chore(i18n): sync translations with latest source changes (chunk 1/1, 134 changes)
This commit is contained in:
localizeflow[bot]
parent
22b9d24a81
commit
514f93318c
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-11-25T19:57:49+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T03:04:16+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-11-25T20:13:21+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-11-25T20:22:49+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-11-25T20:23:35+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-11-25T20:28:48+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-11-25T20:30:09+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-11-25T20:32:04+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-11-25T20:40:11+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-11-25T20:35:16+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-11-25T20:42:35+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-17T02:19:30+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:42:16+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-25T20:56:21+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-25T20:52:13+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-17T02:22:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-11-25T20:59:26+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-11-25T21:37:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-11-25T21:52:11+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-11-25T21:43:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-11-25T21:53:29+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-11-25T21:49:39+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-11-25T21:54:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-11-25T21:09:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-11-25T21:59:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-11-25T22:41:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-11-25T22:04:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-11-25T22:06:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-11-25T22:42:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-11-25T22:12:13+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-11-25T22:19:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-11-25T22:44:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-11-25T22:26:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-11-25T22:32:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-11-25T22:35:21+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-11-25T22:46:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-11-25T22:39:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-11-25T22:47:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-11-25T21:11:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-11-25T22:52:54+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-11-25T22:48:51+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-11-25T22:58:04+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-11-25T22:54:24+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-11-25T22:59:57+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-11-25T23:22:05+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-11-25T23:03:17+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-11-25T23:01:11+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-11-25T23:07:58+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-11-25T23:23:02+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-11-25T23:14:32+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-11-25T23:09:26+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-11-25T23:18:32+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-11-25T23:25:38+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-11-25T23:20:26+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-11-25T21:16:26+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-11-25T23:28:53+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-11-25T23:33:50+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-11-25T23:40:00+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-11-25T23:37:47+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-11-25T23:35:25+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-11-25T21:20:42+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-11-25T20:36:30+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-11-25T23:43:54+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-11-25T21:33:17+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-11-25T21:36:01+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "kn"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-11-25T20:20:15+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,328 +1,319 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-11-25T19:57:49+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## ಯೋಜನೆಯ ಅವಲೋಕನ
|
||||
|
||||
AI for Beginners ಎಂಬುದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮೂಲಭೂತಾಂಶಗಳನ್ನು ಒಳಗೊಂಡ 12 ವಾರಗಳ, 24 ಪಾಠಗಳ ಸಮಗ್ರ ಪಠ್ಯಕ್ರಮವಾಗಿದೆ. ಈ ಶೈಕ್ಷಣಿಕ ಸಂಗ್ರಹದಲ್ಲಿ Jupyter Notebooks ಬಳಸಿ ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳು, ಪ್ರಶ್ನೋತ್ತರಗಳು ಮತ್ತು ಕೈಯಿಂದ ಮಾಡುವ ಪ್ರಯೋಗಾಲಯಗಳು ಸೇರಿವೆ. ಪಠ್ಯಕ್ರಮವು ಒಳಗೊಂಡಿದೆ:
|
||||
|
||||
- ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ ಮತ್ತು ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸಂಕೇತಾತ್ಮಕ AI
|
||||
- TensorFlow ಮತ್ತು PyTorch ಬಳಸಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್
|
||||
- ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ತಂತ್ರಗಳು ಮತ್ತು ವಾಸ್ತುಶಿಲ್ಪಗಳು
|
||||
- ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ (NLP) ಸೇರಿದಂತೆ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಮತ್ತು BERT
|
||||
- ವಿಶೇಷ ವಿಷಯಗಳು: ಜನನಾತ್ಮಕ ಅಲ್ಗಾರಿದಮ್ಗಳು, ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ, ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು
|
||||
- AI ನೈತಿಕತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳು
|
||||
|
||||
**ಮುಖ್ಯ ತಂತ್ರಜ್ಞಾನಗಳು:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ಗಾಗಿ)
|
||||
|
||||
**ವಾಸ್ತುಶಿಲ್ಪ:** ವಿಷಯ ಪ್ರಕಾರ ಜೋಪಾನಗೊಂಡ Jupyter Notebooks ಹೊಂದಿರುವ ಶೈಕ್ಷಣಿಕ ವಿಷಯ ಸಂಗ್ರಹ, Vue.js ಆಧಾರಿತ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ವ್ಯಾಪಕ ಬಹುಭಾಷಾ ಬೆಂಬಲದೊಂದಿಗೆ.
|
||||
|
||||
## ಸೆಟ್ಅಪ್ ಆಜ್ಞೆಗಳು
|
||||
|
||||
### ಪ್ರಾಥಮಿಕ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ (Python/Jupyter)
|
||||
|
||||
ಪಠ್ಯಕ್ರಮ Python ಮತ್ತು Jupyter Notebooks ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಶಿಫಾರಸು ಮಾಡಲಾದ ವಿಧಾನವು miniconda ಬಳಕೆ:
|
||||
|
||||
```bash
|
||||
# ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ
|
||||
git clone https://github.com/microsoft/ai-for-beginners
|
||||
cd ai-for-beginners
|
||||
|
||||
# ಕೊಂಡಾ ಪರಿಸರವನ್ನು ರಚಿಸಿ ಮತ್ತು ಸಕ್ರಿಯಗೊಳಿಸಿ
|
||||
conda env create --name ai4beg --file environment.yml
|
||||
conda activate ai4beg
|
||||
|
||||
# ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭಿಸಿ
|
||||
jupyter notebook
|
||||
# ಅಥವಾ
|
||||
jupyter lab
|
||||
```
|
||||
|
||||
### ಪರ್ಯಾಯ: devcontainer ಬಳಕೆ
|
||||
|
||||
```bash
|
||||
# VS ಕೋಡ್ನಲ್ಲಿ ತೆರೆಯಿರಿ ಮತ್ತು ಕೇಳಿದಾಗ "ಕಂಟೈನರ್ನಲ್ಲಿ ಮರುತೆರೆಯಿರಿ" ಆಯ್ಕೆಮಾಡಿ
|
||||
# ಡೆವ್ಕಂಟೈನರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪರಿಸರವನ್ನು ಹೊಂದಿಸುತ್ತದೆ
|
||||
```
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಸೆಟ್ಅಪ್
|
||||
|
||||
ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಒಂದು ಪ್ರತ್ಯೇಕ Vue.js ಅಪ್ಲಿಕೇಶನ್ ಆಗಿದ್ದು `etc/quiz-app/` ನಲ್ಲಿ ಇದೆ:
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm install
|
||||
npm run serve # ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್
|
||||
npm run build # ಉತ್ಪಾದನಾ ನಿರ್ಮಾಣ
|
||||
npm run lint # ಲಿಂಟ್ ಮಾಡಿ ಮತ್ತು ಕಡತಗಳನ್ನು ಸರಿಪಡಿಸಿ
|
||||
```
|
||||
|
||||
## ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಪ್ರವಾಹ
|
||||
|
||||
### Jupyter Notebooks ಜೊತೆಗೆ ಕೆಲಸ
|
||||
|
||||
1. **ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ:**
|
||||
- ಕೊಂಡಾ ಪರಿಸರ ಸಕ್ರಿಯಗೊಳಿಸಿ: `conda activate ai4beg`
|
||||
- Jupyter ಪ್ರಾರಂಭಿಸಿ: `jupyter notebook` ಅಥವಾ `jupyter lab`
|
||||
- ಪಾಠ ಫೋಲ್ಡರ್ಗಳಿಗೆ ಹೋಗಿ `.ipynb` ಫೈಲ್ಗಳನ್ನು ತೆರೆಯಿರಿ
|
||||
- ಪಾಠಗಳನ್ನು ಅನುಸರಿಸಲು ಸೆಲ್ಗಳನ್ನು ಸಂವಹನಾತ್ಮಕವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
2. **VS Code Python ವಿಸ್ತರಣೆ ಜೊತೆಗೆ:**
|
||||
- ಸಂಗ್ರಹವನ್ನು VS Code ನಲ್ಲಿ ತೆರೆಯಿರಿ
|
||||
- Python ವಿಸ್ತರಣೆ ಸ್ಥಾಪಿಸಿ
|
||||
- VS Code ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕೊಂಡಾ ಪರಿಸರವನ್ನು ಪತ್ತೆಮಾಡಿ ಬಳಸುತ್ತದೆ
|
||||
- `.ipynb` ಫೈಲ್ಗಳನ್ನು ನೇರವಾಗಿ VS Code ನಲ್ಲಿ ತೆರೆಯಿರಿ
|
||||
|
||||
3. **ಮೇಘ ಅಭಿವೃದ್ಧಿ:**
|
||||
- **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" ಕ್ಲಿಕ್ ಮಾಡಿ
|
||||
- **Binder:** README ನಲ್ಲಿ ಇರುವ Binder ಬ್ಯಾಡ್ಜ್ ಬಳಸಿ ಬ್ರೌಸರ್ನಲ್ಲಿ ಪ್ರಾರಂಭಿಸಿ
|
||||
- ಗಮನಿಸಿ: Binder ನಲ್ಲಿ ಸೀಮಿತ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಕೆಲವು ವೆಬ್ ಪ್ರವೇಶ ನಿರ್ಬಂಧಗಳಿವೆ
|
||||
|
||||
### ಉನ್ನತ ಪಾಠಗಳಿಗೆ GPU ಬೆಂಬಲ
|
||||
|
||||
ನಂತರದ ಪಾಠಗಳು GPU ವೇಗವರ್ಧನೆಯಿಂದ ಬಹುಮಟ್ಟಿಗೆ ಲಾಭ ಪಡೆಯುತ್ತವೆ:
|
||||
|
||||
- **Azure Data Science VM:** NC-ಸಿರೀಸ್ VM ಗಳನ್ನು GPU ಬೆಂಬಲದೊಂದಿಗೆ ಬಳಸಿ
|
||||
- **Azure Machine Learning:** GPU ಗಣನೆ ಹೊಂದಿರುವ ನೋಟ್ಬುಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿ
|
||||
- **Google Colab:** ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಪ್ಲೋಡ್ ಮಾಡಿ (ಉಚಿತ GPU ಬೆಂಬಲವಿದೆ)
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm run serve # http://localhost:8080 ನಲ್ಲಿ ಹಾಟ್-ರಿಲೋಡ್ ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್
|
||||
```
|
||||
|
||||
## ಪರೀಕ್ಷಾ ಸೂಚನೆಗಳು
|
||||
|
||||
ಇದು ಸಾಫ್ಟ್ವೇರ್ ಪರೀಕ್ಷೆಯ ಬದಲು ಕಲಿಕೆಯ ವಿಷಯದ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತ ಶೈಕ್ಷಣಿಕ ಸಂಗ್ರಹವಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಪರೀಕ್ಷಾ ಸರಣಿ ಇಲ್ಲ.
|
||||
|
||||
### ಮಾನ್ಯತೆ ವಿಧಾನಗಳು:
|
||||
|
||||
1. **Jupyter Notebooks:** ಕೋಡ್ ಉದಾಹರಣೆಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಪರಿಶೀಲಿಸಲು ಸೆಲ್ಗಳನ್ನು ಕ್ರಮವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
2. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಪರೀಕ್ಷೆ:** ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್ ಮೂಲಕ ಕೈಯಿಂದ ಪರೀಕ್ಷೆ
|
||||
3. **ಅನುವಾದ ಮಾನ್ಯತೆ:** `translations/` ಫೋಲ್ಡರ್ನಲ್ಲಿ ಅನುವಾದಿತ ವಿಷಯ ಪರಿಶೀಲನೆ
|
||||
4. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಲಿಂಟಿಂಗ್:** `etc/quiz-app/` ನಲ್ಲಿ `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
### ಕೋಡ್ ಉದಾಹರಣೆಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು:
|
||||
|
||||
```bash
|
||||
# ಮೊದಲು ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ
|
||||
conda activate ai4beg
|
||||
|
||||
# ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ನೇರವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py
|
||||
|
||||
# ಅಥವಾ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ
|
||||
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb
|
||||
```
|
||||
|
||||
## ಕೋಡ್ ಶೈಲಿ
|
||||
|
||||
### Python ಕೋಡ್ ಶೈಲಿ
|
||||
|
||||
- ಶೈಕ್ಷಣಿಕ ಕೋಡ್ಗಾಗಿ ಮಾನಕ Python ನಿಯಮಗಳು
|
||||
- ಸ್ಪಷ್ಟ, ಓದಲು ಸುಲಭವಾದ ಕೋಡ್, ಕಲಿಕೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ
|
||||
- ಪ್ರಮುಖ ತತ್ವಗಳನ್ನು ವಿವರಿಸುವ ಕಾಮೆಂಟ್ಗಳು
|
||||
- Jupyter Notebook ಗೆ ಅನುಕೂಲಕರ: ಸೆಲ್ಗಳು ಸಾಧ್ಯವಾದಷ್ಟು ಸ್ವತಂತ್ರವಾಗಿರಬೇಕು
|
||||
- ಪಾಠ ವಿಷಯಕ್ಕೆ ಕಟ್ಟುನಿಟ್ಟಿನ ಲಿಂಟಿಂಗ್ ಅಗತ್ಯವಿಲ್ಲ
|
||||
|
||||
### JavaScript/Vue.js (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್)
|
||||
|
||||
- `etc/quiz-app/package.json` ನಲ್ಲಿ ESLint ಸಂರಚನೆ
|
||||
- ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಪಡಿಸಲು `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
- Vue 2.x ನಿಯಮಗಳು
|
||||
- ಘಟಕ ಆಧಾರಿತ ವಾಸ್ತುಶಿಲ್ಪ
|
||||
|
||||
### ಫೈಲ್ ಸಂಘಟನೆ
|
||||
|
||||
```
|
||||
lessons/
|
||||
├── 0-course-setup/ # Setup instructions
|
||||
├── 1-Intro/ # Introduction to AI
|
||||
├── 2-Symbolic/ # Symbolic AI
|
||||
├── 3-NeuralNetworks/ # Neural Networks basics
|
||||
├── 4-ComputerVision/ # Computer Vision
|
||||
├── 5-NLP/ # Natural Language Processing
|
||||
├── 6-Other/ # Other AI techniques
|
||||
├── 7-Ethics/ # AI Ethics
|
||||
└── X-Extras/ # Additional content
|
||||
|
||||
etc/
|
||||
├── quiz-app/ # Vue.js quiz application
|
||||
└── quiz-src/ # Quiz source files
|
||||
|
||||
translations/ # Multi-language translations
|
||||
```
|
||||
|
||||
## ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ
|
||||
|
||||
### Jupyter ವಿಷಯ
|
||||
|
||||
ಯಾವುದೇ ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆ ಅಗತ್ಯವಿಲ್ಲ - Jupyter Notebooks ನೇರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
|
||||
# ಅಭಿವೃದ್ಧಿ
|
||||
npm run serve
|
||||
|
||||
# ಉತ್ಪಾದನಾ ನಿರ್ಮಾಣ
|
||||
npm run build # etc/quiz-app/dist/ ಗೆ ಔಟ್ಪುಟ್ಗಳು
|
||||
|
||||
# ಅಜೂರ್ ಸ್ಟ್ಯಾಟಿಕ್ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ನಿಯೋಜಿಸಿ
|
||||
# ಅಜೂರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ರಚಿಸುತ್ತದೆ
|
||||
# ವಿವರವಾದ ನಿಯೋಜನೆ ಸೂಚನೆಗಳಿಗೆ etc/quiz-app/README.md ನೋಡಿ
|
||||
```
|
||||
|
||||
### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೈಟ್
|
||||
|
||||
ಈ ಸಂಗ್ರಹ Docsify ಬಳಸಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ನೀಡುತ್ತದೆ:
|
||||
- `index.html` ಪ್ರವೇಶ ಬಿಂದುವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
|
||||
- ಯಾವುದೇ ನಿರ್ಮಾಣ ಅಗತ್ಯವಿಲ್ಲ - GitHub Pages ಮೂಲಕ ನೇರವಾಗಿ ಸೇವೆ ನೀಡಲಾಗುತ್ತದೆ
|
||||
- ಪ್ರವೇಶ: https://microsoft.github.io/AI-For-Beginners/
|
||||
|
||||
## ಕೊಡುಗೆ ನೀಡುವ ಮಾರ್ಗಸೂಚಿಗಳು
|
||||
|
||||
### ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಪ್ರಕ್ರಿಯೆ
|
||||
|
||||
1. **ಶೀರ್ಷಿಕೆ ಸ್ವರೂಪ:** ಬದಲಾವಣೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸುವ ಶೀರ್ಷಿಕೆಗಳು
|
||||
2. **CLA ಅಗತ್ಯ:** Microsoft CLA ಸಹಿ ಮಾಡಬೇಕು (ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನೆ)
|
||||
3. **ವಿಷಯ ಮಾರ್ಗಸೂಚಿಗಳು:**
|
||||
- ಶೈಕ್ಷಣಿಕ ಕೇಂದ್ರೀಕೃತ ಮತ್ತು ಆರಂಭಿಕರ ಸ್ನೇಹಿ ದೃಷ್ಟಿಕೋನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಿ
|
||||
- ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ಎಲ್ಲಾ ಕೋಡ್ ಉದಾಹರಣೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ
|
||||
- ನೋಟ್ಬುಕ್ಗಳು ಮುಗಿದಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿ
|
||||
- ಇಂಗ್ಲಿಷ್ ವಿಷಯ ಬದಲಿಸಿದರೆ ಅನುವಾದಗಳನ್ನು ನವೀಕರಿಸಿ
|
||||
4. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಬದಲಾವಣೆಗಳು:** ಕಮಿಟ್ ಮಾಡುವ ಮೊದಲು `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
### ಅನುವಾದ ಕೊಡುಗೆಗಳು
|
||||
|
||||
- ಅನುವಾದಗಳು GitHub Actions ಮೂಲಕ co-op-translator ಬಳಸಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿವೆ
|
||||
- ಕೈಯಿಂದ ಮಾಡಿದ ಅನುವಾದಗಳು `translations/<language-code>/` ನಲ್ಲಿ ಇರಬೇಕು
|
||||
- ಪ್ರಶ್ನೋತ್ತರ ಅನುವಾದಗಳು `etc/quiz-app/src/assets/translations/` ನಲ್ಲಿ ಇರುತ್ತವೆ
|
||||
- ಬೆಂಬಲಿತ ಭಾಷೆಗಳು: 40+ ಭಾಷೆಗಳು (ಪೂರ್ಣ ಪಟ್ಟಿ README ನಲ್ಲಿ)
|
||||
|
||||
### ಸಕ್ರಿಯ ಕೊಡುಗೆ ಕ್ಷೇತ್ರಗಳು
|
||||
|
||||
ಪ್ರಸ್ತುತ ಅಗತ್ಯಗಳಿಗಾಗಿ `etc/CONTRIBUTING.md` ನೋಡಿ:
|
||||
- ಡೀಪ್ ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ ವಿಭಾಗಗಳು
|
||||
- ವಸ್ತು ಪತ್ತೆ ಸುಧಾರಣೆಗಳು
|
||||
- ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವ ಉದಾಹರಣೆಗಳು
|
||||
- ಕಸ್ಟಮ್ ಎम्बೆಡ್ಡಿಂಗ್ ತರಬೇತಿ ಮಾದರಿಗಳು
|
||||
|
||||
## ಪರಿಸರ ಸಂರಚನೆ
|
||||
|
||||
### ಅಗತ್ಯ ಅವಲಂಬನೆಗಳು
|
||||
|
||||
```bash
|
||||
# ಕೋರ್ ಪೈಥಾನ್ ಪ್ಯಾಕೇಜುಗಳು (requirements.txt ನಿಂದ)
|
||||
tensorflow==2.17.0
|
||||
torch (via conda)
|
||||
torchvision (via conda)
|
||||
keras==3.5.0
|
||||
opencv (via conda)
|
||||
scikit-learn
|
||||
numpy==1.26
|
||||
pandas==2.2.2
|
||||
matplotlib==3.9
|
||||
jupyter
|
||||
```
|
||||
|
||||
### ಪರಿಸರ ಚರಗಳು
|
||||
|
||||
ಮೂಲಭೂತ ಬಳಕೆಗೆ ಯಾವುದೇ ವಿಶೇಷ ಪರಿಸರ ಚರಗಳು ಅಗತ್ಯವಿಲ್ಲ.
|
||||
|
||||
Azure ನಿಯೋಜನೆಗಳಿಗೆ (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್):
|
||||
- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸೆಟ್ ಆಗುತ್ತದೆ)
|
||||
|
||||
## ಡಿಬಗ್ ಮತ್ತು ಸಮಸ್ಯೆ ಪರಿಹಾರ
|
||||
|
||||
### ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ಕೊಂಡಾ ಪರಿಸರ ರಚನೆ ವಿಫಲವಾಗಿದೆ
|
||||
- **ಪರಿಹಾರ:** ಮೊದಲು ಕೊಂಡಾ ನವೀಕರಿಸಿ: `conda update conda -y`
|
||||
- ಸಾಕಷ್ಟು ಡಿಸ್ಕ್ ಜಾಗವಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿ (50GB ಶಿಫಾರಸು)
|
||||
|
||||
**ಸಮಸ್ಯೆ:** Jupyter ಕರ್ಣಲ್ ಕಂಡುಬರಲಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
```bash
|
||||
conda activate ai4beg
|
||||
python -m ipykernel install --user --name ai4beg
|
||||
```
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ GPU ಪತ್ತೆಯಾಗುತ್ತಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
- CUDA ಸ್ಥಾಪನೆ ಪರಿಶೀಲಿಸಿ: `nvidia-smi`
|
||||
- PyTorch GPU ಪರಿಶೀಲನೆ: `python -c "import torch; print(torch.cuda.is_available())"`
|
||||
- TensorFlow GPU ಪರಿಶೀಲನೆ: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"`
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
npm run serve
|
||||
```
|
||||
|
||||
**ಸಮಸ್ಯೆ:** Binder ಸಮಯ ಮೀರಿದೆ ಅಥವಾ ಡೌನ್ಲೋಡ್ಗಳನ್ನು ತಡೆಹಿಡಿಯುತ್ತದೆ
|
||||
- **ಪರಿಹಾರ:** ಉತ್ತಮ ಸಂಪನ್ಮೂಲ ಪ್ರವೇಶಕ್ಕಾಗಿ GitHub Codespaces ಅಥವಾ ಸ್ಥಳೀಯ ಸೆಟ್ಅಪ್ ಬಳಸಿ
|
||||
|
||||
### ಮೆಮೊರಿ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
ಕೆಲವು ಪಾಠಗಳಿಗೆ ಸಾಕಷ್ಟು RAM (8GB+ ಶಿಫಾರಸು) ಅಗತ್ಯವಿದೆ:
|
||||
- ಸಂಪನ್ಮೂಲ-ತೀವ್ರ ಪಾಠಗಳಿಗೆ ಮೇಘ VM ಗಳನ್ನು ಬಳಸಿ
|
||||
- ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವಾಗ ಇತರ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಮುಚ್ಚಿ
|
||||
- ಮೆಮೊರಿ ಕೊರತೆ ಇದ್ದರೆ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ಬ್ಯಾಚ್ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಿ
|
||||
|
||||
## ಹೆಚ್ಚುವರಿ ಟಿಪ್ಪಣಿಗಳು
|
||||
|
||||
### ಕೋರ್ಸ್ ಶಿಕ್ಷಕರಿಗೆ
|
||||
|
||||
- ಬೋಧನಾ ಮಾರ್ಗದರ್ಶನಕ್ಕಾಗಿ `lessons/0-course-setup/for-teachers.md` ನೋಡಿ
|
||||
- ಪಾಠಗಳು ಸ್ವತಂತ್ರವಾಗಿದ್ದು ಕ್ರಮವಾಗಿ ಅಥವಾ ಆಯ್ಕೆಮಾಡಿ ಬೋಧಿಸಬಹುದು
|
||||
- ಅಂದಾಜು ಸಮಯ: 12 ವಾರಗಳು, ವಾರಕ್ಕೆ 2 ಪಾಠಗಳು
|
||||
|
||||
### ಮೇಘ ಸಂಪನ್ಮೂಲಗಳು
|
||||
|
||||
- **Azure for Students:** ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಉಚಿತ ಕ್ರೆಡಿಟ್ಗಳು ಲಭ್ಯ
|
||||
- **Microsoft Learn:** ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ ಸಂಪರ್ಕ ಹೊಂದಿರುವ ಪೂರಕ ಕಲಿಕೆ ಮಾರ್ಗಗಳು
|
||||
- **Binder:** ಉಚಿತ ಆದರೆ ಸೀಮಿತ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಕೆಲವು ನೆಟ್ವರ್ಕ್ ನಿರ್ಬಂಧಗಳು
|
||||
|
||||
### ಕೋಡ್ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಆಯ್ಕೆಗಳು
|
||||
|
||||
1. **ಸ್ಥಳೀಯ (ಶಿಫಾರಸು):** ಸಂಪೂರ್ಣ ನಿಯಂತ್ರಣ, ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ, GPU ಬೆಂಬಲ
|
||||
2. **GitHub Codespaces:** ಮೇಘ ಆಧಾರಿತ VS Code, ತ್ವರಿತ ಪ್ರವೇಶಕ್ಕೆ ಉತ್ತಮ
|
||||
3. **Binder:** ಬ್ರೌಸರ್ ಆಧಾರಿತ Jupyter, ಉಚಿತ ಆದರೆ ಸೀಮಿತ
|
||||
4. **Azure ML Notebooks:** GPU ಬೆಂಬಲದ ಎಂಟರ್ಪ್ರೈಸ್ ಆಯ್ಕೆ
|
||||
5. **Google Colab:** ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಪ್ಲೋಡ್ ಮಾಡಿ, ಉಚಿತ GPU ಲಭ್ಯ
|
||||
|
||||
### ನೋಟ್ಬುಕ್ಗಳೊಂದಿಗೆ ಕೆಲಸ
|
||||
|
||||
- ಕಲಿಕೆಗೆ ಸೆಲ್-ಬೈ-ಸೆಲ್ ಚಾಲನೆಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ
|
||||
- ಬಹುತೇಕ ನೋಟ್ಬುಕ್ಗಳು ಮೊದಲ ಬಾರಿ ಚಾಲನೆಯಾಗುವಾಗ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡುತ್ತವೆ (ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು)
|
||||
- ಕೆಲವು ಮಾದರಿಗಳಿಗೆ ಯುಕ್ತ training ಸಮಯಕ್ಕಾಗಿ GPU ಅಗತ್ಯವಿರಬಹುದು
|
||||
- ಗಣನೆ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾದಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ
|
||||
|
||||
### ಕಾರ್ಯಕ್ಷಮತೆ ಪರಿಗಣನೆಗಳು
|
||||
|
||||
- ನಂತರದ ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ಪಾಠಗಳು (CNN, GAN) GPU ನಿಂದ ಲಾಭ ಪಡೆಯುತ್ತವೆ
|
||||
- NLP ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಪಾಠಗಳಿಗೆ ಸಾಕಷ್ಟು RAM ಅಗತ್ಯವಿರಬಹುದು
|
||||
- ಶೂನ್ಯದಿಂದ ತರಬೇತಿ ನೀಡುವುದು ಶೈಕ್ಷಣಿಕ ಆದರೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
|
||||
- ವರ್ಗಾವಣೆ ಕಲಿಕೆ ಉದಾಹರಣೆಗಳು ತರಬೇತಿ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# AGENTS.md
|
||||
|
||||
## ಯೋಜನೆಯ ಅವಲೋಕನ
|
||||
|
||||
AI for Beginners ಎಂಬುದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮೂಲಭೂತಾಂಶಗಳನ್ನು ಒಳಗೊಂಡ 12 ವಾರಗಳ, 24 ಪಾಠಗಳ ಸಮಗ್ರ ಪಠ್ಯಕ್ರಮವಾಗಿದೆ. ಈ ಶೈಕ್ಷಣಿಕ ಸಂಗ್ರಹದಲ್ಲಿ Jupyter Notebooks ಬಳಸಿ ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳು, ಪ್ರಶ್ನೋತ್ತರಗಳು ಮತ್ತು ಕೈಯಿಂದ ಮಾಡುವ ಪ್ರಯೋಗಾಲಯಗಳು ಸೇರಿವೆ. ಪಠ್ಯಕ್ರಮವು ಒಳಗೊಂಡಿದೆ:
|
||||
|
||||
- ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ ಮತ್ತು ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸಂಕೇತಾತ್ಮಕ AI
|
||||
- TensorFlow ಮತ್ತು PyTorch ಬಳಸಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್
|
||||
- ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ತಂತ್ರಗಳು ಮತ್ತು ವಾಸ್ತುಶಿಲ್ಪಗಳು
|
||||
- ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ (NLP) ಸೇರಿದಂತೆ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಮತ್ತು BERT
|
||||
- ವಿಶೇಷ ವಿಷಯಗಳು: ಜನನಾತ್ಮಕ ಅಲ್ಗಾರಿದಮ್ಗಳು, ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ, ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು
|
||||
- AI ನೈತಿಕತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳು
|
||||
|
||||
**ಮುಖ್ಯ ತಂತ್ರಜ್ಞಾನಗಳು:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ಗಾಗಿ)
|
||||
|
||||
**ವಾಸ್ತುಶಿಲ್ಪ:** ವಿಷಯ ಪ್ರಕಾರ ಜೋಪಾನಗೊಂಡ Jupyter Notebooks ಹೊಂದಿರುವ ಶೈಕ್ಷಣಿಕ ವಿಷಯ ಸಂಗ್ರಹ, Vue.js ಆಧಾರಿತ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಮತ್ತು ವ್ಯಾಪಕ ಬಹುಭಾಷಾ ಬೆಂಬಲದೊಂದಿಗೆ.
|
||||
|
||||
## ಸೆಟ್ಅಪ್ ಆಜ್ಞೆಗಳು
|
||||
|
||||
### ಪ್ರಾಥಮಿಕ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ (Python/Jupyter)
|
||||
|
||||
ಪಠ್ಯಕ್ರಮ Python ಮತ್ತು Jupyter Notebooks ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಶಿಫಾರಸು ಮಾಡಲಾದ ವಿಧಾನವು miniconda ಬಳಕೆ:
|
||||
|
||||
```bash
|
||||
# ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ
|
||||
git clone https://github.com/microsoft/ai-for-beginners
|
||||
cd ai-for-beginners
|
||||
|
||||
# ಕೊಂಡಾ ಪರಿಸರವನ್ನು ರಚಿಸಿ ಮತ್ತು ಸಕ್ರಿಯಗೊಳಿಸಿ
|
||||
conda env create --name ai4beg --file environment.yml
|
||||
conda activate ai4beg
|
||||
|
||||
# ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭಿಸಿ
|
||||
jupyter notebook
|
||||
# ಅಥವಾ
|
||||
jupyter lab
|
||||
```
|
||||
|
||||
### ಪರ್ಯಾಯ: devcontainer ಬಳಕೆ
|
||||
|
||||
```bash
|
||||
# VS ಕೋಡ್ನಲ್ಲಿ ತೆರೆಯಿರಿ ಮತ್ತು ಕೇಳಿದಾಗ "ಕಂಟೈನರ್ನಲ್ಲಿ ಮರುತೆರೆಯಿರಿ" ಆಯ್ಕೆಮಾಡಿ
|
||||
# ಡೆವ್ಕಂಟೈನರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪರಿಸರವನ್ನು ಹೊಂದಿಸುತ್ತದೆ
|
||||
```
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಸೆಟ್ಅಪ್
|
||||
|
||||
ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಒಂದು ಪ್ರತ್ಯೇಕ Vue.js ಅಪ್ಲಿಕೇಶನ್ ಆಗಿದ್ದು `etc/quiz-app/` ನಲ್ಲಿ ಇದೆ:
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm install
|
||||
npm run serve # ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್
|
||||
npm run build # ಉತ್ಪಾದನಾ ನಿರ್ಮಾಣ
|
||||
npm run lint # ಲಿಂಟ್ ಮಾಡಿ ಮತ್ತು ಕಡತಗಳನ್ನು ಸರಿಪಡಿಸಿ
|
||||
```
|
||||
|
||||
## ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಪ್ರವಾಹ
|
||||
|
||||
### Jupyter Notebooks ಜೊತೆಗೆ ಕೆಲಸ
|
||||
|
||||
1. **ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ:**
|
||||
- ಕೊಂಡಾ ಪರಿಸರ ಸಕ್ರಿಯಗೊಳಿಸಿ: `conda activate ai4beg`
|
||||
- Jupyter ಪ್ರಾರಂಭಿಸಿ: `jupyter notebook` ಅಥವಾ `jupyter lab`
|
||||
- ಪಾಠ ಫೋಲ್ಡರ್ಗಳಿಗೆ ಹೋಗಿ `.ipynb` ಫೈಲ್ಗಳನ್ನು ತೆರೆಯಿರಿ
|
||||
- ಪಾಠಗಳನ್ನು ಅನುಸರಿಸಲು ಸೆಲ್ಗಳನ್ನು ಸಂವಹನಾತ್ಮಕವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
2. **VS Code Python ವಿಸ್ತರಣೆ ಜೊತೆಗೆ:**
|
||||
- ಸಂಗ್ರಹವನ್ನು VS Code ನಲ್ಲಿ ತೆರೆಯಿರಿ
|
||||
- Python ವಿಸ್ತರಣೆ ಸ್ಥಾಪಿಸಿ
|
||||
- VS Code ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕೊಂಡಾ ಪರಿಸರವನ್ನು ಪತ್ತೆಮಾಡಿ ಬಳಸುತ್ತದೆ
|
||||
- `.ipynb` ಫೈಲ್ಗಳನ್ನು ನೇರವಾಗಿ VS Code ನಲ್ಲಿ ತೆರೆಯಿರಿ
|
||||
|
||||
3. **ಮೇಘ ಅಭಿವೃದ್ಧಿ:**
|
||||
- **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" ಕ್ಲಿಕ್ ಮಾಡಿ
|
||||
- **Binder:** README ನಲ್ಲಿ ಇರುವ Binder ಬ್ಯಾಡ್ಜ್ ಬಳಸಿ ಬ್ರೌಸರ್ನಲ್ಲಿ ಪ್ರಾರಂಭಿಸಿ
|
||||
- ಗಮನಿಸಿ: Binder ನಲ್ಲಿ ಸೀಮಿತ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಕೆಲವು ವೆಬ್ ಪ್ರವೇಶ ನಿರ್ಬಂಧಗಳಿವೆ
|
||||
|
||||
### ಉನ್ನತ ಪಾಠಗಳಿಗೆ GPU ಬೆಂಬಲ
|
||||
|
||||
ನಂತರದ ಪಾಠಗಳು GPU ವೇಗವರ್ಧನೆಯಿಂದ ಬಹುಮಟ್ಟಿಗೆ ಲಾಭ ಪಡೆಯುತ್ತವೆ:
|
||||
|
||||
- **Azure Data Science VM:** NC-ಸಿರೀಸ್ VM ಗಳನ್ನು GPU ಬೆಂಬಲದೊಂದಿಗೆ ಬಳಸಿ
|
||||
- **Azure Machine Learning:** GPU ಗಣನೆ ಹೊಂದಿರುವ ನೋಟ್ಬುಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಿ
|
||||
- **Google Colab:** ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಪ್ಲೋಡ್ ಮಾಡಿ (ಉಚಿತ GPU ಬೆಂಬಲವಿದೆ)
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm run serve # http://localhost:8080 ನಲ್ಲಿ ಹಾಟ್-ರಿಲೋಡ್ ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್
|
||||
```
|
||||
|
||||
## ಪರೀಕ್ಷಾ ಸೂಚನೆಗಳು
|
||||
|
||||
ಇದು ಸಾಫ್ಟ್ವೇರ್ ಪರೀಕ್ಷೆಯ ಬದಲು ಕಲಿಕೆಯ ವಿಷಯದ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತ ಶೈಕ್ಷಣಿಕ ಸಂಗ್ರಹವಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಪರೀಕ್ಷಾ ಸರಣಿ ಇಲ್ಲ.
