diff --git a/translations/ar/lessons/3-NeuralNetworks/README.md b/translations/ar/lessons/3-NeuralNetworks/README.md index 78991caa..11a35121 100644 --- a/translations/ar/lessons/3-NeuralNetworks/README.md +++ b/translations/ar/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # Úvod do neuronových sítí -![Shrnutí obsahu Úvodu do neuronových sítí v kresbě](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.cs.png) +![Shrnutí obsahu Úvodu do neuronových sítí ve sketchnotu](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.cs.png) -Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech ukázalo, že tento směr je mimořádně úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**. +Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech tento směr ukázal jako velmi úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**. -> Neuronové sítě se někdy nazývají *Umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů. +> Někdy se neuronové sítě označují jako *umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů. ## Strojové učení -Neuronové sítě jsou součástí širší disciplíny nazvané **Strojové učení**, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, nicméně v tomto kurzu se klasickým strojovým učením nezabýváme. +Neuronové sítě jsou součástí širší disciplíny nazývané **strojové učení**, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, avšak v tomto kurikulu se klasickým strojovým učením nezabýváme. -> Navštivte náš samostatný **[Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)** kurz, kde se dozvíte více o klasickém strojovém učení. +> Navštivte náš samostatný **[kurikulum Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)**, kde se dozvíte více o klasickém strojovém učení. -Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-dimenzionální vektory, které se skládají z **atributů**, a výstupy se nazývají **štítky**. +Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-rozměrné vektory, které se skládají z **příznaků**, a výstupy se nazývají **štítky**. Budeme se zabývat dvěma nejběžnějšími problémy strojového učení: -* **Klasifikace**, kde je potřeba zařadit vstupní objekt do dvou nebo více tříd. -* **Regrese**, kde je potřeba předpovědět číselnou hodnotu pro každý z vstupních vzorků. +* **Klasifikace**, kde je třeba zařadit vstupní objekt do dvou nebo více tříd. +* **Regrese**, kde je třeba předpovědět číselnou hodnotu pro každý ze vstupních vzorků. -> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada matice o velikosti M×N, kde M je počet vzorků a N je počet atributů. Výstupní štítky Y jsou vektor o velikosti M. +> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada maticí o velikosti M×N, kde M je počet vzorků a N je počet příznaků. Výstupní štítky Y jsou vektorem o velikosti M. -V tomto kurzu se zaměříme pouze na modely neuronových sítí. +V tomto kurikulu se zaměříme pouze na modely neuronových sítí. ## Model neuronu -Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má několik "vstupů" (axony) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory). +Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má více "vstupů" (axonů) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory). ![Model neuronu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.cs.jpg) | ![Model neuronu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.cs.png) ----|---- Skutečný neuron *([Obrázek](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedie)* | Umělý neuron *(Obrázek od autora)* -Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X1, ..., XN a jeden výstup Y, a řadu vah W1, ..., WN. Výstup se vypočítá jako: +Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X1, ..., XN a jeden výstup Y a řadu vah W1, ..., WN. Výstup se vypočítá jako: Y = f\left(\sum_{i=1}^N X_iW_i\right) kde f je nějaká nelineární **aktivační funkce**. -> Rané modely neuronu byly popsány v klasickém článku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocka a Waltera Pittse v roce 1943. Donald Hebb ve své knize "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak tyto sítě trénovat. +> První modely neuronu byly popsány v klasickém článku [Logický kalkulus idejí imanentních nervové aktivitě](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocha a Waltera Pittse v roce 1943. Donald Hebb ve své knize "[Organizace chování: Neuropsychologická teorie](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak lze tyto sítě trénovat. ## V této sekci V této sekci se naučíme: * [Perceptron](03-Perceptron/README.md), jeden z nejstarších modelů neuronových sítí pro klasifikaci do dvou tříd -* [Vícevrstvé sítě](04-OwnFramework/README.md) s přiloženým notebookem [jak vytvořit vlastní framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [Frameworky neuronových sítí](05-Frameworks/README.md), s těmito notebooky: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Vícevrstvé sítě](04-OwnFramework/README.md) s doprovodným notebookem [jak vytvořit vlastní framework](04-OwnFramework/OwnFramework.ipynb) +* [Frameworky neuronových sítí](05-Frameworks/README.md), s těmito notebooky: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Přeučení](../../../../lessons/3-NeuralNetworks/05-Frameworks) -**Prohlášení:** -Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu. \ No newline at end of file +--- + +**Prohlášení**: +Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu. \ No newline at end of file diff --git a/translations/da/lessons/3-NeuralNetworks/README.md b/translations/da/lessons/3-NeuralNetworks/README.md index 41ee8877..d9727a05 100644 --- a/translations/da/lessons/3-NeuralNetworks/README.md +++ b/translations/da/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # Introduktion til Neurale Netværk -![Oversigt over indholdet i Introduktion til Neurale Netværk i en doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.da.png) +![Oversigt over Intro Neural Networks indhold i en doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.da.png) -Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne tilgang i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**. +Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne retning i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**. -> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke om rigtige netværk af neuroner. +> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke rigtige netværk af neuroner. ## Maskinlæring -Neurale netværk er en del af en større disciplin kaldet **Maskinlæring**, hvis mål er at bruge data til at træne computermodeller, der kan løse problemer. Maskinlæring udgør en stor del af Kunstig Intelligens, men vi dækker ikke klassisk maskinlæring i dette pensum. +Neurale netværk er en del af en større disciplin kaldet **Maskinlæring**, hvis mål er at bruge data til at træne computermodeller, der kan løse problemer. Maskinlæring udgør en stor del af Kunstig Intelligens, men vi dækker ikke klassisk ML i dette pensum. -> Besøg vores separate **[Maskinlæring for Begyndere](http://github.com/microsoft/ml-for-beginners)** pensum for at lære mere om klassisk maskinlæring. +> Besøg vores separate **[Maskinlæring for begyndere](http://github.com/microsoft/ml-for-beginners)** pensum for at lære mere om klassisk maskinlæring. -I maskinlæring antager vi, at vi har et datasæt af eksempler **X** og tilsvarende outputværdier **Y**. Eksempler er ofte N-dimensionelle vektorer, der består af **features**, og outputs kaldes **labels**. +I maskinlæring antager vi, at vi har et datasæt med eksempler **X** og tilsvarende outputværdier **Y**. Eksempler er ofte N-dimensionelle vektorer, der består af **features**, og outputs kaldes **labels**. -Vi vil overveje de to mest almindelige maskinlæringsproblemer: +Vi vil se på de to mest almindelige maskinlæringsproblemer: * **Klassifikation**, hvor vi skal klassificere et inputobjekt i to eller flere klasser. -* **Regression**, hvor vi skal forudsige en numerisk værdi for hver af inputprøverne. +* **Regression**, hvor vi skal forudsige et numerisk tal for hver af inputprøverne. -> Når input og output repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M×N, hvor M er antallet af prøver, og N er antallet af features. Outputlabels Y er en vektor af størrelse M. +> Når inputs og outputs repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M×N, hvor M er antallet af prøver, og N er antallet af features. Output labels Y er vektoren af størrelse M. -I dette pensum vil vi kun fokusere på modeller med neurale netværk. +I dette pensum vil vi kun fokusere på neurale netværksmodeller. -## En Model af en Neuron +## En model af en neuron -Fra biologien ved vi, at vores hjerne består af nerveceller, som hver har flere "inputs" (aksoner) og et output (dendrit). Aksoner og dendritter kan lede elektriske signaler, og forbindelserne mellem aksoner og dendritter kan udvise forskellige grader af ledningsevne (kontrolleret af neurotransmittere). +Fra biologien ved vi, at vores hjerne består af nerveceller, som hver har flere "inputs" (axoner) og et output (dendrit). Axoner og dendritter kan lede elektriske signaler, og forbindelserne mellem axoner og dendritter kan udvise forskellige grader af ledningsevne (kontrolleret af neuromediatorer). -![Model af en Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.da.jpg) | ![Model af en Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.da.png) +![Model af en neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.da.jpg) | ![Model af en neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.da.png) ----|---- -Rigtig Neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig Neuron *(Billede af forfatteren)* +Rigtig neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig neuron *(Billede af forfatter)* -Den simpleste matematiske model af en neuron indeholder derfor flere inputs X1, ..., XN og et output Y samt en række vægte W1, ..., WN. Et output beregnes som: +Den simpleste matematiske model af en neuron indeholder derfor flere inputs X1, ..., XN og et output Y samt en række vægte W1, ..., WN. Output beregnes som: Y = f\left(\sum_{i=1}^N X_iW_i\right) hvor f er en ikke-lineær **aktiveringsfunktion**. -> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" en metode til at træne disse netværk. +> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" hvordan disse netværk kan trænes. -## I denne Sektion +## I denne sektion I denne sektion vil vi lære om: -* [Perceptron](03-Perceptron/README.md), en af de tidligste modeller for neurale netværk til to-klasse klassifikation -* [Flerlagsnetværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger sit eget framework](04-OwnFramework/OwnFramework.ipynb) -* [Frameworks til Neurale Netværk](05-Frameworks/README.md), med disse notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Perceptron](03-Perceptron/README.md), en af de tidligste neurale netværksmodeller til to-klasse klassifikation +* [Multi-lags netværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger vores eget framework](04-OwnFramework/OwnFramework.ipynb) +* [Neurale netværksframeworks](05-Frameworks/README.md), med disse notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **Ansvarsfraskrivelse**: -Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på at sikre nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse. \ No newline at end of file +Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse. \ No newline at end of file diff --git a/translations/de/lessons/3-NeuralNetworks/README.md b/translations/de/lessons/3-NeuralNetworks/README.md index 015faabd..bdab8cd4 100644 --- a/translations/de/lessons/3-NeuralNetworks/README.md +++ b/translations/de/lessons/3-NeuralNetworks/README.md @@ -1,15 +1,15 @@ # Einführung in Neuronale Netzwerke -![Zusammenfassung des Inhalts zu neuronalen Netzwerken in einer Skizze](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![Zusammenfassung des Inhalts zu neuronalen Netzwerken in einer Skizze](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.de.png) Wie wir in der Einführung besprochen haben, ist eine Möglichkeit, Intelligenz zu erreichen, das Training eines **Computermodells** oder eines **künstlichen Gehirns**. Seit Mitte des 20. Jahrhunderts haben Forscher verschiedene mathematische Modelle ausprobiert, bis sich in den letzten Jahren dieser Ansatz als äußerst erfolgreich erwiesen hat. Solche mathematischen Modelle des Gehirns werden als **neuronale Netzwerke** bezeichnet. @@ -25,8 +25,8 @@ Im Maschinellen Lernen gehen wir davon aus, dass wir einen Datensatz mit Beispie Wir betrachten die zwei häufigsten Probleme des Maschinellen Lernens: -* **Klassifikation**, bei der ein Eingabeobjekt in zwei oder mehr Klassen eingeteilt werden muss. -* **Regression**, bei der für jede Eingabeprobe eine numerische Zahl vorhergesagt werden muss. +* **Klassifikation**, bei der wir ein Eingabeobjekt in zwei oder mehr Klassen einordnen müssen. +* **Regression**, bei der wir für jede Eingabeprobe eine numerische Zahl vorhersagen müssen. > Wenn Eingaben und Ausgaben als Tensoren dargestellt werden, ist der Eingabedatensatz eine Matrix der Größe M×N, wobei M die Anzahl der Proben und N die Anzahl der Merkmale ist. Die Ausgabelabels **Y** sind ein Vektor der Größe M. @@ -36,7 +36,7 @@ In diesem Lehrplan konzentrieren wir uns ausschließlich auf Modelle neuronaler Aus der Biologie wissen wir, dass unser Gehirn aus Nervenzellen besteht, von denen jede mehrere "Eingänge" (Axone) und einen Ausgang (Dendrit) hat. Axone und Dendriten können elektrische Signale leiten, und die Verbindungen zwischen Axonen und Dendriten können unterschiedliche Leitfähigkeitsgrade aufweisen (gesteuert durch Neurotransmitter). -![Modell eines Neurons](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![Modell eines Neurons](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![Modell eines Neurons](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.de.jpg) | ![Modell eines Neurons](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.de.png) ----|---- Echtes Neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) von Wikipedia)* | Künstliches Neuron *(Bild vom Autor)* @@ -51,10 +51,12 @@ wobei **f** eine nichtlineare **Aktivierungsfunktion** ist. ## In diesem Abschnitt In diesem Abschnitt lernen wir: -* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für Zwei-Klassen-Klassifikation -* [Mehrschichtige Netzwerke](04-OwnFramework/README.md) mit einem zugehörigen Notebook [wie man unser eigenes Framework erstellt](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [Frameworks für neuronale Netzwerke](05-Frameworks/README.md), mit diesen Notebooks: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) und [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für die Zwei-Klassen-Klassifikation +* [Mehrschichtige Netzwerke](04-OwnFramework/README.md) mit einem zugehörigen Notebook [wie man unser eigenes Framework erstellt](04-OwnFramework/OwnFramework.ipynb) +* [Frameworks für neuronale Netzwerke](05-Frameworks/README.md), mit diesen Notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) und [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **Haftungsausschluss**: Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben. \ No newline at end of file diff --git a/translations/el/lessons/3-NeuralNetworks/README.md b/translations/el/lessons/3-NeuralNetworks/README.md index 6a4b133d..ff7e8484 100644 --- a/translations/el/lessons/3-NeuralNetworks/README.md +++ b/translations/el/lessons/3-NeuralNetworks/README.md @@ -1,40 +1,40 @@ # Εισαγωγή στα Νευρωνικά Δίκτυα -![Περίληψη του περιεχομένου Εισαγωγής στα Νευρωνικά Δίκτυα σε σκίτσο](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.el.png) +![Περίληψη του περιεχομένου της Εισαγωγής στα Νευρωνικά Δίκτυα σε ένα σκίτσο](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.el.png) Όπως συζητήσαμε στην εισαγωγή, ένας από τους τρόπους για να επιτύχουμε νοημοσύνη είναι να εκπαιδεύσουμε ένα **μοντέλο υπολογιστή** ή έναν **τεχνητό εγκέφαλο**. Από τα μέσα του 20ού αιώνα, οι ερευνητές δοκίμασαν διάφορα μαθηματικά μοντέλα, μέχρι που τα τελευταία χρόνια αυτή η κατεύθυνση αποδείχθηκε εξαιρετικά επιτυχημένη. Αυτά τα μαθηματικά μοντέλα του εγκεφάλου ονομάζονται **νευρωνικά δίκτυα**. -> Μερικές φορές τα νευρωνικά δίκτυα αποκαλούνται *Τεχνητά Νευρωνικά Δίκτυα* (Artificial Neural Networks, ANNs), για να υποδηλώσουν ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων. +> Μερικές φορές τα νευρωνικά δίκτυα ονομάζονται *Τεχνητά Νευρωνικά Δίκτυα*, ANNs, για να υποδηλώσουμε ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων. ## Μηχανική Μάθηση -Τα Νευρωνικά Δίκτυα αποτελούν μέρος μιας ευρύτερης επιστήμης που ονομάζεται **Μηχανική Μάθηση**, της οποίας ο στόχος είναι να χρησιμοποιήσει δεδομένα για να εκπαιδεύσει μοντέλα υπολογιστών που μπορούν να λύσουν προβλήματα. Η Μηχανική Μάθηση αποτελεί μεγάλο μέρος της Τεχνητής Νοημοσύνης, ωστόσο, δεν καλύπτουμε την κλασική Μηχανική Μάθηση σε αυτό το πρόγραμμα σπουδών. +Τα Νευρωνικά Δίκτυα αποτελούν μέρος μιας ευρύτερης επιστήμης που ονομάζεται **Μηχανική Μάθηση**, η οποία έχει ως στόχο τη χρήση δεδομένων για την εκπαίδευση μοντέλων υπολογιστή που μπορούν να επιλύουν προβλήματα. Η Μηχανική Μάθηση αποτελεί μεγάλο μέρος της Τεχνητής Νοημοσύνης, ωστόσο, δεν καλύπτουμε την κλασική Μηχανική Μάθηση σε αυτό το πρόγραμμα σπουδών. -> Επισκεφθείτε το ξεχωριστό πρόγραμμα σπουδών μας **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** για να μάθετε περισσότερα για την κλασική Μηχανική Μάθηση. +> Επισκεφθείτε το ξεχωριστό πρόγραμμα σπουδών **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** για να μάθετε περισσότερα σχετικά με την κλασική Μηχανική Μάθηση. -Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X** και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**. +Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X**, και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**. -Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της μηχανικής μάθησης: +Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της Μηχανικής Μάθησης: * **Ταξινόμηση**, όπου πρέπει να ταξινομήσουμε ένα αντικείμενο εισόδου σε δύο ή περισσότερες κατηγορίες. * **Παλινδρόμηση**, όπου πρέπει να προβλέψουμε έναν αριθμητικό αριθμό για κάθε δείγμα εισόδου. -> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M×N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου **Y** είναι το διάνυσμα μεγέθους M. +> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M×N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου Y είναι το διάνυσμα μεγέθους M. Σε αυτό το πρόγραμμα σπουδών, θα επικεντρωθούμε μόνο σε μοντέλα νευρωνικών δικτύων. ## Ένα Μοντέλο Νευρώνα -Από τη βιολογία γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα, καθένα από τα οποία έχει πολλαπλές "εισόδους" (άξονες) και μία έξοδο (δενδρίτη). Οι άξονες και οι δενδρίτες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ τους μπορούν να εμφανίζουν διαφορετικούς βαθμούς αγωγιμότητας (ελεγχόμενοι από νευρομεταβιβαστές). +Από τη βιολογία γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα, καθένα από τα οποία έχει πολλαπλές "εισόδους" (άξονες) και μία έξοδο (δενδρίτη). Οι άξονες και οι δενδρίτες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ των αξόνων και των δενδριτών μπορούν να εμφανίζουν διαφορετικούς βαθμούς αγωγιμότητας (ελεγχόμενους από νευρομεταβιβαστές). ![Μοντέλο Νευρώνα](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.el.jpg) | ![Μοντέλο Νευρώνα](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.el.png) ----|---- @@ -44,7 +44,7 @@ CO_OP_TRANSLATOR_METADATA: Y = f\left(\sum_{i=1}^N X_iW_i\right) -όπου f είναι κάποια μη-γραμμική **συνάρτηση ενεργοποίησης**. +όπου f είναι κάποια μη γραμμική **συνάρτηση ενεργοποίησης**. > Τα πρώιμα μοντέλα νευρώνα περιγράφηκαν στο κλασικό άρθρο [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) από τους Warren McCullock και Walter Pitts το 1943. Ο Donald Hebb στο βιβλίο του "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" πρότεινε τον τρόπο με τον οποίο αυτά τα δίκτυα μπορούν να εκπαιδευτούν. @@ -52,11 +52,11 @@ CO_OP_TRANSLATOR_METADATA: Σε αυτή την ενότητα θα μάθουμε για: * [Perceptron](03-Perceptron/README.md), ένα από τα πρώτα μοντέλα νευρωνικών δικτύων για ταξινόμηση δύο κατηγοριών -* [Πολυστρωματικά δίκτυα](04-OwnFramework/README.md) με ένα συνοδευτικό σημειωματάριο [πώς να δημιουργήσουμε το δικό μας πλαίσιο](04-OwnFramework/OwnFramework.ipynb) -* [Πλαίσια Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα σημειωματάρια: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Δίκτυα πολλαπλών στρωμάτων](04-OwnFramework/README.md) με ένα συνοδευτικό notebook [πώς να δημιουργήσουμε το δικό μας framework](04-OwnFramework/OwnFramework.ipynb) +* [Frameworks Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Υπερπροσαρμογή](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- -**Αποποίηση Ευθύνης**: -Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης. \ No newline at end of file +**Αποποίηση ευθύνης**: +Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης. \ No newline at end of file diff --git a/translations/en/lessons/3-NeuralNetworks/README.md b/translations/en/lessons/3-NeuralNetworks/README.md index 2577110a..4dfdddbb 100644 --- a/translations/en/lessons/3-NeuralNetworks/README.md +++ b/translations/en/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # Introducción a las Redes Neuronales -![Resumen del contenido de Introducción a Redes Neuronales en un dibujo](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![Resumen del contenido de Introducción a Redes Neuronales en un dibujo](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.es.png) -Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores probaron diferentes modelos matemáticos, hasta que en años recientes esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**. +Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores han probado diferentes modelos matemáticos, hasta que en los últimos años esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**. -> A veces las redes neuronales se llaman *Redes Neuronales Artificiales* o ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas. +> A veces las redes neuronales se llaman *Redes Neuronales Artificiales*, ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas. ## Aprendizaje Automático -Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático** (Machine Learning), cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial, sin embargo, no cubrimos el aprendizaje automático clásico en este plan de estudios. +Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático**, cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial, sin embargo, no cubrimos el aprendizaje automático clásico en este currículo. -> Visita nuestro plan de estudios separado **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico. +> Visita nuestro currículo separado **[Aprendizaje Automático para Principiantes](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico. -En el Aprendizaje Automático, asumimos que tenemos un conjunto de datos de ejemplos **X** y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**. +En el Aprendizaje Automático, asumimos que tenemos algún conjunto de datos de ejemplos **X**, y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**. Consideraremos los dos problemas más comunes del aprendizaje automático: * **Clasificación**, donde necesitamos clasificar un objeto de entrada en dos o más clases. * **Regresión**, donde necesitamos predecir un valor numérico para cada una de las muestras de entrada. -> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son un vector de tamaño M. +> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son el vector de tamaño M. -En este plan de estudios, nos centraremos únicamente en modelos de redes neuronales. +En este currículo, nos enfocaremos únicamente en modelos de redes neuronales. ## Un Modelo de Neurona -De la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de las cuales tiene múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden mostrar diferentes grados de conductividad (controlados por neuromediadores). +Desde la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de ellas con múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden exhibir diferentes grados de conductividad (controlados por neuromediadores). -![Modelo de una Neurona](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![Modelo de una Neurona](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![Modelo de una Neurona](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.es.jpg) | ![Modelo de una Neurona](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.es.png) ----|---- Neurona Real *([Imagen](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipedia)* | Neurona Artificial *(Imagen del Autor)* -Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X1, ..., XN y una salida Y, junto con una serie de pesos W1, ..., WN. La salida se calcula como: +Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X1, ..., XN y una salida Y, y una serie de pesos W1, ..., WN. La salida se calcula como: Y = f\left(\sum_{i=1}^N X_iW_i\right) @@ -51,10 +51,12 @@ donde f es alguna **función de activación** no lineal. ## En esta Sección En esta sección aprenderemos sobre: -* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación en dos clases. -* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb). -* [Marcos de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb). -* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks). +* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación de dos clases +* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](04-OwnFramework/OwnFramework.ipynb) +* [Marcos de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks) + +--- **Descargo de responsabilidad**: -Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Si bien nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción. \ No newline at end of file +Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Si bien nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción. \ No newline at end of file diff --git a/translations/fa/lessons/3-NeuralNetworks/README.md b/translations/fa/lessons/3-NeuralNetworks/README.md index a26eddea..12890e4d 100644 --- a/translations/fa/lessons/3-NeuralNetworks/README.md +++ b/translations/fa/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # مقدمه‌ای بر شبکه‌های عصبی -![خلاصه‌ای از محتوای مقدمه شبکه‌های عصبی در یک طرح](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![خلاصه‌ای از محتوای مقدمه شبکه‌های عصبی در یک طرح](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fa.png) -همان‌طور که در مقدمه بحث کردیم، یکی از راه‌های دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدل‌های ریاضی مختلفی را امتحان کردند، تا اینکه در سال‌های اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدل‌های ریاضی از مغز، **شبکه‌های عصبی** نامیده می‌شوند. +همان‌طور که در مقدمه بحث کردیم، یکی از راه‌های دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدل‌های ریاضی مختلفی را امتحان کردند، تا اینکه در سال‌های اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدل‌های ریاضی مغز به نام **شبکه‌های عصبی** شناخته می‌شوند. -> گاهی اوقات شبکه‌های عصبی را *شبکه‌های عصبی مصنوعی* یا ANNs می‌نامند تا مشخص شود که درباره مدل‌ها صحبت می‌کنیم، نه شبکه‌های واقعی نورون‌ها. +> گاهی شبکه‌های عصبی را *شبکه‌های عصبی مصنوعی* یا ANNs می‌نامند تا مشخص شود که درباره مدل‌ها صحبت می‌کنیم، نه شبکه‌های واقعی نورون‌ها. ## یادگیری ماشین -شبکه‌های عصبی بخشی از یک حوزه بزرگ‌تر به نام **یادگیری ماشین** هستند که هدف آن استفاده از داده‌ها برای آموزش مدل‌های کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل می‌دهد، اما ما در این دوره به یادگیری ماشین کلاسیک نمی‌پردازیم. +شبکه‌های عصبی بخشی از یک حوزه بزرگ‌تر به نام **یادگیری ماشین** هستند که هدف آن استفاده از داده‌ها برای آموزش مدل‌های کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل می‌دهد، اما ما در این برنامه آموزشی به یادگیری ماشین کلاسیک نمی‌پردازیم. -> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به دوره جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید. +> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به برنامه آموزشی جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید. -در یادگیری ماشین، فرض می‌کنیم که یک مجموعه داده از نمونه‌ها **X** و مقادیر خروجی متناظر **Y** داریم. نمونه‌ها اغلب بردارهای N-بعدی هستند که از **ویژگی‌ها** تشکیل شده‌اند و خروجی‌ها **برچسب‌ها** نامیده می‌شوند. +در یادگیری ماشین، فرض می‌کنیم که یک مجموعه داده از نمونه‌ها **X** و مقادیر خروجی متناظر **Y** داریم. نمونه‌ها اغلب بردارهای N-بعدی هستند که شامل **ویژگی‌ها** می‌شوند، و خروجی‌ها به نام **برچسب‌ها** شناخته می‌شوند. ما به دو مسئله رایج یادگیری ماشین می‌پردازیم: * **طبقه‌بندی**، که در آن باید یک شی ورودی را به دو یا چند کلاس دسته‌بندی کنیم. * **رگرسیون**، که در آن باید یک عدد عددی را برای هر یک از نمونه‌های ورودی پیش‌بینی کنیم. -> هنگامی که ورودی‌ها و خروجی‌ها را به صورت تنسورها نمایش می‌دهیم، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که در آن M تعداد نمونه‌ها و N تعداد ویژگی‌ها است. برچسب‌های خروجی Y یک بردار با ابعاد M است. +> هنگام نمایش ورودی‌ها و خروجی‌ها به صورت تنسورها، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که M تعداد نمونه‌ها و N تعداد ویژگی‌ها است. برچسب‌های خروجی **Y** یک بردار با اندازه M است. -در این دوره، ما فقط بر مدل‌های شبکه عصبی تمرکز خواهیم کرد. +در این برنامه آموزشی، ما فقط بر مدل‌های شبکه عصبی تمرکز خواهیم کرد. -## مدلی از یک نورون +## مدل یک نورون -از زیست‌شناسی می‌دانیم که مغز ما از سلول‌های عصبی تشکیل شده است، که هر یک از آن‌ها دارای چندین "ورودی" (آکسون‌ها) و یک خروجی (دندریت) هستند. آکسون‌ها و دندریت‌ها می‌توانند سیگنال‌های الکتریکی را منتقل کنند و اتصالات بین آکسون‌ها و دندریت‌ها می‌توانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل می‌شود). +از زیست‌شناسی می‌دانیم که مغز ما از سلول‌های عصبی تشکیل شده است، که هر کدام دارای چندین "ورودی" (آکسون‌ها) و یک خروجی (دندریت) هستند. آکسون‌ها و دندریت‌ها می‌توانند سیگنال‌های الکتریکی را منتقل کنند، و اتصالات بین آکسون‌ها و دندریت‌ها می‌توانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل می‌شود). -![مدل یک نورون](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![مدل یک نورون](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![مدل یک نورون](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fa.jpg) | ![مدل یک نورون](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fa.png) ----|---- -نورون واقعی *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) از ویکی‌پدیا)* | نورون مصنوعی *(تصویر از نویسنده)* +نورون واقعی *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) از ویکی‌پدیا)* | نورون مصنوعی *(تصویر توسط نویسنده)* -بنابراین، ساده‌ترین مدل ریاضی یک نورون شامل چندین ورودی X1, ..., XN و یک خروجی Y و یک سری وزن W1, ..., WN است. خروجی به صورت زیر محاسبه می‌شود: +بنابراین، ساده‌ترین مدل ریاضی یک نورون شامل چندین ورودی X1, ..., XN و یک خروجی Y، و مجموعه‌ای از وزن‌ها W1, ..., WN است. خروجی به صورت زیر محاسبه می‌شود: Y = f\left(\sum_{i=1}^N X_iW_i\right) که در آن f یک **تابع فعال‌سازی** غیرخطی است. -> مدل‌های اولیه نورون در مقاله کلاسیک [یک حساب منطقی از ایده‌های ذاتی در فعالیت عصبی](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) توسط وارن مک‌کالوک و والتر پیتس در سال 1943 توصیف شدند. دونالد هب در کتاب خود "[سازمان رفتار: یک نظریه عصب‌روان‌شناختی](https://books.google.com/books?id=VNetYrB8EBoC)" روش آموزش این شبکه‌ها را پیشنهاد کرد. +> مدل‌های اولیه نورون در مقاله کلاسیک [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) توسط وارن مک‌کالاک و والتر پیتس در سال 1943 توصیف شدند. دونالد هب در کتاب خود "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" روش آموزش این شبکه‌ها را پیشنهاد کرد. ## در این بخش در این بخش درباره موارد زیر یاد خواهیم گرفت: * [پرسیپترون](03-Perceptron/README.md)، یکی از اولین مدل‌های شبکه عصبی برای طبقه‌بندی دوکلاسه -* [شبکه‌های چندلایه](04-OwnFramework/README.md) همراه با یک نوت‌بوک [چگونه چارچوب خودمان را بسازیم](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [چارچوب‌های شبکه عصبی](05-Frameworks/README.md)، همراه با این نوت‌بوک‌ها: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [شبکه‌های چندلایه](04-OwnFramework/README.md) همراه با دفترچه‌ای برای [ساخت چارچوب خودمان](04-OwnFramework/OwnFramework.ipynb) +* [چارچوب‌های شبکه عصبی](05-Frameworks/README.md)، همراه با این دفترچه‌ها: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [بیش‌برازش](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **سلب مسئولیت**: -این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم. \ No newline at end of file +این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم. \ No newline at end of file diff --git a/translations/fi/lessons/3-NeuralNetworks/README.md b/translations/fi/lessons/3-NeuralNetworks/README.md index cd4690de..d156a9c6 100644 --- a/translations/fi/lessons/3-NeuralNetworks/README.md +++ b/translations/fi/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,60 @@ -# Johdanto neuroverkkoihin +# Johdatus neuroverkkoihin -![Yhteenveto neuroverkkojen johdannosta doodlessa](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fi.png) +![Yhteenveto neuroverkkojen johdannosta