | | 05 | [Introduksjon til rammeverk (PyTorch/TensorFlow) og overtilpasning](./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 | [**Maskinsyn**](./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)| [Utforsk maskinsyn på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [Introduksjon til maskinsyn. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notatbok](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| IV | [**Datamaskinsyn**](./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)| [Utforsk datamaskinsyn på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [Introduksjon til datamaskinsyn. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notatbok](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | | 07 | [Konvolusjonsnevrale nettverk](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-arkitekturer](./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 | [Forhåndstrente nettverk og overføringslæring](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Treningstriks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 08 | [Forhåndstrente nettverk og overføringslæring](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Treningstips](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | | 09 | [Autoenkodere og VAE-er](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [Generative adversarial-nettverk & kunstnerisk stiloverføring](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 10 | [Generative adversarial-nettverk og kunstnerisk stiloverføring](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | | 11 | [Objektdeteksjon](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [Semantisk segmentering. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | | | V | [**Naturlig språkbehandling**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Utforsk naturlig språkbehandling på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| | 13 | [Tekstrepresentasjon. 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 | [Semantiske ordvektorrepresentasjoner. Word2Vec og GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | -| 15 | [Språkmodellering. Trening av egne innebygde representasjoner](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 14 | [Semantiske ord-embeddings. Word2Vec og GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | | +| 15 | [Språkmodellering. Trening av egne embeddinger](./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 | [Rekurrente nevrale nettverk](./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 | [Generative rekurrente nettverk](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [Navneentitetsgjenkjenning](./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 | [Store språkmodeller, prompt-programmering og oppgaver med få eksempler](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 19 | [Navngitt entitetsgjenkjenning](./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 | [Store språkmodeller, prompt-programmering og few-shot-oppgaver](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **Andre AI-teknikker** || | | 21 | [Genetiske algoritmer](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notatbok](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | | 22 | [Dyp forsterkende læring](./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) | @@ -108,28 +107,28 @@ For en forsiktig introduksjon til temaene _AI i skyen_ kan du vurdere å ta lær ## Hver leksjon inneholder -* Forhåndsmateriale -* Kjørbare Jupyter-notatbøker, som ofte er spesifikke for rammeverket (**PyTorch** eller **TensorFlow**). Den kjørbare notatboken inneholder også mye teoretisk materiale, så for å forstå emnet må du gå gjennom minst én versjon av notatboken (enten PyTorch eller TensorFlow). -* **Labber** tilgjengelig for noen emner, som gir deg mulighet til å prøve å anvende materialet du har lært på et spesifikt problem. +* Forberedende lesestoff +* Kjørbare Jupyter-notatbøker, som ofte er spesifikke for rammeverket (**PyTorch** eller **TensorFlow**). Den kjørbare notatboken inneholder også mye teoretisk materiale, så for å forstå temaet må du gå gjennom minst én versjon av notatboken (enten PyTorch eller TensorFlow). +* **Lab-øvelser** tilgjengelige for noen emner, som gir deg en mulighet til å prøve å anvende materialet du har lært på et konkret