|
||||
|
||||
### ಮಾನ್ಯತೆ ವಿಧಾನಗಳು:
|
||||
|
||||
1. **Jupyter Notebooks:** ಕೋಡ್ ಉದಾಹರಣೆಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಪರಿಶೀಲಿಸಲು ಸೆಲ್ಗಳನ್ನು ಕ್ರಮವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
2. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಪರೀಕ್ಷೆ:** ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್ ಮೂಲಕ ಕೈಯಿಂದ ಪರೀಕ್ಷೆ
|
||||
3. **ಅನುವಾದ ಮಾನ್ಯತೆ:** `translations/` ಫೋಲ್ಡರ್ನಲ್ಲಿ ಅನುವಾದಿತ ವಿಷಯ ಪರಿಶೀಲನೆ
|
||||
4. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಲಿಂಟಿಂಗ್:** `etc/quiz-app/` ನಲ್ಲಿ `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
### ಕೋಡ್ ಉದಾಹರಣೆಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು:
|
||||
|
||||
```bash
|
||||
# ಮೊದಲು ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ
|
||||
conda activate ai4beg
|
||||
|
||||
# ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ನೇರವಾಗಿ ಚಾಲನೆ ಮಾಡಿ
|
||||
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py
|
||||
|
||||
# ಅಥವಾ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ
|
||||
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb
|
||||
```
|
||||
|
||||
## ಕೋಡ್ ಶೈಲಿ
|
||||
|
||||
### Python ಕೋಡ್ ಶೈಲಿ
|
||||
|
||||
- ಶೈಕ್ಷಣಿಕ ಕೋಡ್ಗಾಗಿ ಮಾನಕ Python ನಿಯಮಗಳು
|
||||
- ಸ್ಪಷ್ಟ, ಓದಲು ಸುಲಭವಾದ ಕೋಡ್, ಕಲಿಕೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ
|
||||
- ಪ್ರಮುಖ ತತ್ವಗಳನ್ನು ವಿವರಿಸುವ ಕಾಮೆಂಟ್ಗಳು
|
||||
- Jupyter Notebook ಗೆ ಅನುಕೂಲಕರ: ಸೆಲ್ಗಳು ಸಾಧ್ಯವಾದಷ್ಟು ಸ್ವತಂತ್ರವಾಗಿರಬೇಕು
|
||||
- ಪಾಠ ವಿಷಯಕ್ಕೆ ಕಟ್ಟುನಿಟ್ಟಿನ ಲಿಂಟಿಂಗ್ ಅಗತ್ಯವಿಲ್ಲ
|
||||
|
||||
### JavaScript/Vue.js (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್)
|
||||
|
||||
- `etc/quiz-app/package.json` ನಲ್ಲಿ ESLint ಸಂರಚನೆ
|
||||
- ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸರಿಪಡಿಸಲು `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
- Vue 2.x ನಿಯಮಗಳು
|
||||
- ಘಟಕ ಆಧಾರಿತ ವಾಸ್ತುಶಿಲ್ಪ
|
||||
|
||||
### ಫೈಲ್ ಸಂಘಟನೆ
|
||||
|
||||
```
|
||||
lessons/
|
||||
├── 0-course-setup/ # Setup instructions
|
||||
├── 1-Intro/ # Introduction to AI
|
||||
├── 2-Symbolic/ # Symbolic AI
|
||||
├── 3-NeuralNetworks/ # Neural Networks basics
|
||||
├── 4-ComputerVision/ # Computer Vision
|
||||
├── 5-NLP/ # Natural Language Processing
|
||||
├── 6-Other/ # Other AI techniques
|
||||
├── 7-Ethics/ # AI Ethics
|
||||
└── X-Extras/ # Additional content
|
||||
|
||||
etc/
|
||||
├── quiz-app/ # Vue.js quiz application
|
||||
└── quiz-src/ # Quiz source files
|
||||
|
||||
translations/ # Multi-language translations
|
||||
```
|
||||
|
||||
## ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ
|
||||
|
||||
### Jupyter ವಿಷಯ
|
||||
|
||||
ಯಾವುದೇ ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆ ಅಗತ್ಯವಿಲ್ಲ - Jupyter Notebooks ನೇರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
|
||||
|
||||
### ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
|
||||
# ಅಭಿವೃದ್ಧಿ
|
||||
npm run serve
|
||||
|
||||
# ಉತ್ಪಾದನಾ ನಿರ್ಮಾಣ
|
||||
npm run build # etc/quiz-app/dist/ ಗೆ ಔಟ್ಪುಟ್ಗಳು
|
||||
|
||||
# ಅಜೂರ್ ಸ್ಟ್ಯಾಟಿಕ್ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ನಿಯೋಜಿಸಿ
|
||||
# ಅಜೂರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ರಚಿಸುತ್ತದೆ
|
||||
# ವಿವರವಾದ ನಿಯೋಜನೆ ಸೂಚನೆಗಳಿಗೆ etc/quiz-app/README.md ನೋಡಿ
|
||||
```
|
||||
|
||||
### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೈಟ್
|
||||
|
||||
ಈ ಸಂಗ್ರಹ Docsify ಬಳಸಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ನೀಡುತ್ತದೆ:
|
||||
- `index.html` ಪ್ರವೇಶ ಬಿಂದುವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
|
||||
- ಯಾವುದೇ ನಿರ್ಮಾಣ ಅಗತ್ಯವಿಲ್ಲ - GitHub Pages ಮೂಲಕ ನೇರವಾಗಿ ಸೇವೆ ನೀಡಲಾಗುತ್ತದೆ
|
||||
- ಪ್ರವೇಶ: https://microsoft.github.io/AI-For-Beginners/
|
||||
|
||||
## ಕೊಡುಗೆ ನೀಡುವ ಮಾರ್ಗಸೂಚಿಗಳು
|
||||
|
||||
### ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಪ್ರಕ್ರಿಯೆ
|
||||
|
||||
1. **ಶೀರ್ಷಿಕೆ ಸ್ವರೂಪ:** ಬದಲಾವಣೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸುವ ಶೀರ್ಷಿಕೆಗಳು
|
||||
2. **CLA ಅಗತ್ಯ:** Microsoft CLA ಸಹಿ ಮಾಡಬೇಕು (ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನೆ)
|
||||
3. **ವಿಷಯ ಮಾರ್ಗಸೂಚಿಗಳು:**
|
||||
- ಶೈಕ್ಷಣಿಕ ಕೇಂದ್ರೀಕೃತ ಮತ್ತು ಆರಂಭಿಕರ ಸ್ನೇಹಿ ದೃಷ್ಟಿಕೋನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಿ
|
||||
- ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ಎಲ್ಲಾ ಕೋಡ್ ಉದಾಹರಣೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ
|
||||
- ನೋಟ್ಬುಕ್ಗಳು ಮುಗಿದಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿ
|
||||
- ಇಂಗ್ಲಿಷ್ ವಿಷಯ ಬದಲಿಸಿದರೆ ಅನುವಾದಗಳನ್ನು ನವೀಕರಿಸಿ
|
||||
4. **ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಬದಲಾವಣೆಗಳು:** ಕಮಿಟ್ ಮಾಡುವ ಮೊದಲು `npm run lint` ಚಾಲನೆ ಮಾಡಿ
|
||||
|
||||
### ಅನುವಾದ ಕೊಡುಗೆಗಳು
|
||||
|
||||
- ಅನುವಾದಗಳು GitHub Actions ಮೂಲಕ co-op-translator ಬಳಸಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿವೆ
|
||||
- ಕೈಯಿಂದ ಮಾಡಿದ ಅನುವಾದಗಳು `translations/<language-code>/` ನಲ್ಲಿ ಇರಬೇಕು
|
||||
- ಪ್ರಶ್ನೋತ್ತರ ಅನುವಾದಗಳು `etc/quiz-app/src/assets/translations/` ನಲ್ಲಿ ಇರುತ್ತವೆ
|
||||
- ಬೆಂಬಲಿತ ಭಾಷೆಗಳು: 40+ ಭಾಷೆಗಳು (ಪೂರ್ಣ ಪಟ್ಟಿ README ನಲ್ಲಿ)
|
||||
|
||||
### ಸಕ್ರಿಯ ಕೊಡುಗೆ ಕ್ಷೇತ್ರಗಳು
|
||||
|
||||
ಪ್ರಸ್ತುತ ಅಗತ್ಯಗಳಿಗಾಗಿ `etc/CONTRIBUTING.md` ನೋಡಿ:
|
||||
- ಡೀಪ್ ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ ವಿಭಾಗಗಳು
|
||||
- ವಸ್ತು ಪತ್ತೆ ಸುಧಾರಣೆಗಳು
|
||||
- ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವ ಉದಾಹರಣೆಗಳು
|
||||
- ಕಸ್ಟಮ್ ಎम्बೆಡ್ಡಿಂಗ್ ತರಬೇತಿ ಮಾದರಿಗಳು
|
||||
|
||||
## ಪರಿಸರ ಸಂರಚನೆ
|
||||
|
||||
### ಅಗತ್ಯ ಅವಲಂಬನೆಗಳು
|
||||
|
||||
```bash
|
||||
# ಕೋರ್ ಪೈಥಾನ್ ಪ್ಯಾಕೇಜುಗಳು (requirements.txt ನಿಂದ)
|
||||
tensorflow==2.17.0
|
||||
torch (via conda)
|
||||
torchvision (via conda)
|
||||
keras==3.5.0
|
||||
opencv (via conda)
|
||||
scikit-learn
|
||||
numpy==1.26
|
||||
pandas==2.2.2
|
||||
matplotlib==3.9
|
||||
jupyter
|
||||
```
|
||||
|
||||
### ಪರಿಸರ ಚರಗಳು
|
||||
|
||||
ಮೂಲಭೂತ ಬಳಕೆಗೆ ಯಾವುದೇ ವಿಶೇಷ ಪರಿಸರ ಚರಗಳು ಅಗತ್ಯವಿಲ್ಲ.
|
||||
|
||||
Azure ನಿಯೋಜನೆಗಳಿಗೆ (ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್):
|
||||
- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸೆಟ್ ಆಗುತ್ತದೆ)
|
||||
|
||||
## ಡಿಬಗ್ ಮತ್ತು ಸಮಸ್ಯೆ ಪರಿಹಾರ
|
||||
|
||||
### ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ಕೊಂಡಾ ಪರಿಸರ ರಚನೆ ವಿಫಲವಾಗಿದೆ
|
||||
- **ಪರಿಹಾರ:** ಮೊದಲು ಕೊಂಡಾ ನವೀಕರಿಸಿ: `conda update conda -y`
|
||||
- ಸಾಕಷ್ಟು ಡಿಸ್ಕ್ ಜಾಗವಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿ (50GB ಶಿಫಾರಸು)
|
||||
|
||||
**ಸಮಸ್ಯೆ:** Jupyter ಕರ್ಣಲ್ ಕಂಡುಬರಲಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
```bash
|
||||
conda activate ai4beg
|
||||
python -m ipykernel install --user --name ai4beg
|
||||
```
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ GPU ಪತ್ತೆಯಾಗುತ್ತಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
- CUDA ಸ್ಥಾಪನೆ ಪರಿಶೀಲಿಸಿ: `nvidia-smi`
|
||||
- PyTorch GPU ಪರಿಶೀಲನೆ: `python -c "import torch; print(torch.cuda.is_available())"`
|
||||
- TensorFlow GPU ಪರಿಶೀಲನೆ: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"`
|
||||
|
||||
**ಸಮಸ್ಯೆ:** ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
- **ಪರಿಹಾರ:**
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
npm run serve
|
||||
```
|
||||
|
||||
**ಸಮಸ್ಯೆ:** Binder ಸಮಯ ಮೀರಿದೆ ಅಥವಾ ಡೌನ್ಲೋಡ್ಗಳನ್ನು ತಡೆಹಿಡಿಯುತ್ತದೆ
|
||||
- **ಪರಿಹಾರ:** ಉತ್ತಮ ಸಂಪನ್ಮೂಲ ಪ್ರವೇಶಕ್ಕಾಗಿ GitHub Codespaces ಅಥವಾ ಸ್ಥಳೀಯ ಸೆಟ್ಅಪ್ ಬಳಸಿ
|
||||
|
||||
### ಮೆಮೊರಿ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
ಕೆಲವು ಪಾಠಗಳಿಗೆ ಸಾಕಷ್ಟು RAM (8GB+ ಶಿಫಾರಸು) ಅಗತ್ಯವಿದೆ:
|
||||
- ಸಂಪನ್ಮೂಲ-ತೀವ್ರ ಪಾಠಗಳಿಗೆ ಮೇಘ VM ಗಳನ್ನು ಬಳಸಿ
|
||||
- ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವಾಗ ಇತರ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಮುಚ್ಚಿ
|
||||
- ಮೆಮೊರಿ ಕೊರತೆ ಇದ್ದರೆ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ಬ್ಯಾಚ್ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಿ
|
||||
|
||||
## ಹೆಚ್ಚುವರಿ ಟಿಪ್ಪಣಿಗಳು
|
||||
|
||||
### ಕೋರ್ಸ್ ಶಿಕ್ಷಕರಿಗೆ
|
||||
|
||||
- ಬೋಧನಾ ಮಾರ್ಗದರ್ಶನಕ್ಕಾಗಿ `lessons/0-course-setup/for-teachers.md` ನೋಡಿ
|
||||
- ಪಾಠಗಳು ಸ್ವತಂತ್ರವಾಗಿದ್ದು ಕ್ರಮವಾಗಿ ಅಥವಾ ಆಯ್ಕೆಮಾಡಿ ಬೋಧಿಸಬಹುದು
|
||||
- ಅಂದಾಜು ಸಮಯ: 12 ವಾರಗಳು, ವಾರಕ್ಕೆ 2 ಪಾಠಗಳು
|
||||
|
||||
### ಮೇಘ ಸಂಪನ್ಮೂಲಗಳು
|
||||
|
||||
- **Azure for Students:** ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಉಚಿತ ಕ್ರೆಡಿಟ್ಗಳು ಲಭ್ಯ
|
||||
- **Microsoft Learn:** ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ ಸಂಪರ್ಕ ಹೊಂದಿರುವ ಪೂರಕ ಕಲಿಕೆ ಮಾರ್ಗಗಳು
|
||||
- **Binder:** ಉಚಿತ ಆದರೆ ಸೀಮಿತ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಕೆಲವು ನೆಟ್ವರ್ಕ್ ನಿರ್ಬಂಧಗಳು
|
||||
|
||||
### ಕೋಡ್ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಆಯ್ಕೆಗಳು
|
||||
|
||||
1. **ಸ್ಥಳೀಯ (ಶಿಫಾರಸು):** ಸಂಪೂರ್ಣ ನಿಯಂತ್ರಣ, ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ, GPU ಬೆಂಬಲ
|
||||
2. **GitHub Codespaces:** ಮೇಘ ಆಧಾರಿತ VS Code, ತ್ವರಿತ ಪ್ರವೇಶಕ್ಕೆ ಉತ್ತಮ
|
||||
3. **Binder:** ಬ್ರೌಸರ್ ಆಧಾರಿತ Jupyter, ಉಚಿತ ಆದರೆ ಸೀಮಿತ
|
||||
4. **Azure ML Notebooks:** GPU ಬೆಂಬಲದ ಎಂಟರ್ಪ್ರೈಸ್ ಆಯ್ಕೆ
|
||||
5. **Google Colab:** ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಅಪ್ಲೋಡ್ ಮಾಡಿ, ಉಚಿತ GPU ಲಭ್ಯ
|
||||
|
||||
### ನೋಟ್ಬುಕ್ಗಳೊಂದಿಗೆ ಕೆಲಸ
|
||||
|
||||
- ಕಲಿಕೆಗೆ ಸೆಲ್-ಬೈ-ಸೆಲ್ ಚಾಲನೆಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ
|
||||
- ಬಹುತೇಕ ನೋಟ್ಬುಕ್ಗಳು ಮೊದಲ ಬಾರಿ ಚಾಲನೆಯಾಗುವಾಗ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡುತ್ತವೆ (ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು)
|
||||
- ಕೆಲವು ಮಾದರಿಗಳಿಗೆ ಯುಕ್ತ training ಸಮಯಕ್ಕಾಗಿ GPU ಅಗತ್ಯವಿರಬಹುದು
|
||||
- ಗಣನೆ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾದಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ
|
||||
|
||||
### ಕಾರ್ಯಕ್ಷಮತೆ ಪರಿಗಣನೆಗಳು
|
||||
|
||||
- ನಂತರದ ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ಪಾಠಗಳು (CNN, GAN) GPU ನಿಂದ ಲಾಭ ಪಡೆಯುತ್ತವೆ
|
||||
- NLP ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಪಾಠಗಳಿಗೆ ಸಾಕಷ್ಟು RAM ಅಗತ್ಯವಿರಬಹುದು
|
||||
- ಶೂನ್ಯದಿಂದ ತರಬೇತಿ ನೀಡುವುದು ಶೈಕ್ಷಣಿಕ ಆದರೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
|
||||
- ವರ್ಗಾವಣೆ ಕಲಿಕೆ ಉದಾಹರಣೆಗಳು ತರಬೇತಿ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-17T02:17:29+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -23,157 +14,157 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# ಆರಂಭಿಕರಿಗಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ - ಒಂದು ಪಠ್ಯಕ್ರಮ
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| ಆರಂಭಿಕರಿಗಾಗಿ AI - _[@girlie_mac](https://twitter.com/girlie_mac) ಅವರ ಸ್ಕೆಚ್ನೋಟ್_ |
|
||||
| ಆರಂಭಿಕರಿಗೆ AI - _ಸ್ಯ್ಕೆಚ್ನೋಟ್ [@girlie_mac](https://twitter.com/girlie_mac) ಅವರಿಂದ_ |
|
||||
|
||||
ನಮ್ಮ 12-ವಾರಗಳ, 24 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ **ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ** (AI) ಜಗತ್ತನ್ನು ಅನ್ವೇಷಿಸಿ! ಇದರಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳು, ಕ್ವಿಜ್ ಗಳು ಮತ್ತು ಪ್ರಯೋಗಾಲಯಗಳು ಸೇರಿವೆ. ಪಠ್ಯಕ್ರಮವು ಆರಂಭಿಕರಿಗೆ ಅನುಕೂಲಕರವಾಗಿದ್ದು, TensorFlow ಮತ್ತು PyTorch ಸೇರಿದಂತೆ ಉಪಕರಣಗಳನ್ನು ಹಾಗೆಯೇ AI ನಲ್ಲಿ ನೈತಿಕತೆಯನ್ನು ಕವರ್ ಮಾಡುತ್ತದೆ
|
||||
ನಮ್ಮ 12 ವಾರ, 24 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ **ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ** (AI) ಜಗತ್ತನ್ನು ಅನ್ವೇಷಿಸಿ! ಇದರಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳು, ಪ್ರಶ್ನೋತ್ತರಗಳು ಮತ್ತು ಪ್ರಯೋಗಾಲಯಗಳು ಸೇರಿವೆ. ಈ ಪಠ್ಯಕ್ರಮ ಆರಂಭಿಕರಿಗೆ ಅನುಕೂಲಕರವಾಗಿದ್ದು TensorFlow ಮತ್ತು PyTorchಂತಹ ಸಾಧನಗಳನ್ನು ಹಾಗೂ AI ನ ನೈತಿಕತೆಯನ್ನು ಒಳಗೊಂಡಿದೆ.
|
||||
|
||||
|
||||
### 🌐 ಬಹುಭಾಷಾ ಬೆಂಬಲ
|
||||
|
||||
#### GitHub Action ಮೂಲಕ ಸಹಾಯ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಸದಾ ನವೀಕರಣ)
|
||||
#### GitHub Action ಮೂಲಕ ಬೆಂಬಲಿತ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಸದಾ ನವೀಕೃತ)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](./README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[ಅರೆಬಿಕ್](../ar/README.md) | [ಬಂಗಾಳಿ](../bn/README.md) | [ಬುಲ್ಗೇರಿ](../bg/README.md) | [ಬರ್ಮೀಸ್ (ಮ್ಯಾಂಮಾರ್)](../my/README.md) | [ಚೈನೀಸ್ (ಸರಳೀಕೃತ)](../zh-CN/README.md) | [ಚೈನೀಸ್ (ಪ್ರತಂಭ, ಹಾಂಗ್ ಕಾಂಗ್)](../zh-HK/README.md) | [ಚೈನೀಸ್ (ಪ್ರತಂಭ, ಮಾಕಾವ್)](../zh-MO/README.md) | [ಚೈನೀಸ್ (ಪ್ರತಂಭ, ತೈವಾನ್)](../zh-TW/README.md) | [ಕ್ರೊಯೇಷಿಯನ್](../hr/README.md) | [ಚೆಕ್](../cs/README.md) | [ಡ್ಯಾನಿಶ್](../da/README.md) | [ಡಚ್](../nl/README.md) | [ಎಸ್ಟೋನಿಯನ್](../et/README.md) | [ಫಿನ್ನಿಶ್](../fi/README.md) | [ಫ್ರೆಂಚ್](../fr/README.md) | [ಜರ್ಮನ್](../de/README.md) | [ಗ್ರೀಕ್](../el/README.md) | [ಹೆಬ್ರೂ](../he/README.md) | [ಹಿಂದಿ](../hi/README.md) | [ಹಂಗೇರಿಯನ್](../hu/README.md) | [ಇಂಡೋನುಷಿಯನ್](../id/README.md) | [ಇಟಾಲಿಯನ್](../it/README.md) | [ಜಪಾನೀಸ್](../ja/README.md) | [ಕನ್ನಡ](./README.md) | [ಕೊರಿಯನ್](../ko/README.md) | [ಲಿಥುವೇನಿಯನ್](../lt/README.md) | [ಮಲಯ್](../ms/README.md) | [ಮಲಯಾಳಂ](../ml/README.md) | [ಮರಾಠಿ](../mr/README.md) | [ನೆಪಾಳಿ](../ne/README.md) | [ನೈಜೀರಿಯನ್ ಪಿಡ್ಗಿನ್](../pcm/README.md) | [ನಾರ್ವೇಜಿಯನ್](../no/README.md) | [ಪರ್ಶಿಯನ್ (ಫಾರ್ಸಿ)](../fa/README.md) | [ಪೋಲಿಶ್](../pl/README.md) | [ಪೋರ್ಟುಗೀಸ (ಬ್ರಾಸಿಲ್)](../pt-BR/README.md) | [ಪೋರ್ಟುಗೀಸ (ಪೋರ್ತುಗಲ್)](../pt-PT/README.md) | [ಪಂಜಾಬಿ (ಗುರ್ಮುಕಿ)](../pa/README.md) | [ರೋಮಾನಿಯನ್](../ro/README.md) | [ರಷ್ಯನ್](../ru/README.md) | [ಸರ್ಬಿಯನ್ (ಸಿರಿಲಿಕ್)](../sr/README.md) | [ಸ್ಲೊವಾಕ್](../sk/README.md) | [ಸ್ಲೋವೇನಿಯನ್](../sl/README.md) | [ಸ್ಪ್ಯಾನಿಶ್](../es/README.md) | [ಸ್ವಾಹಿಲಿ](../sw/README.md) | [ಸ್ವೀಡಿಷ್](../sv/README.md) | [ಟಾಗಲೊಗ್ (ಫಿಲಿಪಿನೋ)](../tl/README.md) | [ತರಮಿಳ್](../ta/README.md) | [ತೆಲುಗು](../te/README.md) | [ಥಾಯ್](../th/README.md) | [ಟರ್ಕಿಶ್](../tr/README.md) | [ಉಕ್ರೇನಿಯನ್](../uk/README.md) | [ಉರ್ದು](../ur/README.md) | [ವಿಯೆಟ್ನಾಮೀಸ್](../vi/README.md)
|
||||
|
||||
> **ಸ್ಥಳೀಯವಾಗಿ ಕ್ಲೋನ್ ಮಾಡಬೇಕೆ?**
|
||||
> **ಸ್ಥಳೀಯವಾಗಿ ಕ್ಲೋನ್ ಮಾಡುವುದು ಎಚ್ಚರಿಕೆಯೇನು?**
|
||||
|
||||
> ಈ ಸಂಗ್ರಹಕ್ಕೆ 50+ ಭಾಷಾ ಅನುವಾದಗಳು ಸೇರಿವೆ, ಇದು ಡೌನ್ಲೋಡ್ ಗಾತ್ರವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅನುವಾದಗಳಿಲ್ಲದೇ ಕ್ಲೋನಿಂಗ್ ಮಾಡಲು sparse checkout ಬಳಸಿ:
|
||||
> ಈ ಸಂಗ್ರಹದಲ್ಲಿ 50+ ಭಾಷಾ ಅನುವಾದಗಳು ಸೇರಿವೆ, ಇದು ಡೌನ್ಲೋಡ್ ಗಾತ್ರವನ್ನು ಗಣನೀಯವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಅನುವಾದಗಳಿಲ್ಲದೆ ಕ್ಲೋನ್ ಮಾಡಲು sparse checkout ಬಳಸಿ:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> ಇದು ನಿಮಗೆ ಪಾಠಕ್ರಮ ಪೂರ್ಣಗೊಳಿಸಲು ಬೇಕಾದ ಎಲ್ಲವನ್ನು ತುಂಬಾ ವೇಗವಾಗಿ ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
> ಇದು ಕೋರ್ಸ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ನಿಮಗೆ ಬೇಕಾದ ಎಲ್ಲಾ ವಸ್ತುಗಳನ್ನು ಹೆಚ್ಚು ವೇಗದ ಡೌನ್ಲೋಡ್ನೊಂದಿಗೆ ನೀಡುತ್ತದೆ.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**ನೀವು ಹೆಚ್ಚುವರಿ ಅನುವಾದ ಭಾಷೆಗಳ ಬೆಂಬಲವನ್ನು ಇಚ್ಛಿಸಿದರೆ ಅವುಗಳನ್ನು [ಇಲ್ಲಿ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ನೋಡಬಹುದು**
|
||||
**ನೀವು ಹೆಚ್ಚುವರಿ ಅನುವಾದ ಭಾಷೆಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಬಯಸಿದರೆ ಅವುಗಳನ್ನು ಇಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾಗಿದೆ [idl](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿ
|
||||
## ಸಮುದಾಯ ಸೇರ್ಸಿಕೊಳ್ಳಿ
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## ನೀವು ಏನು ಕಲಿತೀರಿ
|
||||
## ನೀವು ಏನು ಕಲಿಯುತ್ತೀರಿ
|
||||
|
||||
**[ಪಾಠಕ್ರಮದ ಮೈಂಡ್ಮ್ಯಾಪ್](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[ಪಠ್ಯಕ್ರಮದ ಮೈಂಡ್ಮ್ಯಾಪ್](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ಕಲಿಯುವುದು:
|
||||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ಕಲಿಯುತ್ತೀರಿ:
|
||||
|
||||
* 'ಚೆನ್ನಾದ ಹಳೆಯ' ಪ್ರಾತಿನಿಧ್ಯ ಮತ್ತು ತರ್ಕದೊಂದಿಗೆ **ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ** ಸೇರಿದಂತೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನಗಳು ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* ಆಧುನಿಕ AI ಯ ಹೃದಯಭಾಗವಾಗಿರುವ **ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಸ್** ಮತ್ತು **ಡೀಪ್ ಲರ್ನಿಂಗ್**. ಈ ಪ್ರಮುಖ ತರಗತಿಗಳ ಹಿಂದಿನ ತತ್ವಗಳನ್ನು ನಾವು ಬಹುಜನ frameworks ಎರಡರಲ್ಲಿ - [TensorFlow](http://Tensorflow.org) ಮತ್ತು [PyTorch](http://pytorch.org) ಯಲ್ಲಿ ಸಂಯೋಜಿಸಲಿದ್ದೇವೆ.
|
||||
* ಚಿತ್ರ ಮತ್ತು ಪಠ್ಯದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು **ನ್ಯೂರಲ್ ವಾಸ್ತುಶಿಲ್ಪಗಳು**. ನಾವು ಇತ್ತೀಚಿನ ಮಾದರಿಗಳನ್ನು ಕವರ್ ಮಾಡೋಣ, ಆದರೆ ಸ್ಥಿತಿಗತಿಯ ಅತ್ಯೃತ ಎಂದುಕೊಳ್ಳಬೇಡಿ.
|
||||
* ಕಡಿಮೆ ಜನಪ್ರಿಯ AI ವಿಧಾನಗಳಾದ **ಜೀನೇಟಿಕ್ ಅಲ್ಗಾರಿಥಂಗಳು** ಮತ್ತು **ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ಸ್**.
|
||||
* ತಾರತಮ್ಯದ "ಚೆನ್ನಾಗಿ ಹಳೆಯ" ಸಂಕೇತ ಕ್ರಮವನ್ನು ಒಳಗೊಂಡಂತೆ ವಿಭಿನ್ನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವಿಧಾನಗಳು (**ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ** ಮತ್ತು ತಾರ್ಕಿಕ ಚಿಂತನೆ) ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* ಆಧುನಿಕ AI ಯ ಮೂಲಭೂತವಾದ **ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು** ಮತ್ತು **ಡೀಪ್ ಲರ್ನಿಂಗ್**. ನಾವು ಈ ಪ್ರಮುಖ ವಿಷಯಗಳ ಹಿಂದಿನ ತತ್ವಗಳನ್ನು [TensorFlow](http://Tensorflow.org) ಮತ್ತು [PyTorch](http://pytorch.org) ಎಂಬ ಎರಡು ಪ್ರಸಿದ್ಧ ಫ್ರೇಮ್ವರ್ಕ್ಗಳಲ್ಲಿ ಕೋಡ್ ಮೂಲಕ ವಿವರಿಸಲಿದ್ದೇವೆ.
|
||||
* ಚಿತ್ರಗಳು ಮತ್ತು ಪಠ್ಯದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಲು **ನ್ಯೂರಲ್ ವಾಸ್ತುಶಿಲ್ಪಗಳು**. ಇತ್ತೀಚಿನ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದೇವೆ ಆದರೆ ಅತ್ಯಾಧುನಿಕತೆಗೆ ಸ್ವಲ್ಪ ಕಡಿಮೆ ಇರಬಹುದು.
|
||||
* ಕಡಿಮೆ ಜನಪ್ರಿಯ AI ವಿಧಾನಗಳು, ಉದಾಹರಣೆಗಾಗಿ **ಜನೈಟಿಕ್ ಅಲ್ಗಾರಿತಮ್**ಗಳು ಮತ್ತು **ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು**.
|
||||
|
||||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನಾವು ಹಿಡಿಯದವು:
|
||||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನಾವು ಒಳಗೊಂಡಿಲ್ಲ:
|
||||
|
||||
> [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಸಂಗ್ರಹದಲ್ಲಿ ಈ ಕೋರ್ಸ್ನ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Microsoft Learn ಸಂಗ್ರಹದಲ್ಲಿ ಈ ಕೋರ್ಸ್ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹುಡುಕಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* **ವ್ಯವಹಾರದಲ್ಲಿ AI** ಬಳಕೆಯ ವ್ಯವಹಾರ ಪ್ರಕರಣಗಳು. ಇದಕ್ಕಾಗಿ [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ನಲ್ಲಿ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಪಾಠಮಾಲೆಯನ್ನು ಅಥವಾ [AI ಬಿಸಿನೆಸ್ ಶಾಲೆಯನ್ನು](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ([INSEAD](https://www.insead.edu/) ಜೊತೆ ಜೋಡಣೆಯಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ) ಪರಿಗಣಿಸಿ.
|
||||
* **ಚಿರಪರಿಚಿತ ಯಂತ್ರ ಅಧ್ಯಯನ**, ಇದು ನಮ್ಮ [ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷೀನ್ ಲರ್ನಿಂಗ್ ಪಠ್ಯಕ್ರಮ](http://github.com/Microsoft/ML-for-Beginners) ನಲ್ಲಿ ಚೆನ್ನಾಗಿ ವಿವರಿಸಲಾಗಿದೆ.
|
||||
* **[ಕಾಗ್ನಿಟಿವ್ ಸರ್ವೀಸಸ್](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ಬಳಸಿ ನಿರ್ಮಿಸಲಾದ ಪ್ರಾಯೋಗಿಕ AI ಅಪ್ಲಿಕೇಶನ್ಗಳು. ಇದಕ್ಕಾಗಿ, ನಾವು ದೃಷ್ಟಿ, ಪ್ರಕೃತಿ ಭಾಷಾ ಸಂಸ್ಕರಣೆ, **[Azure OpenAI ಸೇವೆಯೊಂದಿಗೆ ಜನರೇಟಿವ್ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ಮತ್ತು ಇತರಗಳೊಂದಿಗೆ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ಮಾಡ್ಯೂಲ್ಗಳಿಂದ ಪ್ರಾರಂಭಿಸುವ ತರುತ್ತೇವೆ.
|
||||
* ವಿಶೇಷ ML **ಕ್ಲೌಡ್ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು**, ಉದಾಹರಣೆಗೆ [Azure ಮೆಷೀನ್ ಲರ್ನಿಂಗ್](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft ಫ್ಯಾಬ್ರಿಕ್](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ಅಥವಾ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ಮತ್ತು [Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ಲರ್ನಿಂಗ್ ಪಾತ್ಧಗಳನ್ನು ಪರಿಗಣಿಸಿ.
|
||||
* **ಸಂವಾದಾತ್ಮಕ AI** ಮತ್ತು **ಚಾಟ್ ಬೋಟಗಳು**. ಇದಕ್ಕೆ ಒಂದು ಪ್ರತ್ಯೇಕ [ಸಂವಾದಾತ್ಮಕ AI ಪರಿಹಾರಗಳನ್ನು ನಿರ್ಮಿಸಿ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ಲರ್ನಿಂಗ್ ಪಾತ್ಧವಿದ್ದು, ನೀವು ಹೆಚ್ಚಿನ ವಿವರಕ್ಕಾಗಿ [ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ಅನ್ನು ಸಹ ನೋಡಬಹುದು.
|
||||
* ಡೀಪ್ ಲರ್ನಿಂಗ್ ಹಿಂದೆ ಇರುವ **ಆಳವಾದ ಗಣಿತ**. ಇದಕ್ಕಾಗಿ, ನಾವು ಇಯಾನ್ ಗೂಡ್ಫೆಲೋ, ಯೋಶುವಾ ಬೆನ್ಝಿಯೋ ಮತ್ತು ಆರೋನ್ ಕೂರ್ವಿಲ್ ಅವರ [ಡೀಪ್ ಲರ್ನಿಂಗ್](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ಪುಸ್ತಕವನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ, ಇದು [ಅನ್ಲೈನ್ ನಲ್ಲಿ ಲಭ್ಯವಿದೆ](https://www.deeplearningbook.org/).
|
||||
* **ವ್ಯಾಪಾರದೊಳಗಿನ AI** ಬಳಕೆಯ ವ್ಯಾಪಾರ ಪ್ರಕರಣಗಳು. ನೀವು [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) Microsoft Learn ನಲ್ಲಿ ಕಲಿಕಾಪಥ ಅಥವಾ [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ಅನ್ನು [INSEAD](https://www.insead.edu/) ಜೊತೆಗೆ ಸಹಕರಿಸಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಆರಿಸಬಹುದು.
|
||||
* **ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಅಧ್ಯಯನ**, ಇದು ನಮ್ಮದಲ್ಲಿಯೇ [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) ನಲ್ಲಿ ಚೆನ್ನಾಗಿ ವಿವರಿಸಲಾಗಿದೆ.
|
||||
* **ಪ್ರಾಯೋಗಿಕ AI ಅಪ್ಲಿಕೇಶನ್ಗಳು** **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ಬಳಸಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಇದಕ್ಕಾಗಿ ನಾವು Microsoft Learn ಗಾಗಿ [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ಮತ್ತು ಇತರೆ ಮುಡುಪಿನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುವುದನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ.
|
||||
* ನಿರ್ದಿಷ್ಟ ML **ಮೇಘ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು**, ಉದಾ: [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), ಅಥವಾ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ಮತ್ತು [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) ಪಾಠಮಾರ್ಗಗಳನ್ನು ಪರಿಗಣಿಸಿ.
|
||||
* **ಸಂವಹನ AI** ಮತ್ತು **ಚಾಟ್ ಬಾಟ್ಗಳು**. ಇಲ್ಲಿ ಪ್ರತ್ಯೇಕ [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ಪಾಠಮಾರ್ಗವಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ವಿವರಕ್ಕಾಗಿ [ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ಅನ್ನು ಸಹ ಉಲ್ಲೇಖಿಸಬಹುದು.
|
||||
* ಡೀಪ್ ಲರ್ನಿಂಗ್ ಹಿಂದಿನ **ಗಂಭೀರ ಗಣಿತ**. ಇದಕ್ಕಾಗಿ, Ian Goodfellow, Yoshua Bengio ಮತ್ತು Aaron Courville ರವರ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) ಪುಸ್ತಕವನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ, ಇದು [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.
|
||||
|
||||
_ಕ್ಲೌಡ್ನಲ್ಲಿ AI ಗೆ ನಿಶೀಲ ಪ್ರವೇಶಕ್ಕಾಗಿ ನೀವು [Azure ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಆರಂಭಿಸಿ](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum)_learning path_ ಅನ್ನು ಪರಿಗಣಿಸಬಹುದು.
|
||||
_ಕ್ಲೌಡ್ನಲ್ಲಿ AI_ ವಿಷಯಗಳಿಗೆ ಮೃದು ಪರಿಚಯಕ್ಕಾಗಿ, ನೀವು [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) ಕಲಿಕಾಪಥವನ್ನು ಪಾಲಿಸಬಹುದು.