doodle-kuvana](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fi.png) -Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivo**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Näitä aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**. +Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivo**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Tällaisia aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**. -> Neuroverkkoja kutsutaan joskus *keinotekoisiksi neuroverkoiksi* (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat hermosolujen verkostot. +> Neuroverkkoja kutsutaan joskus *keinotekoisiksi neuroverkoiksi* (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat neuroniverkot. ## Koneoppiminen Neuroverkot ovat osa laajempaa tieteenalaa nimeltä **koneoppiminen**, jonka tavoitteena on käyttää dataa tietokonemallien kouluttamiseen ongelmien ratkaisemiseksi. Koneoppiminen muodostaa suuren osan tekoälystä, mutta emme käsittele perinteistä koneoppimista tässä oppimateriaalissa. -> Tutustu erilliseen **[Koneoppiminen aloittelijoille](http://github.com/microsoft/ml-for-beginners)** -opetussuunnitelmaamme oppiaksesi lisää perinteisestä koneoppimisesta. +> Tutustu erilliseen **[Koneoppiminen aloittelijoille](http://github.com/microsoft/ml-for-beginners)** -oppimateriaaliimme oppiaksesi lisää perinteisestä koneoppimisesta. -Koneoppimisessa oletamme, että meillä on jokin esimerkkien **X** datasetti ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **piirteistä**, ja tuloksia kutsutaan **luokiksi**. +Koneoppimisessa oletamme, että meillä on jokin esimerkkidatasetti **X** ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **ominaisuuksista**, ja tulokset kutsutaan **luokiksi**. Käsittelemme kahta yleisintä koneoppimisongelmaa: * **Luokittelu**, jossa meidän täytyy luokitella syöteobjekti kahteen tai useampaan luokkaan. -* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo jokaiselle syötenäytteelle. +* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo kullekin syöte-esimerkille. -> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on näytteiden määrä ja N on piirteiden määrä. Tulosluokat Y ovat M-kokoinen vektori. +> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on esimerkkien lukumäärä ja N on ominaisuuksien lukumäärä. Tulosluokat Y ovat M-kokoinen vektori. Tässä oppimateriaalissa keskitymme vain neuroverkkopohjaisiin malleihin. -## Hermosolun malli +## Neuronin malli -Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "tuloja" (aksonit) ja yksi lähtö (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (joita säätelevät välittäjäaineet). +Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "syötteitä" (aksonit) ja yksi "tulos" (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (neuromediaattoreiden sääteleminä). -![Hermosolun malli](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fi.jpg) | ![Hermosolun malli](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fi.png) +![Neuronin malli](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fi.jpg) | ![Neuronin malli](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fi.png) ----|---- -Oikea hermosolu *([Kuva](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediasta)* | Keinotekoinen hermosolu *(Kuva tekijältä)* +Oikea neuroni *([Kuva](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediasta)* | Keinotekoinen neuroni *(Kuva tekijältä)* -Näin ollen yksinkertaisin matemaattinen hermosolumalli sisältää useita tuloja X1, ..., XN ja yhden lähdön Y sekä joukon painoja W1, ..., WN. Lähtö lasketaan seuraavasti: +Näin ollen yksinkertaisin matemaattinen malli neuronista sisältää useita syötteitä X1, ..., XN ja yhden tuloksen Y sekä joukon painoja W1, ..., WN. Tulos lasketaan seuraavasti: Y = f\left(\sum_{i=1}^N X_iW_i\right) missä f on jokin epälineaarinen **aktivointifunktio**. -> Varhaiset hermosolumallit kuvattiin klassisessa artikkelissa [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), jonka kirjoittivat Warren McCullock ja Walter Pitts vuonna 1943. Donald Hebb ehdotti kirjassaan "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" tapaa, jolla näitä verkkoja voidaan kouluttaa. +> Varhaiset neuronimallit kuvattiin klassisessa artikkelissa [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), jonka kirjoittivat Warren McCullock ja Walter Pitts vuonna 1943. Donald Hebb ehdotti kirjassaan "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" tapaa, jolla näitä verkkoja voidaan kouluttaa. ## Tässä osiossa -Tässä osiossa opimme: -* [Perceptronista](03-Perceptron/README.md), joka on yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaiseen luokitteluun -* [Monikerroksisista verkoista](04-OwnFramework/README.md) ja siihen liittyvästä muistikirjasta [kuinka rakentaa oma kehys](04-OwnFramework/OwnFramework.ipynb) -* [Neuroverkkokehityksestä](05-Frameworks/README.md) ja näistä muistikirjoista: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ja [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) -* [Ylitrainauksesta](../../../../lessons/3-NeuralNetworks/05-Frameworks) +Tässä osiossa opimme seuraavista aiheista: +* [Perceptron](03-Perceptron/README.md), yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaluokitteluun +* [Monikerroksiset verkot](04-OwnFramework/README.md) ja niihin liittyvä muistikirja [kuinka rakentaa oma kehys](04-OwnFramework/OwnFramework.ipynb) +* [Neuroverkkokehykset](05-Frameworks/README.md), ja näihin liittyvät muistikirjat: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ja [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Ylisuorittaminen](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- diff --git a/translations/fr/lessons/3-NeuralNetworks/README.md b/translations/fr/lessons/3-NeuralNetworks/README.md index 9254abb7..74183ca8 100644 --- a/translations/fr/lessons/3-NeuralNetworks/README.md +++ b/translations/fr/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# מבוא לרשתות נוירונים +# מבוא לרשתות עצביות -![סיכום תוכן מבוא לרשתות נוירונים בציור](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.he.png) +![סיכום תוכן מבוא לרשתות עצביות בציור](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.he.png) -כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות נוירונים**. +כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות עצביות**. -> לעיתים רשתות נוירונים נקראות *רשתות נוירונים מלאכותיות* (Artificial Neural Networks, ANNs), כדי להבהיר שמדובר במודלים ולא ברשתות נוירונים אמיתיות. +> לעיתים רשתות עצביות נקראות *רשתות עצביות מלאכותיות*, ANNs, כדי להבהיר שמדובר במודלים ולא ברשתות אמיתיות של נוירונים. ## למידת מכונה -רשתות נוירונים הן חלק מתחום רחב יותר שנקרא **למידת מכונה**, שמטרתו להשתמש בנתונים כדי לאמן מודלים ממוחשבים שיכולים לפתור בעיות. למידת מכונה מהווה חלק גדול מבינה מלאכותית, אך בתוכנית לימודים זו לא נעסוק בלמידת מכונה קלאסית. +רשתות עצביות הן חלק מתחום רחב יותר שנקרא **למידת מכונה**, שמטרתו להשתמש בנתונים כדי לאמן מודלים מחשב המסוגלים לפתור בעיות. למידת מכונה מהווה חלק גדול מבינה מלאכותית, אך אנו לא מכסים למידת מכונה קלאסית בתוכנית לימודים זו. > בקרו בתוכנית הלימודים הנפרדת שלנו **[למידת מכונה למתחילים](http://github.com/microsoft/ml-for-beginners)** כדי ללמוד עוד על למידת מכונה קלאסית. -בלמידת מכונה, אנו מניחים שיש לנו מערך נתונים של דוגמאות **X**, וערכי פלט תואמים **Y**. הדוגמאות הן לרוב וקטורים N-ממדיים שמכילים **מאפיינים**, והפלטים נקראים **תוויות**. +בלמידת מכונה, אנו מניחים שיש לנו מערך נתונים של דוגמאות **X**, וערכי פלט תואמים **Y**. דוגמאות הן לעיתים וקטורים N-ממדיים שמורכבים מ**מאפיינים**, והפלטים נקראים **תוויות**. נבחן את שתי הבעיות הנפוצות ביותר בלמידת מכונה: -* **סיווג**, שבו עלינו לסווג אובייקט קלט לשתי קטגוריות או יותר. -* **רגרסיה**, שבה עלינו לחזות מספר נומרי עבור כל אחת מדוגמאות הקלט. +* **סיווג**, שבו אנו צריכים לסווג אובייקט קלט לשתי קטגוריות או יותר. +* **רגרסיה**, שבה אנו צריכים לחזות מספר נומרי עבור כל אחת מדוגמאות הקלט. -> כאשר מייצגים קלטים ופלטים כטנסורים, מערך הקלט הוא מטריצה בגודל M×N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M. +> כאשר מייצגים קלטים ופלטים כטנזורים, מערך הקלט הוא מטריצה בגודל M×N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M. -בתוכנית לימודים זו נתמקד רק במודלים של רשתות נוירונים. +בתוכנית לימודים זו, נתמקד רק במודלים של רשתות עצביות. ## מודל של נוירון -מהביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב, שלכל אחד מהם יש מספר "קלטים" (אקסונים) ופלט אחד (דנדריט). האקסונים והדנדריטים יכולים להוליך אותות חשמליים, והחיבורים בין האקסונים לדנדריטים יכולים להציג דרגות שונות של מוליכות (שנשלטות על ידי נוירומדיאטורים). +מביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב, שלכל אחד מהם יש מספר "קלטים" (אקסונים) ופלט (דנדריט). אקסונים ודנדריטים יכולים להוליך אותות חשמליים, והחיבורים בין אקסונים לדנדריטים יכולים להציג דרגות שונות של מוליכות (נשלטות על ידי נוירומדיאטורים). ![מודל של נוירון](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.he.jpg) | ![מודל של נוירון](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.he.png) ----|---- נוירון אמיתי *([תמונה](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) מוויקיפדיה)* | נוירון מלאכותי *(תמונה מאת המחבר)* -לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X1, ..., XN ופלט Y, וסדרה של משקלים W1, ..., WN. הפלט מחושב כך: +לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X1, ..., XN ופלט Y, וסדרה של משקלים W1, ..., WN. הפלט מחושב כ: Y = f\left(\sum_{i=1}^N X_iW_i\right) -כאשר f היא **פונקציית הפעלה** לא לינארית כלשהי. +כאשר f היא **פונקציית הפעלה** לא ליניארית. -> המודלים הראשונים של נוירון תוארו במאמר הקלאסי [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) מאת וורן מקולוק וולטר פיטס בשנת 1943. דונלד הב בספרו "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" הציע כיצד ניתן לאמן רשתות אלו. +> מודלים מוקדמים של נוירון תוארו במאמר הקלאסי [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) מאת וורן מק'קולוק וולטר פיטס בשנת 1943. דונלד הב בספרו "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" הציע את הדרך שבה ניתן לאמן רשתות אלו. -## בפרק זה +## בסעיף זה -בפרק זה נלמד על: -* [פרספטרון](03-Perceptron/README.md), אחד המודלים הראשונים של רשתות נוירונים לסיווג דו-קטגורי -* [רשתות מרובות שכבות](04-OwnFramework/README.md) עם מחברת נלווית [כיצד לבנות מסגרת משלנו](04-OwnFramework/OwnFramework.ipynb) -* [מסגרות לרשתות נוירונים](05-Frameworks/README.md), עם המחברות הבאות: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ו-[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) -* [התאמת יתר](../../../../lessons/3-NeuralNetworks/05-Frameworks) +בסעיף זה נלמד על: +* [פרספטרון](03-Perceptron/README.md), אחד המודלים הראשונים של רשתות עצביות לסיווג דו-קטגורי +* [רשתות רב-שכבתיות](04-OwnFramework/README.md) עם מחברת מצורפת [איך לבנות את המסגרת שלנו](04-OwnFramework/OwnFramework.ipynb) +* [מסגרות רשתות עצביות](05-Frameworks/README.md), עם המחברות הבאות: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ו-[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [אוברפיטינג](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **כתב ויתור**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file +מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file diff --git a/translations/hi/lessons/3-NeuralNetworks/README.md b/translations/hi/lessons/3-NeuralNetworks/README.md index 345234d4..ecaf8a8d 100644 --- a/translations/hi/lessons/3-NeuralNetworks/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # न्यूरल नेटवर्क्स का परिचय -![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक डूडल में](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक चित्र में](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hi.png) -जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है एक **कंप्यूटर मॉडल** या एक **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों को आज़माया, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है। +जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है **कंप्यूटर मॉडल** या **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों को आजमाया, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है। -> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* या ANNs कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन्स के नेटवर्क की। +> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks या ANNs) कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन नेटवर्क्स की। ## मशीन लर्निंग -न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है जो समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करेंगे। +न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है जो समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता (Artificial Intelligence) का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करते हैं। > पारंपरिक मशीन लर्निंग के बारे में अधिक जानने के लिए हमारे अलग **[मशीन लर्निंग फॉर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रम पर जाएं। -मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटासेट **X** और उनके संबंधित आउटपुट मान **Y** हैं। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **फीचर्स** से मिलकर बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है। +मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटा सेट **X** और उनके संबंधित आउटपुट मान **Y** है। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **विशेषताओं** (features) से बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है। हम मशीन लर्निंग की दो सबसे सामान्य समस्याओं पर विचार करेंगे: -* **वर्गीकरण (Classification)**, जिसमें हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है। -* **प्रतिगमन (Regression)**, जिसमें हमें प्रत्येक इनपुट सैंपल के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है। +* **वर्गीकरण (Classification)**, जहां हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है। +* **प्रतिगमन (Regression)**, जहां हमें प्रत्येक इनपुट नमूने के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है। -> जब इनपुट और आउटपुट को टेन्सर्स के रूप में दर्शाया जाता है, तो इनपुट डेटासेट M×N आकार का एक मैट्रिक्स होता है, जहां M सैंपल्स की संख्या है और N फीचर्स की संख्या है। आउटपुट लेबल्स Y M आकार का एक वेक्टर होता है। +> जब इनपुट और आउटपुट को टेन्सर्स के रूप में प्रस्तुत किया जाता है, तो इनपुट डेटा सेट M×N आकार का मैट्रिक्स होता है, जहां M नमूनों की संख्या है और N विशेषताओं की संख्या है। आउटपुट लेबल्स **Y** M आकार का वेक्टर होता है। इस पाठ्यक्रम में, हम केवल न्यूरल नेटवर्क मॉडलों पर ध्यान केंद्रित करेंगे। -## न्यूरॉन का एक मॉडल +## न्यूरॉन का मॉडल -जीवविज्ञान से हम जानते हैं कि हमारा मस्तिष्क न्यूरल कोशिकाओं से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (एक्सॉन्स) और एक आउटपुट (डेंड्राइट) होता है। एक्सॉन्स और डेंड्राइट्स विद्युत संकेतों का संचालन कर सकते हैं, और एक्सॉन्स और डेंड्राइट्स के बीच के कनेक्शन विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं (जो न्यूरोमीडिएटर्स द्वारा नियंत्रित होती है)। +जीवविज्ञान से हमें पता चलता है कि हमारा मस्तिष्क न्यूरल कोशिकाओं से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (axons) और एक आउटपुट (dendrite) होता है। Axons और dendrites विद्युत संकेतों को संचालित कर सकते हैं, और axons और dendrites के बीच के कनेक्शन विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं (neuromediators द्वारा नियंत्रित)। -![न्यूरॉन का मॉडल](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![न्यूरॉन का मॉडल](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![न्यूरॉन का मॉडल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hi.jpg) | ![न्यूरॉन का मॉडल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hi.png) ----|---- वास्तविक न्यूरॉन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडिया से)* | कृत्रिम न्यूरॉन *(लेखक द्वारा बनाई गई छवि)* -इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X1, ..., XN और एक आउटपुट Y, और वज़नों की एक श्रृंखला W1, ..., WN को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है: +इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X1, ..., XN और एक आउटपुट Y, और कई वेट्स W1, ..., WN को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है: Y = f\left(\sum_{i=1}^N X_iW_i\right) -जहां f एक गैर-रेखीय **सक्रियण फ़ंक्शन** है। +जहां f एक गैर-रेखीय **सक्रियता फ़ंक्शन** (activation function) है। -> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में इन नेटवर्क्स को प्रशिक्षित करने के तरीके का प्रस्ताव दिया। +> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में यह प्रस्तावित किया कि इन नेटवर्क्स को कैसे प्रशिक्षित किया जा सकता है। -## इस खंड में +## इस अनुभाग में -इस खंड में हम निम्नलिखित के बारे में जानेंगे: +इस अनुभाग में हम निम्नलिखित के बारे में जानेंगे: * [परसेप्ट्रॉन](03-Perceptron/README.md), दो-वर्ग वर्गीकरण के लिए सबसे प्रारंभिक न्यूरल नेटवर्क मॉडलों में से एक -* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना खुद का फ्रेमवर्क कैसे बनाएं](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), इन नोटबुक्स के साथ: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना फ्रेमवर्क कैसे बनाएं](04-OwnFramework/OwnFramework.ipynb) +* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), और ये नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [ओवरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **अस्वीकरण**: यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं। \ No newline at end of file diff --git a/translations/hk/lessons/3-NeuralNetworks/README.md b/translations/hk/lessons/3-NeuralNetworks/README.md index 6b4e402a..66ecbfd8 100644 --- a/translations/hk/lessons/3-NeuralNetworks/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # 神經網絡簡介 -![神經網絡內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hk.png) +![神經網絡簡介內容的手繪摘要](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hk.png) -如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網絡**。 +正如我們在介紹中討論過的，實現智能的一種方法是訓練一個**計算機模型**或一個**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近，這一方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網絡**。 -> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。 +> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。 ## 機器學習 -神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的一大部分，但我們在這個課程中不會涵蓋傳統的機器學習。 +神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型來解決問題。機器學習構成了人工智能的重要部分，但我們在這個課程中不會涵蓋傳統的機器學習。 -> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，了解更多關於傳統機器學習的內容。 +> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。 -在機器學習中，我們假設有一些例子數據集 **X** 和相應的輸出值 **Y**。例子通常是由**特徵**組成的 N 維向量，而輸出被稱為**標籤**。 +在機器學習中，我們假設有一些樣本數據集 **X**，以及對應的輸出值 **Y**。樣本通常是由**特徵**組成的N維向量，而輸出則稱為**標籤**。 -我們將探討兩種最常見的機器學習問題： +我們將考慮兩種最常見的機器學習問題： * **分類**，我們需要將輸入對象分類到兩個或多個類別中。 * **回歸**，我們需要為每個輸入樣本預測一個數值。 -> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。 +> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。 在這個課程中，我們將只專注於神經網絡模型。 ## 神經元的模型 -從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突和樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。 +從生物學中我們知道，大腦由神經細胞組成，每個神經細胞都有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。 -![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hk.jpg) | ![人工神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hk.png) +![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hk.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hk.png) ----|---- -真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供的圖片）* +真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）* -因此，神經元的最簡單數學模型包含幾個輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： +因此，神經元的最簡單數學模型包含若干輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 -> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網絡的訓練方法。 +> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的著作《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了訓練這些網絡的方法。 -## 本章內容 +## 本節內容 -在本章中，我們將學習以下內容： +在本節中，我們將學習以下內容： * [感知器](03-Perceptron/README.md)，一種最早的用於二分類的神經網絡模型 -* [多層網絡](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [多層網絡](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb) +* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **免責聲明**： -本文件使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。 \ No newline at end of file +本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。 \ No newline at end of file diff --git a/translations/hr/lessons/3-NeuralNetworks/README.md b/translations/hr/lessons/3-NeuralNetworks/README.md index 29db9847..f1bb0f86 100644 --- a/translations/hr/lessons/3-NeuralNetworks/README.md +++ b/translations/hr/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# Pengantar Jaringan Saraf +# Pengantar Jaringan Neural -![Ringkasan konten Pengantar Jaringan Saraf dalam bentuk coretan](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.id.png) +![Ringkasan konten Pengantar Jaringan Neural dalam bentuk doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.id.png) -Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir pendekatan ini terbukti sangat berhasil. Model matematika otak seperti ini disebut **jaringan saraf**. +Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir arah ini terbukti sangat berhasil. Model matematika otak semacam ini disebut **jaringan neural**. -> Kadang-kadang jaringan saraf disebut *Artificial Neural Networks* atau ANNs, untuk menunjukkan bahwa kita sedang membicarakan model, bukan jaringan neuron yang sebenarnya. +> Kadang-kadang jaringan neural disebut *Artificial Neural Networks* atau ANNs, untuk menunjukkan bahwa kita sedang berbicara tentang model, bukan jaringan neuron yang sebenarnya. ## Pembelajaran Mesin -Jaringan Saraf adalah bagian dari disiplin yang lebih besar yang disebut **Pembelajaran Mesin** (Machine Learning), yang bertujuan menggunakan data untuk melatih model komputer agar dapat menyelesaikan masalah. Pembelajaran Mesin merupakan bagian besar dari Kecerdasan Buatan, namun, kita tidak akan membahas Pembelajaran Mesin klasik dalam kurikulum ini. +Jaringan Neural adalah bagian dari disiplin yang lebih besar yang disebut **Pembelajaran Mesin** (Machine Learning), yang bertujuan menggunakan data untuk melatih model komputer agar dapat menyelesaikan masalah. Pembelajaran Mesin merupakan bagian besar dari Kecerdasan Buatan, namun, kita tidak akan membahas Pembelajaran Mesin klasik dalam kurikulum ini. > Kunjungi kurikulum terpisah kami **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik. -Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai keluaran yang sesuai **Y**. Contoh-contoh ini sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan keluaran disebut **label**. +Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai keluaran yang sesuai **Y**. Contoh sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan keluaran disebut **label**. Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling umum: -* **Klasifikasi**, di mana kita perlu mengklasifikasikan sebuah objek masukan ke dalam dua atau lebih kelas. -* **Regresi**, di mana kita perlu memprediksi sebuah angka numerik untuk setiap sampel masukan. +* **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input ke dalam dua atau lebih kelas. +* **Regresi**, di mana kita perlu memprediksi angka numerik untuk setiap sampel input. -> Ketika merepresentasikan masukan dan keluaran sebagai tensor, dataset masukan adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M. +> Saat merepresentasikan input dan output sebagai tensor, dataset input adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M. -Dalam kurikulum ini, kita hanya akan fokus pada model jaringan saraf. +Dalam kurikulum ini, kita hanya akan fokus pada model jaringan neural. -## Model Sebuah Neuron +## Model Neuron -Dari biologi, kita tahu bahwa otak kita terdiri dari sel-sel saraf, masing-masing memiliki beberapa "masukan" (akson), dan satu keluaran (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neuromediator). +Dari biologi kita tahu bahwa otak kita terdiri dari sel-sel neural, masing-masing memiliki banyak "input" (akson), dan satu output (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neurotransmiter). ![Model Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.id.jpg) | ![Model Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.id.png) ----|---- Neuron Asli *([Gambar](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Buatan *(Gambar oleh Penulis)* -Dengan demikian, model matematika paling sederhana dari sebuah neuron memiliki beberapa masukan X1, ..., XN dan satu keluaran Y, serta serangkaian bobot W1, ..., WN. Keluaran dihitung sebagai: +Dengan demikian, model matematika paling sederhana dari neuron memiliki beberapa input X1, ..., XN dan satu output Y, serta serangkaian bobot W1, ..., WN. Output dihitung sebagai: Y = f\left(\sum_{i=1}^N X_iW_i\right) di mana f adalah beberapa **fungsi aktivasi** non-linear. -> Model awal neuron dijelaskan dalam makalah klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mengusulkan cara melatih jaringan tersebut. +> Model awal neuron dijelaskan dalam makalah klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mengusulkan cara jaringan tersebut dapat dilatih. ## Dalam Bagian Ini Dalam bagian ini kita akan mempelajari tentang: -* [Perceptron](03-Perceptron/README.md), salah satu model jaringan saraf paling awal untuk klasifikasi dua kelas +* [Perceptron](03-Perceptron/README.md), salah satu model jaringan neural paling awal untuk klasifikasi dua kelas * [Jaringan berlapis-lapis](04-OwnFramework/README.md) dengan notebook pendamping [cara membangun kerangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb) -* [Kerangka Kerja Jaringan Saraf](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Kerangka Kerja Jaringan Neural](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **Penafian**: -Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini. \ No newline at end of file +Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/it/lessons/3-NeuralNetworks/README.md b/translations/it/lessons/3-NeuralNetworks/README.md index 0149af67..0391126c 100644 --- a/translations/it/lessons/3-NeuralNetworks/README.md +++ b/translations/it/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 신경망 소개 -![신경망 소개 내용을 요약한 그림](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ko.png) +![신경망 소개 내용 요약 그림](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ko.png) -서론에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도해 왔으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다. +소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다. -> 때때로 신경망은 *인공 신경망* 또는 ANNs라고 불리며, 이는 우리가 실제 뉴런 네트워크가 아닌 모델에 대해 이야기하고 있음을 나타냅니다. +> 때때로 신경망은 *인공 신경망* 또는 ANNs라고 불리며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미합니다. -## 머신러닝 +## 머신 러닝 -신경망은 **머신러닝**이라는 더 큰 학문 분야의 일부로, 이 분야의 목표는 데이터를 사용하여 문제를 해결할 수 있는 컴퓨터 모델을 훈련시키는 것입니다. 머신러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신러닝에 대해 다루지 않습니다. +신경망은 **머신 러닝**이라는 더 큰 학문 분야의 일부로, 데이터로 컴퓨터 모델을 훈련시켜 문제를 해결하는 것을 목표로 합니다. 머신 러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신 러닝을 다루지 않습니다. -> 고전적인 머신러닝에 대해 더 배우고 싶다면, 별도의 **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요. +> 고전적인 머신 러닝에 대해 더 배우고 싶다면 별도의 **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요. -머신러닝에서는 **X**라는 예제 데이터셋과 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터이며, 출력은 **레이블**이라고 불립니다. +머신 러닝에서는 예제 데이터셋 **X**와 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터이며, 출력은 **레이블**이라고 합니다. -우리는 머신러닝에서 가장 일반적인 두 가지 문제를 고려할 것입니다: +우리는 가장 일반적인 두 가지 머신 러닝 문제를 고려할 것입니다: -* **분류**: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 문제. -* **회귀**: 각 입력 샘플에 대해 숫자 값을 예측해야 하는 문제. +* **분류**: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 경우. +* **회귀**: 각 입력 샘플에 대해 숫자를 예측해야 하는 경우. -> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 Y는 크기가 M인 벡터입니다. +> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 **Y**는 크기가 M인 벡터입니다. -이 커리큘럼에서는 신경망 모델에만 초점을 맞출 것입니다. +이 커리큘럼에서는 신경망 모델에만 집중할 것입니다. -## 뉴런의 모델 +## 뉴런 모델 -생물학에서 우리는 뇌가 신경 세포로 구성되어 있으며, 각 세포는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가지고 있음을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 전도도의 정도가 다를 수 있습니다(신경전달물질에 의해 제어됨). +생물학적으로 우리의 뇌는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가진 신경 세포로 구성되어 있다는 것을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 다양한 전도성을 나타낼 수 있습니다(신경전달물질에 의해 제어됨). -![뉴런의 모델](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ko.jpg) | ![뉴런의 모델](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ko.png) +![뉴런 모델](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ko.jpg) | ![뉴런 모델](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ko.png) ----|---- -실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) - 위키백과)* | 인공 뉴런 *(작성자 제공 이미지)* +실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 출처: Wikipedia)* | 인공 뉴런 *(저자 제공 이미지)* 따라서 뉴런의 가장 간단한 수학적 모델은 여러 입력 X1, ..., XN과 출력 Y, 그리고 일련의 가중치 W1, ..., WN을 포함합니다. 출력은 다음과 같이 계산됩니다: @@ -48,13 +48,15 @@ CO_OP_TRANSLATOR_METADATA: > 초기 뉴런 모델은 Warren McCullock과 Walter Pitts가 1943년에 발표한 고전 논문 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)에서 설명되었습니다. Donald Hebb는 그의 책 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다. -## 이 섹션에서 다룰 내용 +## 이 섹션에서 -이 섹션에서는 다음 내용을 학습합니다: -* [퍼셉트론](03-Perceptron/README.md): 이진 분류를 위한 초기 신경망 모델 중 하나 -* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크 구축](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb)과 관련된 노트북 포함 -* [신경망 프레임워크](05-Frameworks/README.md): [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) 관련 노트북 포함 -* [과적합](../../../../lessons/3-NeuralNetworks/05-Frameworks) +이 섹션에서는 다음을 배울 것입니다: +* [퍼셉트론](03-Perceptron/README.md): 두 클래스 분류를 위한 초기 신경망 모델 중 하나 +* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크를 구축하는 방법](04-OwnFramework/OwnFramework.ipynb)과 함께 제공되는 노트북 +* [신경망 프레임워크](05-Frameworks/README.md): 다음 노트북 포함 [PyTorch](05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [오버피팅](../../../../lessons/3-NeuralNetworks/05-Frameworks) + +--- **면책 조항**: -이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다. \ No newline at end of file +이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다. \ No newline at end of file diff --git a/translations/lt/lessons/3-NeuralNetworks/README.md b/translations/lt/lessons/3-NeuralNetworks/README.md index dac57fc4..85f67c74 100644 --- a/translations/lt/lessons/3-NeuralNetworks/README.md +++ b/translations/lt/lessons/3-NeuralNetworks/README.md @@ -1,44 +1,44 @@ -# Įvadas į Neuroninius Tinklus +# Įvadas į neuroninius tinklus -![Santrauka apie įvadą į neuroninius tinklus piešinyje](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.lt.png) +![Santrauka apie neuroninių tinklų įvadą piešinyje](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.lt.png) Kaip aptarėme įvade, vienas iš būdų pasiekti intelektą yra treniruoti **kompiuterinį modelį** arba **dirbtines smegenis**. Nuo XX a. vidurio mokslininkai bandė įvairius matematinius modelius, kol pastaraisiais metais ši kryptis tapo itin sėkminga. Tokie smegenų matematiniai modeliai vadinami **neuroniniais tinklais**. -> Kartais neuroniniai tinklai vadinami *Dirbtiniais Neuroniniais Tinklais* (Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne tikrus neuronų tinklus. +> Kartais neuroniniai tinklai vadinami *Dirbtiniais neuroniniais tinklais* (angl. Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne apie tikrus neuronų tinklus. -## Mašininis Mokymasis +## Mašininis mokymasis -Neuroniniai tinklai yra didesnės disciplinos, vadinamos **Mašininiu Mokymusi**, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio Intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime. +Neuroniniai tinklai yra platesnės disciplinos, vadinamos **Mašininiu mokymusi**, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime. -> Apsilankykite mūsų atskirame **[Mašininio Mokymosi pradedantiesiems](http://github.com/microsoft/ml-for-beginners)** kurse, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi. +> Apsilankykite mūsų atskirame kurse **[Mašininis mokymasis pradedantiesiems](http://github.com/microsoft/ml-for-beginners)**, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi. -Mašininiame mokymesi darome prielaidą, kad turime tam tikrą pavyzdžių rinkinį **X** ir atitinkamas išvesties reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensiniai vektoriai, sudaryti iš **savybių**, o išvestys vadinamos **žymėmis**. +Mašininiame mokymesi daroma prielaida, kad turime tam tikrą pavyzdžių duomenų rinkinį **X** ir atitinkamas išėjimo reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensijų vektoriai, sudaryti iš **savybių**, o išėjimai vadinami **žymėmis**. Mes nagrinėsime dvi dažniausiai pasitaikančias mašininio mokymosi problemas: -* **Klasifikacija**, kai reikia klasifikuoti įvesties objektą į dvi ar daugiau klasių. -* **Regresija**, kai reikia numatyti skaitinę reikšmę kiekvienam įvesties pavyzdžiui. +* **Klasifikacija**, kai reikia priskirti įvesties objektą vienai iš dviejų ar daugiau klasių. +* **Regresija**, kai reikia prognozuoti skaitinę reikšmę kiekvienam įvesties pavyzdžiui. -> Kai įvestys ir išvestys pateikiamos kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išvesties žymės Y yra M dydžio vektorius. +> Kai įvestys ir išėjimai pateikiami kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išėjimo žymės Y yra M dydžio vektorius. -Šiame kurse dėmesį skirsime tik neuroninių tinklų modeliams. +Šiame kurse dėmesį sutelksime tik į neuroninių tinklų modelius. -## Neurono Modelis +## Neurono modelis -Iš biologijos žinome, kad mūsų smegenys susideda iš neuroninių ląstelių, kurių kiekviena turi kelis "įėjimus" (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumo laipsnį (valdomą neuromediatoriais). +Iš biologijos žinome, kad mūsų smegenys sudarytos iš neuroninių ląstelių, kurių kiekviena turi kelis „įėjimus“ (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumą (kontroliuojamą neuromediatoriais). ![Neurono modelis](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.lt.jpg) | ![Neurono modelis](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.lt.png) ----|---- -Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Vaizdas autoriaus)* +Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Autoriaus vaizdas)* Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X1, ..., XN, vieną išėjimą Y ir svorių rinkinį W1, ..., WN. Išėjimas apskaičiuojamas taip: @@ -46,15 +46,15 @@ Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X1< kur f yra tam tikra nelinijinė **aktyvavimo funkcija**. -> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė būdą, kaip šiuos tinklus galima treniruoti. +> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė, kaip šiuos tinklus galima treniruoti. ## Šiame skyriuje Šiame skyriuje sužinosime apie: -* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių dviejų klasių klasifikavimo neuroninių tinklų modelių -* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygeliu [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb) +* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių neuroninių tinklų modelių, skirtų dviejų klasių klasifikacijai +* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygele [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb) * [Neuroninių tinklų sistemas](05-Frameworks/README.md), su šiomis užrašų knygelėmis: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ir [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) -* [Perteklinį pritaikymą](../../../../lessons/3-NeuralNetworks/05-Frameworks) +* [Perdidelį pritaikymą](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- diff --git a/translations/mo/lessons/3-NeuralNetworks/README.md b/translations/mo/lessons/3-NeuralNetworks/README.md index 2b27774b..e947addd 100644 --- a/translations/mo/lessons/3-NeuralNetworks/README.md +++ b/translations/mo/lessons/3-NeuralNetworks/README.md @@ -1,19 +1,19 @@ # 神經網路簡介 -![神經網路簡介內容摘要手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mo.png) +![神經網路簡介內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mo.png) -如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或一個**人工大腦**。自20世紀中期以來，研究人員嘗試了各種數學模型，直到最近，這一方向取得了巨大的成功。這些模仿大腦的數學模型被稱為**神經網路**。 +如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。 -> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而非真實的神經網路。 +> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。 ## 機器學習 @@ -21,40 +21,42 @@ CO_OP_TRANSLATOR_METADATA: > 請參考我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。 -在機器學習中，我們假設擁有一些範例數據集 **X**，以及對應的輸出值 **Y**。範例通常是由**特徵**組成的N維向量，而輸出則被稱為**標籤**。 +在機器學習中，我們假設有一些例子數據集 **X**，以及相應的輸出值 **Y**。例子通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。 我們將探討兩種最常見的機器學習問題： -* **分類**：我們需要將輸入對象分類到兩個或多個類別中。 -* **回歸**：我們需要為每個輸入樣本預測一個數值。 +* **分類**：需要將輸入對象分類到兩個或多個類別中。 +* **回歸**：需要為每個輸入樣本預測一個數值。 -> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。 +> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。 在這份課程中，我們將專注於神經網路模型。 ## 神經元的模型 -從生物學中我們知道，大腦由神經細胞組成，每個神經細胞有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。 +從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。 ![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.mo.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.mo.png) ----|---- -真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（圖片由作者提供）* +真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）* -因此，神經元的最簡單數學模型包含若干輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： +因此，神經元的最簡單數學模型包含幾個輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 -> 最早的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的著作《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了訓練這些網路的方法。 +> 早期的神經元模型在1943年由 Warren McCullock 和 Walter Pitts 在經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網路的訓練方法。 -## 本節內容 +## 本章內容 -在本節中，我們將學習以下內容： +在本章中，我們將學習以下內容： * [感知器](03-Perceptron/README.md)：最早的二分類神經網路模型之一 -* [多層網路](04-OwnFramework/README.md) 及其配套筆記本 [如何構建我們自己的框架](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [神經網路框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [多層網路](04-OwnFramework/README.md)：以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb) +* [神經網路框架](05-Frameworks/README.md)：包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **免責聲明**： -本文檔已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵信息，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。 \ No newline at end of file +本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。 \ No newline at end of file diff --git a/translations/mr/lessons/3-NeuralNetworks/README.md b/translations/mr/lessons/3-NeuralNetworks/README.md index 788db90f..540767e1 100644 --- a/translations/mr/lessons/3-NeuralNetworks/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # न्यूरल नेटवर्क्सची ओळख -![न्यूरल नेटवर्क्सच्या ओळखीचा सारांश एका चित्रात](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mr.png) +![न्यूरल नेटवर्क्सची ओळख याचा सारांश एका चित्रात](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mr.png) -जसे आपण प्रस्तावनेत चर्चा केली, बुद्धिमत्ता साध्य करण्याच्या मार्गांपैकी एक म्हणजे **कंप्युटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्सचा प्रयत्न केला, आणि अलीकडच्या वर्षांत हा दृष्टिकोन अत्यंत यशस्वी ठरला. मेंदूच्या अशा गणितीय मॉडेल्सना **न्यूरल नेटवर्क्स** म्हणतात. +जसे आपण परिचयात चर्चा केली, बुद्धिमत्ता मिळवण्याचा एक मार्ग म्हणजे **कंप्यूटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्स वापरून पाहिले, आणि अलीकडच्या वर्षांत या दिशेने मोठे यश मिळाले. मेंदूचे असे गणितीय मॉडेल्स **न्यूरल नेटवर्क्स** म्हणून ओळखले जातात. -> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks), ANNs असेही म्हणतात, जेणेकरून आपण खऱ्या न्यूरॉन्सच्या नेटवर्क्सबद्दल नव्हे तर मॉडेल्सबद्दल बोलत आहोत हे स्पष्ट होईल. +> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स* किंवा ANNs म्हणतात, जेणेकरून आपण मॉडेल्सबद्दल बोलत आहोत, वास्तविक न्यूरॉन्सच्या नेटवर्क्सबद्दल नाही. ## मशीन लर्निंग -न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या शाखेचा एक भाग आहे, ज्याचा उद्देश डेटाचा वापर करून समस्यांचे निराकरण करणारी संगणकीय मॉडेल्स तयार करणे आहे. मशीन लर्निंग हा कृत्रिम बुद्धिमत्तेचा एक महत्त्वाचा भाग आहे, परंतु या अभ्यासक्रमात आपण पारंपरिक मशीन लर्निंग कव्हर करणार नाही. +न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या क्षेत्राचा एक भाग आहे, ज्याचा उद्देश डेटा वापरून कंप्यूटर मॉडेल्स तयार करणे आहे जे समस्यांचे निराकरण करू शकतात. मशीन लर्निंग कृत्रिम बुद्धिमत्तेचा मोठा भाग आहे, परंतु या अभ्यासक्रमात आम्ही पारंपरिक मशीन लर्निंग कव्हर करत नाही. -> पारंपरिक मशीन लर्निंगबद्दल अधिक जाणून घेण्यासाठी आमचा स्वतंत्र **[मशीन लर्निंग फॉर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** अभ्यासक्रम पहा. +> पारंपरिक मशीन लर्निंगबद्दल अधिक जाणून घेण्यासाठी आमचा स्वतंत्र **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** अभ्यासक्रम भेट द्या. -मशीन लर्निंगमध्ये, आपण गृहीत धरतो की आपल्याकडे काही उदाहरणांचा डेटासेट **X** आणि त्यास अनुरूप आउटपुट मूल्ये **Y** आहेत. उदाहरणे ही सहसा **वैशिष्ट्ये** असलेल्या N-आयामी वेक्टर असतात, आणि आउटपुट्सना **लेबल्स** म्हणतात. +मशीन लर्निंगमध्ये, आपण गृहीत धरतो की आपल्याकडे काही उदाहरणांचा डेटा संच **X** आहे, आणि त्यासोबतचे आउटपुट मूल्ये **Y** आहेत. उदाहरणे अनेकदा N-आयामी व्हेक्टर असतात ज्यामध्ये **वैशिष्ट्ये** असतात, आणि आउटपुट्सना **लेबल्स** म्हणतात. आपण मशीन लर्निंगमधील दोन सर्वसामान्य समस्या विचारात घेऊ: -* **वर्गीकरण (Classification)**, जिथे आपल्याला इनपुट ऑब्जेक्टला दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे. -* **प्रत्यावर्तन (Regression)**, जिथे आपल्याला प्रत्येक इनपुट नमुन्यासाठी एक संख्यात्मक मूल्य भाकीत करायचे आहे. +* **वर्गीकरण**, जिथे आपल्याला इनपुट ऑब्जेक्टला दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे. +* **रेग्रेशन**, जिथे आपल्याला प्रत्येक इनपुट नमुन्यासाठी एक संख्यात्मक संख्या अंदाज करायची आहे. -> जेव्हा इनपुट्स आणि आउटपुट्सना टेन्सर्स म्हणून दर्शवले जाते, तेव्हा इनपुट डेटासेट M×N आकाराच्या मॅट्रिक्समध्ये असते, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा वेक्टर असतो. +> इनपुट्स आणि आउटपुट्सना टेन्सर्स म्हणून दर्शवताना, इनपुट डेटा संच M×N आकाराच्या मॅट्रिक्समध्ये असतो, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा व्हेक्टर असतो. -या अभ्यासक्रमात, आपण केवळ न्यूरल नेटवर्क मॉडेल्सवर लक्ष केंद्रित करू. +या अभ्यासक्रमात, आपण फक्त न्यूरल नेटवर्क मॉडेल्सवर लक्ष केंद्रित करू. ## न्यूरॉनचे मॉडेल -जीवशास्त्रातून आपल्याला माहित आहे की आपला मेंदू न्यूरल पेशींनी बनलेला आहे, ज्यामध्ये प्रत्येक पेशीला अनेक "इनपुट्स" (अॅक्सॉन्स) आणि एक आउटपुट (डेंड्राइट) असतो. अॅक्सॉन्स आणि डेंड्राइट्स विद्युत संकेत वाहून नेऊ शकतात, आणि अॅक्सॉन्स व डेंड्राइट्समधील जोडणी वेगवेगळ्या प्रवाहक्षमतेचे प्रदर्शन करू शकते (न्यूरोमेडिएटर्सद्वारे नियंत्रित). +जीवशास्त्रातून आपल्याला माहित आहे की आपला मेंदू न्यूरल पेशींनी बनलेला आहे, ज्यामध्ये प्रत्येक पेशीला अनेक "इनपुट्स" (अॅक्सॉन्स) आणि एक आउटपुट (डेंड्राइट) असतो. अॅक्सॉन्स आणि डेंड्राइट्स विद्युत संकेत वाहून नेऊ शकतात, आणि अॅक्सॉन्स आणि डेंड्राइट्समधील कनेक्शन वेगवेगळ्या प्रवाहक्षमतेचे प्रदर्शन करू शकतात (न्यूरोमेडिएटर्सद्वारे नियंत्रित). ![न्यूरॉनचे मॉडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.mr.jpg) | ![न्यूरॉनचे मॉडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.mr.png) ----|---- -खरा न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)* +वास्तविक न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)* -त्यामुळे, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेल अनेक इनपुट्स X1, ..., XN आणि एक आउटपुट Y, तसेच W1, ..., WN नावाच्या वजनांच्या मालिकेचा समावेश करते. आउटपुटची गणना खालीलप्रमाणे केली जाते: +म्हणूनच, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X1, ..., XN आणि एक आउटपुट Y, तसेच वजनांची मालिका W1, ..., WN असते. आउटपुटची गणना खालीलप्रमाणे केली जाते: Y = f\left(\sum_{i=1}^N X_iW_i\right) -जिथे f ही काही नॉन-लिनिअर **सक्रियता फंक्शन** आहे. +जिथे f ही काही नॉन-लिनियर **सक्रियता फंक्शन** आहे. -> न्यूरॉनचे सुरुवातीचे मॉडेल्स वॉरेन मॅककुलॉक आणि वॉल्टर पिट्स यांनी 1943 मध्ये लिहिलेल्या [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) या क्लासिकल पेपरमध्ये वर्णन केले होते. डोनाल्ड हेब यांनी त्यांच्या "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" या पुस्तकात या नेटवर्क्सना प्रशिक्षण देण्याचा मार्ग सुचवला. +> न्यूरॉनचे सुरुवातीचे मॉडेल्स 1943 मध्ये वॉरेन मॅककुलॉक आणि वॉल्टर पिट्स यांनी लिहिलेल्या [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) या क्लासिकल पेपरमध्ये वर्णन केले होते. डोनाल्ड हेब यांनी त्यांच्या "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" या पुस्तकात या नेटवर्क्सना प्रशिक्षण देण्याचा मार्ग प्रस्तावित केला. ## या विभागात या विभागात आपण शिकू: -* [परसेप्ट्रॉन](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्सपैकी एक -* [मल्टि-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि त्यासोबतचा नोटबुक [आपले स्वतःचे फ्रेमवर्क तयार करणे](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), यासह नोटबुक्स: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) आणि [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Perceptron](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्स +* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि संबंधित नोटबुक [आपले स्वतःचे फ्रेमवर्क कसे तयार करावे](04-OwnFramework/OwnFramework.ipynb) +* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), यासह नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) आणि [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [ओव्हरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **अस्वीकरण**: -हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही. \ No newline at end of file +हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही. \ No newline at end of file diff --git a/translations/ms/lessons/3-NeuralNetworks/README.md b/translations/ms/lessons/3-NeuralNetworks/README.md index 33b23b5f..c300de3d 100644 --- a/translations/ms/lessons/3-NeuralNetworks/README.md +++ b/translations/ms/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # Pengenalan kepada Rangkaian Neural -![Ringkasan kandungan Pengenalan Rangkaian Neural dalam bentuk lakaran](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ms.png) +![Ringkasan kandungan Pengenalan Rangkaian Neural dalam bentuk doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ms.png) -Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak ini dipanggil **rangkaian neural**. +Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik telah mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak seperti ini dipanggil **rangkaian neural**. -> Kadang-kadang rangkaian neural dipanggil *Rangkaian Neural Tiruan*, ANNs, untuk menunjukkan bahawa kita sedang bercakap tentang model, bukan rangkaian neuron sebenar. +> Kadangkala rangkaian neural dipanggil *Rangkaian Neural Tiruan* atau ANNs, untuk menunjukkan bahawa kita bercakap tentang model, bukan rangkaian neuron sebenar. ## Pembelajaran Mesin Rangkaian Neural adalah sebahagian daripada disiplin yang lebih besar yang dipanggil **Pembelajaran Mesin**, yang bertujuan menggunakan data untuk melatih model komputer yang mampu menyelesaikan masalah. Pembelajaran Mesin merupakan sebahagian besar daripada Kecerdasan Buatan, namun, kita tidak akan membincangkan Pembelajaran Mesin klasik dalam kurikulum ini. -> Lawati kurikulum **[Pembelajaran Mesin untuk Pemula](http://github.com/microsoft/ml-for-beginners)** kami untuk mengetahui lebih lanjut tentang Pembelajaran Mesin klasik. +> Lawati kurikulum **[Pembelajaran Mesin untuk Pemula](http://github.com/microsoft/ml-for-beginners)** kami untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik. -Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai beberapa dataset contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**. +Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai satu set data contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**. Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling biasa: * **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input kepada dua atau lebih kelas. -* **Regresi**, di mana kita perlu meramalkan nombor berangka untuk setiap sampel input. +* **Regresi**, di mana kita perlu meramalkan nilai berangka untuk setiap sampel input. -> Apabila mewakili input dan output sebagai tensor, dataset input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M. +> Apabila mewakili input dan output sebagai tensor, set data input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M. Dalam kurikulum ini, kita hanya akan memberi tumpuan kepada model rangkaian neural. ## Model Neuron -Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator). +Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel-sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator). ![Model Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ms.jpg) | ![Model Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ms.png) ----|---- Neuron Sebenar *([Imej](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Tiruan *(Imej oleh Pengarang)* -Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X1, ..., XN dan satu output Y, serta satu siri berat W1, ..., WN. Output dikira sebagai: +Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X1, ..., XN dan satu output Y, serta satu siri pemberat W1, ..., WN. Output dikira sebagai: Y = f\left(\sum_{i=1}^N X_iW_i\right) -di mana f adalah beberapa **fungsi pengaktifan** tidak linear. +di mana f adalah beberapa **fungsi pengaktifan** bukan linear. > Model awal neuron telah diterangkan dalam kertas klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mencadangkan cara rangkaian tersebut boleh dilatih. ## Dalam Bahagian Ini -Dalam bahagian ini kita akan belajar tentang: +Dalam bahagian ini kita akan mempelajari tentang: * [Perceptron](03-Perceptron/README.md), salah satu model rangkaian neural terawal untuk klasifikasi dua kelas -* [Rangkaian berlapis-lapis](04-OwnFramework/README.md) dengan notebook berpasangan [cara membina rangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb) -* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan notebook berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Rangkaian berlapis-lapis](04-OwnFramework/README.md) dengan buku nota berpasangan [cara membina rangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb) +* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan buku nota berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **Penafian**: -Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file +Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini. \ No newline at end of file diff --git a/translations/my/lessons/3-NeuralNetworks/README.md b/translations/my/lessons/3-NeuralNetworks/README.md index e2e81400..6acd5c8f 100644 --- a/translations/my/lessons/3-NeuralNetworks/README.md +++ b/translations/my/lessons/3-NeuralNetworks/README.md @@ -1,61 +1,63 @@ -# နယူးရယ်နက်ဝါ့ခ်များအကြောင်းမိတ်ဆက် +# နာရုံကွန်ရက်များအကြောင်းမိတ်ဆက် -![နယူးရယ်နက်ဝါ့ခ်များအကြောင်းအကျဉ်းချုပ်ကို ရေးဆွဲထားသောပုံ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.my.png) +![နာရုံကွန်ရက်များအကြောင်းအကျဉ်းချုပ်ကို ရေးဆွဲထားသောပုံ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.my.png) -မိတ်ဆက်အစပိုင်းတွင် ပြောခဲ့သလို၊ တစ်ခုသော **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဦးနှောက်** ကိုလေ့ကျင့်ခြင်းသည် ဉာဏ်ရည်ရရှိရန် နည်းလမ်းတစ်ခုဖြစ်သည်။ ၂၀ ရာစုလယ်ပိုင်းမှစ၍ သုတေသနပြုသူများက သုံးစွဲနိုင်သော သင်္ချာမော်ဒယ်များကို ကြိုးစားခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်မှုရရှိခဲ့သည်။ ဦးနှောက်၏ သင်္ချာမော်ဒယ်များကို **နယူးရယ်နက်ဝါ့ခ်များ** ဟုခေါ်သည်။ +မိတ်ဆက်အပိုင်းတွင် ဆွေးနွေးခဲ့သလို၊ ဉာဏ်ရည်ရရှိရန်နည်းလမ်းတစ်ခုမှာ **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဉာဏ်ရည်** ကိုလေ့ကျင့်ခြင်းဖြစ်သည်။ ၂၀ ရာစုအလယ်ပိုင်းမှစ၍ သုတေသနများသည် သင်္ချာမော်ဒယ်အမျိုးမျိုးကို စမ်းသပ်ခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်မှုရရှိခဲ့သည်။ ဉာဏ်ရည်၏ သင်္ချာမော်ဒယ်များကို **နာရုံကွန်ရက်များ** ဟုခေါ်သည်။ -> တခါတရံ နယူးရယ်နက်ဝါ့ခ်များကို *Artificial Neural Networks* (ANNs) ဟုလည်းခေါ်ကြပြီး၊ ဤသည်မှာ အမှန်တကယ်သော နယူးရွန်များ၏ကွန်ရက်မဟုတ်ပဲ မော်ဒယ်များကို ပြောဆိုနေသည်ကို ဖော်ပြရန်ဖြစ်သည်။ +> တစ်ခါတစ်ရံ နာရုံကွန်ရက်များကို *Artificial Neural Networks* (ANNs) ဟုခေါ်ပြီး၊ ဤသည်မှာ အမှန်တကယ်သောနာရုံကွန်ရက်များမဟုတ်ပဲ မော်ဒယ်များအကြောင်းကို ပြောဆိုနေသည်ကို ဖော်ပြရန်ဖြစ်သည်။ -## မက်ရှင်လေနင်း +## စက်လေ့ကျင့်မှု -နယူးရယ်နက်ဝါ့ခ်များသည် **မက်ရှင်လေနင်း** ဟုခေါ်သော အကြီးမားသောဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်မှန်းချက်မှာ ဒေတာကိုအသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ မက်ရှင်လေနင်းသည် အတုဉာဏ်ရည်၏ အရေးပါသောအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ရိုး၌ ရိုးရာမက်ရှင်လေနင်းကို မဖော်ပြပါ။ +နာရုံကွန်ရက်များသည် **စက်လေ့ကျင့်မှု** ဟုခေါ်သော အကြီးမားဆုံးဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်ရွယ်ချက်မှာ ဒေတာကို အသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ စက်လေ့ကျင့်မှုသည် အတုဉာဏ်ရည်၏ အကြီးမားဆုံးအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ခန်းစာတွင် ရိုးရာစက်လေ့ကျင့်မှုကို မဖုံးအုပ်ပါ။ -> ရိုးရာမက်ရှင်လေနင်းအကြောင်းပိုမိုလေ့လာရန် **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ရိုးကို သွားရောက်ကြည့်ရှုပါ။ +> ရိုးရာစက်လေ့ကျင့်မှုအကြောင်းပိုမိုလေ့လာရန် **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ခန်းစာကို သွားရောက်ကြည့်ရှုပါ။ -မက်ရှင်လေနင်းတွင်၊ ငါတို့တွင် **X** ဟုခေါ်သော ဥပမာဒေတာများနှင့် **Y** ဟုခေါ်သော ဆက်စပ်ထွက်လဒ်တန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ ဥပမာများသည် အများအားဖြင့် **features** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ ထွက်လဒ်များကို **labels** ဟုခေါ်သည်။ +စက်လေ့ကျင့်မှုတွင်၊ ငါတို့တွင် **X** ဟုခေါ်သော နမူနာများ၏ ဒေတာစုစည်းမှုတစ်ခုနှင့် **Y** ဟုခေါ်သော အထွက်တန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ နမူနာများသည် **အင်္ဂါရပ်များ** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ အထွက်များကို **တံဆိပ်များ** ဟုခေါ်သည်။ -ကျွန်ုပ်တို့သည် အများဆုံးတွေ့ရသော မက်ရှင်လေနင်းပြဿနာနှစ်ခုကို စဉ်းစားမည်- +စက်လေ့ကျင့်မှု၏ အများဆုံးတွေ့ရသော ပြဿနာနှစ်ခုကို ကျွန်ုပ်တို့ဆွေးနွေးမည်။ -* **Classification** - အဝင်အရာဝတ္ထုကို အတန်းနှစ်ခု သို့မဟုတ် အတန်းများစွာအတွင်းသို့ ခွဲခြားရမည်။ -* **Regression** - အဝင်နမူနာတစ်ခုစီအတွက် ကိန်းဂဏန်းတန်ဖိုးတစ်ခုကို ခန့်မှန်းရမည်။ +* **အမျိုးအစားခွဲခြားမှု** - အဝင်အရာဝတ္ထုကို အမျိုးအစားနှစ်မျိုး သို့မဟုတ် အမျိုးအစားများစွာသို့ ခွဲခြားရန်လိုအပ်သည်။ +* **ပြန်လည်သုံးသပ်မှု** - အဝင်နမူနာတစ်ခုစီအတွက် ကိန်းဂဏန်းတစ်ခုကို ခန့်မှန်းရန်လိုအပ်သည်။ -> အဝင်နှင့်ထွက်လဒ်များကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ အဝင်ဒေတာစုသည် M×N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် နမူနာအရေအတွက်ဖြစ်ကာ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ ထွက်လဒ် **Y** သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။ +> အဝင်နှင့်အထွက်များကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ အဝင်ဒေတာစုစည်းမှုသည် M×N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် နမူနာအရေအတွက်၊ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ အထွက်တံဆိပ်များ **Y** သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။ -ဤသင်ရိုး၌၊ နယူးရယ်နက်ဝါ့ခ်မော်ဒယ်များကိုသာ အာရုံစိုက်မည်။ +ဤသင်ခန်းစာတွင် နာရုံကွန်ရက်မော်ဒယ်များကိုသာ အာရုံစိုက်မည်။ -## နယူးရွန်၏မော်ဒယ် +## နာရုံ၏မော်ဒယ် -ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိသည်မှာ၊ ကျွန်ုပ်တို့၏ဦးနှောက်သည် နယူးရွန်ဆဲလ်များဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "အဝင်" (axons) များစွာနှင့် "ထွက်" (dendrite) တစ်ခုရှိသည်။ Axons နှင့် dendrites သည် လျှပ်စစ်သံလိုက်သင်္ကေတများကို သယ်ဆောင်နိုင်ပြီး၊ axons နှင့် dendrites အကြားရှိ ချိတ်ဆက်မှုများသည် ကွဲပြားသော စွမ်းဆောင်ရည်များကို ပြသနိုင်သည် (neuromediators ဖြင့် ထိန်းချုပ်သည်)။ +ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိသည်မှာ၊ ကျွန်ုပ်တို့၏ ဦးနှောက်သည် နာရုံဆဲလ်များဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "အဝင်" (axons) များစွာနှင့် "အထွက်" (dendrite) တစ်ခုရှိသည်။ Axons နှင့် dendrites သည် လျှပ်စစ် signal များကို သယ်ဆောင်နိုင်ပြီး၊ axons နှင့် dendrites အကြားရှိ ချိတ်ဆက်မှုများသည် conductivity အဆင့်အတန်းများကို (neuromediators မှတစ်ဆင့်) ထိန်းချုပ်နိုင်သည်။ -![နယူးရွန်၏မော်ဒယ်](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.my.jpg) | ![နယူးရွန်၏မော်ဒယ်](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.my.png) +![နာရုံ၏မော်ဒယ်](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.my.jpg) | ![နာရုံ၏မော်ဒယ်](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.my.png) ----|---- -အမှန်တကယ် နယူးရွန် *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) မှ ပုံ)* | အတုနယူးရွန် *(ရေးသားသူမှ ပုံ)* +အမှန်တကယ်နာရုံ *([Wikipedia မှပုံ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | အတုနာရုံ *(ရေးသားသူမှပုံ)* -ထို့ကြောင့်၊ နယူးရွန်၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်တွင် အဝင်များ X1, ..., XN နှင့် ထွက်လဒ် Y တစ်ခု၊ နှင့် အလေးချိန်များ W1, ..., WN ပါဝင်သည်။ ထွက်လဒ်ကို အောက်ပါအတိုင်းတွက်ချက်သည်- +ထို့ကြောင့်၊ နာရုံ၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်သည် အဝင်များ **X1, ..., XN** နှင့် အထွက် **Y** တစ်ခု၊ အလေးချိန်များ **W1, ..., WN** တစ်စုံပါဝင်သည်။ အထွက်ကို အောက်ပါအတိုင်းတွက်ချက်သည်။ Y = f\left(\sum_{i=1}^N X_iW_i\right) -ဤတွင် f သည် **activation function** ဟုခေါ်သော မလိုက်လျောသောအလုပ်ဆောင်မှုဖြစ်သည်။ +ဤတွင် **f** သည် **activation function** ဟုခေါ်သော အနည်းငယ်လိုင်နီယာမဟုတ်သော function တစ်ခုဖြစ်သည်။ -> နယူးရွန်၏အစောပိုင်းမော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts ၏ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော စာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် ၎င်း၏ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" စာအုပ်တွင် ဤကွန်ရက်များကို လေ့ကျင့်နိုင်သော နည်းလမ်းကို အဆိုပြုခဲ့သည်။ +> နာရုံ၏အစောပိုင်းမော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts ရေးသားသော [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော စာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ဟုခေါ်သော ၎င်း၏စာအုပ်တွင် ဤကွန်ရက်များကို လေ့ကျင့်နိုင်သောနည်းလမ်းကို အဆိုပြုခဲ့သည်။ ## ဤအပိုင်းတွင် -ဤအပိုင်းတွင် ကျွန်ုပ်တို့သည် အောက်ပါအကြောင်းအရာများကို လေ့လာမည်- +ဤအပိုင်းတွင် ကျွန်ုပ်တို့လေ့လာမည်မှာ- -* [Perceptron](03-Perceptron/README.md) - နှစ်တန်းခွဲခြားမှုအတွက် အစောပိုင်းနယူးရယ်နက်ဝါ့ခ်မော်ဒယ်တစ်ခု -* [Multi-layered networks](04-OwnFramework/README.md) နှင့် [ကျွန်ုပ်တို့၏ကိုယ်ပိုင် framework တည်ဆောက်နည်း](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) ကိုပါသော notebook -* [Neural Network Frameworks](05-Frameworks/README.md) - အောက်ပါ notebook များဖြင့်: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) နှင့် [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Perceptron](03-Perceptron/README.md) - နှစ်မျိုးအမျိုးအစားခွဲခြားမှုအတွက် အစောပိုင်းနာရုံကွန်ရက်မော်ဒယ်တစ်ခု +* [Multi-layered networks](04-OwnFramework/README.md) - notebook တစ်ခုနှင့်တွဲဖက်ထားသော [ကျွန်ုပ်တို့၏ framework ကိုတည်ဆောက်နည်း](04-OwnFramework/OwnFramework.ipynb) +* [Neural Network Frameworks](05-Frameworks/README.md) - PyTorch [notebook](05-Frameworks/IntroPyTorch.ipynb) နှင့် Keras/Tensorflow [notebook](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **အကြောင်းကြားချက်**: -ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/ne/lessons/3-NeuralNetworks/README.md b/translations/ne/lessons/3-NeuralNetworks/README.md index 9b061040..6c86afbe 100644 --- a/translations/ne/lessons/3-NeuralNetworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # न्युरल नेटवर्कको परिचय -![न्युरल नेटवर्कको परिचयको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ne.png) +![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.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, जबसम्म पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भएन। मस्तिष्कका यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ। +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, जबसम्म पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भयो। मस्तिष्कका यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ। -> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क*, ANNs भनिन्छ, जसले हामी मोडेलको कुरा गरिरहेका छौं, वास्तविक न्युरोनहरूको नेटवर्कको होइन भन्ने संकेत गर्दछ। +> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क* (Artificial Neural Networks), ANNs भनिन्छ, ताकि हामी मोडेलको कुरा गरिरहेका छौं, वास्तविक न्युरोनहरूको नेटवर्कको होइन। ## मेशिन लर्निङ -न्युरल नेटवर्कहरू **मेशिन लर्निङ** नामक ठूलो क्षेत्रको हिस्सा हुन्, जसको उद्देश्य डाटा प्रयोग गरेर कम्प्युटर मोडेलहरूलाई समस्या समाधान गर्न सक्षम बनाउनु हो। मेशिन लर्निङ कृत्रिम बुद्धिमत्ताको ठूलो हिस्सा हो, तर हामी यस पाठ्यक्रममा परम्परागत मेशिन लर्निङलाई समेट्दैनौं। +न्युरल नेटवर्कहरू **मेशिन लर्निङ** नामक ठूलो क्षेत्रको हिस्सा हुन्, जसको उद्देश्य डाटाको प्रयोग गरेर कम्प्युटर मोडेलहरूलाई समस्या समाधान गर्न सक्षम बनाउनु हो। मेशिन लर्निङ कृत्रिम बुद्धिमत्ताको ठूलो हिस्सा हो, तर हामी यस पाठ्यक्रममा परम्परागत मेशिन लर्निङलाई समेट्दैनौं। -> परम्परागत मेशिन लर्निङबारे थप जान्नको लागि हाम्रो छुट्टै **[मेशिन लर्निङ फर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रममा जानुहोस्। +> परम्परागत मेशिन लर्निङबारे थप जान्नको लागि हाम्रो छुट्टै **[मेशिन लर्निङ फर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रम हेर्नुहोस्। मेशिन लर्निङमा, हामी मान्छौं कि हामीसँग केही उदाहरणहरूको डाटासेट **X** छ, र त्यससँग सम्बन्धित आउटपुट मानहरू **Y** छन्। उदाहरणहरू प्रायः N-आयामीय भेक्टरहरू हुन्छन् जसमा **फिचरहरू** हुन्छन्, र आउटपुटहरूलाई **लेबलहरू** भनिन्छ। हामी दुई सबैभन्दा सामान्य मेशिन लर्निङ समस्याहरूलाई विचार गर्नेछौं: -* **वर्गीकरण**, जहाँ हामीले इनपुट वस्तुलाई दुई वा बढी वर्गहरूमा वर्गीकृत गर्नुपर्छ। -* **रेग्रेशन**, जहाँ हामीले प्रत्येक इनपुट नमूनाहरूको लागि संख्यात्मक मान भविष्यवाणी गर्नुपर्छ। +* **वर्गीकरण (Classification)**, जहाँ हामीले इनपुट वस्तुलाई दुई वा बढी वर्गहरूमा वर्गीकृत गर्नुपर्छ। +* **रेग्रेशन (Regression)**, जहाँ हामीले प्रत्येक इनपुट नमूनाको लागि संख्यात्मक मान भविष्यवाणी गर्नुपर्छ। -> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M×N आकारको म्याट्रिक्स हो, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू **Y** भनेको M आकारको भेक्टर हो। +> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M×N आकारको म्याट्रिक्स हो, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू **Y** M आकारको भेक्टर हो। -यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा ध्यान केन्द्रित गर्नेछौं। +यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा केन्द्रित हुनेछौं। ## न्युरोनको मोडेल -जैविक विज्ञानबाट हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरूबाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (एक्सनहरू) र एक आउटपुट (डेंड्राइट) हुन्छ। एक्सनहरू र डेंड्राइटहरूले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र एक्सनहरू र डेंड्राइटहरू बीचको जडानहरू विभिन्न प्रवाह क्षमताहरू देखाउन सक्छन् (न्युरोमेडिएटरद्वारा नियन्त्रित)। +जैविक रूपमा हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरूबाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (एक्सनहरू) र एक आउटपुट (डेंड्राइट) हुन्छ। एक्सनहरू र डेंड्राइटहरूले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र एक्सन र डेंड्राइटहरू बीचको जडानले विभिन्न स्तरको प्रवाह क्षमता देखाउन सक्छ (न्युरोमेडिएटरद्वारा नियन्त्रित)। ![न्युरोनको मोडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ne.jpg) | ![न्युरोनको मोडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ne.png) ----|---- -वास्तविक न्युरोन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा छवि)* +वास्तविक न्युरोन *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा बनाइएको चित्र)* -त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X1, ..., XN र एक आउटपुट Y हुन्छ, र वेटहरूको श्रृंखला W1, ..., WN हुन्छ। आउटपुटलाई निम्न प्रकारले गणना गरिन्छ: +त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X1, ..., XN र एक आउटपुट Y हुन्छ, र वेटहरूको श्रृंखला W1, ..., WN हुन्छ। आउटपुट यसरी गणना गरिन्छ: Y = f\left(\sum_{i=1}^N X_iW_i\right) -जहाँ f भनेको केही गैर-रेखीय **सक्रियता फलन** हो। +जहाँ f केही गैर-रेखीय **सक्रियता फलन (activation function)** हो। -> न्युरोनको प्रारम्भिक मोडेलहरू १९४३ मा वारेन म्याककलक र वाल्टर पिट्सद्वारा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे। +> न्युरोनको प्रारम्भिक मोडेलहरू १९४३ मा वारेन म्याककुलक र वाल्टर पिट्सद्वारा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे। ## यस खण्डमा -यस खण्डमा हामी सिक्नेछौं: -* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक -* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र एक जोडी नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [न्युरल नेटवर्क फ्रेमवर्कहरू](05-Frameworks/README.md), यी नोटबुकहरूसँग: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) र [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +यस खण्डमा हामी निम्न विषयहरू सिक्नेछौं: +* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि सबैभन्दा प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक +* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र एक सम्बन्धित नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](04-OwnFramework/OwnFramework.ipynb) +* [न्युरल नेटवर्क फ्रेमवर्कहरू](05-Frameworks/README.md), यी नोटबुकहरूसहित: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) र [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [ओभरफिटिङ](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **अस्वीकरण**: -यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं। \ No newline at end of file +यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं। \ No newline at end of file diff --git a/translations/nl/lessons/3-NeuralNetworks/README.md b/translations/nl/lessons/3-NeuralNetworks/README.md index 841eba0a..9f01078f 100644 --- a/translations/nl/lessons/3-NeuralNetworks/README.md +++ b/translations/nl/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਿਚਯ +# ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇ -![ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pa.png) +![ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pa.png) -ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਿਚਯ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਤਰੀਕਾ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ ਇੱਕ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਕਿ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਨਹੀਂ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਅਜਿਹੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। +ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਚੇ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। -> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ* (ANNs) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈੱਟਵਰਕਸ ਦੀ। +> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈਟਵਰਕਸ* (ANNs) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈਟਵਰਕਸ ਦੀ। ## ਮਸ਼ੀਨ ਲਰਨਿੰਗ -ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ, ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸਦਾ ਮਕਸਦ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ, ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਪਰ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਅਸੀਂ ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ। +ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਹੈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਹਾਲਾਂਕਿ, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ। -> ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡੇ ਵੱਖਰੇ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਨੂੰ ਵੇਖੋ। +> ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡਾ ਵੱਖਰਾ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਵੇਖੋ। -ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈੱਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y** ਹਨ। ਉਦਾਹਰਣ ਅਕਸਰ N-ਮਾਪ ਵਾਲੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ, ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲਜ਼** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। +ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y**। ਉਦਾਹਰਣ ਅਕਸਰ N-ਡਾਇਮੈਂਸ਼ਨਲ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਮੂਲਕ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਦੋ ਸਭ ਤੋਂ ਆਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵੇਖਾਂਗੇ: -* **ਵਰਗੀਕਰਨ (Classification)**, ਜਿੱਥੇ ਸਾਨੂੰ ਇੱਕ ਇਨਪੁੱਟ ਆਬਜੈਕਟ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਵਰਗਾਂ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨਾ ਹੁੰਦਾ ਹੈ। -* **ਰੈਗ੍ਰੈਸ਼ਨ (Regression)**, ਜਿੱਥੇ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ। +* **ਕਲਾਸੀਫਿਕੇਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਇਨਪੁੱਟ ਵਸਤੂ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਕਲਾਸਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੁੰਦਾ ਹੈ। +* **ਰਿਗ੍ਰੈਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਗਿਣਤੀ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ। -> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈੱਟ M×N ਮਾਪ ਦੇ ਮੈਟ੍ਰਿਕਸ ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ **Y** M ਮਾਪ ਦੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ। +> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰਜ਼ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈਟ M×N ਆਕਾਰ ਦਾ ਮੈਟ੍ਰਿਕਸ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ Y M ਆਕਾਰ ਦਾ ਵੇਕਟਰ ਹੁੰਦਾ ਹੈ। -ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। +ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। ## ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ -ਜੀਵ ਵਿਗਿਆਨ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲਾਂ ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਈ "ਇਨਪੁੱਟ" (ਐਕਸੋਨ) ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ (ਡੈਂਡਰਾਈਟ) ਹੁੰਦਾ ਹੈ। ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਬਿਜਲਈ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਦੇ ਵਿਚਕਾਰ ਦੇ ਸੰਪਰਕ ਵੱਖ-ਵੱਖ ਪੱਧਰ ਦੀ ਚਾਲਕਤਾ ਦਰਸਾ ਸਕਦੇ ਹਨ (ਜੋ ਨਿਊਰੋਮੀਡੀਏਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ)। +ਜੈਵਿਕ ਵਿਗਿਆਨ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲਾਂ ਤੋਂ ਬਣਿਆ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ ਦੇ ਕਈ "ਇਨਪੁੱਟ" (ਐਕਸੋਨ) ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ (ਡੈਂਡਰਾਈਟ) ਹੁੰਦਾ ਹੈ। ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਬਿਜਲੀ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਦੇ ਵਿਚਕਾਰ ਕਨੈਕਸ਼ਨ ਵੱਖ-ਵੱਖ ਡਿਗਰੀਆਂ ਦੀ ਚਾਲਕਤਾ ਦਰਸਾ ਸਕਦੇ ਹਨ (ਜੋ ਨਿਊਰੋਮੀਡੀਏਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ)। ![ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pa.jpg) | ![ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pa.png) ----|---- -ਅਸਲ ਨਿਊਰੋਨ *([ਵਿਕੀਪੀਡੀਆ ਤੋਂ ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)* +ਅਸਲ ਨਿਊਰੋਨ *([ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ਵਿਕੀਪੀਡੀਆ ਤੋਂ)* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)* -ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਕਈ ਇਨਪੁੱਟ X1, ..., XN ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y, ਅਤੇ ਕਈ ਵਜ਼ਨ W1, ..., WN ਰੱਖਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਇਸ ਤਰ੍ਹਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: +ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਵਿੱਚ ਕਈ ਇਨਪੁੱਟ X1, ..., XN ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y ਹੁੰਦਾ ਹੈ, ਅਤੇ ਵਜ਼ਨਾਂ W1, ..., WN ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: Y = f\left(\sum_{i=1}^N X_iW_i\right) -ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖਿਕ **ਸਰਗਰਮੀ ਫੰਕਸ਼ਨ** ਹੈ। +ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖੀ **ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ** ਹੈ। -> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਾਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਦਰਸਾਇਆ ਕਿ ਇਹ ਨੈੱਟਵਰਕਸ ਕਿਵੇਂ ਟ੍ਰੇਨ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। +> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਇਹ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਕਿ ਇਹ ਨੈਟਵਰਕਸ ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ। ## ਇਸ ਭਾਗ ਵਿੱਚ ਇਸ ਭਾਗ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ: -* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਵਰਗ ਵਰਗੀਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ -* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈੱਟਵਰਕਸ](04-OwnFramework/README.md) ਅਤੇ ਇਸ ਨਾਲ ਜੁੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਅਤੇ ਇਹ ਨੋਟਬੁੱਕਸ: [ਪਾਈਟਾਰਚ](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [ਕੇਰਾਸ/ਟੈਂਸਰਫਲੋ](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਕਲਾਸ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ +* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈਟਵਰਕਸ](04-OwnFramework/README.md) ਨਾਲ ਇੱਕ ਜੋੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ](04-OwnFramework/OwnFramework.ipynb) +* [ਨਿਊਰਲ ਨੈਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਇਹਨਾਂ ਨੋਟਬੁੱਕਸ ਨਾਲ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [ਓਵਰਫਿਟਿੰਗ](../../../../lessons/3-NeuralNetworks/05-Frameworks) -**ਅਸਵੀਕਰਤਾ**: -ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \ No newline at end of file +--- + +**ਅਸਵੀਕਾਰਨਾ**: +ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। \ No newline at end of file diff --git a/translations/pl/lessons/3-NeuralNetworks/README.md b/translations/pl/lessons/3-NeuralNetworks/README.md index 51b1ecf5..80da16c2 100644 --- a/translations/pl/lessons/3-NeuralNetworks/README.md +++ b/translations/pl/lessons/3-NeuralNetworks/README.md @@ -1,23 +1,23 @@ -# Wprowadzenie do sieci neuronowych +# Wprowadzenie do Sieci Neuronowych -![Podsumowanie treści Wprowadzenie do Sieci Neuronowych w formie rysunku](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![Podsumowanie treści Wprowadzenie do Sieci Neuronowych w formie rysunku](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pl.png) -Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie **modelu komputerowego** lub **sztucznego mózgu**. Od połowy XX wieku naukowcy próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są **sieciami neuronowymi**. +Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie **modelu komputerowego** lub **sztucznego mózgu**. Od połowy XX wieku badacze próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są **sieciami neuronowymi**. > Czasami sieci neuronowe nazywane są *Sztucznymi Sieciami Neuronowymi* (Artificial Neural Networks, ANNs), aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów. -## Uczenie maszynowe +## Uczenie Maszynowe -Sieci neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie maszynowe stanowi dużą część sztucznej inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego. +Sieci Neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie Maszynowe stanowi dużą część Sztucznej Inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego. > Odwiedź nasz osobny program nauczania **[Uczenie Maszynowe dla Początkujących](http://github.com/microsoft/ml-for-beginners)**, aby dowiedzieć się więcej o klasycznym uczeniu maszynowym. @@ -25,20 +25,20 @@ W uczeniu maszynowym zakładamy, że mamy jakiś zbiór danych przykładów **X* Rozważymy dwa najczęstsze problemy uczenia maszynowego: -* **Klasyfikacja**, gdzie musimy sklasyfikować obiekt wejściowy do dwóch lub więcej klas. +* **Klasyfikacja**, gdzie musimy sklasyfikować obiekt wejściowy do jednej z dwóch lub więcej klas. * **Regresja**, gdzie musimy przewidzieć wartość liczbową dla każdego z próbek wejściowych. -> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe Y są wektorem o rozmiarze M. +> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe **Y** są wektorem o rozmiarze M. W tym programie nauczania skupimy się wyłącznie na modelach sieci neuronowych. -## Model neuronu +## Model Neuronu Z biologii wiemy, że nasz mózg składa się z komórek nerwowych, z których każda ma wiele "wejść" (aksonów) i jedno wyjście (dendryt). Aksony i dendryty mogą przewodzić sygnały elektryczne, a połączenia między aksonami a dendrytami mogą wykazywać różne stopnie przewodności (kontrolowane przez neuromediatory). -![Model neuronu](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![Model neuronu](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![Model Neuronu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pl.jpg) | ![Model Neuronu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pl.png) ----|---- -Prawdziwy neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny neuron *(Obraz autora)* +Prawdziwy Neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny Neuron *(Obraz autora)* Najprostszy matematyczny model neuronu zawiera kilka wejść X1, ..., XN oraz jedno wyjście Y, a także serię wag W1, ..., WN. Wyjście jest obliczane jako: @@ -50,11 +50,13 @@ gdzie f jest pewną nieliniową **funkcją aktywacji**. ## W tej sekcji -W tej sekcji dowiemy się o: +W tej sekcji nauczymy się o: * [Perceptronie](03-Perceptron/README.md), jednym z najwcześniejszych modeli sieci neuronowych do klasyfikacji dwuklasowej -* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z notatnikiem [jak zbudować własny framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [Frameworkach sieci neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z notatnikiem [jak zbudować własny framework](04-OwnFramework/OwnFramework.ipynb) +* [Frameworkach Sieci Neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Przeuczeniu](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **Zastrzeżenie**: -Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. \ No newline at end of file +Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. \ No newline at end of file diff --git a/translations/pt/lessons/3-NeuralNetworks/README.md b/translations/pt/lessons/3-NeuralNetworks/README.md index 066e22be..5df920d3 100644 --- a/translations/pt/lessons/3-NeuralNetworks/README.md +++ b/translations/pt/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ -# Introdução às Redes Neurais +# Introdução às Redes Neuronais -![Resumo do conteúdo de Introdução às Redes Neurais em um desenho](../../../../lessons/sketchnotes/ai-neuralnetworks.png) +![Resumo do conteúdo de Introdução às Redes Neuronais em um desenho](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pt.png) -Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem se revelou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**. +Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem provou ser extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neuronais**. -> Às vezes, as redes neurais são chamadas de *Redes Neurais Artificiais*, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios. +> Às vezes, as redes neuronais são chamadas de *Redes Neuronais Artificiais*, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios. ## Aprendizagem Automática -As Redes Neurais fazem parte de uma disciplina mais ampla chamada **Aprendizagem Automática** (Machine Learning), cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial, no entanto, não abordamos a aprendizagem automática clássica neste currículo. +As Redes Neuronais fazem parte de uma disciplina maior chamada **Aprendizagem Automática**, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial; no entanto, não abordamos a aprendizagem automática clássica neste currículo. -> Visite o nosso currículo separado **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre a Aprendizagem Automática clássica. +> Visite o nosso currículo separado **[Aprendizagem Automática para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre Aprendizagem Automática clássica. -Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e os valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**. +Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**. -Vamos considerar os dois problemas mais comuns da aprendizagem automática: +Consideraremos os dois problemas mais comuns de aprendizagem automática: * **Classificação**, onde precisamos classificar um objeto de entrada em duas ou mais classes. * **Regressão**, onde precisamos prever um valor numérico para cada uma das amostras de entrada. -> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são um vetor de tamanho M. +> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são o vetor de tamanho M. -Neste currículo, focar-nos-emos apenas em modelos de redes neurais. +Neste currículo, focaremos apenas em modelos de redes neuronais. ## Um Modelo de Neurónio -Sabemos pela biologia que o nosso cérebro é composto por células neuronais, cada uma delas com múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores). +Na biologia, sabemos que o nosso cérebro é composto por células neuronais, cada uma delas tendo múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores). -![Modelo de um Neurónio](../../../../lessons/3-NeuralNetworks/images/synapse-wikipedia.jpg) | ![Modelo de um Neurónio](../../../../lessons/3-NeuralNetworks/images/artneuron.png) +![Modelo de um Neurónio](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pt.jpg) | ![Modelo de um Neurónio](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pt.png) ----|---- -Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipédia)* | Neurónio Artificial *(Imagem do Autor)* +Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurónio Artificial *(Imagem do Autor)* -Assim, o modelo matemático mais simples de um neurónio contém várias entradas X1, ..., XN e uma saída Y, além de uma série de pesos W1, ..., WN. A saída é calculada como: +Assim, o modelo matemático mais simples de um neurónio contém várias entradas X1, ..., XN e uma saída Y, e uma série de pesos W1, ..., WN. A saída é calculada como: Y = f\left(\sum_{i=1}^N X_iW_i\right) -onde f é uma **função de ativação** não linear. +onde f é alguma **função de ativação** não linear. > Os primeiros modelos de neurónio foram descritos no artigo clássico [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) por Warren McCullock e Walter Pitts em 1943. Donald Hebb, no seu livro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propôs uma forma de treinar essas redes. ## Nesta Secção -Nesta secção, vamos aprender sobre: -* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neurais para classificação de duas classes -* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [Frameworks de Redes Neurais](05-Frameworks/README.md), com os seguintes notebooks: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +Nesta secção, aprenderemos sobre: +* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neuronais para classificação de duas classes +* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](04-OwnFramework/OwnFramework.ipynb) +* [Frameworks de Redes Neuronais](05-Frameworks/README.md), com estes notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **Aviso Legal**: -Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução. \ No newline at end of file +Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução. \ No newline at end of file diff --git a/translations/ro/lessons/3-NeuralNetworks/README.md b/translations/ro/lessons/3-NeuralNetworks/README.md index 13e8c04f..534ea728 100644 --- a/translations/ro/lessons/3-NeuralNetworks/README.md +++ b/translations/ro/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# บทนำสู่โครงข่ายประสาทเทียม +# การแนะนำเกี่ยวกับเครือข่ายประสาทเทียม -![สรุปเนื้อหาเบื้องต้นเกี่ยวกับโครงข่ายประสาทในรูปแบบภาพวาด](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.th.png) +![สรุปเนื้อหาเกี่ยวกับเครือข่ายประสาทเทียมในรูปวาด](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.th.png) -ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีการที่จะทำให้เกิดความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา แนวทางนี้ได้พิสูจน์แล้วว่าประสบความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **โครงข่ายประสาทเทียม** +ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีที่จะสร้างความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา ทิศทางนี้ได้พิสูจน์ให้เห็นถึงความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **เครือข่ายประสาทเทียม** -> บางครั้งโครงข่ายประสาทเทียมถูกเรียกว่า *Artificial Neural Networks* หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ +> บางครั้งเครือข่ายประสาทเทียมถูกเรียกว่า *Artificial Neural Networks* หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ ## การเรียนรู้ของเครื่อง -โครงข่ายประสาทเทียมเป็นส่วนหนึ่งของสาขาที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง (Machine Learning)** ซึ่งมีเป้าหมายเพื่อใช้ข้อมูลในการฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องถือเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม ในหลักสูตรนี้เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิม +เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของศาสตร์ที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง** ซึ่งมีเป้าหมายในการใช้ข้อมูลเพื่อฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิมในหลักสูตรนี้ > เยี่ยมชมหลักสูตร **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบดั้งเดิม -ในกระบวนการเรียนรู้ของเครื่อง เราจะสมมติว่ามีชุดข้อมูลตัวอย่าง **X** และค่าผลลัพธ์ที่สอดคล้องกัน **Y** ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย **คุณลักษณะ (features)** และผลลัพธ์เรียกว่า **ป้ายกำกับ (labels)** +ในการเรียนรู้ของเครื่อง เราสมมติว่าเรามีชุดข้อมูลตัวอย่าง **X** และค่าผลลัพธ์ที่สอดคล้องกัน **Y** ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย **คุณลักษณะ** และผลลัพธ์เรียกว่า **ป้ายกำกับ** -เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบบ่อยที่สุดสองประเภท: +เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบได้บ่อยที่สุดสองประเภท: -* **การจัดประเภท (Classification)** ซึ่งเราต้องจัดประเภทวัตถุอินพุตให้อยู่ในสองหรือมากกว่าสองคลาส -* **การถดถอย (Regression)** ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างอินพุต +* **การจำแนกประเภท** ซึ่งเราต้องจัดประเภทวัตถุที่ป้อนเข้าไปในสองหรือมากกว่าสองกลุ่ม +* **การถดถอย** ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างที่ป้อนเข้าไป -> เมื่อแสดงอินพุตและผลลัพธ์ในรูปแบบเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ **Y** จะเป็นเวกเตอร์ขนาด M +> เมื่อแสดงอินพุตและเอาต์พุตเป็นเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M -ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลโครงข่ายประสาทเทียม +ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลเครือข่ายประสาทเทียมเท่านั้น ## โมเดลของเซลล์ประสาท -จากชีววิทยา เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงค่าการนำไฟฟ้าที่แตกต่างกันได้ (ควบคุมโดยสารสื่อประสาท) +จากชีววิทยา เรารู้ว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงระดับการนำไฟฟ้าที่แตกต่างกัน (ควบคุมโดยสารสื่อประสาท) ![โมเดลของเซลล์ประสาท](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.th.jpg) | ![โมเดลของเซลล์ประสาท](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.th.png) ----|---- เซลล์ประสาทจริง *([ภาพ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) จาก Wikipedia)* | เซลล์ประสาทเทียม *(ภาพโดยผู้เขียน)* -ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X1, ..., XN และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W1, ..., WN เอาต์พุตจะถูกคำนวณดังนี้: +ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X1, ..., XN และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W1, ..., WN เอาต์พุตจะถูกคำนวณเป็น: Y = f\left(\sum_{i=1}^N X_iW_i\right) -โดยที่ f คือ **ฟังก์ชันกระตุ้น (activation function)** ที่ไม่เป็นเชิงเส้น +โดยที่ f คือ **ฟังก์ชันการกระตุ้น** ที่ไม่เป็นเชิงเส้น -> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในบทความคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีการฝึกเครือข่ายเหล่านี้ +> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในเอกสารคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีที่เครือข่ายเหล่านี้สามารถถูกฝึกได้ ## ในส่วนนี้ ในส่วนนี้เราจะเรียนรู้เกี่ยวกับ: -* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลโครงข่ายประสาทเทียมยุคแรกสำหรับการจัดประเภทสองคลาส -* [เครือข่ายหลายชั้น](04-OwnFramework/README.md) พร้อมกับสมุดบันทึก [วิธีสร้างเฟรมเวิร์กของเราเอง](04-OwnFramework/OwnFramework.ipynb) -* [เฟรมเวิร์กโครงข่ายประสาทเทียม](05-Frameworks/README.md) พร้อมสมุดบันทึกเหล่านี้: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) และ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลเครือข่ายประสาทเทียมยุคแรกสำหรับการจำแนกประเภทสองกลุ่ม +* [เครือข่ายหลายชั้น](04-OwnFramework/README.md) พร้อมกับโน้ตบุ๊ก [วิธีสร้างเฟรมเวิร์คของเราเอง](04-OwnFramework/OwnFramework.ipynb) +* [เฟรมเวิร์คเครือข่ายประสาทเทียม](05-Frameworks/README.md) พร้อมกับโน้ตบุ๊กเหล่านี้: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) และ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **ข้อจำกัดความรับผิดชอบ**: -เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้ \ No newline at end of file +เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้ \ No newline at end of file diff --git a/translations/tl/lessons/3-NeuralNetworks/README.md b/translations/tl/lessons/3-NeuralNetworks/README.md index 61e6cf5b..e812a979 100644 --- a/translations/tl/lessons/3-NeuralNetworks/README.md +++ b/translations/tl/lessons/3-NeuralNetworks/README.md @@ -1,44 +1,44 @@ # Panimula sa Neural Networks -![Buod ng nilalaman ng Intro Neural Networks sa isang doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tl.png) +![Buod ng Intro Neural Networks content sa isang doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tl.png) -Tulad ng tinalakay natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng kompyuter** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-matagumpay. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**. +Tulad ng napag-usapan natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng computer** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-epektibo. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**. -> Minsan ang neural networks ay tinatawag na *Artificial Neural Networks* o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang totoong mga network ng neurons. +> Minsan ang neural networks ay tinatawag na *Artificial Neural Networks* o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang tunay na mga network ng neurons. ## Machine Learning -Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na **Machine Learning**, na ang layunin ay gamitin ang datos upang sanayin ang mga modelo ng kompyuter na kayang lutasin ang mga problema. Ang Machine Learning ay bumubuo ng malaking bahagi ng Artificial Intelligence, subalit, hindi natin tatalakayin ang klasikong ML sa kurikulum na ito. +Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na **Machine Learning**, na ang layunin ay gamitin ang datos upang sanayin ang mga modelo ng computer na kayang lutasin ang mga problema. Ang Machine Learning ay bumubuo ng malaking bahagi ng Artificial Intelligence, gayunpaman, hindi natin saklaw ang klasikong ML sa kurikulum na ito. > Bisitahin ang aming hiwalay na **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** na kurikulum upang matuto pa tungkol sa klasikong Machine Learning. -Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay madalas na N-dimensional na mga vector na binubuo ng mga **features**, at ang mga output ay tinatawag na **labels**. +Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay kadalasang N-dimensional na vectors na binubuo ng **features**, at ang mga output ay tinatawag na **labels**. Tatalakayin natin ang dalawang pinakakaraniwang problema sa machine learning: -* **Classification**, kung saan kailangan nating uriin ang isang input na bagay sa dalawa o higit pang mga klase. -* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input na halimbawa. +* **Classification**, kung saan kailangan nating uriin ang isang input object sa dalawa o higit pang klase. +* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input sample. -> Kapag kinakatawan ang mga input at output bilang tensors, ang input dataset ay isang matriks na may sukat na M×N, kung saan ang M ay ang bilang ng mga halimbawa at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M. +> Kapag kinakatawan ang mga inputs at outputs bilang tensors, ang input dataset ay isang matrix na may sukat na M×N, kung saan ang M ay ang bilang ng mga sample at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M. Sa kurikulum na ito, magpopokus lamang tayo sa mga modelo ng neural network. -## Isang Modelo ng Neuron +## Modelo ng Isang Neuron -Mula sa biyolohiya, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng mga neuromediator). +Mula sa biology, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng neuromediators). -![Modelo ng isang Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tl.jpg) | ![Modelo ng isang Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tl.png) +![Modelo ng Isang Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tl.jpg) | ![Modelo ng Isang Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tl.png) ----|---- -Totoong Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) mula sa Wikipedia)* | Artipisyal na Neuron *(Larawan ng May-akda)* +Tunay na Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) mula sa Wikipedia)* | Artipisyal na Neuron *(Larawan ng May-akda)* Kaya, ang pinakasimpleng matematikal na modelo ng isang neuron ay naglalaman ng ilang inputs X1, ..., XN at isang output Y, at isang serye ng mga weights W1, ..., WN. Ang output ay kinakalkula bilang: @@ -50,13 +50,13 @@ kung saan ang f ay isang non-linear na **activation function**. ## Sa Seksyong Ito -Sa seksyong ito, matututuhan natin ang tungkol sa: +Sa seksyong ito, matututo tayo tungkol sa: * [Perceptron](03-Perceptron/README.md), isa sa mga pinakaunang modelo ng neural network para sa two-class classification * [Multi-layered networks](04-OwnFramework/README.md) na may kasamang notebook [kung paano bumuo ng sarili nating framework](04-OwnFramework/OwnFramework.ipynb) -* [Neural Network Frameworks](05-Frameworks/README.md), na may mga sumusunod na notebook: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) +* [Neural Network Frameworks](05-Frameworks/README.md), na may mga notebook na ito: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks) --- **Paunawa**: -Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. \ No newline at end of file +Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito. \ No newline at end of file diff --git a/translations/tr/lessons/3-NeuralNetworks/README.md b/translations/tr/lessons/3-NeuralNetworks/README.md index 285c91bb..c9c00d07 100644 --- a/translations/tr/lessons/3-NeuralNetworks/README.md +++ b/translations/tr/lessons/3-NeuralNetworks/README.md @@ -1,60 +1,62 @@ # Sinir Ağlarına Giriş -![Sinir Ağlarına Giriş içeriğinin bir çizim özeti](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tr.png) +![Sinir Ağları Giriş içeriğinin bir çizim özeti](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tr.png) -Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmektir. 20. yüzyılın ortalarından itibaren, araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşımın büyük ölçüde başarılı olduğu kanıtlandı. Beynin bu tür matematiksel modellerine **sinir ağları** denir. +Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmekten geçer. 20. yüzyılın ortalarından itibaren araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşım büyük ölçüde başarılı oldu. Beynin bu tür matematiksel modellerine **sinir ağları** denir. -> Bazen sinir ağlarına *Yapay Sinir Ağları* (Artificial Neural Networks, ANNs) denir, bu şekilde gerçek nöron ağlarından değil, modellerden bahsedildiği belirtilir. +> Bazen sinir ağlarına *Yapay Sinir Ağları* (Artificial Neural Networks, ANNs) denir, böylece gerçek nöron ağlarından değil, modellerden bahsettiğimiz anlaşılır. ## Makine Öğrenimi -Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Bu disiplinin amacı, problemleri çözebilen bilgisayar modellerini eğitmek için verileri kullanmaktır. Makine Öğrenimi, Yapay Zekanın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik Makine Öğrenimi konularını ele almıyoruz. +Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Makine Öğrenimi'nin amacı, verileri kullanarak problemleri çözebilen bilgisayar modelleri eğitmektir. Makine Öğrenimi, Yapay Zeka'nın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik Makine Öğrenimi'ni ele almıyoruz. -> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Makine Öğrenimi Başlangıç Rehberi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz. +> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Başlangıç Seviyesi için Makine Öğrenimi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz. -Makine Öğreniminde, elimizde bazı örneklerden oluşan bir veri kümesi **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir. +Makine Öğrenimi'nde, elimizde bazı örneklerden oluşan bir veri seti **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir. En yaygın iki makine öğrenimi problemini ele alacağız: * **Sınıflandırma**, burada bir giriş nesnesini iki veya daha fazla sınıfa ayırmamız gerekir. -* **Regresyon**, burada her bir giriş örneği için sayısal bir değer tahmin etmemiz gerekir. +* **Regresyon**, burada her bir giriş örneği için bir sayısal değer tahmin etmemiz gerekir. -> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri kümesi M×N boyutunda bir matristir; burada M örnek sayısını, N ise özellik sayısını ifade eder. Çıktı etiketleri **Y**, M boyutunda bir vektördür. +> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri seti M×N boyutunda bir matristir; burada M örnek sayısını ve N özellik sayısını ifade eder. Çıkış etiketleri **Y**, M boyutunda bir vektördür. Bu müfredatta yalnızca sinir ağı modellerine odaklanacağız. ## Bir Nöron Modeli -Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (akson) ve bir "çıkışa" (dendrit) sahip nöral hücrelerden oluşur. Aksonlar ve dendritler elektrik sinyalleri iletebilir ve aksonlar ile dendritler arasındaki bağlantılar, farklı iletkenlik dereceleri gösterebilir (nöromediyatörler tarafından kontrol edilir). +Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (akson) ve bir çıkışa (dendrit) sahip olan sinir hücrelerinden oluşur. Aksonlar ve dendritler elektrik sinyalleri iletebilir ve aksonlar ile dendritler arasındaki bağlantılar farklı iletkenlik dereceleri gösterebilir (nöromediyatörler tarafından kontrol edilir). ![Bir Nöron Modeli](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tr.jpg) | ![Bir Nöron Modeli](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tr.png) ----|---- -Gerçek Nöron *([Görsel](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia'dan)* | Yapay Nöron *(Yazarın Görseli)* +Gerçek Nöron *([Wikipedia'dan Görsel](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | Yapay Nöron *(Yazarın Görseli)* -Dolayısıyla, bir nöronun en basit matematiksel modeli, birkaç giriş **X1, ..., XN** ve bir çıkış **Y**, ayrıca bir dizi ağırlık **W1, ..., WN** içerir. Çıkış şu şekilde hesaplanır: +Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş **X1, ..., XN** ve bir çıkış **Y** ile bir dizi ağırlık **W1, ..., WN** içerir. Çıkış şu şekilde hesaplanır: Y = f\left(\sum_{i=1}^N X_iW_i\right) burada **f**, bazı doğrusal olmayan **aktivasyon fonksiyonudur**. -> Nöronun erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943'te yazılan klasik makale [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)'de tanımlanmıştır. Donald Hebb, "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir. +> Nöronun erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943 yılında yazılan klasik makale [Sinirsel Aktivitede İçkin Fikirlerin Mantıksal Hesaplaması](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) içinde tanımlanmıştır. Donald Hebb, "[Davranışın Organizasyonu: Bir Nöropsikolojik Teori](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir. ## Bu Bölümde Bu bölümde şunları öğreneceğiz: * [Perceptron](03-Perceptron/README.md), iki sınıflı sınıflandırma için en erken sinir ağı modellerinden biri -* [Çok katmanlı ağlar](04-OwnFramework/README.md) ve eşlik eden defter [kendi çerçevemizi nasıl oluştururuz](../../../../lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) -* [Sinir Ağı Çerçeveleri](05-Frameworks/README.md), şu defterlerle: [PyTorch](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) ve [Keras/Tensorflow](../../../../lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) +* [Çok Katmanlı Ağlar](04-OwnFramework/README.md) ve eşlik eden not defteri [kendi çerçevemizi nasıl oluştururuz](04-OwnFramework/OwnFramework.ipynb) +* [Sinir Ağı Çerçeveleri](05-Frameworks/README.md), şu not defterleriyle: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ve [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) * [Aşırı Uyum](../../../../lessons/3-NeuralNetworks/05-Frameworks) +--- + **Feragatname**: -Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz. \ No newline at end of file +Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz. \ No newline at end of file diff --git a/translations/tw/lessons/3-NeuralNetworks/README.md b/translations/tw/lessons/3-NeuralNetworks/README.md index ecec5c0d..7f3d7166 100644 --- a/translations/tw/lessons/3-NeuralNetworks/README.md +++ b/translations/tw/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@