problem. * Noen seksjoner inneholder lenker til [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduler som dekker relaterte emner. ## Kom i gang ### 🎯 Ny i AI? Start her! -Hvis du er helt ny innen AI og ønsker raske, praktiske eksempler, sjekk ut våre [**Enkle eksempler for nybegynnere**](./examples/README.md)! Disse inkluderer: +Hvis du er helt ny innen AI og ønsker raske, praktiske eksempler, sjekk ut våre [**Begynnervennlige eksempler**](./examples/README.md)! Disse inkluderer: -- 🌟 **Hello AI World** - Ditt første AI-program (mønster gjenkjenning) -- 🧠 **Simple Neural Network** - Bygg et nevralt nettverk fra bunnen av -- 🖼️ **Image Classifier** - Klassifiser bilder med detaljerte kommentarer -- 💬 **Sentimentanalyse** - Analyser positiv/negativ tekst +- 🌟 **Hello AI World** - Ditt første AI-program (mønster-gjenkjenning) +- 🧠 **Enkelt nevralt nettverk** - Bygg et nevralt nettverk fra bunnen av +- 🖼️ **Bildeklassifikator** - Klassifiser bilder med detaljerte kommentarer +- 💬 **Tekst-sentiment** - Analyser positiv/negativ tekst These examples are designed to help you understand AI concepts before diving into the full curriculum. ### 📚 Fullt pensumoppsett -- Vi har laget en [oppsettsleksjon](./lessons/0-course-setup/setup.md) for å hjelpe deg med å sette opp utviklingsmiljøet ditt. - For undervisere har vi også laget en [pensumoppsettsleksjon](./lessons/0-course-setup/for-teachers.md) for dere! -- Hvordan å [kjøre koden i VSCode eller en Codepace](./lessons/0-course-setup/how-to-run.md) +- Vi har laget en [oppsett-leksjon](./lessons/0-course-setup/setup.md) for å hjelpe deg med å sette opp utviklingsmiljøet ditt. - For undervisere har vi også laget en [oppsett-leksjon for lærere](./lessons/0-course-setup/for-teachers.md) for dere! +- Hvordan [kjøre koden i VSCode eller Codepace](./lessons/0-course-setup/how-to-run.md) Follow these steps: @@ -141,13 +140,13 @@ Don't forget to star (🌟) this repo to find it easier later. ## Møt andre deltakere -Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support. +Join our [offisielle AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support. -If you have product feedback or questions whilst building visit our [Azure AI Foundry utviklerforum](https://aka.ms/foundry/forum) +If you have product feedback or questions whilst building visit our [Azure AI Foundry Utviklerforum](https://aka.ms/foundry/forum) -## Quizzer +## Quizzes -> **Et notat om quizzer**: Alle quizzer er inne i Quiz-app-mappen i etc\quiz-app, eller [På nett her](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized. +> **Et notat om quizzer**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online her](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized. ## Hjelp ønskes @@ -161,9 +160,7 @@ Do you have suggestions or found spelling or code errors? Raise an issue or crea * **✅ Quizskaper:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 Kjernebidragsytere:** [Evgenii Pishchik](https://github.com/Pe4enIks) -## Andre kurs - -Our team produces other curricula! Check out: +## Andre læreplaner ### LangChain @@ -172,7 +169,7 @@ Our team produces other curricula! Check out: --- -### Azure / Edge / MCP / Agents +### Azure / Edge / MCP / Agenter [![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) @@ -180,7 +177,7 @@ Our team produces other curricula! Check out: --- -### Generative AI Series +### Generativ AI-serie [![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) @@ -188,7 +185,7 @@ Our team produces other curricula! Check out: --- -### Core Learning +### Kjerneopplæring [![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -199,7 +196,7 @@ Our team produces other curricula! Check out: --- -### Copilot Series +### Copilot-serien [![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) @@ -219,5 +216,5 @@ If you have product feedback or errors while building visit: Ansvarsfraskrivelse: -Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen. +Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi gjør vårt beste for å sikre nøyaktighet, må du være oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk skal betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen. \ No newline at end of file diff --git a/translations/no/lessons/1-Intro/README.md b/translations/no/lessons/1-Intro/README.md