|
||||
|
||||
# ವಿಷಯ
|
||||
|
||||
| | ಪಾಠ ಲಿಂಕ್ | PyTorch/Keras/TensorFlow | ಪ್ರಯೋಗಾಲಯ |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [ಕೋರ್ಸ್ ಸೆಟ್ ಅಪ್](./lessons/0-course-setup/setup.md) | [ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಸೆಟ್ ಮಾಡಿ](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [ಕೋರ್ಸ್ ಸೆಟಪ್](./lessons/0-course-setup/setup.md) | [ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಹೊಂದಿಸಿ](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI ಪರಿಚಯ**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI ಪರಿಚಯ ಮತ್ತು ಇತಿಹಾಸ](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **ಸಾಂಕೆತಿಕ AI** |
|
||||
| 02 | [ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ ಮತ್ತು ಪರಿಣತ ಸಿಸ್ಟಮ್ಗಳು](./lessons/2-Symbolic/README.md) | [ಪರಿಣತ ಸಿಸ್ಟಮ್ಗಳು](./lessons/2-Symbolic/Animals.ipynb) / [ಆಂಟಾಲಜಿ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ಕಾನ್ಸೆಪ್ಟ್ ಗ್ರಾಫ್](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [ಪರ್ಸೆಪ್ಟ್ರಾನ್](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [నೋಟ್బుక్](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ಲ್ಯಾಬ್](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ಮಲ್ಟಿ-ಲೆಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಮತ್ತು ನಮ್ಮದೇ ಫ್ರೇಮ್ವಾರ್ಕ್ ರಚನೆ](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [నೋಟ್బుక్](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ಲ್ಯಾಬ್](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ಫ್ರೇಮ್ವಾರ್ಕ್ಗಳ ಪರಿಚಯ (PyTorch/TensorFlow) ಮತ್ತು ಓವರ್ಫಿಟಿಂಗ್](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ಲ್ಯಾಬ್](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure ನಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆಯನ್ನು ಅನ್ವೇಷಿಸಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆಗೆ ಪರಿಚಯ. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [నೋಟ್బుక్](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ಲ್ಯಾಬ್](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ವಿನ್ಯಾಸಗಳು](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ಲ್ಯಾಬ್](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [ಹಿಂದಿನಿಂದ ತರಬೇತುಗೊಂಡ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್](./lessons/4-ComputerVision/08-TransferLearning/README.md) ಮತ್ತು [ಪ್ರಶಿಕ್ಷಣ ಯುಕ್ತಿಗಳು](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ಲ್ಯಾಬ್](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ಆಟೋಎಂಕೋಡರ್ಗಳು ಮತ್ತು VAEಗಳು](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [ಜನರೇಟಿವ್ ವಿರೋಧಾತ್ಮಕ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಕಲೆ ಶೈಲಿ ವರ್ಗಾವಣೆ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [ವಸ್ತು ಪತ್ತೆ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ಲ್ಯಾಬ್](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [ಸಾಮಾನ್ಯ ವಿಭಾಗೀಕರಣ. U-ನೆಟ್](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure ನಲ್ಲಿ ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅನ್ವೇಷಿಸಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ಲೇಖನ ಪ್ರತಿನಿಧಾನ. ಬೋ/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [ಸಮಾನಾರ್ಥಕ ಪದ ನೇರತೆ. Word2Vec ಮತ್ತು GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [ಭಾಷಾ ಮಾದರಿ. ನಿಮ್ಮದೇ ನೇರತೆಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಲಾಗುತ್ತಿದೆ](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ಲ್ಯಾಬ್](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [ರಿಕರರೆಂಟ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [ಜನರೇಟಿವ್ ರಿಕರರೆಂಟ್ ನೆಟ್ವರ್ಕ್ಗಳು](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ಲ್ಯಾಬ್](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಸ್. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವಿಕೆ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ಲ್ಯಾಬ್](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [ಭಾರಿ ಭಾಷಾ ಮಾದರಿಗಳು, ಪ್ರಾಂಪ್ಟ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು ಫ್ಯೂ-ಶಾಟ್ ಕಾರ್ಯಗಳು](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **ಇತರ AI ತಂತ್ರಗಳು** || |
|
||||
| 21 | [ಜನ್ಯ ಕಲೆಗಾರಿಕೆಗಳ ಅಲ್ಗೋರಿದಮ್ಗಳು](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [ನోಟ್బుక్](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ಲ್ಯಾಬ್](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| II | **ಸಂಕೇತ ಕ್ರೈಸ್ತ** |
|
||||
| 02 | [ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ ಮತ್ತು ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು](./lessons/2-Symbolic/README.md) | [ತಜ್ಞ ವ್ಯವಸ್ಥೆಗಳು](./lessons/2-Symbolic/Animals.ipynb) / [ಅಂತರ್ಗತಶಾಸ್ತ್ರ](./lessons/2-Symbolic/FamilyOntology.ipynb) /[ಧಾರಣೆ ಗ್ರಾಫ್](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳ ಪರಿಚಯ**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [ಪರ್ಸೆಪ್ಟ್ರಾನ್](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [ಕಿತಾಪು](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ಮಲ್ಟಿ-ಲೆಯರ್ಡ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಮತ್ತು ನಮ್ಮ ಸ್ವಂತ ಫ್ರೇಮ್ವರ್ಕ್ ರಚನೆ](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [ಕಿತಾಪು](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ಫ್ರೇಮ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ (PyTorch/TensorFlow) ಮತ್ತು ಓವರ್ಫಿಟಿಂಗ್](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್ನಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆಯನ್ನು ಅನ್ವೇಷಿಸಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆಗೆ ಪರಿಚಯ. ಓಪನ್ಸಿವಿ](./lessons/4-ComputerVision/06-IntroCV/README.md) | [ಕಿತಾಪು](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [ಕನ್ವಲ್ಯೂಶನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ಆಕಾಶವಾಣಿಗಳು](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ವರ್ಗಾಂತರ ಕಲಿಕೆ](./lessons/4-ComputerVision/08-TransferLearning/README.md) ಮತ್ತು [ತಯಾರಿಕೆಯ ತುಳುಕೆಗಳು](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ಆಟೋಎನ್ಕೋಡೆರ್ಸ್ ಮತ್ತು VAEಗಳು](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [ಜನರೇಟಿವ್ ವೈರಾಗ್ಯ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಕಲೆ ಶೈಲಿ ವರ್ಗಾಂತರಣ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [ವಸ್ತು ಪತ್ತೆ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [ಅರ್ಥಾತ್ಮಕ ವಿಭಜನೆ. ಯು-ನೆಟ್](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**ಸಹಜ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್ನಲ್ಲಿ ಸಹಜ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅನ್ವೇಷಿಸಿ](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ಪಠ್ಯ ಪ್ರತಿನಿಧಾನ. ಬೋ ಡಬ್ಲ್ಯೂ / ಟಿಎಫ್-ಐಡಿಎಫ್](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [ಅರ್ಥಾತ್ಮಕ ಪದ ಎम्बೆಡ್ಡಿಂಗ್ಗಳು. ವರ್ಡ್2ವೆಕ್ ಮತ್ತು ಗ್ಲೋವ್](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [ಭಾಷಾ ಮಾದರೀಕರಣ. ನಿಮ್ಮ ಸ್ವಂತ ಎम्बೆಡ್ಡಿಂಗ್ಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವುದು](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [ಪುನರಾವರ್ತಿತ ನ್ಯೂರಲ್ ನೆಟ್ವર્ક್ಗಳು](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [ಜನರೇಟಿವ್ ರಿಕರಂಟ್ ನೆಟ್ವರ್ಕ್ಗಳು](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [ನೇಮ್ಡ್ ಎಂಟಿಟಿ ಮರುಪರಿಶೀಲನೆ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು, ಪ್ರಾಂಪ್ಟ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು ಫ್ಯೂ-ಶಾಟ್ ಕಾರ್ಯಗಳು](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **ಇತರೆ ಎಐ ತಂತ್ರಗಳು** || |
|
||||
| 21 | [ಜನನ ಗಣಿತ ಶಾಸ್ತ್ರಗಳು](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [ಕಿತಾಪು](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ಡೀಪ್ ರೀೈನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ ಪ್ರಯೋಗಶಾಲೆ](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [ಮಲ್ಟಿ-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI ನೀತಿಶಾಸ್ತ್ರ** | | |
|
||||
| 24 | [AI ನೀತಿಶಾಸ್ತ್ರ ಮತ್ತು ಹೊಣೆಗಾರ AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: ಹೊಣೆಗಾರ AI ತತ್ವಗಳು](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **ಹೊರಹೋಗಣೆಗಳು** | | |
|
||||
| 25 | [ಮಲ್ಟಿ-ಮೋಡಲ್ ನೆಟ್ವರ್ಕ್ಗಳು, CLIP ಮತ್ತು VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [నೋಟ್బుక్](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| VII | **AI ನೀತಿ** | | |
|
||||
| 24 | [AI ನೀತಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: ಜವಾಬ್ದಾರಿಯುತ AI ಪ್ರಿನ್ಸಿಪಲ್ಸ್](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **ಇತರೆ** | | |
|
||||
| 25 | [ಮಲ್ಟಿ-ಮೋದಲ್ ನೆಟ್ವರ್ಕ್ಗಳು, CLIP ಮತ್ತು VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [ಕಿತಾಪು](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಗಳು
|
||||
## ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಇರುವವು
|
||||
|
||||
* ಪೂರ್ವಪಾಠ ಸಾಮಗ್ರಿ
|
||||
* ಕಾರ್ಯಗತ ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್ಗಳು, ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಫ್ರೇಮ್ವಾರ್ಕ್ (**PyTorch** ಅಥವಾ **TensorFlow**) ಗೆ ವಿಶೇಷವಾಗಿರುತ್ತವೆ. ಕಾರ್ಯಗತ ನೋಟ್ಬುಕ್ನಲ್ಲಿ ಸಾಕಷ್ಟು ಸಿದ್ಧಾಂತಾತ್ಮಕ ವಿಷಯವಿರುತ್ತದೆ, ಹೀಗಾಗಿ ವಿಷಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಿಮಗೆ ಕನಿಷ್ಠ ಒಂದು ಆವೃತ್ತಿಯ ನೋಟ್ಬುಕ್ ಅನ್ನು (PyTorch ಅಥವಾ TensorFlow) ನೋಡಬೇಕಾಗುತ್ತದೆ.
|
||||
* ಕೆಲವು ವಿಷಯಗಳಿಗೆ ಲಭ್ಯವಿರುವ **ಲ್ಯಾಬ್ಸ್**, ನೀವು ಕಲಿತ ವಿಷಯವನ್ನು ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಗೆ ಅನ್ವಯಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಅವಕಾಶವನ್ನು ನೀಡುತ್ತವೆ.
|
||||
* ಕೆಲ ಸೆಕ್ಷನ್ಗಳಲ್ಲಿ ಸಂಬಂಧಿತ ವಿಷಯಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ಮೃದುಗಳ ಲಿಂಕ್ಗಳಿವೆ.
|
||||
* ಪೂರ್ವ ಓದುವ ಸಾಮಗ್ರಿ
|
||||
* ಕಾರ್ಯನಿರ್ವಹಣೀಯ ಜುಪಿಟರ್ ನോട്ട್ಲುಗಳು, ಸಾಮಾನ್ಯವಾಗಿ ಫ್ರೇಮ್ವರ್ಕ್ (**PyTorch** ಅಥವಾ **TensorFlow**)ಗೆ ವಿಶೇಷ. ಕಾರ್ಯನಿರ್ವಹಣೀಯ ನೋಟುಬುಕ್ನಲ್ಲಿ ಬೌದ್ಧಿಕ ವಿಷಯವೂ көп ಇದೆ, ಆದ್ದರಿಂದ ವಿಷಯವನ್ನು ಬಲ್ಲ ಉದ್ದೇಶಕ್ಕೆ ಕನಿಷ್ಠ ಒಂದು ಆವೃತ್ತಿಯನ್ನು (ಅಥವಾ PyTorch ಅಥವಾ TensorFlow) ಓದಲು ಅಗತ್ಯ.
|
||||
* ಕೆಲವು ವಿಷಯಗಳಿಗೆ ಲ್ಯಾಬ್ಸ್ ಲಭ್ಯವೆ, ಅಲ್ಲಿ ನೀವು ಕಲಿತ ವಿಷಯವನ್ನು ನಿಖರ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನ್ವಯಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು.
|
||||
* ಕೆಲವು ಭಾಗಗಳಲ್ಲಿ ಸಂಬಂಧಿತ ವಿಷಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ [**MS ಲರ್ನ್**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ಮೊಡ್ಯೂಲ್ಗಳಿಗೆ ಲಿಂಕುಗಳು ಇವೆ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸೋಣ
|
||||
## ಪ್ರಾರಂಭಿಸಲು
|
||||
|
||||
### 🎯 AI ಹೊಸದಾ? ಇಲ್ಲಿ ಪ್ರಾರಂಭಿಸಿ!
|
||||
### 🎯 ನವೀನರಿಗೆ! ಇಲ್ಲಿಂದ ಪ್ರಾರಂಭಿಸಿ!
|
||||
|
||||
ನೀವು ಸಂಪೂರ್ಣ ಹೊಸದಾಗಿ AI ನ ಅನುಭವ ಮಾಡಲು ಮತ್ತು ದ್ರುತವಾಗಿ, ಕೈಗೊಳ್ಳಬಹುದಾದ ಉದಾಹರಣೆಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದರೆ ನಮ್ಮ [**ಆರಂಭಿಕರಿಗಾಗಿ ಅನುಕೂಲಕರ ಉದಾಹರಣೆಗಳು**](./examples/README.md) ನೋಡಿ! ಅವುಗಳಲ್ಲಿ ಇವುಗಳಿವೆ:
|
||||
ನೀವು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸದಾಗಿ AIಗೆ ಪ್ರಾರಂಭಿಸುತ್ತಿದ್ದರೆ ಮತ್ತು ತ್ವರಿತ, ಕೈಗೂಂಡು ಮಾದರಿಗಳನ್ನು ಬಯಸುತ್ತಿದ್ದರೆ, ನಮ್ಮ [**ಬಿಗಿನರ್-ಫ್ರೆಂಡ್ಲಿ نمೂನೆಗಳು**](./examples/README.md) ನೋಡಿ! ಇದರಲ್ಲಿ ಇಲ್ಲಿದೆ:
|
||||
|
||||
- 🌟 **ಹಲೋ AI ಪ್ರಪಂಚ** - ನಿಮ್ಮ ಮೊದಲ AI ಕಾರ್ಯಕ್ರಮ (ರೇಖೆ ಗುರುತುಪಡಿಸುವಿಕೆ)
|
||||
- 🧠 **ಸರಳ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್** - ಹೊಸದಾಗಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ನಿರ್ಮಿಸಿ
|
||||
- 🖼️ **ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರ** - ವಿವರವಾದ ಟೀಪುಡಿಕೆಗಳೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ
|
||||
- 💬 **ಪಠ್ಯ ಭಾವನೆ** - ಧನಾತ್ಮಕ/ನಕಾರಾತ್ಮಕ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸಿ
|
||||
- 🌟 **ಹೆಲೋ AI ವರ್ಲ್ಡ್** - ನಿಮ್ಮ ಮೊದಲ AI ಕಾರ್ಯಕ್ರಮ (ಪ್ಯಾಟರ್ನ್ ಗುರುತು)
|
||||
- 🧠 **ಸರಳ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್** - ಶುನ್ಯದಿಂದ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ನಿರ್ಮಿಸಿ
|
||||
- 🖼️ **ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರ** - ವಿವರವಾದ ಟಿಪ್ಪಣಿಗಳೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ
|
||||
- 💬 **ಪುಟಾತ್ಮಕ ಭಾವನಾಶಾಸ್ತ್ರ** - ಧನಾತ್ಮಕ/ನಕಾರಾತ್ಮಕ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಶಿಸಿ
|
||||
|
||||
ನೀವು ಸಂಪೂರ್ಣ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಮುಳುಗುವುದಕ್ಕಿಂತ ಮುಂಚೆ AI ತತ್ವಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಕೊಳ್ಳಲು ಈ ಉದಾಹರಣೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
|
||||
ಈ ಉದಾಹರಣೆಗಳು ಪೂರ್ಣ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಮುಳುಗುವ ಮುನ್ನ AI ಅಂಶಗಳನ್ನು ನೆನಪಿಸುವಲ್ಲಿ ಸಹಾಯ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
|
||||
|
||||
### 📚 ಸಂಪೂರ್ಣ ಪಠ್ಯಕ್ರಮ ಸ್ಥಾಪನೆ
|
||||
### 📚 ಪೂರ್ಣ ಪಠ್ಯಕ್ರಮ ಹೊಂದಾಣಿಕೆ
|
||||
|
||||
- ನಾವು ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಹೊಂದಿಸಲು ಸಹಾಯ ಮಾಡಲು [ಸ್ಥಾಪನೆ ಪಾಠ](./lessons/0-course-setup/setup.md) ಸೃಷ್ಟಿಸಿದ್ದೇವೆ. - ಬೋಧಕರಿಗಾಗಿ, ನಾವು ನಿಮಗಾಗಿ ಸಹ [ಪಠ್ಯಕ್ರಮ ಸ್ಥಾಪನೆ ಪಾಠ](./lessons/0-course-setup/for-teachers.md) ಸೃಷ್ಟಿಸಿದ್ದೇವೆ!
|
||||
- VSCode ಅಥವಾ Codespace ನಲ್ಲಿ ಹೇಗೆ [ಕೋಡ್ ಅನ್ನು ನಡೆಸುವುದು](./lessons/0-course-setup/how-to-run.md)
|
||||
- ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಹೊಂದಿಸಲು ಸಹಾಯ ಮಾಡಲು ನಾವು [ಸೆಟಪ್ ಪಾಠ](./lessons/0-course-setup/setup.md) ರಚಿಸಲಾಗಿದೆ. - ಶಿಕ್ಷಕರಿಗಾಗಿ, ನಾವು [ಪಠ್ಯಕ್ರಮಗಳ ಹೊಂದಾಣಿಕೆ ಪಾಠ](./lessons/0-course-setup/for-teachers.md) ಸಹ ರಚಿಸಿದ್ದು ಇದೆ!
|
||||
- VSCode ಅಥವಾ Codespace ನಲ್ಲಿ [ಕೋಡ್ ಹೇಗೆ ಚಾಲನೆ ಮಾಡುವುದು](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:
|
||||
|
||||
ರಿಪೊಸಿಟೋರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ: ಈ ಪುಟದ ಮೇಲ್ಭಾಗದ ಬಲಭಾಗದಲ್ಲಿ ಇರುವ "Fork" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ.
|
||||
ರಿಪೋಜಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ: ಈ ಪುಟದ ಮೇಲೆ ಬಲಎಡೆಯಲ್ಲಿರುವ "Fork" ಬಟನ್ನನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
|
||||
|
||||
ರಿಪೊಸಿಟೋರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
ರಿಪೋಜಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
ನಂತರ ಈ ರಿಪೊವನ್ನು ಸುಲಭವಾಗಿ ಹುಡುಕಲು ನೆスター (🌟) ಮಾಡಲು ಮರೆಯಬೇಡಿ.
|
||||
ನಂತರ ಇದನ್ನು ಸುಲಭವಾಗಿ ಕಂಡುಹಿಡಿಯಲು ಈ ರಿಪೋಗೆ ಸ್ಟಾರ್ (🌟) ನೀಡಲು ಮರೆಯಬೇಡಿ.
|
||||
|
||||
## ಇತರೆ ಕಲಿಯುವವರನ್ನು ಭೇಟಿ ಮಾಡಿ
|
||||
## ಇತರ ಕಲಿಯುವವರನ್ನು ಭೇಟಿಮಾಡಿ
|
||||
|
||||
ನೀವು ಈ ಕೋರ್ಸ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಿರುವ ಇತರ ಕಲಿಯುವವರ ಜೊತೆಗೆ ಭೇಟಿ ಮಾಡಲು ಮತ್ತು ನೆಟ್ವರ್ಕ್ ಮಾಡಲು ನಮ್ಮ [ಅಧಿಕೃತ AI ಡಿಸ್ಕಾರ್ಡ್ ಸರ್ವರ್](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ಸೇರಿ ಮತ್ತು ಸಹಾಯ ಪಡೆಯಿರಿ.
|
||||
ನಮ್ಮ [ಅಧಿಕೃತ AI Discord ಸರ್ವರ್](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ಸೇರಿ ಈ ಪಾಠವನ್ನು ಕಲಿಯುತ್ತಿರುವ ಇತರ ಕಲಿಯುವವರನ್ನು ಭೇಟಿಮಾಡಿ ಮತ್ತು ನೆಟ್ವರ್ಕ್ ಮಾಡಿ, ಮತ್ತು ಬೆಂಬಲ ಪಡೆಯಿರಿ.
|
||||
|
||||
ನೀವು ಉತ್ಪನ್ನ ಪ್ರತಿಕ್ರিয়া ಅಥವಾ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ ನಮ್ಮ [Azure AI Foundry Developer ಫೋರಮ್](https://aka.ms/foundry/forum) ಗೆ ಭೇಟಿ ನೀಡಿ
|
||||
ನೀವು ನಿರ್ಮಿಸುವಾಗ ಉತ್ಪನ್ನ ಪ್ರತಿಕ್ರಿಯೆ ಅಥವಾ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ ನಮ್ಮ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ಗೆ ಭೇಟಿ ನೀಡಿ
|
||||
|
||||
## ಪ್ರಶ್ನೋತ್ತರಗಳು
|
||||
## ಕೃಷ್ಣಪಟಗಳು (Quizzes)
|
||||
|
||||
> **ಪ್ರಶ್ನೋತ್ತರಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರಗಳು etc\quiz-app ನಲ್ಲಿ Quiz-app ಫೋಲ್ದರ್ ಒಳಗಿನ, ಅಥವಾ [ಅನ್ಲೈನ್ ಇಲ್ಲಿ](https://ff-quizzes.netlify.app/) ಇವೆ. ಅವು ಪಾಠಗಳ ಒಳಗೆ ಸಂಪರ್ಕಗೊಂಡಿವೆ, ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳೀಯವಾಗಿ ಮುಂಚಿತವಾಗಿ ಅಥವಾ ಅಝುರ್ಗೆ ನಿಯೋಜಿಸಬಹುದು; `quiz-app` ಫೋಲ್ದರ್ನಲ್ಲಿ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ಅವು 徐徐ಗೆ ಸ್ಥಳೀಯಗೊಳ್ಳುತ್ತಿವೆ.
|
||||
> **ಕೃಷ್ಣಪಟಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಕೃಷ್ಣಪಟಗಳು Quiz-app ಫೋಲ್ಡರ್ etc\quiz-app ನಲ್ಲಿ ಇರುತ್ತವೆ, ಅಥವಾ [ಇಲ್ಲಿ ಆನ್ಲೈನ್](https://ff-quizzes.netlify.app/) ಇವೆ. ಅವು ಪಾಠಗಳ ಒಳಗಿಂದ ಕೊಂಡಿ ಮಾಡಲ್ಪಟ್ಟಿವೆ; ಕೃಷ್ಣಪಟ್ ಆಪ್ ಸ್ಥಳೀಯವಾಗಿ ಅಥವಾ Azure ಗೆ ನಿಯೋಜಿಸಬಹುದು; `quiz-app` ಫೋಲ್ಡರ್ನಲ್ಲಿ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ಅವು ಕ್ರಮೇಣ ಸ್ಥಳೀಯಗೊಳ್ಳುತ್ತಿವೆ.
|
||||
|
||||
## ಸಹಾಯ ಬೇಕು
|
||||
|
||||
ನೀವು ಏನು ಸಲಹೆಗಳನ್ನು ಹೊಂದಿದ್ದೀರಾ ಅಥವಾ ವ್ಯಾಕರಣದ ಅಥವಾ ಕೋಡ್ ದೋಷಗಳನ್ನು ಕಂಡಿದ್ದೀರಾ? ಸಮಸ್ಯೆ ಉದ್ಘಾಟಿಸಿ ಅಥವಾ ಪುಲ್ ವಿನಂತಿ ರಚಿಸಿ.
|
||||
ನಿಮ್ಮ ಬಳಿ ಸಲಹೆಗಳು ಇದೆಯೇ ಅಥವಾ ವ್ಯಾಕರಣ ಅಥವಾ ಕೋಡ್ ದೋಷಗಳನ್ನು ಕಂಡಿದ್ದೀರಾ? ವಿಚಾರಣೆ ಎತ್ತರಿಸಿ ಅಥವಾ ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಸೃಜಿಸಿ.
|
||||
|
||||
## ವಿಶೇಷ ಧನ್ಯವಾದಗಳು
|
||||
|
||||
* **✍️ ಪ್ರಮುಖ ಲೇಖಕ:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **✍️ ಮುಖ್ಯ ಲೇಖಕ:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 ಸಂಪಾದಕ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 ಸ್ಕೆಚ್ನೋಟ್ ಚಿತ್ರಗಾರ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ ಪ್ರಶ್ನೋತ್ತರ ರಚయিতা:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 ಮೂಲ ಪಾಲುದಾರರು:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🎨 ಸ್ಕೆಚ್ನೋಟ್ ಚಿತ್ರಕಾರ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ ಕೃಷ್ಣಪಟ್ ರಚಯಿತೃ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 ಪ್ರಮುಖ ಸಹಾಯಕರಾದವರು:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## ಇತರೆ ಪಠ್ಯಕ್ರಮಗಳು
|
||||
## ಇತರ ಪಠ್ಯಕ್ರಮಗಳು
|
||||
|
||||
ನಮ್ಮ ತಂಡ ಇತರೆ ಪಠ್ಯಕ್ರಮಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:
|
||||
ನಮ್ಮ ತಂಡ ಇತರ ಪಠ್ಯಕ್ರಮಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ಪರಿಶೀಲಿಸಿ:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -182,7 +173,7 @@ _ಕ್ಲೌಡ್ನಲ್ಲಿ AI ಗೆ ನಿಶೀಲ ಪ್ರವ
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / ಏಜೆಂಟ್ಸ್
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -190,7 +181,7 @@ _ಕ್ಲೌಡ್ನಲ್ಲಿ AI ಗೆ ನಿಶೀಲ ಪ್ರವ
|
|||
|
||||
---
|
||||
|
||||
### ಉತ್ಪನ್ನಶೀಲ AI ಸರಣಿ
|
||||
### ಜನರೇಟಿವ್ AI ಸರಣಿ
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -198,36 +189,36 @@ _ಕ್ಲೌಡ್ನಲ್ಲಿ AI ಗೆ ನಿಶೀಲ ಪ್ರವ
|
|||
|
||||
---
|
||||
|
||||
### ಕೋರ್ ಕಲಿಕೆ
|
||||
### ಕೋರ್ ಕಲಿಕಾ
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### ಕೋಪೈಲಟ್ ಸರಣಿ
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
### ಕೋಪಿಲಾಟ್ ಸರಣಿ
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## ಸಹಾಯ ಪಡೆಯುವುದು
|
||||
|
||||
ನೀವು ಅडकಿಕೊಂಡಿದ್ದೀರಿ ಅಥವಾ AI ಅಪ್ಗಳ ನಿರ್ಮಾಣದ ಬಗ್ಗೆ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ. MCP ಬಗ್ಗೆ ಚರ್ಚೆಯಲ್ಲಿರುವ ಇತರ ಕಲಿಯುವವರಿಗೆ ಮತ್ತು ಅನುಭವಜ್ಞರಿಗೂ ಸೇರಿ. ಇಲ್ಲಿ ಪ್ರಶ್ನೆಗಳು ಸ್ವಾಗತಾರ್ಹವಾಗಿವೆ ಮತ್ತು ತಿಳುವಳಿಕೆ ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
|
||||
ನೀವು ಅटकಿಕೊಂಡಿದ್ದರೆ ಅಥವಾ AI ಅಪ್ಲಿಕೇಶನ್ಗಳ ನಿರ್ಮಾಣ ಸಂಬಂಧಿಸಿದ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ, MCP ಕುರಿತು ಚರ್ಚೆಗಳಲ್ಲಿ ಜೊತೆಗೆ ಕಲಿಯುವವರ ಹಾಗೂ ಅನುಭವಿಯಾದ ಡೆವಲಪರ್ಗಳೊಂದಿಗೆ ಸೇರಿ. ಇದು ಸಹಾಯಕ ಸಮುದಾಯವಾಗಿದ್ದು ಅಲ್ಲಿ ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಸ್ವತಃ ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
ನೀವು ಉತ್ಪನ್ನ ಪ್ರತಿಕ್ರಿಯೆ ಅಥವಾ ದೋಷಗಳನ್ನು ಕಂಡಿದ್ದರೆ ನಿರ್ಮಾಣ ಸಂದರ್ಭದಲ್ಲಿ ಭೇಟಿ ನೀಡಿರಿ:
|
||||
ನೀವು ನಿರ್ಮಿಸುವಾಗ ಉತ್ಪನ್ನ ಪ್ರತಿಕ್ರಿಯೆ ಅಥವಾ ದೋಷಗಳಿದ್ದರೆ ಭೇಟಿ ನೀಡಿ:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ವ್ಯಾಖ್ಯಾನ**:
|
||||
ಈ ದಾಖಲೆ AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯ ಪರವಾಗಿ ಪ್ರಯತ್ನಿಸಿದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳಿರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಾಖಲೆವೇ ಅಧಿಕೃತ ಮೂಲವಾಗಿಯೇ ಪರಿಗಣಿಸಲಾಗಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತೊಂದರೆಗಳ ಅಥವಾ ತಪ್ಪು ಅರ್ಥಗಳ ಕುರಿತು ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
**ತ್ಯಾಜ್ಯ ಪತ್ರಿಕೆ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿರುವಾಗ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿ ಇರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಧಿಕಾರ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಆವಶ್ಯಕ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸಿ ಉಂಟಾಗಬಹುದಾದ ಯಾವುದೇ ದುರರ್ಬೋಧನೆಗಳಿಗೆ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ ನಾವು ಜವಾಬ್ದಾರಿಯಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,53 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-11-25T20:13:21+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
## ಭದ್ರತೆ
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ ನಮ್ಮ ಸಾಫ್ಟ್ವೇರ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಭದ್ರತೆಯನ್ನು ಗಂಭೀರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದರಲ್ಲಿ ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ನಿರ್ವಹಿಸಲ್ಪಡುವ ಎಲ್ಲಾ ಮೂಲ ಕೋಡ್ ಸಂಗ್ರಹಣೆಗಳು ಸೇರಿವೆ, ಅವುಗಳಲ್ಲಿ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ಮತ್ತು [ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳು](https://opensource.microsoft.com/) ಸೇರಿವೆ.
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಮೈಕ್ರೋಸಾಫ್ಟ್-ಸ್ವಂತ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಭದ್ರತಾ ದುರ್ಬಲತೆಯ ವ್ಯಾಖ್ಯಾನ](https://aka.ms/opensource/security/definition) ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಭದ್ರತಾ ದುರ್ಬಲತೆಯನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸಿದರೆ, ದಯವಿಟ್ಟು ಕೆಳಗಿನಂತೆ ನಮಗೆ ವರದಿ ಮಾಡಿ.
|
||||
|
||||
## ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ವರದಿ
|
||||
|
||||
**ದಯವಿಟ್ಟು ಭದ್ರತಾ ದುರ್ಬಲತೆಗಳನ್ನು ಸಾರ್ವಜನಿಕ GitHub ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ವರದಿ ಮಾಡಬೇಡಿ.**
|
||||
|
||||
ಬದಲಿಗೆ, ದಯವಿಟ್ಟು ಅವುಗಳನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಭದ್ರತಾ ಪ್ರತಿಕ್ರಿಯಾ ಕೇಂದ್ರಕ್ಕೆ (MSRC) [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) ನಲ್ಲಿ ವರದಿ ಮಾಡಿ.
|
||||
|
||||
ನೀವು ಲಾಗಿನ್ ಮಾಡದೆ ಸಲ್ಲಿಸಲು ಇಚ್ಛಿಸಿದರೆ, [secure@microsoft.com](mailto:secure@microsoft.com) ಗೆ ಇಮೇಲ್ ಕಳುಹಿಸಿ. ಸಾಧ್ಯವಾದರೆ, ನಮ್ಮ PGP ಕೀ ಬಳಸಿ ನಿಮ್ಮ ಸಂದೇಶವನ್ನು ಎನ್ಕ್ರಿಪ್ಟ್ ಮಾಡಿ; ದಯವಿಟ್ಟು ಅದನ್ನು [Microsoft Security Response Center PGP Key ಪುಟ](https://aka.ms/opensource/security/pgpkey) ನಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ.
|
||||
|
||||
ನೀವು 24 ಗಂಟೆಗಳ ಒಳಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯಬೇಕು. ಯಾವುದೋ ಕಾರಣಕ್ಕಾಗಿ ನೀವು ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯದಿದ್ದರೆ, ದಯವಿಟ್ಟು ನಮ್ಮ ಮೂಲ ಸಂದೇಶವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೇವೆ ಎಂದು ಖಚಿತಪಡಿಸಲು ಇಮೇಲ್ ಮೂಲಕ ಅನುಸರಿಸಿ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) ನೋಡಿ.
|
||||
|
||||
ದಯವಿಟ್ಟು ಕೆಳಗಿನ ವಿನಂತಿ ಮಾಡಿದ ಮಾಹಿತಿಯನ್ನು (ನೀವು ನೀಡಬಹುದಾದಷ್ಟು) ಸೇರಿಸಿ, ಇದು ಸಾಧ್ಯವಿರುವ ಸಮಸ್ಯೆಯ ಸ್ವಭಾವ ಮತ್ತು ವ್ಯಾಪ್ತಿಯನ್ನು ನಾವು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ:
|
||||
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರಕಾರ (ಉದಾ: ಬಫರ್ ಓವರ್ಫ್ಲೋ, SQL ಇಂಜೆಕ್ಷನ್, ಕ್ರಾಸ್-ಸೈಟ್ ಸ್ಕ್ರಿಪ್ಟಿಂಗ್, ಇತ್ಯಾದಿ)
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರತ್ಯಕ್ಷತೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಮೂಲ ಫೈಲ್ಗಳ ಸಂಪೂರ್ಣ ಮಾರ್ಗಗಳು
|
||||
* ಪ್ರಭಾವಿತ ಮೂಲ ಕೋಡ್ನ ಸ್ಥಳ (ಟ್ಯಾಗ್/ಬ್ರಾಂಚ್/ಕಮಿಟ್ ಅಥವಾ ನೇರ URL)
|
||||
* ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ವಿಶೇಷ ಸಂರಚನೆ
|
||||
* ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಹಂತ ಹಂತದ ಸೂಚನೆಗಳು
|
||||
* ಸಾಬೀತು-ಆಫ್-ಕಾನ್ಸೆಪ್ಟ್ ಅಥವಾ ಎಕ್ಸ್ಪ್ಲಾಯಿಟ್ ಕೋಡ್ (ಸಾಧ್ಯವಾದರೆ)
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರಭಾವ, ಮತ್ತು ಹೇಗೆ ಹ್ಯಾಕರ್ ಅದನ್ನು ದುರುಪಯೋಗ ಮಾಡಬಹುದು ಎಂಬುದು
|
||||
|
||||
ಈ ಮಾಹಿತಿ ನಿಮ್ಮ ವರದಿಯನ್ನು ವೇಗವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
|
||||
ನೀವು ಬಗ್ ಬೌಂಟಿಗಾಗಿ ವರದಿ ಮಾಡುತ್ತಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಸಂಪೂರ್ಣ ವರದಿಗಳು ಹೆಚ್ಚಿನ ಬೌಂಟಿ ಬಹುಮಾನಕ್ಕೆ ಸಹಾಯ ಮಾಡಬಹುದು. ನಮ್ಮ [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) ಪುಟವನ್ನು ನಮ್ಮ ಸಕ್ರಿಯ ಕಾರ್ಯಕ್ರಮಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ವಿವರಗಳಿಗೆ ಭೇಟಿ ನೀಡಿ.
|
||||
|
||||
## ಇಚ್ಛಿತ ಭಾಷೆಗಳು
|
||||
|
||||
ನಾವು ಎಲ್ಲಾ ಸಂವಹನಗಳು ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ಇರಬೇಕೆಂದು ಇಚ್ಛಿಸುತ್ತೇವೆ.
|
||||
|
||||
## ನೀತಿ
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ [ಸಂಯೋಜಿತ ದುರ್ಬಲತೆ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ](https://aka.ms/opensource/security/cvd) ತತ್ವವನ್ನು ಅನುಸರಿಸುತ್ತದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
## ಭದ್ರತೆ
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ ನಮ್ಮ ಸಾಫ್ಟ್ವೇರ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಭದ್ರತೆಯನ್ನು ಗಂಭೀರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದರಲ್ಲಿ ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ನಿರ್ವಹಿಸಲ್ಪಡುವ ಎಲ್ಲಾ ಮೂಲ ಕೋಡ್ ಸಂಗ್ರಹಣೆಗಳು ಸೇರಿವೆ, ಅವುಗಳಲ್ಲಿ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ಮತ್ತು [ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳು](https://opensource.microsoft.com/) ಸೇರಿವೆ.
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಮೈಕ್ರೋಸಾಫ್ಟ್-ಸ್ವಂತ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಭದ್ರತಾ ದುರ್ಬಲತೆಯ ವ್ಯಾಖ್ಯಾನ](https://aka.ms/opensource/security/definition) ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಭದ್ರತಾ ದುರ್ಬಲತೆಯನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸಿದರೆ, ದಯವಿಟ್ಟು ಕೆಳಗಿನಂತೆ ನಮಗೆ ವರದಿ ಮಾಡಿ.
|
||||
|
||||
## ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ವರದಿ
|
||||
|
||||
**ದಯವಿಟ್ಟು ಭದ್ರತಾ ದುರ್ಬಲತೆಗಳನ್ನು ಸಾರ್ವಜನಿಕ GitHub ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ವರದಿ ಮಾಡಬೇಡಿ.**
|
||||
|
||||
ಬದಲಿಗೆ, ದಯವಿಟ್ಟು ಅವುಗಳನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಭದ್ರತಾ ಪ್ರತಿಕ್ರಿಯಾ ಕೇಂದ್ರಕ್ಕೆ (MSRC) [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) ನಲ್ಲಿ ವರದಿ ಮಾಡಿ.
|
||||
|
||||
ನೀವು ಲಾಗಿನ್ ಮಾಡದೆ ಸಲ್ಲಿಸಲು ಇಚ್ಛಿಸಿದರೆ, [secure@microsoft.com](mailto:secure@microsoft.com) ಗೆ ಇಮೇಲ್ ಕಳುಹಿಸಿ. ಸಾಧ್ಯವಾದರೆ, ನಮ್ಮ PGP ಕೀ ಬಳಸಿ ನಿಮ್ಮ ಸಂದೇಶವನ್ನು ಎನ್ಕ್ರಿಪ್ಟ್ ಮಾಡಿ; ದಯವಿಟ್ಟು ಅದನ್ನು [Microsoft Security Response Center PGP Key ಪುಟ](https://aka.ms/opensource/security/pgpkey) ನಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ.
|
||||
|
||||
ನೀವು 24 ಗಂಟೆಗಳ ಒಳಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯಬೇಕು. ಯಾವುದೋ ಕಾರಣಕ್ಕಾಗಿ ನೀವು ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯದಿದ್ದರೆ, ದಯವಿಟ್ಟು ನಮ್ಮ ಮೂಲ ಸಂದೇಶವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೇವೆ ಎಂದು ಖಚಿತಪಡಿಸಲು ಇಮೇಲ್ ಮೂಲಕ ಅನುಸರಿಸಿ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) ನೋಡಿ.
|
||||
|
||||
ದಯವಿಟ್ಟು ಕೆಳಗಿನ ವಿನಂತಿ ಮಾಡಿದ ಮಾಹಿತಿಯನ್ನು (ನೀವು ನೀಡಬಹುದಾದಷ್ಟು) ಸೇರಿಸಿ, ಇದು ಸಾಧ್ಯವಿರುವ ಸಮಸ್ಯೆಯ ಸ್ವಭಾವ ಮತ್ತು ವ್ಯಾಪ್ತಿಯನ್ನು ನಾವು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ:
|
||||
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರಕಾರ (ಉದಾ: ಬಫರ್ ಓವರ್ಫ್ಲೋ, SQL ಇಂಜೆಕ್ಷನ್, ಕ್ರಾಸ್-ಸೈಟ್ ಸ್ಕ್ರಿಪ್ಟಿಂಗ್, ಇತ್ಯಾದಿ)
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರತ್ಯಕ್ಷತೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಮೂಲ ಫೈಲ್ಗಳ ಸಂಪೂರ್ಣ ಮಾರ್ಗಗಳು
|
||||
* ಪ್ರಭಾವಿತ ಮೂಲ ಕೋಡ್ನ ಸ್ಥಳ (ಟ್ಯಾಗ್/ಬ್ರಾಂಚ್/ಕಮಿಟ್ ಅಥವಾ ನೇರ URL)
|
||||
* ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ವಿಶೇಷ ಸಂರಚನೆ
|
||||
* ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಹಂತ ಹಂತದ ಸೂಚನೆಗಳು
|
||||
* ಸಾಬೀತು-ಆಫ್-ಕಾನ್ಸೆಪ್ಟ್ ಅಥವಾ ಎಕ್ಸ್ಪ್ಲಾಯಿಟ್ ಕೋಡ್ (ಸಾಧ್ಯವಾದರೆ)
|
||||
* ಸಮಸ್ಯೆಯ ಪ್ರಭಾವ, ಮತ್ತು ಹೇಗೆ ಹ್ಯಾಕರ್ ಅದನ್ನು ದುರುಪಯೋಗ ಮಾಡಬಹುದು ಎಂಬುದು
|
||||
|
||||
ಈ ಮಾಹಿತಿ ನಿಮ್ಮ ವರದಿಯನ್ನು ವೇಗವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
|
||||
ನೀವು ಬಗ್ ಬೌಂಟಿಗಾಗಿ ವರದಿ ಮಾಡುತ್ತಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಸಂಪೂರ್ಣ ವರದಿಗಳು ಹೆಚ್ಚಿನ ಬೌಂಟಿ ಬಹುಮಾನಕ್ಕೆ ಸಹಾಯ ಮಾಡಬಹುದು. ನಮ್ಮ [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) ಪುಟವನ್ನು ನಮ್ಮ ಸಕ್ರಿಯ ಕಾರ್ಯಕ್ರಮಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ವಿವರಗಳಿಗೆ ಭೇಟಿ ನೀಡಿ.
|
||||
|
||||
## ಇಚ್ಛಿತ ಭಾಷೆಗಳು
|
||||
|
||||
ನಾವು ಎಲ್ಲಾ ಸಂವಹನಗಳು ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ ಇರಬೇಕೆಂದು ಇಚ್ಛಿಸುತ್ತೇವೆ.
|
||||
|
||||
## ನೀತಿ
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ [ಸಂಯೋಜಿತ ದುರ್ಬಲತೆ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ](https://aka.ms/opensource/security/cvd) ತತ್ವವನ್ನು ಅನುಸರಿಸುತ್ತದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,25 +1,16 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-11-25T20:22:49+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ
|
||||
|
||||
ಈ ಯೋಜನೆ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಂಗೀಕರಿಸಿದೆ.
|
||||
|
||||
ಸಂಪನ್ಮೂಲಗಳು:
|
||||
|
||||
- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ](https://opensource.microsoft.com/codeofconduct/)
|
||||
- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
|
||||
- ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಚಿಂತೆಗಳಿದ್ದರೆ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಗೆ ಸಂಪರ್ಕಿಸಿ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ
|
||||
|
||||
ಈ ಯೋಜನೆ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಂಗೀಕರಿಸಿದೆ.
|
||||
|
||||
ಸಂಪನ್ಮೂಲಗಳು:
|
||||
|
||||
- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ](https://opensource.microsoft.com/codeofconduct/)
|
||||
- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ನಡವಳಿಕೆ ಸಂಹಿತೆ FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
|
||||
- ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಚಿಂತೆಗಳಿದ್ದರೆ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಗೆ ಸಂಪರ್ಕಿಸಿ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,33 +1,24 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-11-25T20:23:35+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಕೊಡುಗೆ ನೀಡುವುದು
|
||||
|
||||
ಈ ಯೋಜನೆ ಕೊಡುಗೆಗಳು ಮತ್ತು ಸಲಹೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತದೆ. ಬಹುತೇಕ ಕೊಡುಗೆಗಳಿಗೆ ನೀವು Contributor License Agreement (CLA) ಒಪ್ಪಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ, ಇದರಲ್ಲಿ ನೀವು ನಿಮ್ಮ ಕೊಡುಗೆಯನ್ನು ಬಳಸಲು ನಮಗೆ ಹಕ್ಕುಗಳನ್ನು ನೀಡಲು ಸಿದ್ಧರಾಗಿದ್ದೀರಿ ಮತ್ತು ನಿಜವಾಗಿಯೂ ಹಕ್ಕು ಹೊಂದಿದ್ದೀರಿ ಎಂದು ಘೋಷಿಸುತ್ತೀರಿ. ವಿವರಗಳಿಗೆ, https://cla.microsoft.com ಗೆ ಭೇಟಿ ನೀಡಿ.
|
||||
|
||||
ನೀವು ಪಲ್ ರಿಕ್ವೆಸ್ಟ್ ಸಲ್ಲಿಸಿದಾಗ, CLA-bot ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನೀವು CLA ಒದಗಿಸಬೇಕೇ ಎಂದು ನಿರ್ಧರಿಸಿ, PR ಅನ್ನು ಸೂಕ್ತವಾಗಿ ಅಲಂಕರಿಸುತ್ತದೆ (ಉದಾ: ಲೇಬಲ್, ಕಾಮೆಂಟ್). ಬಾಟ್ ನೀಡುವ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ನಮ್ಮ CLA ಬಳಸುವ ಎಲ್ಲಾ ರೆಪೊಸಿಟರಿಗಳಲ್ಲಿ ನೀವು ಇದನ್ನು ಒಂದೇ ಬಾರಿ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಈ ಯೋಜನೆ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿದೆ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) ನೋಡಿ ಅಥವಾ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಕಾಮೆಂಟ್ಗಳಿಗೆ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಗೆ ಸಂಪರ್ಕಿಸಿ.
|
||||
|
||||
# ಕೊಡುಗೆಗಳಿಗಾಗಿ ಹುಡುಕುತ್ತಿರುವುದು
|
||||
|
||||
ನಾವು ಪ್ರಸ್ತುತ ಕೆಳಗಿನ ವಿಷಯಗಳ ಮೇಲೆ ಸಕ್ರಿಯವಾಗಿ ಕೊಡುಗೆಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದೇವೆ:
|
||||
|
||||
- [ ] ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಕುರಿತು ವಿಭಾಗ ಬರೆಯುವುದು
|
||||
- [ ] ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ ವಿಭಾಗ ಮತ್ತು ನೋಟ್ಬುಕ್ ಸುಧಾರಿಸುವುದು
|
||||
- [ ] PyTorch ಲೈಟ್ನಿಂಗ್ (ಈ [ವಿಭಾಗ](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md)ಗಾಗಿ)
|
||||
- [ ] ನೇಮ್ಡ್ ಎಂಟಿಟಿ ರೆಕಗ್ನಿಷನ್ ಕುರಿತು ವಿಭಾಗ ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ಬರೆಯುವುದು
|
||||
- [ ] ನಮ್ಮದೇ ಎಂಬೆಡ್ಡಿಂಗ್ಸ್ ತರಬೇತಿಗಾಗಿ ಉದಾಹರಣೆಗಳನ್ನು ರಚಿಸುವುದು ಈ [ವಿಭಾಗ](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)ಕ್ಕೆ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಕೊಡುಗೆ ನೀಡುವುದು
|
||||
|
||||
ಈ ಯೋಜನೆ ಕೊಡುಗೆಗಳು ಮತ್ತು ಸಲಹೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತದೆ. ಬಹುತೇಕ ಕೊಡುಗೆಗಳಿಗೆ ನೀವು Contributor License Agreement (CLA) ಒಪ್ಪಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ, ಇದರಲ್ಲಿ ನೀವು ನಿಮ್ಮ ಕೊಡುಗೆಯನ್ನು ಬಳಸಲು ನಮಗೆ ಹಕ್ಕುಗಳನ್ನು ನೀಡಲು ಸಿದ್ಧರಾಗಿದ್ದೀರಿ ಮತ್ತು ನಿಜವಾಗಿಯೂ ಹಕ್ಕು ಹೊಂದಿದ್ದೀರಿ ಎಂದು ಘೋಷಿಸುತ್ತೀರಿ. ವಿವರಗಳಿಗೆ, https://cla.microsoft.com ಗೆ ಭೇಟಿ ನೀಡಿ.
|
||||
|
||||
ನೀವು ಪಲ್ ರಿಕ್ವೆಸ್ಟ್ ಸಲ್ಲಿಸಿದಾಗ, CLA-bot ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನೀವು CLA ಒದಗಿಸಬೇಕೇ ಎಂದು ನಿರ್ಧರಿಸಿ, PR ಅನ್ನು ಸೂಕ್ತವಾಗಿ ಅಲಂಕರಿಸುತ್ತದೆ (ಉದಾ: ಲೇಬಲ್, ಕಾಮೆಂಟ್). ಬಾಟ್ ನೀಡುವ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ನಮ್ಮ CLA ಬಳಸುವ ಎಲ್ಲಾ ರೆಪೊಸಿಟರಿಗಳಲ್ಲಿ ನೀವು ಇದನ್ನು ಒಂದೇ ಬಾರಿ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಈ ಯೋಜನೆ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿದೆ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) ನೋಡಿ ಅಥವಾ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಕಾಮೆಂಟ್ಗಳಿಗೆ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಗೆ ಸಂಪರ್ಕಿಸಿ.
|
||||
|
||||
# ಕೊಡುಗೆಗಳಿಗಾಗಿ ಹುಡುಕುತ್ತಿರುವುದು
|
||||
|
||||
ನಾವು ಪ್ರಸ್ತುತ ಕೆಳಗಿನ ವಿಷಯಗಳ ಮೇಲೆ ಸಕ್ರಿಯವಾಗಿ ಕೊಡುಗೆಗಳನ್ನು ಹುಡುಕುತ್ತಿದ್ದೇವೆ:
|
||||
|
||||
- [ ] ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಕುರಿತು ವಿಭಾಗ ಬರೆಯುವುದು
|
||||
- [ ] ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ ವಿಭಾಗ ಮತ್ತು ನೋಟ್ಬುಕ್ ಸುಧಾರಿಸುವುದು
|
||||
- [ ] PyTorch ಲೈಟ್ನಿಂಗ್ (ಈ [ವಿಭಾಗ](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md)ಗಾಗಿ)
|
||||
- [ ] ನೇಮ್ಡ್ ಎಂಟಿಟಿ ರೆಕಗ್ನಿಷನ್ ಕುರಿತು ವಿಭಾಗ ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ಬರೆಯುವುದು
|
||||
- [ ] ನಮ್ಮದೇ ಎಂಬೆಡ್ಡಿಂಗ್ಸ್ ತರಬೇತಿಗಾಗಿ ಉದಾಹರಣೆಗಳನ್ನು ರಚಿಸುವುದು ಈ [ವಿಭಾಗ](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)ಕ್ಕೆ
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,91 +1,82 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-11-25T20:28:48+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [AI ಪರಿಚಯ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
- AI ವ್ಯಾಖ್ಯಾನ
|
||||
- AI ಇತಿಹಾಸ
|
||||
- AI ಗೆ ಉಪಾಯಗಳು
|
||||
- ಟಾಪ್-ಡೌನ್/ಪ್ರತೀಕಾತ್ಮಕ
|
||||
- ಬಾಟಮ್-ಅಪ್/ನ್ಯೂರಲ್
|
||||
- ವಿಕಾಸಾತ್ಮಕ
|
||||
- ಸೈನರ್ಜೆಟಿಕ್ / ಉದ್ಭವ AI
|
||||
- [Microsoft AI ವ್ಯವಹಾರ ಶಾಲೆ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## [ಪ್ರತೀಕಾತ್ಮಕ AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md)
|
||||
- ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ
|
||||
- [ನಿಪುಣ ವ್ಯವಸ್ಥೆಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb)
|
||||
- [ಆಂಟಾಲಜಿಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb)
|
||||
- ಅರ್ಥಜಾಲ ವೆಬ್
|
||||
|
||||
## [ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md)
|
||||
- [ಪರ್ಸೆಪ್ಟ್ರಾನ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md)
|
||||
- [ಬಹು-ಮಟ್ಟದ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md)
|
||||
- [ಫ್ರೇಮ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md)
|
||||
- [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)
|
||||
- [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md)
|
||||
- [ಅತಿವೈಯಕ್ತಿಕತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md)
|
||||
|
||||
## [ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md)
|
||||
- MS Learn ನಲ್ಲಿ
|
||||
- [AI ಮೂಲಭೂತಗಳು: ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಅನ್ವೇಷಣೆ](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ನೊಂದಿಗೆ CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ನೊಂದಿಗೆ CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [CV ಗೆ ಪರಿಚಯ. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md)
|
||||
- [ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md)
|
||||
- [CNN ವಿನ್ಯಾಸಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md)
|
||||
- [ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md)
|
||||
- [ತರಬೇತಿ ತಂತ್ರಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md)
|
||||
- [ಆಟೋಎಂಕೋಡರ್ಗಳು ಮತ್ತು VAEಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md)
|
||||
- [ಜನರೇಟಿವ್ ಪ್ರತಿಸ್ಪರ್ಧಾತ್ಮಕ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md)
|
||||
- [ಶೈಲಿ ವರ್ಗಾವಣೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
|
||||
- [ವಸ್ತು ಪತ್ತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md)
|
||||
- [ವಿಭಾಗೀಕರಣ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md)
|
||||
|
||||
## [ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md)
|
||||
- MS Learn ನಲ್ಲಿ
|
||||
- [AI ಮೂಲಭೂತಗಳು: NLP ಅನ್ವೇಷಣೆ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ನೊಂದಿಗೆ NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ನೊಂದಿಗೆ NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [ಪಠ್ಯ ಪ್ರತಿನಿಧಾನ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md)
|
||||
- ಪದಗಳ ಬ್ಯಾಗ್
|
||||
- TF/IDF
|
||||
- [ಅರ್ಥಾತ್ಮಕ ಎम्बೆಡ್ಡಿಂಗ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md)
|
||||
- Word2Vec
|
||||
- GloVE
|
||||
- [ಭಾಷಾ ಮಾದರೀಕರಣ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling)
|
||||
- [ಪುನರಾವರ್ತಿತ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md)
|
||||
- LSTM
|
||||
- GRU
|
||||
- [ಜನರೇಟಿವ್ ಪುನರಾವರ್ತಿತ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md)
|
||||
- [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಮತ್ತು BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md)
|
||||
- [ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವಿಕೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md)
|
||||
- [ಪಠ್ಯ ರಚನೆ ಮತ್ತು GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md)
|
||||
|
||||
## ಇತರೆ ತಂತ್ರಗಳು
|
||||
- [ಜನನಾತ್ಮಕ ಅಲ್ಗಾರಿದಮ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md)
|
||||
- [ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md)
|
||||
- [ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md)
|
||||
|
||||
## [AI ನೈತಿಕತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md)
|
||||
- [MS Learn ನಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತ AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## ಹೆಚ್ಚುವರಿ
|
||||
- [ಬಹುಮಾಧ್ಯಮ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md)
|
||||
- [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb)
|
||||
- DALL-E
|
||||
- VQ-GAN
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# AI
|
||||
|
||||
## [AI ಪರಿಚಯ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
- AI ವ್ಯಾಖ್ಯಾನ
|
||||
- AI ಇತಿಹಾಸ
|
||||
- AI ಗೆ ಉಪಾಯಗಳು
|
||||
- ಟಾಪ್-ಡೌನ್/ಪ್ರತೀಕಾತ್ಮಕ
|
||||
- ಬಾಟಮ್-ಅಪ್/ನ್ಯೂರಲ್
|
||||
- ವಿಕಾಸಾತ್ಮಕ
|
||||
- ಸೈನರ್ಜೆಟಿಕ್ / ಉದ್ಭವ AI
|
||||
- [Microsoft AI ವ್ಯವಹಾರ ಶಾಲೆ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## [ಪ್ರತೀಕಾತ್ಮಕ AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md)
|
||||
- ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ
|
||||
- [ನಿಪುಣ ವ್ಯವಸ್ಥೆಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb)
|
||||
- [ಆಂಟಾಲಜಿಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb)
|
||||
- ಅರ್ಥಜಾಲ ವೆಬ್
|
||||
|
||||
## [ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md)
|
||||
- [ಪರ್ಸೆಪ್ಟ್ರಾನ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md)
|
||||
- [ಬಹು-ಮಟ್ಟದ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md)
|
||||
- [ಫ್ರೇಮ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md)
|
||||
- [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)
|
||||
- [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md)
|
||||
- [ಅತಿವೈಯಕ್ತಿಕತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md)
|
||||
|
||||
## [ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md)
|
||||
- MS Learn ನಲ್ಲಿ
|
||||
- [AI ಮೂಲಭೂತಗಳು: ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಅನ್ವೇಷಣೆ](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ನೊಂದಿಗೆ CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ನೊಂದಿಗೆ CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [CV ಗೆ ಪರಿಚಯ. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md)
|
||||
- [ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md)
|
||||
- [CNN ವಿನ್ಯಾಸಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md)
|
||||
- [ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md)
|
||||
- [ತರಬೇತಿ ತಂತ್ರಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md)
|
||||
- [ಆಟೋಎಂಕೋಡರ್ಗಳು ಮತ್ತು VAEಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md)
|
||||
- [ಜನರೇಟಿವ್ ಪ್ರತಿಸ್ಪರ್ಧಾತ್ಮಕ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md)
|
||||
- [ಶೈಲಿ ವರ್ಗಾವಣೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
|
||||
- [ವಸ್ತು ಪತ್ತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md)
|
||||
- [ವಿಭಾಗೀಕರಣ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md)
|
||||
|
||||
## [ಸ್ವಾಭಾವಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md)
|
||||
- MS Learn ನಲ್ಲಿ
|
||||
- [AI ಮೂಲಭೂತಗಳು: NLP ಅನ್ವೇಷಣೆ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ನೊಂದಿಗೆ NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ನೊಂದಿಗೆ NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [ಪಠ್ಯ ಪ್ರತಿನಿಧಾನ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md)
|
||||
- ಪದಗಳ ಬ್ಯಾಗ್
|
||||
- TF/IDF
|
||||
- [ಅರ್ಥಾತ್ಮಕ ಎम्बೆಡ್ಡಿಂಗ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md)
|
||||
- Word2Vec
|
||||
- GloVE
|
||||
- [ಭಾಷಾ ಮಾದರೀಕರಣ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling)
|
||||
- [ಪುನರಾವರ್ತಿತ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md)
|
||||
- LSTM
|
||||
- GRU
|
||||
- [ಜನರೇಟಿವ್ ಪುನರಾವರ್ತಿತ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md)
|
||||
- [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು ಮತ್ತು BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md)
|
||||
- [ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವಿಕೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md)
|
||||
- [ಪಠ್ಯ ರಚನೆ ಮತ್ತು GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md)
|
||||
|
||||
## ಇತರೆ ತಂತ್ರಗಳು
|
||||
- [ಜನನಾತ್ಮಕ ಅಲ್ಗಾರಿದಮ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md)
|
||||
- [ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md)
|
||||
- [ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md)
|
||||
|
||||
## [AI ನೈತಿಕತೆ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md)
|
||||
- [MS Learn ನಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತ AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## ಹೆಚ್ಚುವರಿ
|
||||
- [ಬಹುಮಾಧ್ಯಮ ನೆಟ್ವರ್ಕ್ಗಳು](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md)
|
||||
- [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb)
|
||||
- DALL-E
|
||||
- VQ-GAN
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,27 +1,18 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-11-25T20:30:09+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಬೆಂಬಲ
|
||||
|
||||
## ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವುದು ಮತ್ತು ಸಹಾಯ ಪಡೆಯುವುದು ಹೇಗೆ
|
||||
|
||||
ಈ ಯೋಜನೆ ದೋಷಗಳು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು GitHub Issues ಅನ್ನು ಬಳಸುತ್ತದೆ. ನಕಲು ಸಮಸ್ಯೆಗಳನ್ನು ತಪ್ಪಿಸಲು ದಯವಿಟ್ಟು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವ ಮೊದಲು ಇತ್ತೀಚಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಹುಡುಕಿ. ಹೊಸ ಸಮಸ್ಯೆಗಳಿಗೆ, ನಿಮ್ಮ ದೋಷ ಅಥವಾ ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಯನ್ನು ಹೊಸ ಸಮಸ್ಯೆಯಾಗಿ ದಾಖಲಿಸಿ.
|
||||
|
||||
ಈ ಯೋಜನೆಯನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ಸಹಾಯ ಮತ್ತು ಪ್ರಶ್ನೆಗಳಿಗೆ, ದಯವಿಟ್ಟು ಚರ್ಚಾ ಫಲಕಗಳನ್ನು ಬಳಸಿ.
|
||||
|
||||
## Microsoft ಬೆಂಬಲ ನೀತಿ
|
||||
|
||||
ಈ ಯೋಜನೆಗೆ ಬೆಂಬಲವು ಮೇಲ್ಕಂಡ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಬೆಂಬಲ
|
||||
|
||||
## ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವುದು ಮತ್ತು ಸಹಾಯ ಪಡೆಯುವುದು ಹೇಗೆ
|
||||
|
||||
ಈ ಯೋಜನೆ ದೋಷಗಳು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು GitHub Issues ಅನ್ನು ಬಳಸುತ್ತದೆ. ನಕಲು ಸಮಸ್ಯೆಗಳನ್ನು ತಪ್ಪಿಸಲು ದಯವಿಟ್ಟು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವ ಮೊದಲು ಇತ್ತೀಚಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಹುಡುಕಿ. ಹೊಸ ಸಮಸ್ಯೆಗಳಿಗೆ, ನಿಮ್ಮ ದೋಷ ಅಥವಾ ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಯನ್ನು ಹೊಸ ಸಮಸ್ಯೆಯಾಗಿ ದಾಖಲಿಸಿ.
|
||||
|
||||
ಈ ಯೋಜನೆಯನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ಸಹಾಯ ಮತ್ತು ಪ್ರಶ್ನೆಗಳಿಗೆ, ದಯವಿಟ್ಟು ಚರ್ಚಾ ಫಲಕಗಳನ್ನು ಬಳಸಿ.
|
||||
|
||||
## Microsoft ಬೆಂಬಲ ನೀತಿ
|
||||
|
||||
ಈ ಯೋಜನೆಗೆ ಬೆಂಬಲವು ಮೇಲ್ಕಂಡ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,49 +1,40 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-11-25T20:32:04+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪಾಠಗಳನ್ನು ಅನುವಾದಿಸುವ ಮೂಲಕ ಸಹಾಯ ಮಾಡಿ
|
||||
|
||||
ಈ ಪಠ್ಯಕ್ರಮದ ಪಾಠಗಳಿಗೆ ಅನುವಾದಗಳನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!
|
||||
|
||||
## ಮಾರ್ಗಸೂಚಿಗಳು
|
||||
|
||||
ಪ್ರತಿ ಪಾಠ ಫೋಲ್ಡರ್ ಮತ್ತು ಪಾಠ ಪರಿಚಯ ಫೋಲ್ಡರ್ನಲ್ಲಿ ಅನುವಾದಿತ ಮಾರ್ಕ್ಡೌನ್ ಫೈಲ್ಗಳನ್ನು ಹೊಂದಿರುವ ಫೋಲ್ಡರ್ಗಳಿವೆ.
|
||||
|
||||
> ಗಮನಿಸಿ, ದಯವಿಟ್ಟು ಕೋಡ್ ಮಾದರಿ ಫೈಲ್ಗಳಲ್ಲಿನ ಯಾವುದೇ ಕೋಡ್ ಅನ್ನು ಅನುವಾದಿಸಬೇಡಿ; ಅನುವಾದಿಸಬೇಕಾದವುಗಳು README, ಅಸೈನ್ಮೆಂಟ್ಗಳು ಮತ್ತು ಕ್ವಿಜ್ಗಳು ಮಾತ್ರ. ಧನ್ಯವಾದಗಳು!
|
||||
|
||||
ಅನುವಾದಿತ ಫೈಲ್ಗಳು ಈ ಹೆಸರಿನ ನಿಯಮವನ್ನು ಅನುಸರಿಸಬೇಕು:
|
||||
|
||||
**README._[language]_.md**
|
||||
|
||||
ಇಲ್ಲಿ _[language]_ ಎಂದರೆ ISO 639-1 ಮಾನದಂಡದ ಪ್ರಕಾರ ಎರಡು ಅಕ್ಷರಗಳ ಭಾಷಾ ಸಂಕ್ಷಿಪ್ತ ರೂಪ (ಉದಾ: ಸ್ಪ್ಯಾನಿಷ್ಗೆ `README.es.md` ಮತ್ತು ಡಚ್ಗೆ `README.nl.md`).
|
||||
|
||||
**assignment._[language]_.md**
|
||||
|
||||
README ಗಳಂತೆ, ದಯವಿಟ್ಟು ಅಸೈನ್ಮೆಂಟ್ಗಳನ್ನೂ ಅನುವಾದಿಸಿ.
|
||||
|
||||
**ಕ್ವಿಜ್ಗಳು**
|
||||
|
||||
1. ನಿಮ್ಮ ಅನುವಾದವನ್ನು quiz-app ಗೆ ಸೇರಿಸಲು ಈ ಸ್ಥಳದಲ್ಲಿ ಫೈಲ್ ಸೇರಿಸಿ: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, ಸರಿಯಾದ ಹೆಸರಿನ ನಿಯಮ (en.json, fr.json) ಅನುಸರಿಸಿ. **'true' ಅಥವಾ 'false' ಪದಗಳನ್ನು ಸ್ಥಳೀಯೀಕರಿಸಬೇಡಿ. ಧನ್ಯವಾದಗಳು!**
|
||||
|
||||
2. quiz-app ನ App.vue ಫೈಲ್ನ ಡ್ರಾಪ್ಡೌನ್ನಲ್ಲಿ ನಿಮ್ಮ ಭಾಷಾ ಕೋಡ್ ಸೇರಿಸಿ.
|
||||
|
||||
3. quiz-app ನ [translations index.js ಫೈಲ್](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) ಅನ್ನು ಸಂಪಾದಿಸಿ ನಿಮ್ಮ ಭಾಷೆಯನ್ನು ಸೇರಿಸಿ.
|
||||
|
||||
4. ಕೊನೆಗೆ, ನಿಮ್ಮ ಅನುವಾದಿತ README.md ಫೈಲ್ಗಳಲ್ಲಿನ ಎಲ್ಲಾ ಕ್ವಿಜ್ ಲಿಂಕ್ಗಳನ್ನು ನೇರವಾಗಿ ನಿಮ್ಮ ಅನುವಾದಿತ ಕ್ವಿಜ್ಗೆ ಸೂಚಿಸುವಂತೆ ಸಂಪಾದಿಸಿ: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 ಇಂದ https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id ಆಗಿ ಬದಲಾಯಿಸಿ
|
||||
|
||||
**ಧನ್ಯವಾದಗಳು**
|
||||
|
||||
ನಿಮ್ಮ ಪ್ರಯತ್ನಗಳಿಗೆ ನಾವು ಹೃತ್ಪೂರ್ವಕವಾಗಿ ಕೃತಜ್ಞತೆ ಸಲ್ಲಿಸುತ್ತೇವೆ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಪಾಠಗಳನ್ನು ಅನುವಾದಿಸುವ ಮೂಲಕ ಸಹಾಯ ಮಾಡಿ
|
||||
|
||||
ಈ ಪಠ್ಯಕ್ರಮದ ಪಾಠಗಳಿಗೆ ಅನುವಾದಗಳನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ!
|
||||
|
||||
## ಮಾರ್ಗಸೂಚಿಗಳು
|
||||
|
||||
ಪ್ರತಿ ಪಾಠ ಫೋಲ್ಡರ್ ಮತ್ತು ಪಾಠ ಪರಿಚಯ ಫೋಲ್ಡರ್ನಲ್ಲಿ ಅನುವಾದಿತ ಮಾರ್ಕ್ಡೌನ್ ಫೈಲ್ಗಳನ್ನು ಹೊಂದಿರುವ ಫೋಲ್ಡರ್ಗಳಿವೆ.
|
||||
|
||||
> ಗಮನಿಸಿ, ದಯವಿಟ್ಟು ಕೋಡ್ ಮಾದರಿ ಫೈಲ್ಗಳಲ್ಲಿನ ಯಾವುದೇ ಕೋಡ್ ಅನ್ನು ಅನುವಾದಿಸಬೇಡಿ; ಅನುವಾದಿಸಬೇಕಾದವುಗಳು README, ಅಸೈನ್ಮೆಂಟ್ಗಳು ಮತ್ತು ಕ್ವಿಜ್ಗಳು ಮಾತ್ರ. ಧನ್ಯವಾದಗಳು!
|
||||
|
||||
ಅನುವಾದಿತ ಫೈಲ್ಗಳು ಈ ಹೆಸರಿನ ನಿಯಮವನ್ನು ಅನುಸರಿಸಬೇಕು:
|
||||
|
||||
**README._[language]_.md**
|
||||
|
||||
ಇಲ್ಲಿ _[language]_ ಎಂದರೆ ISO 639-1 ಮಾನದಂಡದ ಪ್ರಕಾರ ಎರಡು ಅಕ್ಷರಗಳ ಭಾಷಾ ಸಂಕ್ಷಿಪ್ತ ರೂಪ (ಉದಾ: ಸ್ಪ್ಯಾನಿಷ್ಗೆ `README.es.md` ಮತ್ತು ಡಚ್ಗೆ `README.nl.md`).
|
||||
|
||||
**assignment._[language]_.md**
|
||||
|
||||
README ಗಳಂತೆ, ದಯವಿಟ್ಟು ಅಸೈನ್ಮೆಂಟ್ಗಳನ್ನೂ ಅನುವಾದಿಸಿ.
|
||||
|
||||
**ಕ್ವಿಜ್ಗಳು**
|
||||
|
||||
1. ನಿಮ್ಮ ಅನುವಾದವನ್ನು quiz-app ಗೆ ಸೇರಿಸಲು ಈ ಸ್ಥಳದಲ್ಲಿ ಫೈಲ್ ಸೇರಿಸಿ: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, ಸರಿಯಾದ ಹೆಸರಿನ ನಿಯಮ (en.json, fr.json) ಅನುಸರಿಸಿ. **'true' ಅಥವಾ 'false' ಪದಗಳನ್ನು ಸ್ಥಳೀಯೀಕರಿಸಬೇಡಿ. ಧನ್ಯವಾದಗಳು!**
|
||||
|
||||
2. quiz-app ನ App.vue ಫೈಲ್ನ ಡ್ರಾಪ್ಡೌನ್ನಲ್ಲಿ ನಿಮ್ಮ ಭಾಷಾ ಕೋಡ್ ಸೇರಿಸಿ.
|
||||
|
||||
3. quiz-app ನ [translations index.js ಫೈಲ್](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) ಅನ್ನು ಸಂಪಾದಿಸಿ ನಿಮ್ಮ ಭಾಷೆಯನ್ನು ಸೇರಿಸಿ.
|
||||
|
||||
4. ಕೊನೆಗೆ, ನಿಮ್ಮ ಅನುವಾದಿತ README.md ಫೈಲ್ಗಳಲ್ಲಿನ ಎಲ್ಲಾ ಕ್ವಿಜ್ ಲಿಂಕ್ಗಳನ್ನು ನೇರವಾಗಿ ನಿಮ್ಮ ಅನುವಾದಿತ ಕ್ವಿಜ್ಗೆ ಸೂಚಿಸುವಂತೆ ಸಂಪಾದಿಸಿ: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 ಇಂದ https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id ಆಗಿ ಬದಲಾಯಿಸಿ
|
||||
|
||||
**ಧನ್ಯವಾದಗಳು**
|
||||
|
||||
ನಿಮ್ಮ ಪ್ರಯತ್ನಗಳಿಗೆ ನಾವು ಹೃತ್ಪೂರ್ವಕವಾಗಿ ಕೃತಜ್ಞತೆ ಸಲ್ಲಿಸುತ್ತೇವೆ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,140 +1,131 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-11-25T20:40:11+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪ್ರಶ್ನೋತ್ತರಗಳು
|
||||
|
||||
ಈ ಪ್ರಶ್ನೋತ್ತರಗಳು https://aka.ms/ai-beginners ನಲ್ಲಿ AI ಪಠ್ಯಕ್ರಮದ ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳಾಗಿವೆ
|
||||
|
||||
## ಅನುವಾದಿತ ಪ್ರಶ್ನೋತ್ತರ ಸೆಟ್ ಸೇರಿಸುವುದು
|
||||
|
||||
`assets/translations` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಶ್ನೋತ್ತರ ರಚನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಮೂಲಕ ಪ್ರಶ್ನೋತ್ತರ ಅನುವಾದವನ್ನು ಸೇರಿಸಿ. ಮೂಲ ಪ್ರಶ್ನೋತ್ತರಗಳು `assets/translations/en` ನಲ್ಲಿ ಇವೆ. ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು ಪಾಠದ ಪ್ರಕಾರ ಹಲವಾರು ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸಲಾಗಿದೆ. ಸರಿಯಾದ ಪ್ರಶ್ನೋತ್ತರ ವಿಭಾಗದ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಿ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಒಟ್ಟು 40 ಪ್ರಶ್ನೋತ್ತರಗಳಿವೆ, ಎಣಿಕೆ 0 ರಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.
|
||||
|
||||
ಅನುವಾದಗಳನ್ನು ಸಂಪಾದಿಸಿದ ನಂತರ, `en` ನಲ್ಲಿ ಇರುವ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸಿ ಅನುವಾದ ಫೋಲ್ಡರ್ನ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಎಲ್ಲಾ ಫೈಲ್ಗಳನ್ನು ಆಮದುಮಾಡಿ.
|
||||
|
||||
`assets/translations` ನಲ್ಲಿ ಇರುವ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಹೊಸ ಅನುವಾದಿತ ಫೈಲ್ಗಳನ್ನು ಆಮದುಮಾಡಿ.
|
||||
|
||||
ನಂತರ, ಈ ಅಪ್ಲಿಕೇಶನ್ನ `App.vue` ನಲ್ಲಿ ಇರುವ ಡ್ರಾಪ್ಡೌನ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ನಿಮ್ಮ ಭಾಷೆಯನ್ನು ಸೇರಿಸಿ. ಸ್ಥಳೀಯೀಕೃತ ಸಂಕ್ಷಿಪ್ತವನ್ನು ನಿಮ್ಮ ಭಾಷೆಯ ಫೋಲ್ಡರ್ ಹೆಸರಿಗೆ ಹೊಂದಾಣಿಕೆ ಮಾಡಿ.