index 76506307..560ea5f3 100644 --- a/translations/no/lessons/1-Intro/README.md +++ b/translations/no/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Introduksjon til AI -![Oppsummering av innholdet i Introduksjon til AI i en tegning](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.no.png) +![Oppsummering av innholdet i Introduksjon til AI i en tegning](../../../../translated_images/ai-intro.bf28d1ac4235881c.no.png) > Tegning av [Tomomi Imura](https://twitter.com/girlie_mac) @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: Opprinnelig ble datamaskiner oppfunnet av [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) for å operere på tall ved å følge en veldefinert prosedyre – en algoritme. Moderne datamaskiner, selv om de er betydelig mer avanserte enn den opprinnelige modellen foreslått på 1800-tallet, følger fortsatt samme idé om kontrollerte beregninger. Dermed er det mulig å programmere en datamaskin til å gjøre noe hvis vi kjenner den nøyaktige sekvensen av trinn som må utføres for å oppnå målet. -![Bilde av en person](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.no.png) +![Bilde av en person](../../../../translated_images/dsh_age.d212a30d4e54fb5f.no.png) > Foto av [Vickie Soshnikova](http://twitter.com/vickievalerie) @@ -46,7 +46,7 @@ For mer informasjon, se **[Artificial General Intelligence](https://en.wikipedia Et av problemene med begrepet **[intelligens](https://en.wikipedia.org/wiki/Intelligence)** er at det ikke finnes noen klar definisjon av dette begrepet. Man kan argumentere for at intelligens er knyttet til **abstrakt tenkning** eller **selvbevissthet**, men vi kan ikke definere det ordentlig. -![Bilde av en katt](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.no.jpg) +![Bilde av en katt](../../../../translated_images/photo-cat.8c8e8fb760ffe457.no.jpg) > [Foto](https://unsplash.com/photos/75715CVEJhI) av [Amber Kipp](https://unsplash.com/@sadmax) fra Unsplash @@ -98,13 +98,13 @@ Alternativt kan vi prøve å modellere de enkleste elementene i hjernen vår – > | Hva med ML? | | > |--------------|-----------| -> | En del av kunstig intelligens som er basert på at datamaskiner lærer å løse et problem basert på noen data, kalles **maskinlæring**. Vi vil ikke gå inn på klassisk maskinlæring i dette kurset – vi henviser deg til et eget [Maskinlæring for nybegynnere](http://aka.ms/ml-beginners)-pensum. | ![ML for Beginners](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.no.png) | +> | En del av kunstig intelligens som er basert på at datamaskiner lærer å løse et problem basert på noen data, kalles **maskinlæring**. Vi vil ikke gå inn på klassisk maskinlæring i dette kurset – vi henviser deg til et eget [Maskinlæring for nybegynnere](http://aka.ms/ml-beginners)-pensum. | ![ML for Beginners](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.no.png) | ## En Kort Historie om AI Kunstig intelligens startet som et felt på midten av det tjuende århundre. Opprinnelig var symbolsk resonnering en dominerende tilnærming, og det førte til en rekke viktige suksesser, som ekspertsystemer – dataprogrammer som kunne opptre som en ekspert innenfor noen begrensede problemområder. Det ble imidlertid raskt klart at en slik tilnærming ikke skalerer godt. Å trekke ut kunnskap fra en ekspert, representere det i en datamaskin og holde kunnskapsbasen nøyaktig viste seg å være en svært kompleks oppgave, og for kostbar til å være praktisk i mange tilfeller. Dette førte til den såkalte [AI-vinteren](https://en.wikipedia.org/wiki/AI_winter) på 1970-tallet. -Kort Historie om AI +Kort Historie om AI > Bilde av [Dmitry Soshnikov](http://soshnikov.com) @@ -124,7 +124,7 @@ På samme måte kan vi se hvordan tilnærmingen til å lage "snakkende programme * Moderne assistenter, som Cortana, Siri eller Google Assistant, er alle hybridsystemer som bruker nevrale nettverk for å konvertere tale til tekst og gjenkjenne vår intensjon, og deretter benytter noe resonnering eller eksplisitte algoritmer for å utføre nødvendige handlinger. * I fremtiden kan vi forvente en komplett nevrale-basert modell som håndterer dialog helt på egen hånd. De nylige GPT- og [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft)-familiene av nevrale nettverk viser stor suksess i dette. -Turing-testens utvikling +Turing-testens