|
||||
|
||||
ಕೊನೆಗೆ, ಅನುವಾದಿತ ಪಾಠಗಳಲ್ಲಿ ಇದ್ದರೆ ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರ ಲಿಂಕ್ಗಳನ್ನು ಸಂಪಾದಿಸಿ ಈ ಸ್ಥಳೀಯೀಕರಣವನ್ನು ಪ್ರಶ್ನಾ ಪರಿಮಾಣವಾಗಿ ಸೇರಿಸಿ: ಉದಾಹರಣೆಗೆ `?loc=fr`.
|
||||
|
||||
## ಪ್ರಾಜೆಕ್ಟ್ ಸೆಟಪ್
|
||||
|
||||
```
|
||||
npm install
|
||||
```
|
||||
|
||||
### ಅಭಿವೃದ್ಧಿಗಾಗಿ ಸಂಯೋಜಿಸಿ ಮತ್ತು ಹಾಟ್-ರಿಲೋಡ್ ಮಾಡಿ
|
||||
|
||||
```
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### ಉತ್ಪಾದನೆಗಾಗಿ ಸಂಯೋಜಿಸಿ ಮತ್ತು ಕನಿಷ್ಠಗೊಳಿಸಿ
|
||||
|
||||
```
|
||||
npm run build
|
||||
```
|
||||
|
||||
### ಫೈಲ್ಗಳನ್ನು ಲಿಂಟ್ ಮಾಡಿ ಮತ್ತು ಸರಿಪಡಿಸಿ
|
||||
|
||||
```
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### ಸಂರಚನೆಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ
|
||||
|
||||
[Configuration Reference](https://cli.vuejs.org/config/) ನೋಡಿ.
|
||||
|
||||
ಕ್ರೆಡಿಟ್ಸ್: ಈ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ನ ಮೂಲ ಆವೃತ್ತಿಗೆ ಧನ್ಯವಾದಗಳು: https://github.com/arpan45/simple-quiz-vue
|
||||
|
||||
## ಅಜೂರ್ಗೆ ನಿಯೋಜಿಸುವುದು
|
||||
|
||||
ನಿಮಗೆ ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುವ ಹಂತ-ಹಂತದ ಮಾರ್ಗದರ್ಶಿ ಇಲ್ಲಿದೆ:
|
||||
|
||||
1. GitHub ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ
|
||||
ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ನಿಮ್ಮ GitHub ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಇರಬೇಕು. ಈ ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ.
|
||||
|
||||
2. ಅಜೂರ್ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಸೃಷ್ಟಿಸಿ
|
||||
- [ಅಜೂರ್ ಖಾತೆ](http://azure.microsoft.com) ಸೃಷ್ಟಿಸಿ
|
||||
- [ಅಜೂರ್ ಪೋರ್ಟಲ್](https://portal.azure.com) ಗೆ ಹೋಗಿ
|
||||
- “Create a resource” ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು “Static Web App” ಅನ್ನು ಹುಡುಕಿ.
|
||||
- “Create” ಕ್ಲಿಕ್ ಮಾಡಿ.
|
||||
|
||||
3. ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸಂರಚಿಸಿ
|
||||
- ಮೂಲಭೂತಗಳು: ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್: ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್ ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್: ಹೊಸ ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್ ಸೃಷ್ಟಿಸಿ ಅಥವಾ ಇತ್ತೀಚಿನದನ್ನು ಬಳಸಿ.
|
||||
- ಹೆಸರು: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ಗೆ ಹೆಸರು ನೀಡಿ.
|
||||
- ಪ್ರದೇಶ: ನಿಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಹತ್ತಿರದ ಪ್ರದೇಶವನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
|
||||
- #### ನಿಯೋಜನೆ ವಿವರಗಳು:
|
||||
- ಮೂಲ: “GitHub” ಆಯ್ಕೆಮಾಡಿ.
|
||||
- GitHub ಖಾತೆ: ಅಜೂರ್ಗೆ ನಿಮ್ಮ GitHub ಖಾತೆಗೆ ಪ್ರವೇಶ ನೀಡಿರಿ.
|
||||
- ಸಂಸ್ಥೆ: ನಿಮ್ಮ GitHub ಸಂಸ್ಥೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ರೆಪೊಸಿಟರಿ: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಹೊಂದಿರುವ ರೆಪೊಸಿಟರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ಶಾಖೆ: ನಿಯೋಜಿಸಲು ಬಯಸುವ ಶಾಖೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
|
||||
- #### ನಿರ್ಮಾಣ ವಿವರಗಳು:
|
||||
- ನಿರ್ಮಾಣ ಪೂರ್ವನಿಯೋಜನೆಗಳು: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿತವಾಗಿರುವ ಫ್ರೇಮ್ವರ್ಕ್ ಆಯ್ಕೆಮಾಡಿ (ಉದಾ: React, Angular, Vue ಇತ್ಯಾದಿ).
|
||||
- ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳ: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಇರುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: / ಮೂಲದಲ್ಲಿ ಇದ್ದರೆ).
|
||||
- API ಸ್ಥಳ: ನೀವು API ಹೊಂದಿದ್ದರೆ, ಅದರ ಸ್ಥಳವನ್ನು ಸೂಚಿಸಿ (ಐಚ್ಛಿಕ).
|
||||
- ಔಟ್ಪುಟ್ ಸ್ಥಳ: ನಿರ್ಮಾಣ ಔಟ್ಪುಟ್ ಉತ್ಪಾದನೆಯಾಗುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: build ಅಥವಾ dist).
|
||||
|
||||
4. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸೃಷ್ಟಿಸಿ
|
||||
ನಿಮ್ಮ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ “Create” ಕ್ಲಿಕ್ ಮಾಡಿ. ಅಜೂರ್ ಅಗತ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಸೃಷ್ಟಿಸುತ್ತದೆ.
|
||||
|
||||
5. GitHub Actions ವರ್ಕ್ಫ್ಲೋ
|
||||
ಅಜೂರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್ (.github/workflows/azure-static-web-apps-<name>.yml) ಸೃಷ್ಟಿಸುತ್ತದೆ. ಈ ವರ್ಕ್ಫ್ಲೋ ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
|
||||
|
||||
6. ನಿಯೋಜನೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ
|
||||
ನಿಮ್ಮ GitHub ರೆಪೊಸಿಟರಿಯ “Actions” ಟ್ಯಾಬ್ಗೆ ಹೋಗಿ.
|
||||
ನೀವು ಒಂದು ವರ್ಕ್ಫ್ಲೋ ಚಲಿಸುತ್ತಿರುವುದನ್ನು ನೋಡಬಹುದು. ಈ ವರ್ಕ್ಫ್ಲೋ ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಅಜೂರ್ಗೆ ನಿರ್ಮಿಸಿ ನಿಯೋಜಿಸುತ್ತದೆ.
|
||||
ವರ್ಕ್ಫ್ಲೋ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನೀಡಲಾದ ಅಜೂರ್ URL ನಲ್ಲಿ ಲೈವ್ ಆಗಿರುತ್ತದೆ.
|
||||
|
||||
### ಉದಾಹರಣೆಯ ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್
|
||||
|
||||
GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್ ಹೇಗಿರಬಹುದು ಎಂಬ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ:
|
||||
name: Azure Static Web Apps CI/CD
|
||||
```
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
pull_request:
|
||||
types: [opened, synchronize, reopened, closed]
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
build_and_deploy_job:
|
||||
runs-on: ubuntu-latest
|
||||
name: Build and Deploy Job
|
||||
steps:
|
||||
- uses: actions/checkout@v2
|
||||
- name: Build And Deploy
|
||||
id: builddeploy
|
||||
uses: Azure/static-web-apps-deploy@v1
|
||||
with:
|
||||
azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
|
||||
repo_token: ${{ secrets.GITHUB_TOKEN }}
|
||||
action: "upload"
|
||||
app_location: "etc/quiz-app # App source code path"
|
||||
api_location: ""API source code path optional
|
||||
output_location: "dist" #Built app content directory - optional
|
||||
```
|
||||
|
||||
### ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು
|
||||
- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started)
|
||||
- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಪ್ರಶ್ನೋತ್ತರಗಳು
|
||||
|
||||
ಈ ಪ್ರಶ್ನೋತ್ತರಗಳು https://aka.ms/ai-beginners ನಲ್ಲಿ AI ಪಠ್ಯಕ್ರಮದ ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಪ್ರಶ್ನೋತ್ತರಗಳಾಗಿವೆ
|
||||
|
||||
## ಅನುವಾದಿತ ಪ್ರಶ್ನೋತ್ತರ ಸೆಟ್ ಸೇರಿಸುವುದು
|
||||
|
||||
`assets/translations` ಫೋಲ್ಡರ್ಗಳಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಶ್ನೋತ್ತರ ರಚನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಮೂಲಕ ಪ್ರಶ್ನೋತ್ತರ ಅನುವಾದವನ್ನು ಸೇರಿಸಿ. ಮೂಲ ಪ್ರಶ್ನೋತ್ತರಗಳು `assets/translations/en` ನಲ್ಲಿ ಇವೆ. ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು ಪಾಠದ ಪ್ರಕಾರ ಹಲವಾರು ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸಲಾಗಿದೆ. ಸರಿಯಾದ ಪ್ರಶ್ನೋತ್ತರ ವಿಭಾಗದ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಿ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಒಟ್ಟು 40 ಪ್ರಶ್ನೋತ್ತರಗಳಿವೆ, ಎಣಿಕೆ 0 ರಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.
|
||||
|
||||
ಅನುವಾದಗಳನ್ನು ಸಂಪಾದಿಸಿದ ನಂತರ, `en` ನಲ್ಲಿ ಇರುವ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸಿ ಅನುವಾದ ಫೋಲ್ಡರ್ನ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಎಲ್ಲಾ ಫೈಲ್ಗಳನ್ನು ಆಮದುಮಾಡಿ.
|
||||
|
||||
`assets/translations` ನಲ್ಲಿ ಇರುವ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಹೊಸ ಅನುವಾದಿತ ಫೈಲ್ಗಳನ್ನು ಆಮದುಮಾಡಿ.
|
||||
|
||||
ನಂತರ, ಈ ಅಪ್ಲಿಕೇಶನ್ನ `App.vue` ನಲ್ಲಿ ಇರುವ ಡ್ರಾಪ್ಡೌನ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ನಿಮ್ಮ ಭಾಷೆಯನ್ನು ಸೇರಿಸಿ. ಸ್ಥಳೀಯೀಕೃತ ಸಂಕ್ಷಿಪ್ತವನ್ನು ನಿಮ್ಮ ಭಾಷೆಯ ಫೋಲ್ಡರ್ ಹೆಸರಿಗೆ ಹೊಂದಾಣಿಕೆ ಮಾಡಿ.
|
||||
|
||||
ಕೊನೆಗೆ, ಅನುವಾದಿತ ಪಾಠಗಳಲ್ಲಿ ಇದ್ದರೆ ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರ ಲಿಂಕ್ಗಳನ್ನು ಸಂಪಾದಿಸಿ ಈ ಸ್ಥಳೀಯೀಕರಣವನ್ನು ಪ್ರಶ್ನಾ ಪರಿಮಾಣವಾಗಿ ಸೇರಿಸಿ: ಉದಾಹರಣೆಗೆ `?loc=fr`.
|
||||
|
||||
## ಪ್ರಾಜೆಕ್ಟ್ ಸೆಟಪ್
|
||||
|
||||
```
|
||||
npm install
|
||||
```
|
||||
|
||||
### ಅಭಿವೃದ್ಧಿಗಾಗಿ ಸಂಯೋಜಿಸಿ ಮತ್ತು ಹಾಟ್-ರಿಲೋಡ್ ಮಾಡಿ
|
||||
|
||||
```
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### ಉತ್ಪಾದನೆಗಾಗಿ ಸಂಯೋಜಿಸಿ ಮತ್ತು ಕನಿಷ್ಠಗೊಳಿಸಿ
|
||||
|
||||
```
|
||||
npm run build
|
||||
```
|
||||
|
||||
### ಫೈಲ್ಗಳನ್ನು ಲಿಂಟ್ ಮಾಡಿ ಮತ್ತು ಸರಿಪಡಿಸಿ
|
||||
|
||||
```
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### ಸಂರಚನೆಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ
|
||||
|
||||
[Configuration Reference](https://cli.vuejs.org/config/) ನೋಡಿ.
|
||||
|
||||
ಕ್ರೆಡಿಟ್ಸ್: ಈ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ನ ಮೂಲ ಆವೃತ್ತಿಗೆ ಧನ್ಯವಾದಗಳು: https://github.com/arpan45/simple-quiz-vue
|
||||
|
||||
## ಅಜೂರ್ಗೆ ನಿಯೋಜಿಸುವುದು
|
||||
|
||||
ನಿಮಗೆ ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುವ ಹಂತ-ಹಂತದ ಮಾರ್ಗದರ್ಶಿ ಇಲ್ಲಿದೆ:
|
||||
|
||||
1. GitHub ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ
|
||||
ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ನಿಮ್ಮ GitHub ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಇರಬೇಕು. ಈ ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ.
|
||||
|
||||
2. ಅಜೂರ್ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಸೃಷ್ಟಿಸಿ
|
||||
- [ಅಜೂರ್ ಖಾತೆ](http://azure.microsoft.com) ಸೃಷ್ಟಿಸಿ
|
||||
- [ಅಜೂರ್ ಪೋರ್ಟಲ್](https://portal.azure.com) ಗೆ ಹೋಗಿ
|
||||
- “Create a resource” ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು “Static Web App” ಅನ್ನು ಹುಡುಕಿ.
|
||||
- “Create” ಕ್ಲಿಕ್ ಮಾಡಿ.
|
||||
|
||||
3. ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸಂರಚಿಸಿ
|
||||
- ಮೂಲಭೂತಗಳು: ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್: ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್ ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್: ಹೊಸ ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್ ಸೃಷ್ಟಿಸಿ ಅಥವಾ ಇತ್ತೀಚಿನದನ್ನು ಬಳಸಿ.
|
||||
- ಹೆಸರು: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ಗೆ ಹೆಸರು ನೀಡಿ.
|
||||
- ಪ್ರದೇಶ: ನಿಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಹತ್ತಿರದ ಪ್ರದೇಶವನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
|
||||
- #### ನಿಯೋಜನೆ ವಿವರಗಳು:
|
||||
- ಮೂಲ: “GitHub” ಆಯ್ಕೆಮಾಡಿ.
|
||||
- GitHub ಖಾತೆ: ಅಜೂರ್ಗೆ ನಿಮ್ಮ GitHub ಖಾತೆಗೆ ಪ್ರವೇಶ ನೀಡಿರಿ.
|
||||
- ಸಂಸ್ಥೆ: ನಿಮ್ಮ GitHub ಸಂಸ್ಥೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ರೆಪೊಸಿಟರಿ: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಹೊಂದಿರುವ ರೆಪೊಸಿಟರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
- ಶಾಖೆ: ನಿಯೋಜಿಸಲು ಬಯಸುವ ಶಾಖೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ.
|
||||
|
||||
- #### ನಿರ್ಮಾಣ ವಿವರಗಳು:
|
||||
- ನಿರ್ಮಾಣ ಪೂರ್ವನಿಯೋಜನೆಗಳು: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿತವಾಗಿರುವ ಫ್ರೇಮ್ವರ್ಕ್ ಆಯ್ಕೆಮಾಡಿ (ಉದಾ: React, Angular, Vue ಇತ್ಯಾದಿ).
|
||||
- ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳ: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಇರುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: / ಮೂಲದಲ್ಲಿ ಇದ್ದರೆ).
|
||||
- API ಸ್ಥಳ: ನೀವು API ಹೊಂದಿದ್ದರೆ, ಅದರ ಸ್ಥಳವನ್ನು ಸೂಚಿಸಿ (ಐಚ್ಛಿಕ).
|
||||
- ಔಟ್ಪುಟ್ ಸ್ಥಳ: ನಿರ್ಮಾಣ ಔಟ್ಪುಟ್ ಉತ್ಪಾದನೆಯಾಗುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: build ಅಥವಾ dist).
|
||||
|
||||
4. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸೃಷ್ಟಿಸಿ
|
||||
ನಿಮ್ಮ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ “Create” ಕ್ಲಿಕ್ ಮಾಡಿ. ಅಜೂರ್ ಅಗತ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಸೃಷ್ಟಿಸುತ್ತದೆ.
|
||||
|
||||
5. GitHub Actions ವರ್ಕ್ಫ್ಲೋ
|
||||
ಅಜೂರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್ (.github/workflows/azure-static-web-apps-<name>.yml) ಸೃಷ್ಟಿಸುತ್ತದೆ. ಈ ವರ್ಕ್ಫ್ಲೋ ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
|
||||
|
||||
6. ನಿಯೋಜನೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ
|
||||
ನಿಮ್ಮ GitHub ರೆಪೊಸಿಟರಿಯ “Actions” ಟ್ಯಾಬ್ಗೆ ಹೋಗಿ.
|
||||
ನೀವು ಒಂದು ವರ್ಕ್ಫ್ಲೋ ಚಲಿಸುತ್ತಿರುವುದನ್ನು ನೋಡಬಹುದು. ಈ ವರ್ಕ್ಫ್ಲೋ ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಅಜೂರ್ಗೆ ನಿರ್ಮಿಸಿ ನಿಯೋಜಿಸುತ್ತದೆ.
|
||||
ವರ್ಕ್ಫ್ಲೋ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನೀಡಲಾದ ಅಜೂರ್ URL ನಲ್ಲಿ ಲೈವ್ ಆಗಿರುತ್ತದೆ.
|
||||
|
||||
### ಉದಾಹರಣೆಯ ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್
|
||||
|
||||
GitHub Actions ವರ್ಕ್ಫ್ಲೋ ಫೈಲ್ ಹೇಗಿರಬಹುದು ಎಂಬ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ:
|
||||
name: Azure Static Web Apps CI/CD
|
||||
```
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
pull_request:
|
||||
types: [opened, synchronize, reopened, closed]
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
build_and_deploy_job:
|
||||
runs-on: ubuntu-latest
|
||||
name: Build and Deploy Job
|
||||
steps:
|
||||
- uses: actions/checkout@v2
|
||||
- name: Build And Deploy
|
||||
id: builddeploy
|
||||
uses: Azure/static-web-apps-deploy@v1
|
||||
with:
|
||||
azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
|
||||
repo_token: ${{ secrets.GITHUB_TOKEN }}
|
||||
action: "upload"
|
||||
app_location: "etc/quiz-app # App source code path"
|
||||
api_location: ""API source code path optional
|
||||
output_location: "dist" #Built app content directory - optional
|
||||
```
|
||||
|
||||
### ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು
|
||||
- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started)
|
||||
- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,96 +1,87 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-11-25T20:35:16+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಆರಂಭಿಕರಿಗಾಗಿ ಸುಲಭ AI ಉದಾಹರಣೆಗಳು
|
||||
|
||||
ಸ್ವಾಗತ! ಈ ಡೈರೆಕ್ಟರಿ ಸರಳ, ಸ್ವತಂತ್ರ ಉದಾಹರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ನಿಮಗೆ AI ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನವನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪ್ರತಿ ಉದಾಹರಣೆಯು ಆರಂಭಿಕರಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ವಿವರವಾದ ಕಾಮೆಂಟ್ಗಳು ಮತ್ತು ಹಂತ ಹಂತದ ವಿವರಣೆಗಳೊಂದಿಗೆ.
|
||||
|
||||
## 📚 ಉದಾಹರಣೆಗಳ ಅವಲೋಕನ
|
||||
|
||||
| ಉದಾಹರಣೆ | ವಿವರಣೆ | ಕಷ್ಟದ ಮಟ್ಟ | ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು |
|
||||
|---------|-------------|------------|---------------|
|
||||
| [Hello AI World](../../../examples/01-hello-ai-world.py) | ನಿಮ್ಮ ಮೊದಲ AI ಪ್ರೋಗ್ರಾಂ - ಸರಳ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ | ⭐ ಆರಂಭಿಕ | Python ಮೂಲಭೂತಗಳು |
|
||||
| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಶೂನ್ಯದಿಂದ ನಿರ್ಮಿಸಿ | ⭐⭐ ಆರಂಭಿಕ+ | Python, ಮೂಲ ಗಣಿತ |
|
||||
| [Image Classifier](./03-image-classifier.ipynb) | ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ | ⭐⭐ ಆರಂಭಿಕ+ | Python, numpy |
|
||||
| [Text Sentiment](../../../examples/04-text-sentiment.py) | ಪಠ್ಯದ ಭಾವನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ (ಧನಾತ್ಮಕ/ನಕಾರಾತ್ಮಕ) | ⭐⭐ ಆರಂಭಿಕ+ | Python |
|
||||
|
||||
## 🚀 ಪ್ರಾರಂಭಿಸುವುದು
|
||||
|
||||
### ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು
|
||||
|
||||
ನೀವು Python ಅನ್ನು ಸ್ಥಾಪಿಸಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ (3.8 ಅಥವಾ ಹೆಚ್ಚಿನ ಆವೃತ್ತಿ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ). ಅಗತ್ಯ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಸ್ಥಾಪಿಸಿ:
|
||||
|
||||
```bash
|
||||
# ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳಿಗೆ
|
||||
pip install numpy
|
||||
|
||||
# ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ಗಳಿಗೆ (ಚಿತ್ರ ವರ್ಗೀಕರಣೆ)
|
||||
pip install jupyter numpy pillow tensorflow
|
||||
```
|
||||
|
||||
ಅಥವಾ ಮುಖ್ಯ ಪಠ್ಯಕ್ರಮದಿಂದ conda ಪರಿಸರವನ್ನು ಬಳಸಿ:
|
||||
|
||||
```bash
|
||||
conda env create --name ai4beg --file ../environment.yml
|
||||
conda activate ai4beg
|
||||
```
|
||||
|
||||
### ಉದಾಹರಣೆಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು
|
||||
|
||||
**Python ಸ್ಕ್ರಿಪ್ಟ್ಗಳಿಗಾಗಿ (.py ಫೈಲ್ಗಳು):**
|
||||
```bash
|
||||
python 01-hello-ai-world.py
|
||||
```
|
||||
|
||||
**Jupyter ನೋಟ್ಬುಕ್ಗಳಿಗಾಗಿ (.ipynb ಫೈಲ್ಗಳು):**
|
||||
```bash
|
||||
jupyter notebook 03-image-classifier.ipynb
|
||||
```
|
||||
|
||||
## 📖 ಕಲಿಕೆಯ ಮಾರ್ಗ
|
||||
|
||||
ನಾವು ಈ ಉದಾಹರಣೆಗಳನ್ನು ಕ್ರಮವಾಗಿ ಅನುಸರಿಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ:
|
||||
|
||||
1. **"Hello AI World" ನಿಂದ ಪ್ರಾರಂಭಿಸಿ** - ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಯ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ
|
||||
2. **ಸರಳ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ನಿರ್ಮಿಸಿ** - ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ
|
||||
3. **ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವುದನ್ನು ಪ್ರಯತ್ನಿಸಿ** - ನಿಜವಾದ ಚಿತ್ರಗಳೊಂದಿಗೆ AI ಕಾರ್ಯಾಚರಣೆಯನ್ನು ನೋಡಿ
|
||||
4. **ಪಠ್ಯದ ಭಾವನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ** - ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅನ್ವೇಷಿಸಿ
|
||||
|
||||
## 💡 ಆರಂಭಿಕರಿಗಾಗಿ ಸಲಹೆಗಳು
|
||||
|
||||
- **ಕೋಡ್ ಕಾಮೆಂಟ್ಗಳನ್ನು ಗಮನದಿಂದ ಓದಿ** - ಪ್ರತಿಯೊಂದು ಸಾಲು ಏನು ಮಾಡುತ್ತದೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ
|
||||
- **ಪ್ರಯೋಗ ಮಾಡಿ!** - ಮೌಲ್ಯಗಳನ್ನು ಬದಲಾಯಿಸಿ ಮತ್ತು ಪರಿಣಾಮವನ್ನು ನೋಡಿ
|
||||
- **ಎಲ್ಲವನ್ನೂ ತಕ್ಷಣ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಚಿಂತೆ ಮಾಡಬೇಡಿ** - ಕಲಿಕೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
|
||||
- **ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ** - [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/AI-For-Beginners/discussions) ಬಳಸಿ
|
||||
|
||||
## 🔗 ಮುಂದಿನ ಹಂತಗಳು
|
||||
|
||||
ಈ ಉದಾಹರಣೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ಸಂಪೂರ್ಣ ಪಠ್ಯಕ್ರಮವನ್ನು ಅನ್ವೇಷಿಸಿ:
|
||||
- [AI ಪರಿಚಯ](../lessons/1-Intro/README.md)
|
||||
- [ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](../lessons/3-NeuralNetworks/README.md)
|
||||
- [ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ](../lessons/4-ComputerVision/README.md)
|
||||
- [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](../lessons/5-NLP/README.md)
|
||||
|
||||
## 🤝 ಕೊಡುಗೆ ನೀಡುವುದು
|
||||
|
||||
ಈ ಉದಾಹರಣೆಗಳು ನಿಮಗೆ ಸಹಾಯವಾಗಿದೆಯೇ? ಅವುಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಿ:
|
||||
- ಸಮಸ್ಯೆಗಳನ್ನು ವರದಿ ಮಾಡಿ ಅಥವಾ ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸಿ
|
||||
- ಆರಂಭಿಕರಿಗಾಗಿ ಇನ್ನಷ್ಟು ಉದಾಹರಣೆಗಳನ್ನು ಸೇರಿಸಿ
|
||||
- ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಮತ್ತು ಕಾಮೆಂಟ್ಗಳನ್ನು ಸುಧಾರಿಸಿ
|
||||
|
||||
---
|
||||
|
||||
*ಮರೆತುಬೇಡಿ: ಪ್ರತಿಯೊಬ್ಬ ಪರಿಣಿತರೂ ಮೊದಲು ಆರಂಭಿಕರಾಗಿದ್ದರು. ಶುಭ ಕಲಿಕೆ! 🎓*
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಆರಂಭಿಕರಿಗಾಗಿ ಸುಲಭ AI ಉದಾಹರಣೆಗಳು
|
||||
|
||||
ಸ್ವಾಗತ! ಈ ಡೈರೆಕ್ಟರಿ ಸರಳ, ಸ್ವತಂತ್ರ ಉದಾಹರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ನಿಮಗೆ AI ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನವನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪ್ರತಿ ಉದಾಹರಣೆಯು ಆರಂಭಿಕರಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ವಿವರವಾದ ಕಾಮೆಂಟ್ಗಳು ಮತ್ತು ಹಂತ ಹಂತದ ವಿವರಣೆಗಳೊಂದಿಗೆ.
|
||||
|
||||
## 📚 ಉದಾಹರಣೆಗಳ ಅವಲೋಕನ
|
||||
|
||||
| ಉದಾಹರಣೆ | ವಿವರಣೆ | ಕಷ್ಟದ ಮಟ್ಟ | ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು |
|
||||
|---------|-------------|------------|---------------|
|
||||
| [Hello AI World](../../../examples/01-hello-ai-world.py) | ನಿಮ್ಮ ಮೊದಲ AI ಪ್ರೋಗ್ರಾಂ - ಸರಳ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ | ⭐ ಆರಂಭಿಕ | Python ಮೂಲಭೂತಗಳು |
|
||||
| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಶೂನ್ಯದಿಂದ ನಿರ್ಮಿಸಿ | ⭐⭐ ಆರಂಭಿಕ+ | Python, ಮೂಲ ಗಣಿತ |
|
||||
| [Image Classifier](./03-image-classifier.ipynb) | ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ | ⭐⭐ ಆರಂಭಿಕ+ | Python, numpy |
|
||||
| [Text Sentiment](../../../examples/04-text-sentiment.py) | ಪಠ್ಯದ ಭಾವನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ (ಧನಾತ್ಮಕ/ನಕಾರಾತ್ಮಕ) | ⭐⭐ ಆರಂಭಿಕ+ | Python |
|
||||
|
||||
## 🚀 ಪ್ರಾರಂಭಿಸುವುದು
|
||||
|
||||
### ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು
|
||||
|
||||
ನೀವು Python ಅನ್ನು ಸ್ಥಾಪಿಸಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ (3.8 ಅಥವಾ ಹೆಚ್ಚಿನ ಆವೃತ್ತಿ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ). ಅಗತ್ಯ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಸ್ಥಾಪಿಸಿ:
|
||||
|
||||
```bash
|
||||
# ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳಿಗೆ
|
||||
pip install numpy
|
||||
|
||||
# ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ಗಳಿಗೆ (ಚಿತ್ರ ವರ್ಗೀಕರಣೆ)
|
||||
pip install jupyter numpy pillow tensorflow
|
||||
```
|
||||
|
||||
ಅಥವಾ ಮುಖ್ಯ ಪಠ್ಯಕ್ರಮದಿಂದ conda ಪರಿಸರವನ್ನು ಬಳಸಿ:
|
||||
|
||||
```bash
|
||||
conda env create --name ai4beg --file ../environment.yml
|
||||
conda activate ai4beg
|
||||
```
|
||||
|
||||
### ಉದಾಹರಣೆಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು
|
||||
|
||||
**Python ಸ್ಕ್ರಿಪ್ಟ್ಗಳಿಗಾಗಿ (.py ಫೈಲ್ಗಳು):**
|
||||
```bash
|
||||
python 01-hello-ai-world.py
|
||||
```
|
||||
|
||||
**Jupyter ನೋಟ್ಬುಕ್ಗಳಿಗಾಗಿ (.ipynb ಫೈಲ್ಗಳು):**
|
||||
```bash
|
||||
jupyter notebook 03-image-classifier.ipynb
|
||||
```
|
||||
|
||||
## 📖 ಕಲಿಕೆಯ ಮಾರ್ಗ
|
||||
|
||||
ನಾವು ಈ ಉದಾಹರಣೆಗಳನ್ನು ಕ್ರಮವಾಗಿ ಅನುಸರಿಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ:
|
||||
|
||||
1. **"Hello AI World" ನಿಂದ ಪ್ರಾರಂಭಿಸಿ** - ಮಾದರಿ ಗುರುತಿಸುವಿಕೆಯ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ
|
||||
2. **ಸರಳ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ನಿರ್ಮಿಸಿ** - ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ
|
||||
3. **ಚಿತ್ರ ವರ್ಗೀಕರಿಸುವುದನ್ನು ಪ್ರಯತ್ನಿಸಿ** - ನಿಜವಾದ ಚಿತ್ರಗಳೊಂದಿಗೆ AI ಕಾರ್ಯಾಚರಣೆಯನ್ನು ನೋಡಿ
|
||||
4. **ಪಠ್ಯದ ಭಾವನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ** - ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅನ್ವೇಷಿಸಿ
|
||||
|
||||
## 💡 ಆರಂಭಿಕರಿಗಾಗಿ ಸಲಹೆಗಳು
|
||||
|
||||
- **ಕೋಡ್ ಕಾಮೆಂಟ್ಗಳನ್ನು ಗಮನದಿಂದ ಓದಿ** - ಪ್ರತಿಯೊಂದು ಸಾಲು ಏನು ಮಾಡುತ್ತದೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ
|
||||
- **ಪ್ರಯೋಗ ಮಾಡಿ!** - ಮೌಲ್ಯಗಳನ್ನು ಬದಲಾಯಿಸಿ ಮತ್ತು ಪರಿಣಾಮವನ್ನು ನೋಡಿ
|
||||
- **ಎಲ್ಲವನ್ನೂ ತಕ್ಷಣ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಚಿಂತೆ ಮಾಡಬೇಡಿ** - ಕಲಿಕೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
|
||||
- **ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ** - [ಚರ್ಚಾ ಫಲಕ](https://github.com/microsoft/AI-For-Beginners/discussions) ಬಳಸಿ
|
||||
|
||||
## 🔗 ಮುಂದಿನ ಹಂತಗಳು
|
||||
|
||||
ಈ ಉದಾಹರಣೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ಸಂಪೂರ್ಣ ಪಠ್ಯಕ್ರಮವನ್ನು ಅನ್ವೇಷಿಸಿ:
|
||||
- [AI ಪರಿಚಯ](../lessons/1-Intro/README.md)
|
||||
- [ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು](../lessons/3-NeuralNetworks/README.md)
|
||||
- [ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ](../lessons/4-ComputerVision/README.md)
|
||||
- [ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ](../lessons/5-NLP/README.md)
|
||||
|
||||
## 🤝 ಕೊಡುಗೆ ನೀಡುವುದು
|
||||
|
||||
ಈ ಉದಾಹರಣೆಗಳು ನಿಮಗೆ ಸಹಾಯವಾಗಿದೆಯೇ? ಅವುಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಿ:
|
||||
- ಸಮಸ್ಯೆಗಳನ್ನು ವರದಿ ಮಾಡಿ ಅಥವಾ ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸಿ
|
||||
- ಆರಂಭಿಕರಿಗಾಗಿ ಇನ್ನಷ್ಟು ಉದಾಹರಣೆಗಳನ್ನು ಸೇರಿಸಿ
|
||||
- ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಮತ್ತು ಕಾಮೆಂಟ್ಗಳನ್ನು ಸುಧಾರಿಸಿ
|
||||
|
||||
---
|
||||
|
||||
*ಮರೆತುಬೇಡಿ: ಪ್ರತಿಯೊಬ್ಬ ಪರಿಣಿತರೂ ಮೊದಲು ಆರಂಭಿಕರಾಗಿದ್ದರು. ಶುಭ ಕಲಿಕೆ! 🎓*
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,39 +1,30 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-11-25T20:42:35+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಶಿಕ್ಷಕರಿಗಾಗಿ
|
||||
|
||||
ನೀವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸುತ್ತೀರಾ? ದಯವಿಟ್ಟು ಮುಕ್ತವಾಗಿ ಬಳಸಿಕೊಳ್ಳಿ!
|
||||
|
||||
ವಾಸ್ತವದಲ್ಲಿ, ನೀವು GitHub Classroom ಬಳಸಿ GitHub ನೊಳಗಿನಲ್ಲಿಯೇ ಇದನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
ಅದಕ್ಕಾಗಿ, ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠಕ್ಕಾಗಿ ನೀವು ಒಂದು ರೆಪೊ ಸೃಷ್ಟಿಸಬೇಕಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಂದು ಫೋಲ್ಡರ್ ಅನ್ನು ಪ್ರತ್ಯೇಕ ರೆಪೊಗೆ ಹೊರತೆಗೆಯಬೇಕಾಗುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ, [GitHub Classroom](https://classroom.github.com/classrooms) ಪ್ರತಿ ಪಾಠವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಹಿಡಿಯಬಹುದು.
|
||||
|
||||
ಈ [ಪೂರ್ಣ ಸೂಚನೆಗಳು](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸೆಟ್ಅಪ್ ಮಾಡಬೇಕೆಂದು ತಿಳಿಸುತ್ತದೆ.
|
||||
|
||||
## ರೆಪೊವನ್ನು ಈಗಿರುವಂತೆ ಬಳಸುವುದು
|
||||
|
||||
ನೀವು GitHub Classroom ಬಳಸದೆ ಈ ರೆಪೊವನ್ನು ಈಗಿರುವಂತೆ ಬಳಸಲು ಇಚ್ಛಿಸಿದರೆ, ಅದು ಸಹ ಸಾಧ್ಯ. ನೀವು ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಯಾವ ಪಾಠವನ್ನು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ಸಂವಹನ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಆನ್ಲೈನ್ ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ (Zoom, Teams ಅಥವಾ ಇತರ) ನೀವು ಕ್ವಿಜ್ಗಳಿಗಾಗಿ ಬ್ರೇಕ್ಔಟ್ ರೂಮ್ಗಳನ್ನು ರಚಿಸಿ, ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕಲಿಕೆಗೆ ಸಿದ್ಧರಾಗಿ ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು. ನಂತರ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕ್ವಿಜ್ಗಳಿಗೆ ಆಹ್ವಾನಿಸಿ, ಅವರ ಉತ್ತರಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ 'issues' ಆಗಿ ಸಲ್ಲಿಸಲು ಹೇಳಬಹುದು. ನೀವು ಬಯಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸಹಕಾರದಿಂದ ಹೊರಗೆ ಕೆಲಸ ಮಾಡಲು ಅಸೈನ್ಮೆಂಟ್ಗಳಿಗೂ ಇದೇ ರೀತಿಯ ವಿಧಾನವನ್ನು ಅನುಸರಿಸಬಹುದು.
|
||||
|
||||
ನೀವು ಹೆಚ್ಚು ಖಾಸಗಿ ಫಾರ್ಮ್ಯಾಟ್ ಇಚ್ಛಿಸಿದರೆ, ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪಠ್ಯಕ್ರಮವನ್ನು ಪಾಠದಂತೆ ಫೋರ್ಕ್ ಮಾಡಿ ತಮ್ಮ ಖಾಸಗಿ GitHub ರೆಪೊಗಳಲ್ಲಿ ಇಡಲು ಹೇಳಿ, ಮತ್ತು ನಿಮಗೆ ಪ್ರವೇಶ ನೀಡುವಂತೆ ಕೇಳಿ. ನಂತರ ಅವರು ಖಾಸಗಿ ರೀತಿಯಲ್ಲಿ ಕ್ವಿಜ್ಗಳು ಮತ್ತು ಅಸೈನ್ಮೆಂಟ್ಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ನಿಮ್ಮ ತರಗತಿ ರೆಪೊದಲ್ಲಿ issues ಮೂಲಕ ಸಲ್ಲಿಸಬಹುದು.
|
||||
|
||||
ಆನ್ಲೈನ್ ತರಗತಿ ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಅನೇಕ ಮಾರ್ಗಗಳಿವೆ. ನಿಮಗೆ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ದಯವಿಟ್ಟು ನಮಗೆ ತಿಳಿಸಿ!
|
||||
|
||||
## ದಯವಿಟ್ಟು ನಿಮ್ಮ ಅಭಿಪ್ರಾಯಗಳನ್ನು ನೀಡಿ
|
||||
|
||||
ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೂ ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೂ ಅನುಕೂಲವಾಗುವಂತೆ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ. ದಯವಿಟ್ಟು ಚರ್ಚಾ ಫಲಕಗಳಲ್ಲಿ ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಶಿಕ್ಷಕರಿಗಾಗಿ
|
||||
|
||||
ನೀವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸುತ್ತೀರಾ? ದಯವಿಟ್ಟು ಮುಕ್ತವಾಗಿ ಬಳಸಿಕೊಳ್ಳಿ!
|
||||
|
||||
ವಾಸ್ತವದಲ್ಲಿ, ನೀವು GitHub Classroom ಬಳಸಿ GitHub ನೊಳಗಿನಲ್ಲಿಯೇ ಇದನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
ಅದಕ್ಕಾಗಿ, ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠಕ್ಕಾಗಿ ನೀವು ಒಂದು ರೆಪೊ ಸೃಷ್ಟಿಸಬೇಕಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಂದು ಫೋಲ್ಡರ್ ಅನ್ನು ಪ್ರತ್ಯೇಕ ರೆಪೊಗೆ ಹೊರತೆಗೆಯಬೇಕಾಗುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ, [GitHub Classroom](https://classroom.github.com/classrooms) ಪ್ರತಿ ಪಾಠವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಹಿಡಿಯಬಹುದು.
|
||||
|
||||
ಈ [ಪೂರ್ಣ ಸೂಚನೆಗಳು](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸೆಟ್ಅಪ್ ಮಾಡಬೇಕೆಂದು ತಿಳಿಸುತ್ತದೆ.
|
||||
|
||||
## ರೆಪೊವನ್ನು ಈಗಿರುವಂತೆ ಬಳಸುವುದು
|
||||
|
||||
ನೀವು GitHub Classroom ಬಳಸದೆ ಈ ರೆಪೊವನ್ನು ಈಗಿರುವಂತೆ ಬಳಸಲು ಇಚ್ಛಿಸಿದರೆ, ಅದು ಸಹ ಸಾಧ್ಯ. ನೀವು ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಯಾವ ಪಾಠವನ್ನು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ಸಂವಹನ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಆನ್ಲೈನ್ ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ (Zoom, Teams ಅಥವಾ ಇತರ) ನೀವು ಕ್ವಿಜ್ಗಳಿಗಾಗಿ ಬ್ರೇಕ್ಔಟ್ ರೂಮ್ಗಳನ್ನು ರಚಿಸಿ, ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕಲಿಕೆಗೆ ಸಿದ್ಧರಾಗಿ ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು. ನಂತರ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕ್ವಿಜ್ಗಳಿಗೆ ಆಹ್ವಾನಿಸಿ, ಅವರ ಉತ್ತರಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ 'issues' ಆಗಿ ಸಲ್ಲಿಸಲು ಹೇಳಬಹುದು. ನೀವು ಬಯಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸಹಕಾರದಿಂದ ಹೊರಗೆ ಕೆಲಸ ಮಾಡಲು ಅಸೈನ್ಮೆಂಟ್ಗಳಿಗೂ ಇದೇ ರೀತಿಯ ವಿಧಾನವನ್ನು ಅನುಸರಿಸಬಹುದು.
|
||||
|
||||
ನೀವು ಹೆಚ್ಚು ಖಾಸಗಿ ಫಾರ್ಮ್ಯಾಟ್ ಇಚ್ಛಿಸಿದರೆ, ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪಠ್ಯಕ್ರಮವನ್ನು ಪಾಠದಂತೆ ಫೋರ್ಕ್ ಮಾಡಿ ತಮ್ಮ ಖಾಸಗಿ GitHub ರೆಪೊಗಳಲ್ಲಿ ಇಡಲು ಹೇಳಿ, ಮತ್ತು ನಿಮಗೆ ಪ್ರವೇಶ ನೀಡುವಂತೆ ಕೇಳಿ. ನಂತರ ಅವರು ಖಾಸಗಿ ರೀತಿಯಲ್ಲಿ ಕ್ವಿಜ್ಗಳು ಮತ್ತು ಅಸೈನ್ಮೆಂಟ್ಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ನಿಮ್ಮ ತರಗತಿ ರೆಪೊದಲ್ಲಿ issues ಮೂಲಕ ಸಲ್ಲಿಸಬಹುದು.
|
||||
|
||||
ಆನ್ಲೈನ್ ತರಗತಿ ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಅನೇಕ ಮಾರ್ಗಗಳಿವೆ. ನಿಮಗೆ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ದಯವಿಟ್ಟು ನಮಗೆ ತಿಳಿಸಿ!
|
||||
|
||||
## ದಯವಿಟ್ಟು ನಿಮ್ಮ ಅಭಿಪ್ರಾಯಗಳನ್ನು ನೀಡಿ
|
||||
|
||||
ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೂ ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೂ ಅನುಕೂಲವಾಗುವಂತೆ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ. ದಯವಿಟ್ಟು ಚರ್ಚಾ ಫಲಕಗಳಲ್ಲಿ ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-17T02:19:30+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಕೋಡ್ ಅನ್ನು ಹೇಗೆ ಚಾಲನೆ ಮಾಡುವುದು
|
||||
|
||||
ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೀವು ಚಲಾಯಿಸಬಹುದಾದ ಹಲವಾರು ಉದಾಹರಣೆಗಳು ಮತ್ತು ಪ್ರಯೋಗಾಲಯಗಳು ಇವೆ. ಇದನ್ನು ಮಾಡಲು, ಈ ಪಠ್ಯಕ್ರಮದ ಭಾಗವಾಗಿ ನೀಡಲಾದ Jupyter ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ Python ಕೋಡ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ ನಿಮಗೆ ಬೇಕಾಗುತ್ತದೆ. ಕೋಡ್ ಚಾಲನೆಗಾಗಿ ನಿಮ್ಮ ಬಳಿ ಹಲವು ಆಯ್ಕೆಗಳು ಲಭ್ಯವಿವೆ:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:42:16+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಪ್ರಾರಂಭಿಸುವುದು
|
||||
|
||||
## ನೀವು ವಿದ್ಯಾರ್ಥಿಯೇ?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-25T20:56:21+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# AI ಪರಿಚಯ
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-25T20:52:13+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಗೇಮ್ ಜ್ಯಾಮ್
|
||||
|
||||
ಆಟಗಳು AI ಮತ್ತು ML ಅಭಿವೃದ್ಧಿಗಳಿಂದ ಬಹಳ ಪ್ರಭಾವಿತವಾಗಿವೆ. ಈ ಕಾರ್ಯದಲ್ಲಿ, AI ವಿಕಾಸದಿಂದ ಪ್ರಭಾವಿತವಾದ ನಿಮಗೆ ಇಷ್ಟವಾದ ಆಟದ ಬಗ್ಗೆ ಒಂದು ಚಿಕ್ಕ ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ. ಅದು ಹಲವಾರು ವಿಧದ ಕಂಪ್ಯೂಟರ್ ಪ್ರೊಸೆಸಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳ ಪ್ರಭಾವಿತವಾಗಿರುವಷ್ಟು ಹಳೆಯ ಆಟವಾಗಿರಬೇಕು. ಚೆಸ್ ಅಥವಾ ಗೋ ಉತ್ತಮ ಉದಾಹರಣೆಗಳಾಗಿವೆ, ಆದರೆ ಪಾಂಗ್ ಅಥವಾ ಪ್ಯಾಕ್-ಮ್ಯಾನ್ ಮುಂತಾದ ವಿಡಿಯೋ ಆಟಗಳನ್ನೂ ಗಮನಿಸಿ. ಆ ಆಟದ ಭೂತಕಾಲ, ವರ್ತಮಾನ ಮತ್ತು AI ಭವಿಷ್ಯವನ್ನು ಚರ್ಚಿಸುವ ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಗೇಮ್ ಜ್ಯಾಮ್
|
||||
|
||||
ಆಟಗಳು AI ಮತ್ತು ML ಅಭಿವೃದ್ಧಿಗಳಿಂದ ಬಹಳ ಪ್ರಭಾವಿತವಾಗಿವೆ. ಈ ಕಾರ್ಯದಲ್ಲಿ, AI ವಿಕಾಸದಿಂದ ಪ್ರಭಾವಿತವಾದ ನಿಮಗೆ ಇಷ್ಟವಾದ ಆಟದ ಬಗ್ಗೆ ಒಂದು ಚಿಕ್ಕ ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ. ಅದು ಹಲವಾರು ವಿಧದ ಕಂಪ್ಯೂಟರ್ ಪ್ರೊಸೆಸಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳ ಪ್ರಭಾವಿತವಾಗಿರುವಷ್ಟು ಹಳೆಯ ಆಟವಾಗಿರಬೇಕು. ಚೆಸ್ ಅಥವಾ ಗೋ ಉತ್ತಮ ಉದಾಹರಣೆಗಳಾಗಿವೆ, ಆದರೆ ಪಾಂಗ್ ಅಥವಾ ಪ್ಯಾಕ್-ಮ್ಯಾನ್ ಮುಂತಾದ ವಿಡಿಯೋ ಆಟಗಳನ್ನೂ ಗಮನಿಸಿ. ಆ ಆಟದ ಭೂತಕಾಲ, ವರ್ತಮಾನ ಮತ್ತು AI ಭವಿಷ್ಯವನ್ನು ಚರ್ಚಿಸುವ ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-17T02:22:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನ ಮತ್ತು ಪರಿಣತಿ ವ್ಯವಸ್ಥೆಗಳು
|
||||
|
||||
|
||||
|
||||
|
||||
> ಸ್ಕೆಚ್ ನೋಟ್ [ಟೋಮೊಮಿ ಇಮುರಾ](https://twitter.com/girlie_mac) ಅವರಿಂದ
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ AI ಯ ಮೊದಲ ದಿನಗಳಲ್ಲಿ, ಬುದ್ಧಿವಂತ ವ
|
|||
|
||||
ಆದ್ದರಿಂದ, **ಜ್ಞಾನ ಪ್ರತಿನಿಧಾನದ** ಸಮಸ್ಯೆಯು ಜ್ಞಾನವನ್ನು ಡೇಟಾ ರೂಪದಲ್ಲಿ ಯಂತ್ರದಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ರೀತಿಯಲ್ಲಿ ಪ್ರತಿನಿಧಿಸುವ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು, ಅದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಬಳಸಬಹುದಾಗಿದೆ. ಇದನ್ನು ಒಂದು ಸ್ಪೆಕ್ಟ್ರಮ್ ಎಂದು ನೋಡಬಹುದು:
|
||||
|
||||
|
||||
|
||||
|
||||
> ಚಿತ್ರ: [ದ್ಮಿತ್ರಿ ಸೊಶ್ನಿಕೊವ್](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Python | ಬ್ಲಾಕ್-ಸಿಂಟ್ಯಾಕ್ಸ್ | ಇನ್ಡ
|
|||
|
||||
ಸಾಂಗತ್ಯಾತ್ಮಕ AI ಯ ಮೊದಲ ಯಶಸ್ಸುಗಳಲ್ಲಿ ಒಂದಾಗಿದ್ದವು **ಪರಿಣತಿ ವ್ಯವಸ್ಥೆಗಳು** - ಕೆಲವು పరಿಮಿತ ಸಮಸ್ಯಾ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಣತಿ ಹಿಡಿದಿರುವಂತೆ ತೋರಿಸಲು ರೂಪಿಸಲಾದ ಕಂಪ್ಯೂಟರ್ ವ್ಯವಸ್ಥೆಗಳು. ಅವು ಮಾನವ ನಿರ್ಮಿತ **ಜ್ಞಾನ ಭಂಡಾರ** ಆಧರಿತವಾಗಿದ್ದು, ಮೇಲೆ ಕೆಲವು ತರ್ಕವನ್ನು ಮಾಡುತ್ತಿದ್ದ **ನಿರ್ಣಯ இயಂತ್ರ** ಅನ್ನು ಒಳಗೊಂಡಿದ್ದವು.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
ಮಾನವ ನ್ಯೂರಲ್ ಸಿಸ್ಟಮ್ ಸರಳ ರಚನೆ | ಜ್ಞಾನ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯ ಶೃಂಗ
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Python | ಬ್ಲಾಕ್-ಸಿಂಟ್ಯಾಕ್ಸ್ | ಇನ್ಡ
|
|||
|
||||
ಉದಾಹರಣೆಗೆ, ಪ್ರಾಣಿ ಲಕ್ಷಣಗಳಿಂದ ಪ್ರಾಣಿಯನ್ನು ನಿರ್ಣಯಿಸುವ ಈ ತಜ್ಞವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಗಣಿಸೋಣ:
|
||||
|
||||
|
||||
|
||||
|
||||
> ಚಿತ್ರ: [ದ್ಮಿತ್ರಿ ಸೊಶ್ನಿಕೊವ್](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-11-25T20:59:26+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಒಂಟಾಲಜಿ ನಿರ್ಮಿಸಿ
|
||||
|
||||
ಜ್ಞಾನ ಭಂಡಾರವನ್ನು ನಿರ್ಮಿಸುವುದು ಒಂದು ವಿಷಯದ ಬಗ್ಗೆ ಸತ್ಯಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮಾದರಿಯನ್ನು ವರ್ಗೀಕರಿಸುವುದೇ ಮುಖ್ಯ. ಒಂದು ವಿಷಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ - ವ್ಯಕ್ತಿ, ಸ್ಥಳ ಅಥವಾ ವಸ್ತು - ಮತ್ತು ಆ ವಿಷಯದ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ. ಈ ಪಾಠದಲ್ಲಿ ವಿವರಿಸಲಾದ ಕೆಲವು ತಂತ್ರಗಳು ಮತ್ತು ಮಾದರಿ ನಿರ್ಮಾಣ ವಿಧಾನಗಳನ್ನು ಬಳಸಿ. ಉದಾಹರಣೆಗೆ, ಫರ್ನಿಚರ್, ದೀಪಗಳು ಮತ್ತು ಇತರವುಳ್ಳ ಒಂದು ಲಿವಿಂಗ್ ರೂಮ್ನ ಒಂಟಾಲಜಿಯನ್ನು ರಚಿಸುವುದು. ಲಿವಿಂಗ್ ರೂಮ್ ಮತ್ತು ಅಡುಗೆಮನೆ ಹೇಗೆ ಭಿನ್ನ? ಸ್ನಾನಗೃಹ ಹೇಗೆ? ನೀವು ಅದನ್ನು ಲಿವಿಂಗ್ ರೂಮ್ ಎಂದು ಹೇಗೆ ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ, ಊಟಮನೆ ಅಲ್ಲದೆ? ನಿಮ್ಮ ಒಂಟಾಲಜಿಯನ್ನು ನಿರ್ಮಿಸಲು [Protégé](https://protege.stanford.edu/) ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಒಂಟಾಲಜಿ ನಿರ್ಮಿಸಿ
|
||||
|
||||
ಜ್ಞಾನ ಭಂಡಾರವನ್ನು ನಿರ್ಮಿಸುವುದು ಒಂದು ವಿಷಯದ ಬಗ್ಗೆ ಸತ್ಯಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮಾದರಿಯನ್ನು ವರ್ಗೀಕರಿಸುವುದೇ ಮುಖ್ಯ. ಒಂದು ವಿಷಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ - ವ್ಯಕ್ತಿ, ಸ್ಥಳ ಅಥವಾ ವಸ್ತು - ಮತ್ತು ಆ ವಿಷಯದ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ. ಈ ಪಾಠದಲ್ಲಿ ವಿವರಿಸಲಾದ ಕೆಲವು ತಂತ್ರಗಳು ಮತ್ತು ಮಾದರಿ ನಿರ್ಮಾಣ ವಿಧಾನಗಳನ್ನು ಬಳಸಿ. ಉದಾಹರಣೆಗೆ, ಫರ್ನಿಚರ್, ದೀಪಗಳು ಮತ್ತು ಇತರವುಳ್ಳ ಒಂದು ಲಿವಿಂಗ್ ರೂಮ್ನ ಒಂಟಾಲಜಿಯನ್ನು ರಚಿಸುವುದು. ಲಿವಿಂಗ್ ರೂಮ್ ಮತ್ತು ಅಡುಗೆಮನೆ ಹೇಗೆ ಭಿನ್ನ? ಸ್ನಾನಗೃಹ ಹೇಗೆ? ನೀವು ಅದನ್ನು ಲಿವಿಂಗ್ ರೂಮ್ ಎಂದು ಹೇಗೆ ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ, ಊಟಮನೆ ಅಲ್ಲದೆ? ನಿಮ್ಮ ಒಂಟಾಲಜಿಯನ್ನು ನಿರ್ಮಿಸಲು [Protégé](https://protege.stanford.edu/) ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-11-25T21:37:48+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ: ಪರ್ಸೆಪ್ಟ್ರಾನ್
|
||||
|
||||
## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
|
|||
|
|
@ -1,35 +1,26 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-11-25T21:52:11+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಬಳಸಿ ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಶಾಲೆ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿಗಳ ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣ ಕೋಡ್ ಬಳಸಿ, ಯಾವುದೇ ಅಂಕಿಯನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುವ ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣವನ್ನು ರಚಿಸಿ. ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾಸೆಟ್ಗಳ ಮೇಲೆ ವರ್ಗೀಕರಣ ನಿಖರತೆಯನ್ನು ಲೆಕ್ಕಿಸಿ, ಮತ್ತು ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಮುದ್ರಿಸಿ.
|
||||
|
||||
## ಸೂಚನೆಗಳು
|
||||
|
||||
1. ಪ್ರತಿ ಅಂಕಿಗಾಗಿ, "ಈ ಅಂಕಿ ವಿರುದ್ಧ ಎಲ್ಲಾ ಇತರ ಅಂಕಿಗಳು" ಎಂಬ ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಡೇಟಾಸೆಟ್ ರಚಿಸಿ
|
||||
1. ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ 10 ವಿಭಿನ್ನ ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಿ (ಪ್ರತಿ ಅಂಕಿಗೆ ಒಂದು)
|
||||
1. ಇನ್ಪುಟ್ ಅಂಕಿಯನ್ನು ವರ್ಗೀಕರಿಸುವ ಫಂಕ್ಷನ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ
|
||||
|
||||
> **ಸೂಚನೆ**: ಎಲ್ಲಾ 10 ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳ ತೂಕಗಳನ್ನು ಒಂದು ಮ್ಯಾಟ್ರಿಕ್ಸ್ನಲ್ಲಿ ಸಂಯೋಜಿಸಿದರೆ, ಒಂದು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗುಣಾಕಾರದಿಂದ ಎಲ್ಲಾ 10 ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳನ್ನು ಇನ್ಪುಟ್ ಅಂಕಿಗಳ ಮೇಲೆ ಅನ್ವಯಿಸಬಹುದು. ಅತ್ಯಂತ ಸಾಧ್ಯತೆಯ ಅಂಕಿಯನ್ನು ಔಟ್ಪುಟ್ ಮೇಲೆ `argmax` ಕಾರ್ಯವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಕಂಡುಹಿಡಿಯಬಹುದು.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) ಅನ್ನು ತೆರೆಯುವುದರಿಂದ ಪ್ರಯೋಗಶಾಲೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಬಳಸಿ ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಶಾಲೆ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿಗಳ ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣ ಕೋಡ್ ಬಳಸಿ, ಯಾವುದೇ ಅಂಕಿಯನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುವ ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣವನ್ನು ರಚಿಸಿ. ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾಸೆಟ್ಗಳ ಮೇಲೆ ವರ್ಗೀಕರಣ ನಿಖರತೆಯನ್ನು ಲೆಕ್ಕಿಸಿ, ಮತ್ತು ಗೊಂದಲ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಮುದ್ರಿಸಿ.
|
||||
|
||||
## ಸೂಚನೆಗಳು
|
||||
|
||||
1. ಪ್ರತಿ ಅಂಕಿಗಾಗಿ, "ಈ ಅಂಕಿ ವಿರುದ್ಧ ಎಲ್ಲಾ ಇತರ ಅಂಕಿಗಳು" ಎಂಬ ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಡೇಟಾಸೆಟ್ ರಚಿಸಿ
|
||||
1. ದ್ವಿ-ವರ್ಗ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ 10 ವಿಭಿನ್ನ ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಿ (ಪ್ರತಿ ಅಂಕಿಗೆ ಒಂದು)
|
||||
1. ಇನ್ಪುಟ್ ಅಂಕಿಯನ್ನು ವರ್ಗೀಕರಿಸುವ ಫಂಕ್ಷನ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ
|
||||
|
||||
> **ಸೂಚನೆ**: ಎಲ್ಲಾ 10 ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳ ತೂಕಗಳನ್ನು ಒಂದು ಮ್ಯಾಟ್ರಿಕ್ಸ್ನಲ್ಲಿ ಸಂಯೋಜಿಸಿದರೆ, ಒಂದು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗುಣಾಕಾರದಿಂದ ಎಲ್ಲಾ 10 ಪರ್ಸೆಪ್ಟ್ರಾನ್ಗಳನ್ನು ಇನ್ಪುಟ್ ಅಂಕಿಗಳ ಮೇಲೆ ಅನ್ವಯಿಸಬಹುದು. ಅತ್ಯಂತ ಸಾಧ್ಯತೆಯ ಅಂಕಿಯನ್ನು ಔಟ್ಪುಟ್ ಮೇಲೆ `argmax` ಕಾರ್ಯವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಕಂಡುಹಿಡಿಯಬಹುದು.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) ಅನ್ನು ತೆರೆಯುವುದರಿಂದ ಪ್ರಯೋಗಶಾಲೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-11-25T21:43:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ. ಬಹು-ಪರತೆಯ ಪರ್ಸೆಪ್ಟ್ರಾನ್
|
||||
|
||||
ಹಿಂದಿನ ವಿಭಾಗದಲ್ಲಿ, ನೀವು ಅತ್ಯಂತ ಸರಳ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿ - ಒಂದು-ಪರತೆಯ ಪರ್ಸೆಪ್ಟ್ರಾನ್, ಒಂದು ರೇಖೀಯ ಎರಡು ವರ್ಗದ ವರ್ಗೀಕರಣ ಮಾದರಿಯನ್ನು ಕಲಿತಿದ್ದೀರಿ.
|
||||
|
|
|
|||
|
|
@ -1,36 +1,27 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-11-25T21:53:29+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನಮ್ಮ ಸ್ವಂತ ಫ್ರೇಮ್ವರ್ಕ್ ಬಳಸಿ MNIST ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಲ್ಯಾಬ್ ಅಸೈನ್ಮೆಂಟ್.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
1-, 2- ಮತ್ತು 3-ಪರತೆಯ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಬಳಸಿ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಿ. ಪಾಠದಲ್ಲಿ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಫ್ರೇಮ್ವರ್ಕ್ ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
ಲ್ಯಾಬ್ ಪ್ರಾರಂಭಿಸಲು [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ
|
||||
|
||||
## ಪ್ರಶ್ನೆಗಳು
|
||||
|
||||
ಈ ಲ್ಯಾಬ್ನ ಫಲಿತಾಂಶವಾಗಿ, ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸಿ:
|
||||
|
||||
- ಪರತೆಯ ಮಧ್ಯದ ಸಕ್ರಿಯತೆ ಕಾರ್ಯವು ನೆಟ್ವರ್ಕ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಭಾವಿತ ಮಾಡುತ್ತದೆಯೇ?
|
||||
- ಈ ಕಾರ್ಯಕ್ಕಾಗಿ 2- ಅಥವಾ 3-ಪರತೆಯ ನೆಟ್ವರ್ಕ್ ಅಗತ್ಯವಿದೆಯೇ?
|
||||
- ನೆಟ್ವರ್ಕ್ ತರಬೇತಿಯಲ್ಲಿ ಯಾವುದೇ ಸಮಸ್ಯೆಗಳನ್ನು ಅನುಭವಿಸಿದ್ದೀರಾ? ವಿಶೇಷವಾಗಿ ಪರತೆಯ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ.
|
||||
- ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ನೆಟ್ವರ್ಕ್ನ ತೂಕಗಳು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆ? ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ತೂಕಗಳ ಗರಿಷ್ಠ ಅಪರೂಪ ಮೌಲ್ಯವನ್ನು ಎಪೋಕ್ ವಿರುದ್ಧ ಚಿತ್ರಿಸಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ನಮ್ಮ ಸ್ವಂತ ಫ್ರೇಮ್ವರ್ಕ್ ಬಳಸಿ MNIST ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಲ್ಯಾಬ್ ಅಸೈನ್ಮೆಂಟ್.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
1-, 2- ಮತ್ತು 3-ಪರತೆಯ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಬಳಸಿ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಿ. ಪಾಠದಲ್ಲಿ ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಫ್ರೇಮ್ವರ್ಕ್ ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
ಲ್ಯಾಬ್ ಪ್ರಾರಂಭಿಸಲು [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ
|
||||
|
||||
## ಪ್ರಶ್ನೆಗಳು
|
||||
|
||||
ಈ ಲ್ಯಾಬ್ನ ಫಲಿತಾಂಶವಾಗಿ, ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸಿ:
|
||||
|
||||
- ಪರತೆಯ ಮಧ್ಯದ ಸಕ್ರಿಯತೆ ಕಾರ್ಯವು ನೆಟ್ವರ್ಕ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಭಾವಿತ ಮಾಡುತ್ತದೆಯೇ?
|
||||
- ಈ ಕಾರ್ಯಕ್ಕಾಗಿ 2- ಅಥವಾ 3-ಪರತೆಯ ನೆಟ್ವರ್ಕ್ ಅಗತ್ಯವಿದೆಯೇ?
|
||||
- ನೆಟ್ವರ್ಕ್ ತರಬೇತಿಯಲ್ಲಿ ಯಾವುದೇ ಸಮಸ್ಯೆಗಳನ್ನು ಅನುಭವಿಸಿದ್ದೀರಾ? ವಿಶೇಷವಾಗಿ ಪರತೆಯ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ.
|
||||
- ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ನೆಟ್ವರ್ಕ್ನ ತೂಕಗಳು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆ? ಸಂಬಂಧವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ತೂಕಗಳ ಗರಿಷ್ಠ ಅಪರೂಪ ಮೌಲ್ಯವನ್ನು ಎಪೋಕ್ ವಿರುದ್ಧ ಚಿತ್ರಿಸಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-11-25T21:49:39+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು
|
||||
|
||||
ನಾವು ಈಗಾಗಲೇ ಕಲಿತಂತೆ, ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ತರಬೇತುಗೊಳಿಸಲು ನಾವು ಎರಡು ಕೆಲಸಗಳನ್ನು ಮಾಡಬೇಕಾಗುತ್ತದೆ:
|
||||
|
|
|
|||
|
|
@ -1,32 +1,23 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-11-25T21:54:44+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# PyTorch/TensorFlow ಬಳಸಿ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
PyTorch ಅಥವಾ TensorFlow ಬಳಸಿ ಏಕ ಮತ್ತು ಬಹು-ಪರತ ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಎರಡು ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಿ:
|
||||
|
||||
1. **[ಐರಿಸ್ ವರ್ಗೀಕರಣ](https://en.wikipedia.org/wiki/Iris_flower_data_set)** ಸಮಸ್ಯೆ - ಟೇಬ್ಯುಲರ್ ಇನ್ಪುಟ್ ಡೇಟಾ ಹೊಂದಿರುವ ಸಮಸ್ಯೆಯ ಉದಾಹರಣೆ, ಇದನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಅಧ್ಯಯನದಿಂದ ನಿಭಾಯಿಸಬಹುದು. ನಿಮ್ಮ ಗುರಿ 4 ಸಂಖ್ಯಾತ್ಮಕ ಪರಿಮಾಣಗಳ ಆಧಾರದ ಮೇಲೆ ಐರಿಸ್ಗಳನ್ನು 3 ವರ್ಗಗಳಲ್ಲಿ ವರ್ಗೀಕರಿಸುವುದು.
|
||||
1. ನಾವು ಮೊದಲು ನೋಡಿದ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆ.
|
||||
|
||||
ನೀವು ಪಡೆಯಬಹುದಾದ ಅತ್ಯುತ್ತಮ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ವಿಭಿನ್ನ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
[LabFrameworks.ipynb](LabFrameworks.ipynb) ಅನ್ನು ತೆರೆಯುವುದರಿಂದ ಪ್ರಯೋಗಾಲಯವನ್ನು ಪ್ರಾರಂಭಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# PyTorch/TensorFlow ಬಳಸಿ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
PyTorch ಅಥವಾ TensorFlow ಬಳಸಿ ಏಕ ಮತ್ತು ಬಹು-ಪರತ ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಎರಡು ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಿ:
|
||||
|
||||
1. **[ಐರಿಸ್ ವರ್ಗೀಕರಣ](https://en.wikipedia.org/wiki/Iris_flower_data_set)** ಸಮಸ್ಯೆ - ಟೇಬ್ಯುಲರ್ ಇನ್ಪುಟ್ ಡೇಟಾ ಹೊಂದಿರುವ ಸಮಸ್ಯೆಯ ಉದಾಹರಣೆ, ಇದನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಅಧ್ಯಯನದಿಂದ ನಿಭಾಯಿಸಬಹುದು. ನಿಮ್ಮ ಗುರಿ 4 ಸಂಖ್ಯಾತ್ಮಕ ಪರಿಮಾಣಗಳ ಆಧಾರದ ಮೇಲೆ ಐರಿಸ್ಗಳನ್ನು 3 ವರ್ಗಗಳಲ್ಲಿ ವರ್ಗೀಕರಿಸುವುದು.
|
||||
1. ನಾವು ಮೊದಲು ನೋಡಿದ MNIST ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆ.
|
||||
|
||||
ನೀವು ಪಡೆಯಬಹುದಾದ ಅತ್ಯುತ್ತಮ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ವಿಭಿನ್ನ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
[LabFrameworks.ipynb](LabFrameworks.ipynb) ಅನ್ನು ತೆರೆಯುವುದರಿಂದ ಪ್ರಯೋಗಾಲಯವನ್ನು ಪ್ರಾರಂಭಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-11-25T21:09:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಪರಿಚಯ
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-11-25T21:59:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆಗೆ ಪರಿಚಯ
|
||||
|
||||
[ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆ](https://wikipedia.org/wiki/Computer_vision) ಎಂಬುದು ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ಡಿಜಿಟಲ್ ಚಿತ್ರಗಳ ಉನ್ನತ ಮಟ್ಟದ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ನೀಡುವ ಉದ್ದೇಶ ಹೊಂದಿರುವ ಶಾಖೆ. ಇದು ತುಂಬಾ ವ್ಯಾಪಕ ವ್ಯಾಖ್ಯಾನ, ಏಕೆಂದರೆ *ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು* ಎಂದರೆ ಹಲವಾರು ಅರ್ಥಗಳನ್ನು ಹೊಂದಬಹುದು, ಉದಾಹರಣೆಗೆ ಚಿತ್ರದಲ್ಲಿ ವಸ್ತುವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು (**ವಸ್ತು ಪತ್ತೆಹಚ್ಚುವುದು**), ಏನಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು (**ಘಟನೆ ಪತ್ತೆಹಚ್ಚುವುದು**), ಚಿತ್ರವನ್ನು ಪಠ್ಯದಲ್ಲಿ ವರ್ಣಿಸುವುದು, ಅಥವಾ ದೃಶ್ಯವನ್ನು 3D ನಲ್ಲಿ ಪುನರ್ ನಿರ್ಮಿಸುವುದು. ಮಾನವ ಚಿತ್ರಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ವಿಶೇಷ ಕಾರ್ಯಗಳೂ ಇವೆ: ವಯಸ್ಸು ಮತ್ತು ಭಾವನೆ ಅಂದಾಜು, ಮುಖ ಪತ್ತೆ ಮತ್ತು ಗುರುತಿಸುವಿಕೆ, ಮತ್ತು 3D ಸ್ಥಿತಿ ಅಂದಾಜು, ಇತ್ಯಾದಿ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-11-25T22:41:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಆಪ್ಟಿಕಲ್ ಫ್ಲೋ ಬಳಸಿ ಚಲನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು
|
||||
|
||||
[AI for Beginners Curriculum](https://aka.ms/ai-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-11-25T22:04:54+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪ್ರಸಿದ್ಧ CNN ವಾಸ್ತುಶಿಲ್ಪಗಳು
|
||||
|
||||
### VGG-16
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-11-25T22:06:56+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು
|
||||
|
||||
ನಾವು ಮೊದಲು ನೋಡಿದ್ದೇವೆ, ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಚಿತ್ರಗಳನ್ನು ಸಂಸ್ಕರಿಸುವಲ್ಲಿ ತುಂಬಾ ಉತ್ತಮವಾಗಿವೆ, ಮತ್ತು ಒಂದೇ ಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಕೂಡ MNIST ಡೇಟಾಸೆಟ್ನಿಂದ ಕೈಯಿಂದ ಬರೆದ ಅಂಕಿಗಳನ್ನು ಯುಕ್ತಿಯುತ ನಿಖರತೆಯಿಂದ ಗುರುತಿಸಬಹುದು. ಆದರೆ, MNIST ಡೇಟಾಸೆಟ್ ಬಹಳ ವಿಶೇಷವಾಗಿದೆ, ಮತ್ತು ಎಲ್ಲಾ ಅಂಕಿಗಳು ಚಿತ್ರದ ಮಧ್ಯಭಾಗದಲ್ಲಿ ಇರುತ್ತವೆ, ಇದು ಕಾರ್ಯವನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-11-25T22:42:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪೆಟ್ಸ್ ಮುಖಗಳ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-11-25T22:12:13+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ವರ್ಗಾವಣೆ ಅಧ್ಯಯನ
|
||||
|
||||
CNNಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಬಹಳ ಸಮಯ ಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಅದಕ್ಕೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಅಗತ್ಯವಿದೆ. ಆದರೆ, ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ನೆಟ್ವರ್ಕ್ ಚಿತ್ರಗಳಿಂದ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಬಳಸಬಹುದಾದ ಉತ್ತಮ ಕಡಿಮೆ-ಮಟ್ಟದ ಫಿಲ್ಟರ್ಗಳನ್ನು ಕಲಿಯಲು ವ್ಯಯಿಸಲಾಗುತ್ತದೆ. ಒಂದು ಸಹಜ ಪ್ರಶ್ನೆ ಉದ್ಭವಿಸುತ್ತದೆ - ನಾವು ಒಂದು ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ತರಬೇತಿಗೊಳಿಸಿದ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು, ಪೂರ್ಣ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯ ಅಗತ್ಯವಿಲ್ಲದೆ ವಿಭಿನ್ನ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಅದನ್ನು ಹೊಂದಿಸಬಹುದೇ?
|
||||
|
|
|
|||
|
|
@ -1,121 +1,112 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-11-25T22:19:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಡೀಪ್ ಲರ್ನಿಂಗ್ ತರಬೇತಿ ತಂತ್ರಗಳು
|
||||
|
||||
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಆಳವಾಗುತ್ತಿರೋಂತೆ, ಅವುಗಳ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆ ಹೆಚ್ಚು ಮತ್ತು ಹೆಚ್ಚು ಸವಾಲಿನಾಯಕವಾಗುತ್ತದೆ. ಒಂದು ಪ್ರಮುಖ ಸಮಸ್ಯೆ ಎಂದರೆ [ವ್ಯಾನಿಶಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) ಅಥವಾ [ಎಕ್ಸ್ಪ್ಲೋಡಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [ಈ ಪೋಸ್ಟ್](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ಆ ಸಮಸ್ಯೆಗಳ ಪರಿಚಯವನ್ನು ಚೆನ್ನಾಗಿ ನೀಡುತ್ತದೆ.