utvikling > Bilde av Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) av [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash ## Nyere AI-forskning diff --git a/translations/no/lessons/2-Symbolic/Animals.ipynb b/translations/no/lessons/2-Symbolic/Animals.ipynb index 3d37cd79..16d422d3 100644 --- a/translations/no/lessons/2-Symbolic/Animals.ipynb +++ b/translations/no/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "I dette eksempelet skal vi implementere et enkelt kunnskapsbasert system for å identifisere et dyr basert på noen fysiske egenskaper. Systemet kan representeres av følgende AND-OR-tre (dette er en del av hele treet, vi kan enkelt legge til flere regler):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.no.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.no.png)\n" ] }, { diff --git a/translations/no/lessons/2-Symbolic/README.md b/translations/no/lessons/2-Symbolic/README.md index 028f7b88..8ce641bc 100644 --- a/translations/no/lessons/2-Symbolic/README.md +++ b/translations/no/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Kunnskapsrepresentasjon og ekspertsystemer -![Oppsummering av Symbolic AI-innhold](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.no.png) +![Oppsummering av Symbolic AI-innhold](../../../../translated_images/ai-symbolic.715a30cb610411a6.no.png) > Sketchnote av [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +41,7 @@ Ofte definerer vi ikke kunnskap strengt, men vi knytter det til andre relaterte Dermed er problemet med **kunnskapsrepresentasjon** å finne en effektiv måte å representere kunnskap inne i en datamaskin i form av data, slik at den kan brukes automatisk. Dette kan sees som et spektrum: -![Spektrum for kunnskapsrepresentasjon](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.no.png) +![Spektrum for kunnskapsrepresentasjon](../../../../translated_images/knowledge-spectrum.b60df631852c0217.no.png) > Bilde av [Dmitry Soshnikov](http://soshnikov.com) @@ -94,7 +94,7 @@ Blokk-syntaks | Innrykk | | | En av de tidlige suksessene til symbolsk AI var de såkalte **ekspertsystemene** - datasystemer som var designet for å fungere som en ekspert innenfor et begrenset problemområde. De var basert på en **kunnskapsbase** hentet fra en eller flere menneskelige eksperter, og de inneholdt en **slutningsmotor** som utførte resonnering basert på denne kunnskapen. -![Menneskelig arkitektur](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.no.png) | ![Kunnskapsbasert system](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.no.png) +![Menneskelig arkitektur](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.no.png) | ![Kunnskapsbasert system](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.no.png) ---------------------------------------------|------------------------------------------------ Forenklet struktur av et menneskelig nervesystem | Arkitektur av et kunnskapsbasert system @@ -106,7 +106,7 @@ Ekspertsystemer er bygget som det menneskelige resonnanssystemet, som inneholder Som et eksempel, la oss se på følgende ekspertsystem for å bestemme et dyr basert på dets fysiske egenskaper: -![AND-OR-tre](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.no.png) +![AND-OR-tre](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.no.png) > Bilde av [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index a70932ae..d6a0f901 100644 --- a/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/no/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1257,7 +1257,7 @@ "* Lav treningsfeil - modellen kan tilpasse seg treningsdata godt, fordi den har nok uttrykkskraft.\n", "* Valideringsfeilen kan være mye høyere enn treningsfeilen og kan begynne å øke under treningen - dette skjer fordi modellen \"husker\" treningspunktene og mister \"helhetsbildet\".\n", "\n", - "![Overtilpasning](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.no.png)\n", + "![Overtilpasning](../../../../../translated_images/overfit.a0bd57f717c15769.no.png)\n", "\n", "> På dette bildet står `x` for treningsdata, `o` for valideringsdata. Til venstre - lineær modell (ett lag), den tilpasser seg naturen til dataen ganske bra. Til høyre - overtilpasset modell, modellen tilpasser seg treningsdata perfekt, men gir ingen mening for annen data (valideringsfeilen er veldig høy).\n" ]