|
||||
|
||||
ಡೀಪ್ ನೆಟ್ವರ್ಕ್ಗಳ ತರಬೇತಿಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡಲು ಕೆಲವು ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
## ಮೌಲ್ಯಗಳನ್ನು ಯುಕ್ತಿಯುತ ಶ್ರೇಣಿಯಲ್ಲಿ ಇಡುವುದು
|
||||
|
||||
ಸಂಖ್ಯಾತ್ಮಕ ಗಣನೆಗಳನ್ನು ಸ್ಥಿರವಾಗಿರಿಸಲು, ನಮ್ಮ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳು ಯುಕ್ತಿಯುತ ಪ್ರಮಾಣದಲ್ಲಿ ಇರಬೇಕು ಎಂದು ನಾವು ಬಯಸುತ್ತೇವೆ, ಸಾಮಾನ್ಯವಾಗಿ [-1..1] ಅಥವಾ [0..1]. ಇದು ಕಠಿಣ ನಿಯಮವಲ್ಲ, ಆದರೆ ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಗಣನೆಗಳ ಸ್ವಭಾವವೇ ಬೇರೆ ಬೇರೆ ಪ್ರಮಾಣದ ಮೌಲ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ಸಂಚಾಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, 10<sup>-10</sup> ಮತ್ತು 10<sup>10</sup> ಅನ್ನು ಸೇರಿಸಿದರೆ, ನಾವು ಬಹುಶಃ 10<sup>10</sup> ಅನ್ನು ಪಡೆಯುತ್ತೇವೆ, ಏಕೆಂದರೆ ಸಣ್ಣ ಮೌಲ್ಯವನ್ನು ದೊಡ್ಡದಿನ ಸರಣಿಗೆ "ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ" ಮತ್ತು ಮ್ಯಾಂಟಿಸ್ಸಾ ಕಳೆದುಹೋಗುತ್ತದೆ.
|
||||
|
||||
ಬಹುತೇಕ ಸಕ್ರಿಯತೆ ಕಾರ್ಯಗಳು [-1..1] ಸುತ್ತಲೂ ಅಸಮಾನತೆಗಳನ್ನು ಹೊಂದಿವೆ, ಆದ್ದರಿಂದ ಎಲ್ಲಾ ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು [-1..1] ಅಥವಾ [0..1] ಶ್ರೇಣಿಗೆ ಮಾಪನ ಮಾಡುವುದು ಸೂಕ್ತ.
|
||||
|
||||
## ಪ್ರಾಥಮಿಕ ತೂಕ ಆರಂಭಿಕೀಕರಣ
|
||||
|
||||
ಆದರ್ಶವಾಗಿ, ನೆಟ್ವರ್ಕ್ ಲೇಯರ್ಗಳ ಮೂಲಕ ಮೌಲ್ಯಗಳು ಒಂದೇ ಶ್ರೇಣಿಯಲ್ಲಿ ಇರಬೇಕು. ಆದ್ದರಿಂದ, ಮೌಲ್ಯಗಳ ವಿತರಣೆಯನ್ನು ಉಳಿಸುವಂತೆ ತೂಕಗಳನ್ನು ಆರಂಭಿಕೀಕರಿಸುವುದು ಮುಖ್ಯ.
|
||||
|
||||
ಸಾಮಾನ್ಯ ವಿತರಣೆಯಾದ **N(0,1)** ಉತ್ತಮ ಆಯ್ಕೆ ಅಲ್ಲ, ಏಕೆಂದರೆ *n* ಇನ್ಪುಟ್ಗಳಿದ್ದರೆ, ಔಟ್ಪುಟ್ನ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ *n* ಆಗುತ್ತದೆ ಮತ್ತು ಮೌಲ್ಯಗಳು [0..1] ಶ್ರೇಣಿಯಿಂದ ಹೊರಗೆ ಹೋಗಬಹುದು.
|
||||
|
||||
ಕೆಳಗಿನ ಆರಂಭಿಕೀಕರಣಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತವೆ:
|
||||
|
||||
* ಸಮವಿತರಣಾ ವಿತರಣೆ -- `uniform`
|
||||
* **N(0,1/n)** -- `gaussian`
|
||||
* **N(0,1/√n_in)** ಇದು ಶೂನ್ಯ ಸರಾಸರಿ ಮತ್ತು 1 ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಇರುವ ಇನ್ಪುಟ್ಗಳಿಗೆ ಅದೇ ಸರಾಸರಿ/ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಉಳಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ
|
||||
* **N(0,√2/(n_in+n_out))** -- ಇದನ್ನು **Xavier ಆರಂಭಿಕೀಕರಣ** (`glorot`) ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಇದು ಫಾರ್ವರ್ಡ್ ಮತ್ತು ಬ್ಯಾಕ್ವರ್ಡ್ ಪ್ರೋಪಗೇಶನ್ ಸಮಯದಲ್ಲಿ ಸಿಗ್ನಲ್ಗಳನ್ನು ಶ್ರೇಣಿಯಲ್ಲಿ ಇಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ
|
||||
|
||||
## ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್
|
||||
|
||||
ಸರಿಯಾದ ತೂಕ ಆರಂಭಿಕೀಕರಣ ಇದ್ದರೂ, ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ತೂಕಗಳು ಅನಿಯಂತ್ರಿತವಾಗಿ ದೊಡ್ಡದಾಗಬಹುದು ಅಥವಾ ಚಿಕ್ಕದಾಗಬಹುದು, ಮತ್ತು ಅವು ಸಿಗ್ನಲ್ಗಳನ್ನು ಸರಿಯಾದ ಶ್ರೇಣಿಯಿಂದ ಹೊರಗೆ ತರುತ್ತವೆ. ನಾವು ಸಿಗ್ನಲ್ಗಳನ್ನು ಹಿಂತಿರುಗಿಸಲು **ನಾರ್ಮಲೈಜೆಷನ್** ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು. ಹಲವಾರು ವಿಧಾನಗಳಿದ್ದರೂ (ತೂಕ ನಾರ್ಮಲೈಜೆಷನ್, ಲೇಯರ್ ನಾರ್ಮಲೈಜೆಷನ್), ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವದು ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್.
|
||||
|
||||
**ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್** ಯೋಚನೆ ಎಂದರೆ, ಮಿನಿಬ್ಯಾಚ್ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳನ್ನು ಪರಿಗಣಿಸಿ, ಅವುಗಳ ಆಧಾರದ ಮೇಲೆ ನಾರ್ಮಲೈಜೆಷನ್ (ಅಂದರೆ ಸರಾಸರಿಯನ್ನು ಕಡಿತಮಾಡಿ ಮತ್ತು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಮೂಲಕ ಭಾಗಿಸಿ) ಮಾಡುವುದು. ಇದು ತೂಕಗಳನ್ನು ಅನ್ವಯಿಸಿದ ನಂತರ, ಆದರೆ ಸಕ್ರಿಯತೆ ಕಾರ್ಯದ ಮೊದಲು ಈ ನಾರ್ಮಲೈಜೆಷನ್ ಮಾಡುವ ಲೇಯರ್ ಆಗಿ ಅನುಷ್ಠಾನಗೊಳ್ಳುತ್ತದೆ. ಇದರಿಂದ ಅಂತಿಮ ಶುದ್ಧತೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ತರಬೇತಿ ವೇಗವೂ ಹೆಚ್ಚಾಗುತ್ತದೆ.
|
||||
|
||||
ಇದು ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್ ಕುರಿತು [ಮೂಲ ಪೇಪರ್](https://arxiv.org/pdf/1502.03167.pdf), [ವಿಕಿಪೀಡಿಯ上的 ವಿವರಣೆ](https://en.wikipedia.org/wiki/Batch_normalization), ಮತ್ತು [ಒಂದು ಉತ್ತಮ ಪರಿಚಯಾತ್ಮಕ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (ಮತ್ತು [ರಷ್ಯನ್ನಲ್ಲಿ](https://habrahabr.ru/post/309302/)).
|
||||
|
||||
## ಡ್ರಾಪೌಟ್
|
||||
|
||||
**ಡ್ರಾಪೌಟ್** ಒಂದು ಆಸಕ್ತಿದಾಯಕ ತಂತ್ರ, ಇದು ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣದ ಯಾದೃಚ್ಛಿಕ ನ್ಯೂರಾನ್ಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಇದು ಒಂದು ಲೇಯರ್ ಆಗಿ ಅನುಷ್ಠಾನಗೊಳ್ಳುತ್ತದೆ, ಇದರಲ್ಲಿ ಒಂದು ಪ್ಯಾರಾಮೀಟರ್ (ತೆಗೆದುಹಾಕುವ ನ್ಯೂರಾನ್ಗಳ ಶೇಕಡಾವಾರು, ಸಾಮಾನ್ಯವಾಗಿ 10%-50%) ಇರುತ್ತದೆ, ಮತ್ತು ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ಇನ್ಪುಟ್ ವೆಕ್ಟರ್ನ ಯಾದೃಚ್ಛಿಕ ಅಂಶಗಳನ್ನು ಶೂನ್ಯಗೊಳಿಸುತ್ತದೆ, ನಂತರ ಮುಂದಿನ ಲೇಯರ್ಗೆ ಕಳುಹಿಸುತ್ತದೆ.
|
||||
|
||||
ಇದು ವಿಚಿತ್ರವಾದ ಯೋಚನೆ ಎಂದು ತೋರುತ್ತಿದ್ದರೂ, ನೀವು [`Dropout.ipynb`](Dropout.ipynb) ನೋಟ್ಬುಕ್ನಲ್ಲಿ MNIST ಅಂಕಿ ವರ್ಗೀಕರಣದ ತರಬೇತಿಯಲ್ಲಿ ಡ್ರಾಪೌಟ್ ಪರಿಣಾಮವನ್ನು ನೋಡಬಹುದು. ಇದು ತರಬೇತಿಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ತರಬೇತಿ ಯುಗಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಶುದ್ಧತೆಯನ್ನು ಸಾಧಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
|
||||
ಈ ಪರಿಣಾಮವನ್ನು ಹಲವಾರು ರೀತಿಯಲ್ಲಿ ವಿವರಿಸಬಹುದು:
|
||||
|
||||
* ಇದು ಮಾದರಿಗಾಗಿ ಯಾದೃಚ್ಛಿಕ ಶಾಕ್ ಆಗಿದ್ದು, ಆಪ್ಟಿಮೈಜೆಷನ್ ಅನ್ನು ಸ್ಥಳೀಯ ಕನಿಷ್ಠದಿಂದ ಹೊರಗೆ ತರುತ್ತದೆ
|
||||
* ಇದು *ಅನೈಕ್ಯ ಮಾದರಿ ಸರಾಸರಿ* ಎಂದು ಪರಿಗಣಿಸಬಹುದು, ಏಕೆಂದರೆ ಡ್ರಾಪೌಟ್ ಸಮಯದಲ್ಲಿ ನಾವು ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಮಾದರಿಯನ್ನು ತರಬೇತಿಸುತ್ತಿದ್ದೇವೆ ಎಂದು ಹೇಳಬಹುದು
|
||||
|
||||
> *ಕೆಲವರು ಹೇಳುತ್ತಾರೆ, ಮದ್ಯಪಾನ ಮಾಡಿದ ವ್ಯಕ್ತಿ ಏನಾದರೂ ಕಲಿಯಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಅವನು ಮುಂದಿನ ಬೆಳಿಗ್ಗೆ ಅದನ್ನು ಹೆಚ್ಚು ನೆನಪಿಡುತ್ತಾನೆ, ಏಕೆಂದರೆ ಕೆಲವು ನ್ಯೂರಾನ್ಗಳು ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದಾಗ ಮೆದುಳು ಅರ್ಥವನ್ನು ಹಿಡಿಯಲು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ನಾವು ಇದನ್ನು ಪರೀಕ್ಷಿಸಿಲ್ಲ, ಇದು ಸತ್ಯವೇ ಇಲ್ಲವೇ ಎಂದು.*
|
||||
|
||||
## ಓವರ್ಫಿಟಿಂಗ್ ತಡೆಯುವುದು
|
||||
|
||||
ಡೀಪ್ ಲರ್ನಿಂಗ್ನ ಅತ್ಯಂತ ಪ್ರಮುಖ ಅಂಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ತಡೆಯುವ ಸಾಮರ್ಥ್ಯ. ಬಹುಶಃ ಬಹುಶಕ್ತಿಶಾಲಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಆಕರ್ಷಣೆಯಿದ್ದರೂ, ನಾವು ಯಾವಾಗಲೂ ಮಾದರಿ ಪ್ಯಾರಾಮೀಟರ್ಗಳ ಸಂಖ್ಯೆಯನ್ನು ತರಬೇತಿ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಸಮತೋಲನ ಮಾಡಬೇಕು.
|
||||
|
||||
> ನಾವು ಮೊದಲು ಪರಿಚಯಿಸಿದ [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ಸಂಜ್ಞೆಯನ್ನು ನೀವು ಖಚಿತವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಿರಬೇಕು!
|
||||
|
||||
ಓವರ್ಫಿಟಿಂಗ್ ತಡೆಯಲು ಹಲವಾರು ವಿಧಾನಗಳಿವೆ:
|
||||
|
||||
* ಆರಂಭಿಕ ನಿಲ್ಲಿಕೆ -- ಮಾನ್ಯತೆ ಸೆಟ್ನಲ್ಲಿ ದೋಷವನ್ನು ನಿರಂತರವಾಗಿ ಗಮನಿಸಿ, ಮಾನ್ಯತೆ ದೋಷ ಹೆಚ್ಚಾಗಲು ಪ್ರಾರಂಭಿಸಿದಾಗ ತರಬೇತಿಯನ್ನು ನಿಲ್ಲಿಸುವುದು.
|
||||
* ಸ್ಪಷ್ಟ ತೂಕ ಕ್ಷಯ / ನಿಯಮಿತೀಕರಣ -- ತೂಕಗಳ ಹೆಚ್ಚಿನ ಪರಮಾಣು ಮೌಲ್ಯಗಳಿಗೆ ಲಾಸ್ ಫಂಕ್ಷನ್ಗೆ ಹೆಚ್ಚುವರಿ ದಂಡನೆಯನ್ನು ಸೇರಿಸುವುದು, ಇದು ಮಾದರಿಯನ್ನು ಅಸ್ಥಿರ ಫಲಿತಾಂಶಗಳಿಂದ ತಡೆಯುತ್ತದೆ
|
||||
* ಮಾದರಿ ಸರಾಸರಿ -- ಹಲವಾರು ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಸಿ ನಂತರ ಫಲಿತಾಂಶವನ್ನು ಸರಾಸರಿಮಾಡುವುದು. ಇದು ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
* ಡ್ರಾಪೌಟ್ (ಅನೈಕ್ಯ ಮಾದರಿ ಸರಾಸರಿ)
|
||||
|
||||
## ಆಪ್ಟಿಮೈಜರ್ಗಳು / ತರಬೇತಿ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
ತರಬೇತಿಯ ಮತ್ತೊಂದು ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಉತ್ತಮ ತರಬೇತಿ ಆಲ್ಗಾರಿದಮ್ನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು. ಸಾಂಪ್ರದಾಯಿಕ **ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್** ಒಳ್ಳೆಯ ಆಯ್ಕೆ ಆಗಿದ್ದರೂ, ಅದು ಕೆಲವೊಮ್ಮೆ ನಿಧಾನವಾಗಬಹುದು ಅಥವಾ ಇತರ ಸಮಸ್ಯೆಗಳನ್ನುಂಟುಮಾಡಬಹುದು.
|
||||
|
||||
ಡೀಪ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ, ನಾವು **ಸ್ಟೋಚಾಸ್ಟಿಕ್ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್** (SGD) ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದು ತರಬೇತಿ ಸೆಟ್ನಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ದ ಮಿನಿಬ್ಯಾಚ್ಗಳಿಗೆ ಅನ್ವಯಿಸುವ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಆಗಿದೆ. ತೂಕಗಳನ್ನು ಈ ಸೂತ್ರದಿಂದ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ:
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η∇ℒ
|
||||
|
||||
### ಮೊಮೆಂಟಮ್
|
||||
|
||||
**ಮೊಮೆಂಟಮ್ SGD** ನಲ್ಲಿ, ನಾವು ಹಿಂದಿನ ಹಂತಗಳ ಗ್ರೇಡಿಯಂಟ್ನ ಒಂದು ಭಾಗವನ್ನು ಉಳಿಸಿಕೊಂಡಿರುತ್ತೇವೆ. ಇದು ನಾವು ಜಡತೆಯಿಂದ ಎಲ್ಲಿ ಹೋಗುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಬೇರೊಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಹೊಡೆತ ಬಂದಾಗ, ನಮ್ಮ ಮಾರ್ಗ ತಕ್ಷಣ ಬದಲಾಗದೆ ಮೂಲ ಚಲನೆಯ ಕೆಲವು ಭಾಗವನ್ನು ಉಳಿಸುವಂತಿದೆ. ಇಲ್ಲಿ ನಾವು *ವೇಗ* ಅನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಮತ್ತೊಂದು ವೆಕ್ಟರ್ v ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ:
|
||||
|
||||
* v<sup>t+1</sup> = γ v<sup>t</sup> - η∇ℒ
|
||||
* w<sup>t+1</sup> = w<sup>t</sup>+v<sup>t+1</sup>
|
||||
|
||||
ಇಲ್ಲಿ ಪ್ಯಾರಾಮೀಟರ್ γ ನಮ್ಮ inertia ಅನ್ನು ಎಷ್ಟು ಪರಿಗಣಿಸುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ: γ=0 ಎಂದರೆ ಸಾಂಪ್ರದಾಯಿಕ SGD; γ=1 ಎಂದರೆ ಶುದ್ಧ ಚಲನೆಯ ಸಮೀಕರಣ.
|
||||
|
||||
### Adam, Adagrad, ಇತ್ಯಾದಿ
|
||||
|
||||
ಪ್ರತಿ ಲೇಯರ್ನಲ್ಲಿ ನಾವು ಕೆಲವು ಮ್ಯಾಟ್ರಿಕ್ಸ್ W<sub>i</sub> ಮೂಲಕ ಸಿಗ್ನಲ್ಗಳನ್ನು ಗುಣಿಸುತ್ತೇವೆ, ||W<sub>i</sub>|| ಮೇಲೆ ಅವಲಂಬಿಸಿ, ಗ್ರೇಡಿಯಂಟ್ ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರವಾಗಬಹುದು ಅಥವಾ ಅನಿಯಮಿತವಾಗಿ ಏರಬಹುದು. ಇದು ಎಕ್ಸ್ಪ್ಲೋಡಿಂಗ್/ವ್ಯಾನಿಶಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್ ಸಮಸ್ಯೆಯ ಮೂಲ.
|
||||
|
||||
ಈ ಸಮಸ್ಯೆಗೆ ಒಂದು ಪರಿಹಾರವೆಂದರೆ ಸಮೀಕರಣದಲ್ಲಿ ಗ್ರೇಡಿಯಂಟ್ ದಿಕ್ಕನ್ನು ಮಾತ್ರ ಬಳಸುವುದು, ಪರಮಾಣು ಮೌಲ್ಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು, ಅಂದರೆ
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η(∇ℒ/||∇ℒ||), ಇಲ್ಲಿ ||∇ℒ|| = √∑(∇ℒ)<sup>2</sup>
|
||||
|
||||
ಈ ಆಲ್ಗಾರಿದಮ್ ಅನ್ನು **Adagrad** ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಇದೇ ಯೋಚನೆಯನ್ನು ಬಳಸುವ ಇತರ ಆಲ್ಗಾರಿದಮ್ಗಳು: **RMSProp**, **Adam**
|
||||
|
||||
> **Adam** ಅನ್ನು ಅನೇಕ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಆಲ್ಗಾರಿದಮ್ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಯಾವದನ್ನು ಬಳಸಬೇಕೆಂದು ಖಚಿತವಾಗದಿದ್ದರೆ - Adam ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
### ಗ್ರೇಡಿಯಂಟ್ ಕ್ಲಿಪ್ಪಿಂಗ್
|
||||
|
||||
ಗ್ರೇಡಿಯಂಟ್ ಕ್ಲಿಪ್ಪಿಂಗ್ ಮೇಲಿನ ಯೋಚನೆಯ ವಿಸ್ತರಣೆ. ||∇ℒ|| ≤ θ ಇದ್ದಾಗ, ನಾವು ಮೂಲ ಗ್ರೇಡಿಯಂಟ್ ಅನ್ನು ತೂಕ ಆಪ್ಟಿಮೈಜೇಶನ್ನಲ್ಲಿ ಪರಿಗಣಿಸುತ್ತೇವೆ, ಮತ್ತು ||∇ℒ|| > θ ಇದ್ದಾಗ - ಗ್ರೇಡಿಯಂಟ್ ಅನ್ನು ಅದರ ನಾರ್ಮ್ ಮೂಲಕ ಭಾಗಿಸುತ್ತೇವೆ. ಇಲ್ಲಿ θ ಒಂದು ಪ್ಯಾರಾಮೀಟರ್, ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಾವು θ=1 ಅಥವಾ θ=10 ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು.
|
||||
|
||||
### ಲರ್ನಿಂಗ್ ರೇಟ್ ಡಿಕೇ
|
||||
|
||||
ತರಬೇತಿ ಯಶಸ್ಸು ಬಹುಶಃ ಲರ್ನಿಂಗ್ ರೇಟ್ ಪ್ಯಾರಾಮೀಟರ್ η ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ದೊಡ್ಡ η ಮೌಲ್ಯಗಳು ವೇಗವಾದ ತರಬೇತಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ತರಬೇತಿಯ ಆರಂಭದಲ್ಲಿ ಬೇಕಾಗುತ್ತದೆ, ನಂತರ ಚಿಕ್ಕ η ಮೌಲ್ಯಗಳು ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಹೊಂದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಆದ್ದರಿಂದ, ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ η ಅನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಇದು ಪ್ರತಿ ತರಬೇತಿ ಯುಗದ ನಂತರ η ಅನ್ನು ಕೆಲವು ಸಂಖ್ಯೆಯಿಂದ (ಉದಾ. 0.98) ಗುಣಿಸುವ ಮೂಲಕ ಅಥವಾ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ **ಲರ್ನಿಂಗ್ ರೇಟ್ ಶೆಡ್ಯೂಲ್** ಬಳಸಿ ಮಾಡಬಹುದು.
|
||||
|
||||
## ವಿಭಿನ್ನ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳು
|
||||
|
||||
ನಿಮ್ಮ ಸಮಸ್ಯೆಗೆ ಸರಿಯಾದ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಬಹುದು. ಸಾಮಾನ್ಯವಾಗಿ, ನಾವು ನಮ್ಮ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕೆ (ಅಥವಾ ಸಮಾನ ಕಾರ್ಯಕ್ಕೆ) ಕಾರ್ಯನಿರ್ವಹಿಸಿದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ಇಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ಗೆ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳ [ಒಂದು ಉತ್ತಮ ಅವಲೋಕನ](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ಇದೆ.
|
||||
|
||||
> ನಾವು ಹೊಂದಿರುವ ತರಬೇತಿ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಗೆ ತಕ್ಕಷ್ಟು ಶಕ್ತಿಶಾಲಿ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮುಖ್ಯ. ತುಂಬಾ ಶಕ್ತಿಶಾಲಿ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ಗೆ ಕಾರಣವಾಗಬಹುದು.
|
||||
|
||||
ಮತ್ತೊಂದು ಉತ್ತಮ ವಿಧಾನವೆಂದರೆ ಅಗತ್ಯವಿರುವ ಸಂಕೀರ್ಣತೆಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸುವುದು. ಕೆಲವು ಮಟ್ಟಿಗೆ, **ResNet** ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು **Inception** ಸ್ವಯಂ ಹೊಂದಿಕೊಳ್ಳುವವು. [ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ವಾಸ್ತುಶಿಲ್ಪಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು](../07-ConvNets/CNN_Architectures.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಡೀಪ್ ಲರ್ನಿಂಗ್ ತರಬೇತಿ ತಂತ್ರಗಳು
|
||||
|
||||
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಆಳವಾಗುತ್ತಿರೋಂತೆ, ಅವುಗಳ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆ ಹೆಚ್ಚು ಮತ್ತು ಹೆಚ್ಚು ಸವಾಲಿನಾಯಕವಾಗುತ್ತದೆ. ಒಂದು ಪ್ರಮುಖ ಸಮಸ್ಯೆ ಎಂದರೆ [ವ್ಯಾನಿಶಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) ಅಥವಾ [ಎಕ್ಸ್ಪ್ಲೋಡಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [ಈ ಪೋಸ್ಟ್](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ಆ ಸಮಸ್ಯೆಗಳ ಪರಿಚಯವನ್ನು ಚೆನ್ನಾಗಿ ನೀಡುತ್ತದೆ.
|
||||
|
||||
ಡೀಪ್ ನೆಟ್ವರ್ಕ್ಗಳ ತರಬೇತಿಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡಲು ಕೆಲವು ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
## ಮೌಲ್ಯಗಳನ್ನು ಯುಕ್ತಿಯುತ ಶ್ರೇಣಿಯಲ್ಲಿ ಇಡುವುದು
|
||||
|
||||
ಸಂಖ್ಯಾತ್ಮಕ ಗಣನೆಗಳನ್ನು ಸ್ಥಿರವಾಗಿರಿಸಲು, ನಮ್ಮ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳು ಯುಕ್ತಿಯುತ ಪ್ರಮಾಣದಲ್ಲಿ ಇರಬೇಕು ಎಂದು ನಾವು ಬಯಸುತ್ತೇವೆ, ಸಾಮಾನ್ಯವಾಗಿ [-1..1] ಅಥವಾ [0..1]. ಇದು ಕಠಿಣ ನಿಯಮವಲ್ಲ, ಆದರೆ ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಗಣನೆಗಳ ಸ್ವಭಾವವೇ ಬೇರೆ ಬೇರೆ ಪ್ರಮಾಣದ ಮೌಲ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ಸಂಚಾಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, 10<sup>-10</sup> ಮತ್ತು 10<sup>10</sup> ಅನ್ನು ಸೇರಿಸಿದರೆ, ನಾವು ಬಹುಶಃ 10<sup>10</sup> ಅನ್ನು ಪಡೆಯುತ್ತೇವೆ, ಏಕೆಂದರೆ ಸಣ್ಣ ಮೌಲ್ಯವನ್ನು ದೊಡ್ಡದಿನ ಸರಣಿಗೆ "ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ" ಮತ್ತು ಮ್ಯಾಂಟಿಸ್ಸಾ ಕಳೆದುಹೋಗುತ್ತದೆ.
|
||||
|
||||
ಬಹುತೇಕ ಸಕ್ರಿಯತೆ ಕಾರ್ಯಗಳು [-1..1] ಸುತ್ತಲೂ ಅಸಮಾನತೆಗಳನ್ನು ಹೊಂದಿವೆ, ಆದ್ದರಿಂದ ಎಲ್ಲಾ ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು [-1..1] ಅಥವಾ [0..1] ಶ್ರೇಣಿಗೆ ಮಾಪನ ಮಾಡುವುದು ಸೂಕ್ತ.
|
||||
|
||||
## ಪ್ರಾಥಮಿಕ ತೂಕ ಆರಂಭಿಕೀಕರಣ
|
||||
|
||||
ಆದರ್ಶವಾಗಿ, ನೆಟ್ವರ್ಕ್ ಲೇಯರ್ಗಳ ಮೂಲಕ ಮೌಲ್ಯಗಳು ಒಂದೇ ಶ್ರೇಣಿಯಲ್ಲಿ ಇರಬೇಕು. ಆದ್ದರಿಂದ, ಮೌಲ್ಯಗಳ ವಿತರಣೆಯನ್ನು ಉಳಿಸುವಂತೆ ತೂಕಗಳನ್ನು ಆರಂಭಿಕೀಕರಿಸುವುದು ಮುಖ್ಯ.
|
||||
|
||||
ಸಾಮಾನ್ಯ ವಿತರಣೆಯಾದ **N(0,1)** ಉತ್ತಮ ಆಯ್ಕೆ ಅಲ್ಲ, ಏಕೆಂದರೆ *n* ಇನ್ಪುಟ್ಗಳಿದ್ದರೆ, ಔಟ್ಪುಟ್ನ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ *n* ಆಗುತ್ತದೆ ಮತ್ತು ಮೌಲ್ಯಗಳು [0..1] ಶ್ರೇಣಿಯಿಂದ ಹೊರಗೆ ಹೋಗಬಹುದು.
|
||||
|
||||
ಕೆಳಗಿನ ಆರಂಭಿಕೀಕರಣಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತವೆ:
|
||||
|
||||
* ಸಮವಿತರಣಾ ವಿತರಣೆ -- `uniform`
|
||||
* **N(0,1/n)** -- `gaussian`
|
||||
* **N(0,1/√n_in)** ಇದು ಶೂನ್ಯ ಸರಾಸರಿ ಮತ್ತು 1 ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಇರುವ ಇನ್ಪುಟ್ಗಳಿಗೆ ಅದೇ ಸರಾಸರಿ/ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಉಳಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ
|
||||
* **N(0,√2/(n_in+n_out))** -- ಇದನ್ನು **Xavier ಆರಂಭಿಕೀಕರಣ** (`glorot`) ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಇದು ಫಾರ್ವರ್ಡ್ ಮತ್ತು ಬ್ಯಾಕ್ವರ್ಡ್ ಪ್ರೋಪಗೇಶನ್ ಸಮಯದಲ್ಲಿ ಸಿಗ್ನಲ್ಗಳನ್ನು ಶ್ರೇಣಿಯಲ್ಲಿ ಇಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ
|
||||
|
||||
## ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್
|
||||
|
||||
ಸರಿಯಾದ ತೂಕ ಆರಂಭಿಕೀಕರಣ ಇದ್ದರೂ, ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ತೂಕಗಳು ಅನಿಯಂತ್ರಿತವಾಗಿ ದೊಡ್ಡದಾಗಬಹುದು ಅಥವಾ ಚಿಕ್ಕದಾಗಬಹುದು, ಮತ್ತು ಅವು ಸಿಗ್ನಲ್ಗಳನ್ನು ಸರಿಯಾದ ಶ್ರೇಣಿಯಿಂದ ಹೊರಗೆ ತರುತ್ತವೆ. ನಾವು ಸಿಗ್ನಲ್ಗಳನ್ನು ಹಿಂತಿರುಗಿಸಲು **ನಾರ್ಮಲೈಜೆಷನ್** ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು. ಹಲವಾರು ವಿಧಾನಗಳಿದ್ದರೂ (ತೂಕ ನಾರ್ಮಲೈಜೆಷನ್, ಲೇಯರ್ ನಾರ್ಮಲೈಜೆಷನ್), ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವದು ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್.
|
||||
|
||||
**ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್** ಯೋಚನೆ ಎಂದರೆ, ಮಿನಿಬ್ಯಾಚ್ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳನ್ನು ಪರಿಗಣಿಸಿ, ಅವುಗಳ ಆಧಾರದ ಮೇಲೆ ನಾರ್ಮಲೈಜೆಷನ್ (ಅಂದರೆ ಸರಾಸರಿಯನ್ನು ಕಡಿತಮಾಡಿ ಮತ್ತು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಡಿವಿಯೇಶನ್ ಮೂಲಕ ಭಾಗಿಸಿ) ಮಾಡುವುದು. ಇದು ತೂಕಗಳನ್ನು ಅನ್ವಯಿಸಿದ ನಂತರ, ಆದರೆ ಸಕ್ರಿಯತೆ ಕಾರ್ಯದ ಮೊದಲು ಈ ನಾರ್ಮಲೈಜೆಷನ್ ಮಾಡುವ ಲೇಯರ್ ಆಗಿ ಅನುಷ್ಠಾನಗೊಳ್ಳುತ್ತದೆ. ಇದರಿಂದ ಅಂತಿಮ ಶುದ್ಧತೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ತರಬೇತಿ ವೇಗವೂ ಹೆಚ್ಚಾಗುತ್ತದೆ.
|
||||
|
||||
ಇದು ಬ್ಯಾಚ್ ನಾರ್ಮಲೈಜೆಷನ್ ಕುರಿತು [ಮೂಲ ಪೇಪರ್](https://arxiv.org/pdf/1502.03167.pdf), [ವಿಕಿಪೀಡಿಯ上的 ವಿವರಣೆ](https://en.wikipedia.org/wiki/Batch_normalization), ಮತ್ತು [ಒಂದು ಉತ್ತಮ ಪರಿಚಯಾತ್ಮಕ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (ಮತ್ತು [ರಷ್ಯನ್ನಲ್ಲಿ](https://habrahabr.ru/post/309302/)).
|
||||
|
||||
## ಡ್ರಾಪೌಟ್
|
||||
|
||||
**ಡ್ರಾಪೌಟ್** ಒಂದು ಆಸಕ್ತಿದಾಯಕ ತಂತ್ರ, ಇದು ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣದ ಯಾದೃಚ್ಛಿಕ ನ್ಯೂರಾನ್ಗಳನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ಇದು ಒಂದು ಲೇಯರ್ ಆಗಿ ಅನುಷ್ಠಾನಗೊಳ್ಳುತ್ತದೆ, ಇದರಲ್ಲಿ ಒಂದು ಪ್ಯಾರಾಮೀಟರ್ (ತೆಗೆದುಹಾಕುವ ನ್ಯೂರಾನ್ಗಳ ಶೇಕಡಾವಾರು, ಸಾಮಾನ್ಯವಾಗಿ 10%-50%) ಇರುತ್ತದೆ, ಮತ್ತು ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ಇನ್ಪುಟ್ ವೆಕ್ಟರ್ನ ಯಾದೃಚ್ಛಿಕ ಅಂಶಗಳನ್ನು ಶೂನ್ಯಗೊಳಿಸುತ್ತದೆ, ನಂತರ ಮುಂದಿನ ಲೇಯರ್ಗೆ ಕಳುಹಿಸುತ್ತದೆ.
|
||||
|
||||
ಇದು ವಿಚಿತ್ರವಾದ ಯೋಚನೆ ಎಂದು ತೋರುತ್ತಿದ್ದರೂ, ನೀವು [`Dropout.ipynb`](Dropout.ipynb) ನೋಟ್ಬುಕ್ನಲ್ಲಿ MNIST ಅಂಕಿ ವರ್ಗೀಕರಣದ ತರಬೇತಿಯಲ್ಲಿ ಡ್ರಾಪೌಟ್ ಪರಿಣಾಮವನ್ನು ನೋಡಬಹುದು. ಇದು ತರಬೇತಿಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ತರಬೇತಿ ಯುಗಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಶುದ್ಧತೆಯನ್ನು ಸಾಧಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
|
||||
ಈ ಪರಿಣಾಮವನ್ನು ಹಲವಾರು ರೀತಿಯಲ್ಲಿ ವಿವರಿಸಬಹುದು:
|
||||
|
||||
* ಇದು ಮಾದರಿಗಾಗಿ ಯಾದೃಚ್ಛಿಕ ಶಾಕ್ ಆಗಿದ್ದು, ಆಪ್ಟಿಮೈಜೆಷನ್ ಅನ್ನು ಸ್ಥಳೀಯ ಕನಿಷ್ಠದಿಂದ ಹೊರಗೆ ತರುತ್ತದೆ
|
||||
* ಇದು *ಅನೈಕ್ಯ ಮಾದರಿ ಸರಾಸರಿ* ಎಂದು ಪರಿಗಣಿಸಬಹುದು, ಏಕೆಂದರೆ ಡ್ರಾಪೌಟ್ ಸಮಯದಲ್ಲಿ ನಾವು ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಮಾದರಿಯನ್ನು ತರಬೇತಿಸುತ್ತಿದ್ದೇವೆ ಎಂದು ಹೇಳಬಹುದು
|
||||
|
||||
> *ಕೆಲವರು ಹೇಳುತ್ತಾರೆ, ಮದ್ಯಪಾನ ಮಾಡಿದ ವ್ಯಕ್ತಿ ಏನಾದರೂ ಕಲಿಯಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಅವನು ಮುಂದಿನ ಬೆಳಿಗ್ಗೆ ಅದನ್ನು ಹೆಚ್ಚು ನೆನಪಿಡುತ್ತಾನೆ, ಏಕೆಂದರೆ ಕೆಲವು ನ್ಯೂರಾನ್ಗಳು ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದಾಗ ಮೆದುಳು ಅರ್ಥವನ್ನು ಹಿಡಿಯಲು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ನಾವು ಇದನ್ನು ಪರೀಕ್ಷಿಸಿಲ್ಲ, ಇದು ಸತ್ಯವೇ ಇಲ್ಲವೇ ಎಂದು.*
|
||||
|
||||
## ಓವರ್ಫಿಟಿಂಗ್ ತಡೆಯುವುದು
|
||||
|
||||
ಡೀಪ್ ಲರ್ನಿಂಗ್ನ ಅತ್ಯಂತ ಪ್ರಮುಖ ಅಂಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ತಡೆಯುವ ಸಾಮರ್ಥ್ಯ. ಬಹುಶಃ ಬಹುಶಕ್ತಿಶಾಲಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಯನ್ನು ಬಳಸಲು ಆಕರ್ಷಣೆಯಿದ್ದರೂ, ನಾವು ಯಾವಾಗಲೂ ಮಾದರಿ ಪ್ಯಾರಾಮೀಟರ್ಗಳ ಸಂಖ್ಯೆಯನ್ನು ತರಬೇತಿ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಸಮತೋಲನ ಮಾಡಬೇಕು.
|
||||
|
||||
> ನಾವು ಮೊದಲು ಪರಿಚಯಿಸಿದ [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ಸಂಜ್ಞೆಯನ್ನು ನೀವು ಖಚಿತವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಿರಬೇಕು!
|
||||
|
||||
ಓವರ್ಫಿಟಿಂಗ್ ತಡೆಯಲು ಹಲವಾರು ವಿಧಾನಗಳಿವೆ:
|
||||
|
||||
* ಆರಂಭಿಕ ನಿಲ್ಲಿಕೆ -- ಮಾನ್ಯತೆ ಸೆಟ್ನಲ್ಲಿ ದೋಷವನ್ನು ನಿರಂತರವಾಗಿ ಗಮನಿಸಿ, ಮಾನ್ಯತೆ ದೋಷ ಹೆಚ್ಚಾಗಲು ಪ್ರಾರಂಭಿಸಿದಾಗ ತರಬೇತಿಯನ್ನು ನಿಲ್ಲಿಸುವುದು.
|
||||
* ಸ್ಪಷ್ಟ ತೂಕ ಕ್ಷಯ / ನಿಯಮಿತೀಕರಣ -- ತೂಕಗಳ ಹೆಚ್ಚಿನ ಪರಮಾಣು ಮೌಲ್ಯಗಳಿಗೆ ಲಾಸ್ ಫಂಕ್ಷನ್ಗೆ ಹೆಚ್ಚುವರಿ ದಂಡನೆಯನ್ನು ಸೇರಿಸುವುದು, ಇದು ಮಾದರಿಯನ್ನು ಅಸ್ಥಿರ ಫಲಿತಾಂಶಗಳಿಂದ ತಡೆಯುತ್ತದೆ
|
||||
* ಮಾದರಿ ಸರಾಸರಿ -- ಹಲವಾರು ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಸಿ ನಂತರ ಫಲಿತಾಂಶವನ್ನು ಸರಾಸರಿಮಾಡುವುದು. ಇದು ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
|
||||
* ಡ್ರಾಪೌಟ್ (ಅನೈಕ್ಯ ಮಾದರಿ ಸರಾಸರಿ)
|
||||
|
||||
## ಆಪ್ಟಿಮೈಜರ್ಗಳು / ತರಬೇತಿ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
ತರಬೇತಿಯ ಮತ್ತೊಂದು ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಉತ್ತಮ ತರಬೇತಿ ಆಲ್ಗಾರಿದಮ್ನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು. ಸಾಂಪ್ರದಾಯಿಕ **ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್** ಒಳ್ಳೆಯ ಆಯ್ಕೆ ಆಗಿದ್ದರೂ, ಅದು ಕೆಲವೊಮ್ಮೆ ನಿಧಾನವಾಗಬಹುದು ಅಥವಾ ಇತರ ಸಮಸ್ಯೆಗಳನ್ನುಂಟುಮಾಡಬಹುದು.
|
||||
|
||||
ಡೀಪ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ, ನಾವು **ಸ್ಟೋಚಾಸ್ಟಿಕ್ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್** (SGD) ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದು ತರಬೇತಿ ಸೆಟ್ನಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ದ ಮಿನಿಬ್ಯಾಚ್ಗಳಿಗೆ ಅನ್ವಯಿಸುವ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಆಗಿದೆ. ತೂಕಗಳನ್ನು ಈ ಸೂತ್ರದಿಂದ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ:
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η∇ℒ
|
||||
|
||||
### ಮೊಮೆಂಟಮ್
|
||||
|
||||
**ಮೊಮೆಂಟಮ್ SGD** ನಲ್ಲಿ, ನಾವು ಹಿಂದಿನ ಹಂತಗಳ ಗ್ರೇಡಿಯಂಟ್ನ ಒಂದು ಭಾಗವನ್ನು ಉಳಿಸಿಕೊಂಡಿರುತ್ತೇವೆ. ಇದು ನಾವು ಜಡತೆಯಿಂದ ಎಲ್ಲಿ ಹೋಗುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಬೇರೊಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಹೊಡೆತ ಬಂದಾಗ, ನಮ್ಮ ಮಾರ್ಗ ತಕ್ಷಣ ಬದಲಾಗದೆ ಮೂಲ ಚಲನೆಯ ಕೆಲವು ಭಾಗವನ್ನು ಉಳಿಸುವಂತಿದೆ. ಇಲ್ಲಿ ನಾವು *ವೇಗ* ಅನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಮತ್ತೊಂದು ವೆಕ್ಟರ್ v ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ:
|
||||
|
||||
* v<sup>t+1</sup> = γ v<sup>t</sup> - η∇ℒ
|
||||
* w<sup>t+1</sup> = w<sup>t</sup>+v<sup>t+1</sup>
|
||||
|
||||
ಇಲ್ಲಿ ಪ್ಯಾರಾಮೀಟರ್ γ ನಮ್ಮ inertia ಅನ್ನು ಎಷ್ಟು ಪರಿಗಣಿಸುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ: γ=0 ಎಂದರೆ ಸಾಂಪ್ರದಾಯಿಕ SGD; γ=1 ಎಂದರೆ ಶುದ್ಧ ಚಲನೆಯ ಸಮೀಕರಣ.
|
||||
|
||||
### Adam, Adagrad, ಇತ್ಯಾದಿ
|
||||
|
||||
ಪ್ರತಿ ಲೇಯರ್ನಲ್ಲಿ ನಾವು ಕೆಲವು ಮ್ಯಾಟ್ರಿಕ್ಸ್ W<sub>i</sub> ಮೂಲಕ ಸಿಗ್ನಲ್ಗಳನ್ನು ಗುಣಿಸುತ್ತೇವೆ, ||W<sub>i</sub>|| ಮೇಲೆ ಅವಲಂಬಿಸಿ, ಗ್ರೇಡಿಯಂಟ್ ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರವಾಗಬಹುದು ಅಥವಾ ಅನಿಯಮಿತವಾಗಿ ಏರಬಹುದು. ಇದು ಎಕ್ಸ್ಪ್ಲೋಡಿಂಗ್/ವ್ಯಾನಿಶಿಂಗ್ ಗ್ರೇಡಿಯಂಟ್ಸ್ ಸಮಸ್ಯೆಯ ಮೂಲ.
|
||||
|
||||
ಈ ಸಮಸ್ಯೆಗೆ ಒಂದು ಪರಿಹಾರವೆಂದರೆ ಸಮೀಕರಣದಲ್ಲಿ ಗ್ರೇಡಿಯಂಟ್ ದಿಕ್ಕನ್ನು ಮಾತ್ರ ಬಳಸುವುದು, ಪರಮಾಣು ಮೌಲ್ಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು, ಅಂದರೆ
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η(∇ℒ/||∇ℒ||), ಇಲ್ಲಿ ||∇ℒ|| = √∑(∇ℒ)<sup>2</sup>
|
||||
|
||||
ಈ ಆಲ್ಗಾರಿದಮ್ ಅನ್ನು **Adagrad** ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಇದೇ ಯೋಚನೆಯನ್ನು ಬಳಸುವ ಇತರ ಆಲ್ಗಾರಿದಮ್ಗಳು: **RMSProp**, **Adam**
|
||||
|
||||
> **Adam** ಅನ್ನು ಅನೇಕ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಆಲ್ಗಾರಿದಮ್ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಯಾವದನ್ನು ಬಳಸಬೇಕೆಂದು ಖಚಿತವಾಗದಿದ್ದರೆ - Adam ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
### ಗ್ರೇಡಿಯಂಟ್ ಕ್ಲಿಪ್ಪಿಂಗ್
|
||||
|
||||
ಗ್ರೇಡಿಯಂಟ್ ಕ್ಲಿಪ್ಪಿಂಗ್ ಮೇಲಿನ ಯೋಚನೆಯ ವಿಸ್ತರಣೆ. ||∇ℒ|| ≤ θ ಇದ್ದಾಗ, ನಾವು ಮೂಲ ಗ್ರೇಡಿಯಂಟ್ ಅನ್ನು ತೂಕ ಆಪ್ಟಿಮೈಜೇಶನ್ನಲ್ಲಿ ಪರಿಗಣಿಸುತ್ತೇವೆ, ಮತ್ತು ||∇ℒ|| > θ ಇದ್ದಾಗ - ಗ್ರೇಡಿಯಂಟ್ ಅನ್ನು ಅದರ ನಾರ್ಮ್ ಮೂಲಕ ಭಾಗಿಸುತ್ತೇವೆ. ಇಲ್ಲಿ θ ಒಂದು ಪ್ಯಾರಾಮೀಟರ್, ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಾವು θ=1 ಅಥವಾ θ=10 ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು.
|
||||
|
||||
### ಲರ್ನಿಂಗ್ ರೇಟ್ ಡಿಕೇ
|
||||
|
||||
ತರಬೇತಿ ಯಶಸ್ಸು ಬಹುಶಃ ಲರ್ನಿಂಗ್ ರೇಟ್ ಪ್ಯಾರಾಮೀಟರ್ η ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ದೊಡ್ಡ η ಮೌಲ್ಯಗಳು ವೇಗವಾದ ತರಬೇತಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ತರಬೇತಿಯ ಆರಂಭದಲ್ಲಿ ಬೇಕಾಗುತ್ತದೆ, ನಂತರ ಚಿಕ್ಕ η ಮೌಲ್ಯಗಳು ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಹೊಂದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಆದ್ದರಿಂದ, ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ η ಅನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
ಇದು ಪ್ರತಿ ತರಬೇತಿ ಯುಗದ ನಂತರ η ಅನ್ನು ಕೆಲವು ಸಂಖ್ಯೆಯಿಂದ (ಉದಾ. 0.98) ಗುಣಿಸುವ ಮೂಲಕ ಅಥವಾ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ **ಲರ್ನಿಂಗ್ ರೇಟ್ ಶೆಡ್ಯೂಲ್** ಬಳಸಿ ಮಾಡಬಹುದು.
|
||||
|
||||
## ವಿಭಿನ್ನ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳು
|
||||
|
||||
ನಿಮ್ಮ ಸಮಸ್ಯೆಗೆ ಸರಿಯಾದ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಬಹುದು. ಸಾಮಾನ್ಯವಾಗಿ, ನಾವು ನಮ್ಮ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕೆ (ಅಥವಾ ಸಮಾನ ಕಾರ್ಯಕ್ಕೆ) ಕಾರ್ಯನಿರ್ವಹಿಸಿದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ಇಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ಗೆ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ವಾಸ್ತುಶಿಲ್ಪಗಳ [ಒಂದು ಉತ್ತಮ ಅವಲೋಕನ](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ಇದೆ.
|
||||
|
||||
> ನಾವು ಹೊಂದಿರುವ ತರಬೇತಿ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಗೆ ತಕ್ಕಷ್ಟು ಶಕ್ತಿಶಾಲಿ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮುಖ್ಯ. ತುಂಬಾ ಶಕ್ತಿಶಾಲಿ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು [ಓವರ್ಫಿಟಿಂಗ್](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ಗೆ ಕಾರಣವಾಗಬಹುದು.
|
||||
|
||||
ಮತ್ತೊಂದು ಉತ್ತಮ ವಿಧಾನವೆಂದರೆ ಅಗತ್ಯವಿರುವ ಸಂಕೀರ್ಣತೆಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಬಳಸುವುದು. ಕೆಲವು ಮಟ್ಟಿಗೆ, **ResNet** ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು **Inception** ಸ್ವಯಂ ಹೊಂದಿಕೊಳ್ಳುವವು. [ಕಂಪ್ಯೂಟರ್ ವೀಷನ್ ವಾಸ್ತುಶಿಲ್ಪಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು](../07-ConvNets/CNN_Architectures.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,43 +1,34 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-11-25T22:44:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ ಆಕ್ಸ್ಫರ್ಡ್ ಪೆಟ್ಸ್ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಲ್ಯಾಬ್ ಅಸೈನ್ಮೆಂಟ್.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ನೀವು ಪೆಟ್ ನರ್ಸರಿ ಆ್ಯಪ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕೆಂದು ಕಲ್ಪಿಸಿ, ಎಲ್ಲಾ ಪೆಟ್ಸ್ ಅನ್ನು ಕ್ಯಾಟಲಾಗ್ ಮಾಡಲು. ಇಂತಹ ಆ್ಯಪ್ನ ಒಂದು ಅದ್ಭುತ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಫೋಟೋದಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಜಾತಿಯನ್ನು ಗುರುತಿಸುವುದು. ಈ ಅಸೈನ್ಮೆಂಟ್ನಲ್ಲಿ, ನಾವು ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) ಪೆಟ್ಸ್ ಡೇಟಾಸೆಟ್ನ ನೈಜ ಪೆಟ್ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವೆವು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನಾವು ಮೂಲ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) ಪೆಟ್ಸ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ 35 ವಿಭಿನ್ನ ನಾಯಿ ಮತ್ತು ಬೆಕ್ಕಿನ ಜಾತಿಗಳು ಸೇರಿವೆ.
|
||||
|
||||
ಡೇಟಾಸೆಟ್ ಡೌನ್ಲೋಡ್ ಮಾಡಲು, ಈ ಕೋಡ್ ಸ್ನಿಪೆಟ್ ಬಳಸಿ:
|
||||
|
||||
```python
|
||||
!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
|
||||
!tar xfz images.tar.gz
|
||||
!rm images.tar.gz
|
||||
```
|
||||
|
||||
## ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭ
|
||||
|
||||
ಲ್ಯಾಬ್ ಪ್ರಾರಂಭಿಸಲು [OxfordPets.ipynb](OxfordPets.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ
|
||||
|
||||
## ಮುಖ್ಯಾಂಶ
|
||||
|
||||
ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ನೆಟ್ವರ್ಕ್ಗಳು ನೈಜ ಜಗತ್ತಿನ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳನ್ನು ಸುಲಭವಾಗಿ ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಆದರೆ, ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ನೆಟ್ವರ್ಕ್ಗಳು ಸಮಾನ ರೀತಿಯ ಚಿತ್ರಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಮತ್ತು ನಾವು ಬಹುತ್ಯಂತ ವಿಭಿನ್ನ ಚಿತ್ರಗಳನ್ನು (ಉದಾ. ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳು) ವರ್ಗೀಕರಿಸಲು ಪ್ರಾರಂಭಿಸಿದರೆ, ಫಲಿತಾಂಶಗಳು ಬಹಳ ಕೆಟ್ಟವಾಗಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ ಆಕ್ಸ್ಫರ್ಡ್ ಪೆಟ್ಸ್ ವರ್ಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಲ್ಯಾಬ್ ಅಸೈನ್ಮೆಂಟ್.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ನೀವು ಪೆಟ್ ನರ್ಸರಿ ಆ್ಯಪ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕೆಂದು ಕಲ್ಪಿಸಿ, ಎಲ್ಲಾ ಪೆಟ್ಸ್ ಅನ್ನು ಕ್ಯಾಟಲಾಗ್ ಮಾಡಲು. ಇಂತಹ ಆ್ಯಪ್ನ ಒಂದು ಅದ್ಭುತ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಫೋಟೋದಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಜಾತಿಯನ್ನು ಗುರುತಿಸುವುದು. ಈ ಅಸೈನ್ಮೆಂಟ್ನಲ್ಲಿ, ನಾವು ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) ಪೆಟ್ಸ್ ಡೇಟಾಸೆಟ್ನ ನೈಜ ಪೆಟ್ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವೆವು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನಾವು ಮೂಲ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) ಪೆಟ್ಸ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ 35 ವಿಭಿನ್ನ ನಾಯಿ ಮತ್ತು ಬೆಕ್ಕಿನ ಜಾತಿಗಳು ಸೇರಿವೆ.
|
||||
|
||||
ಡೇಟಾಸೆಟ್ ಡೌನ್ಲೋಡ್ ಮಾಡಲು, ಈ ಕೋಡ್ ಸ್ನಿಪೆಟ್ ಬಳಸಿ:
|
||||
|
||||
```python
|
||||
!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
|
||||
!tar xfz images.tar.gz
|
||||
!rm images.tar.gz
|
||||
```
|
||||
|
||||
## ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭ
|
||||
|
||||
ಲ್ಯಾಬ್ ಪ್ರಾರಂಭಿಸಲು [OxfordPets.ipynb](OxfordPets.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ
|
||||
|
||||
## ಮುಖ್ಯಾಂಶ
|
||||
|
||||
ಟ್ರಾನ್ಸ್ಫರ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ನೆಟ್ವರ್ಕ್ಗಳು ನೈಜ ಜಗತ್ತಿನ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳನ್ನು ಸುಲಭವಾಗಿ ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಆದರೆ, ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ನೆಟ್ವರ್ಕ್ಗಳು ಸಮಾನ ರೀತಿಯ ಚಿತ್ರಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಮತ್ತು ನಾವು ಬಹುತ್ಯಂತ ವಿಭಿನ್ನ ಚಿತ್ರಗಳನ್ನು (ಉದಾ. ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳು) ವರ್ಗೀಕರಿಸಲು ಪ್ರಾರಂಭಿಸಿದರೆ, ಫಲಿತಾಂಶಗಳು ಬಹಳ ಕೆಟ್ಟವಾಗಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-11-25T22:26:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಆಟೋಎನ್ಕೋಡರ್ಗಳು
|
||||
|
||||
CNNಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವಾಗ, ಒಂದು ಸಮಸ್ಯೆ ಎಂದರೆ ನಮಗೆ ಬಹಳಷ್ಟು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ. ಚಿತ್ರ ವರ್ಗೀಕರಣದ ಸಂದರ್ಭದಲ್ಲಿ, ಚಿತ್ರಗಳನ್ನು ವಿಭಿನ್ನ ವರ್ಗಗಳಲ್ಲಿ ವಿಭಜಿಸುವುದು ಕೈಯಿಂದ ಮಾಡಬೇಕಾಗುತ್ತದೆ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-11-25T22:32:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು
|
||||
|
||||
ಹಿಂದಿನ ವಿಭಾಗದಲ್ಲಿ, ನಾವು **ಜನರೇಟಿವ್ ಮಾದರಿಗಳು** ಬಗ್ಗೆ ಕಲಿತಿದ್ದೇವೆ: ತರಬೇತಿ ಡೇಟಾಸೆಟ್ನಲ್ಲಿರುವ ಚಿತ್ರಗಳಿಗೆ ಸಮಾನವಾದ ಹೊಸ ಚಿತ್ರಗಳನ್ನು ರಚಿಸಬಲ್ಲ ಮಾದರಿಗಳು. VAE ಒಂದು ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ ಜನರೇಟಿವ್ ಮಾದರಿಯ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-11-25T22:35:21+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ವಸ್ತು ಪತ್ತೆ
|
||||
|
||||
ನಾವು ಇದುವರೆಗೆ ನೋಡಿದ ಚಿತ್ರ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳು ಒಂದು ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಂಡು ವರ್ಗೀಕೃತ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತವೆ, ಉದಾಹರಣೆಗೆ MNIST ಸಮಸ್ಯೆಯಲ್ಲಿ 'ಸಂಖ್ಯೆ' ವರ್ಗ. ಆದರೆ, ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಾವು ಕೇವಲ ಚಿತ್ರದಲ್ಲಿ ವಸ್ತುಗಳಿರುವುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದಲ್ಲ, ಅವುಗಳ ನಿಖರ ಸ್ಥಳವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕಾಗುತ್ತದೆ. ಇದೇ ನಿಖರವಾಗಿ **ವಸ್ತು ಪತ್ತೆ**ಯ ಉದ್ದೇಶ.
|
||||
|
|
|
|||
|
|
@ -1,79 +1,70 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-11-25T22:46:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ತಲೆ ಗುರುತಿಸುವಿಕೆ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ವೀಡಿಯೋ ನಿಗಾ ಕ್ಯಾಮೆರಾ ಸ್ಟ್ರೀಮ್ನಲ್ಲಿ ಜನರ ಸಂಖ್ಯೆಯನ್ನು ಎಣಿಸುವುದು ಒಂದು ಪ್ರಮುಖ ಕಾರ್ಯವಾಗಿದೆ, ಇದು ಅಂಗಡಿಗಳಲ್ಲಿ ಭೇಟಿ ನೀಡುವವರ ಸಂಖ್ಯೆ, ರೆಸ್ಟೋರೆಂಟ್ನ ಬ್ಯುಸಿ ಸಮಯಗಳು ಇತ್ಯಾದಿಗಳನ್ನು ಅಂದಾಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ವಿವಿಧ ಕೋನಗಳಿಂದ ಮಾನವ ತಲೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗಬೇಕು. ಮಾನವ ತಲೆಗಳನ್ನು ಗುರುತಿಸಲು ವಸ್ತು ಗುರುತಿಸುವ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು, ನಾವು [ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್](https://www.di.ens.fr/willow/research/headdetection/) ಅನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
[ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್](https://www.di.ens.fr/willow/research/headdetection/release/HollywoodHeads.zip) ನಲ್ಲಿ 224,740 ಹಾಲಿವುಡ್ ಚಲನಚಿತ್ರದ ಫ್ರೇಮ್ಗಳಲ್ಲಿ 369,846 ಮಾನವ ತಲೆಗಳನ್ನು ಅಂಕಿತಗೊಳಿಸಲಾಗಿದೆ. ಇದು [https://host.robots.ox.ac.uk/pascal/VOC/](../../../../../../lessons/4-ComputerVision/11-ObjectDetection/lab/PASCAL VOC) ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ಒದಗಿಸಲಾಗಿದೆ, ಇಲ್ಲಿ ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ ಒಂದು XML ವಿವರಣೆ ಫೈಲ್ ಕೂಡ ಇರುತ್ತದೆ, ಅದು ಹೀಗೆ ಕಾಣುತ್ತದೆ:
|
||||
|
||||
```xml
|
||||
<annotation>
|
||||
<folder>HollywoodHeads</folder>
|
||||
<filename>mov_021_149390.jpeg</filename>
|
||||
<source>
|
||||
<database>HollywoodHeads 2015 Database</database>
|
||||
<annotation>HollywoodHeads 2015</annotation>
|
||||
<image>WILLOW</image>
|
||||
</source>
|
||||
<size>
|
||||
<width>608</width>
|
||||
<height>320</height>
|
||||
<depth>3</depth>
|
||||
</size>
|
||||
<segmented>0</segmented>
|
||||
<object>
|
||||
<name>head</name>
|
||||
<bndbox>
|
||||
<xmin>201</xmin>
|
||||
<ymin>1</ymin>
|
||||
<xmax>480</xmax>
|
||||
<ymax>263</ymax>
|
||||
</bndbox>
|
||||
<difficult>0</difficult>
|
||||
</object>
|
||||
<object>
|
||||
<name>head</name>
|
||||
<bndbox>
|
||||
<xmin>3</xmin>
|
||||
<ymin>4</ymin>
|
||||
<xmax>241</xmax>
|
||||
<ymax>285</ymax>
|
||||
</bndbox>
|
||||
<difficult>0</difficult>
|
||||
</object>
|
||||
</annotation>
|
||||
```
|
||||
|
||||
ಈ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ, ಒಂದು ಮಾತ್ರ ವಸ್ತು ವರ್ಗ `head` ಇದೆ, ಮತ್ತು ಪ್ರತಿ ತಲೆಗೆ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ನ ಸಂಯೋಜನೆಗಳನ್ನು ಪಡೆಯಬಹುದು. ನೀವು Python ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿ XML ಅನ್ನು ಪಾರ್ಸ್ ಮಾಡಬಹುದು, ಅಥವಾ [ಈ ಗ್ರಂಥಾಲಯ](https://pypi.org/project/pascal-voc/) ಅನ್ನು ಬಳಸಿಕೊಂಡು ನೇರವಾಗಿ PASCAL VOC ಫಾರ್ಮ್ಯಾಟ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಹುದು.
|
||||
|
||||
## ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ತರಬೇತಿ
|
||||
|
||||
ನೀವು ಕೆಳಗಿನ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸಿಕೊಂಡು ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಬಹುದು:
|
||||
|
||||
* [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste) ಮತ್ತು ಅದರ Python API ಬಳಸಿ ಕ್ಲೌಡ್ನಲ್ಲಿ ಪ್ರೋಗ್ರಾಮ್ ಮೂಲಕ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು. ಕಸ್ಟಮ್ ವೀಷನ್ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಕೆಲವು ನೂರು ಚಿತ್ರಗಳಿಗಿಂತ ಹೆಚ್ಚು ಬಳಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದ್ದರಿಂದ ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸೀಮಿತಗೊಳಿಸಬೇಕಾಗಬಹುದು.
|
||||
* [Keras ಟ್ಯುಟೋರಿಯಲ್](https://keras.io/examples/vision/retinanet/) ನ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿ RetinaNet ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು.
|
||||
* torchvision ನಲ್ಲಿ ಇರುವ [torchvision.models.detection.RetinaNet](https://pytorch.org/vision/stable/_modules/torchvision/models/detection/retinanet.html) ಬಿಲ್ಟ್-ಇನ್ ಮೋಡ್ಯೂಲ್ ಬಳಸಿ.
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಉದ್ಯಮದಲ್ಲಿ ಬಹುಮಾನವಾಗಿ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯವಾಗಿದೆ. ವಸ್ತು ಗುರುತಿಸುವಿಕೆಗೆ ಬಳಸಬಹುದಾದ ಕೆಲವು ಸೇವೆಗಳು ಇದ್ದರೂ (ಉದಾಹರಣೆಗೆ [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste)), ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ನಿಮ್ಮದೇ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವುದು ಮುಖ್ಯ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ತಲೆ ಗುರುತಿಸುವಿಕೆ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ವೀಡಿಯೋ ನಿಗಾ ಕ್ಯಾಮೆರಾ ಸ್ಟ್ರೀಮ್ನಲ್ಲಿ ಜನರ ಸಂಖ್ಯೆಯನ್ನು ಎಣಿಸುವುದು ಒಂದು ಪ್ರಮುಖ ಕಾರ್ಯವಾಗಿದೆ, ಇದು ಅಂಗಡಿಗಳಲ್ಲಿ ಭೇಟಿ ನೀಡುವವರ ಸಂಖ್ಯೆ, ರೆಸ್ಟೋರೆಂಟ್ನ ಬ್ಯುಸಿ ಸಮಯಗಳು ಇತ್ಯಾದಿಗಳನ್ನು ಅಂದಾಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ವಿವಿಧ ಕೋನಗಳಿಂದ ಮಾನವ ತಲೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗಬೇಕು. ಮಾನವ ತಲೆಗಳನ್ನು ಗುರುತಿಸಲು ವಸ್ತು ಗುರುತಿಸುವ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು, ನಾವು [ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್](https://www.di.ens.fr/willow/research/headdetection/) ಅನ್ನು ಬಳಸಬಹುದು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
[ಹಾಲಿವುಡ್ ಹೆಡ್ಸ್ ಡೇಟಾಸೆಟ್](https://www.di.ens.fr/willow/research/headdetection/release/HollywoodHeads.zip) ನಲ್ಲಿ 224,740 ಹಾಲಿವುಡ್ ಚಲನಚಿತ್ರದ ಫ್ರೇಮ್ಗಳಲ್ಲಿ 369,846 ಮಾನವ ತಲೆಗಳನ್ನು ಅಂಕಿತಗೊಳಿಸಲಾಗಿದೆ. ಇದು [https://host.robots.ox.ac.uk/pascal/VOC/](../../../../../../lessons/4-ComputerVision/11-ObjectDetection/lab/PASCAL VOC) ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ಒದಗಿಸಲಾಗಿದೆ, ಇಲ್ಲಿ ಪ್ರತಿ ಚಿತ್ರಕ್ಕೆ ಒಂದು XML ವಿವರಣೆ ಫೈಲ್ ಕೂಡ ಇರುತ್ತದೆ, ಅದು ಹೀಗೆ ಕಾಣುತ್ತದೆ:
|
||||
|
||||
```xml
|
||||
<annotation>
|
||||
<folder>HollywoodHeads</folder>
|
||||
<filename>mov_021_149390.jpeg</filename>
|
||||
<source>
|
||||
<database>HollywoodHeads 2015 Database</database>
|
||||
<annotation>HollywoodHeads 2015</annotation>
|
||||
<image>WILLOW</image>
|
||||
</source>
|
||||
<size>
|
||||
<width>608</width>
|
||||
<height>320</height>
|
||||
<depth>3</depth>
|
||||
</size>
|
||||
<segmented>0</segmented>
|
||||
<object>
|
||||
<name>head</name>
|
||||
<bndbox>
|
||||
<xmin>201</xmin>
|
||||
<ymin>1</ymin>
|
||||
<xmax>480</xmax>
|
||||
<ymax>263</ymax>
|
||||
</bndbox>
|
||||
<difficult>0</difficult>
|
||||
</object>
|
||||
<object>
|
||||
<name>head</name>
|
||||
<bndbox>
|
||||
<xmin>3</xmin>
|
||||
<ymin>4</ymin>
|
||||
<xmax>241</xmax>
|
||||
<ymax>285</ymax>
|
||||
</bndbox>
|
||||
<difficult>0</difficult>
|
||||
</object>
|
||||
</annotation>
|
||||
```
|
||||
|
||||
ಈ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ, ಒಂದು ಮಾತ್ರ ವಸ್ತು ವರ್ಗ `head` ಇದೆ, ಮತ್ತು ಪ್ರತಿ ತಲೆಗೆ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ನ ಸಂಯೋಜನೆಗಳನ್ನು ಪಡೆಯಬಹುದು. ನೀವು Python ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿ XML ಅನ್ನು ಪಾರ್ಸ್ ಮಾಡಬಹುದು, ಅಥವಾ [ಈ ಗ್ರಂಥಾಲಯ](https://pypi.org/project/pascal-voc/) ಅನ್ನು ಬಳಸಿಕೊಂಡು ನೇರವಾಗಿ PASCAL VOC ಫಾರ್ಮ್ಯಾಟ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಹುದು.
|
||||
|
||||
## ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ತರಬೇತಿ
|
||||
|
||||
ನೀವು ಕೆಳಗಿನ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸಿಕೊಂಡು ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಬಹುದು:
|
||||
|
||||
* [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste) ಮತ್ತು ಅದರ Python API ಬಳಸಿ ಕ್ಲೌಡ್ನಲ್ಲಿ ಪ್ರೋಗ್ರಾಮ್ ಮೂಲಕ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು. ಕಸ್ಟಮ್ ವೀಷನ್ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಕೆಲವು ನೂರು ಚಿತ್ರಗಳಿಗಿಂತ ಹೆಚ್ಚು ಬಳಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದ್ದರಿಂದ ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸೀಮಿತಗೊಳಿಸಬೇಕಾಗಬಹುದು.
|
||||
* [Keras ಟ್ಯುಟೋರಿಯಲ್](https://keras.io/examples/vision/retinanet/) ನ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿ RetinaNet ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು.
|
||||
* torchvision ನಲ್ಲಿ ಇರುವ [torchvision.models.detection.RetinaNet](https://pytorch.org/vision/stable/_modules/torchvision/models/detection/retinanet.html) ಬಿಲ್ಟ್-ಇನ್ ಮೋಡ್ಯೂಲ್ ಬಳಸಿ.
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಉದ್ಯಮದಲ್ಲಿ ಬಹುಮಾನವಾಗಿ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯವಾಗಿದೆ. ವಸ್ತು ಗುರುತಿಸುವಿಕೆಗೆ ಬಳಸಬಹುದಾದ ಕೆಲವು ಸೇವೆಗಳು ಇದ್ದರೂ (ಉದಾಹರಣೆಗೆ [Azure Custom Vision](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/object-detection?tabs=visual-studio&WT.mc_id=academic-77998-cacaste)), ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ನಿಮ್ಮದೇ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುವುದು ಮುಖ್ಯ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-11-25T22:39:50+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ವಿಭಾಗೀಕರಣ
|
||||
|
||||
ನಾವು ಹಿಂದಿನ ಅಧ್ಯಾಯದಲ್ಲಿ ವಸ್ತು ಪತ್ತೆಮಾಡುವಿಕೆ (Object Detection) ಬಗ್ಗೆ ಕಲಿತಿದ್ದೇವೆ, ಇದು ಚಿತ್ರದಲ್ಲಿ ವಸ್ತುಗಳ *ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್*ಗಳನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಅವುಗಳ ಸ್ಥಳವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಆದರೆ, ಕೆಲವು ಕಾರ್ಯಗಳಿಗೆ ನಮಗೆ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳಷ್ಟೇ ಅಲ್ಲ, ಹೆಚ್ಚು ನಿಖರವಾದ ವಸ್ತು ಸ್ಥಳೀಕರಣವೂ ಬೇಕಾಗುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು **ವಿಭಾಗೀಕರಣ** ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||||
|
|
|
|||
|
|
@ -1,35 +1,26 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-11-25T22:47:53+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಮಾನವ ದೇಹ ವಿಭಾಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ವೀಡಿಯೊ ಉತ್ಪಾದನೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, ಹವಾಮಾನ ಮುನ್ಸೂಚನೆಗಳಲ್ಲಿ, ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಕ್ಯಾಮೆರಾದಿಂದ ಮಾನವ ಚಿತ್ರವನ್ನು ಕತ್ತರಿಸಿ ಅದನ್ನು ಬೇರೆ ವೀಡಿಯೊ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಇರಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ. ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ **ಕ್ರೋಮಾ ಕೀ** ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಮಾಡಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಮಾನವನನ್ನು ಏಕಸಮಾನ ಬಣ್ಣದ ಹಿನ್ನೆಲೆಯ ಮುಂದೆ ಚಿತ್ರೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಆ ಹಿನ್ನೆಲೆಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ. ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನಾವು ಮಾನವ ಸಿಲುಯೆಟ್ ಅನ್ನು ಕತ್ತರಿಸಲು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿಮಾಡುತ್ತೇವೆ.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನಾವು [Segmentation Full Body MADS Dataset](https://www.kaggle.com/datasets/tapakah68/segmentation-full-body-mads-dataset) ಅನ್ನು ಕಾಗಲ್ನಿಂದ ಬಳಸಲಿದ್ದೇವೆ. ಡೇಟಾಸೆಟ್ ಅನ್ನು ಕೈಯಿಂದ ಕಾಗಲ್ನಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
ಪ್ರಯೋಗಾಲಯವನ್ನು ಪ್ರಾರಂಭಿಸಲು [BodySegmentation.ipynb](BodySegmentation.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ.
|
||||
|
||||
## ಮುಖ್ಯಾಂಶ
|
||||
|
||||
ದೇಹ ವಿಭಾಗೀಕರಣವು ಜನರ ಚಿತ್ರಗಳೊಂದಿಗೆ ನಾವು ಮಾಡಬಹುದಾದ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇನ್ನೊಂದು ಪ್ರಮುಖ ಕಾರ್ಯಗಳು **ಅಸ್ಥಿಪಂಜರ ಪತ್ತೆ** ಮತ್ತು **ಸ್ಥಿತಿ ಪತ್ತೆ**. ಆ ಕಾರ್ಯಗಳನ್ನು ಹೇಗೆ ಅನುಷ್ಠಾನಗೊಳಿಸಬಹುದು ಎಂದು ನೋಡಲು [OpenPose](https://github.com/CMU-Perceptual-Computing-Lab/openpose) ಗ್ರಂಥಾಲಯವನ್ನು ಪರಿಶೀಲಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಮಾನವ ದೇಹ ವಿಭಾಗೀಕರಣ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ವೀಡಿಯೊ ಉತ್ಪಾದನೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, ಹವಾಮಾನ ಮುನ್ಸೂಚನೆಗಳಲ್ಲಿ, ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಕ್ಯಾಮೆರಾದಿಂದ ಮಾನವ ಚಿತ್ರವನ್ನು ಕತ್ತರಿಸಿ ಅದನ್ನು ಬೇರೆ ವೀಡಿಯೊ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಇರಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ. ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ **ಕ್ರೋಮಾ ಕೀ** ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಮಾಡಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಮಾನವನನ್ನು ಏಕಸಮಾನ ಬಣ್ಣದ ಹಿನ್ನೆಲೆಯ ಮುಂದೆ ಚಿತ್ರೀಕರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಆ ಹಿನ್ನೆಲೆಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ. ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನಾವು ಮಾನವ ಸಿಲುಯೆಟ್ ಅನ್ನು ಕತ್ತರಿಸಲು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿಮಾಡುತ್ತೇವೆ.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನಾವು [Segmentation Full Body MADS Dataset](https://www.kaggle.com/datasets/tapakah68/segmentation-full-body-mads-dataset) ಅನ್ನು ಕಾಗಲ್ನಿಂದ ಬಳಸಲಿದ್ದೇವೆ. ಡೇಟಾಸೆಟ್ ಅನ್ನು ಕೈಯಿಂದ ಕಾಗಲ್ನಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ.
|
||||
|
||||
## ಪ್ರಾರಂಭಿಸುವ ನೋಟ್ಬುಕ್
|
||||
|
||||
ಪ್ರಯೋಗಾಲಯವನ್ನು ಪ್ರಾರಂಭಿಸಲು [BodySegmentation.ipynb](BodySegmentation.ipynb) ಅನ್ನು ತೆರೆಯಿರಿ.
|
||||
|
||||
## ಮುಖ್ಯಾಂಶ
|
||||
|
||||
ದೇಹ ವಿಭಾಗೀಕರಣವು ಜನರ ಚಿತ್ರಗಳೊಂದಿಗೆ ನಾವು ಮಾಡಬಹುದಾದ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇನ್ನೊಂದು ಪ್ರಮುಖ ಕಾರ್ಯಗಳು **ಅಸ್ಥಿಪಂಜರ ಪತ್ತೆ** ಮತ್ತು **ಸ್ಥಿತಿ ಪತ್ತೆ**. ಆ ಕಾರ್ಯಗಳನ್ನು ಹೇಗೆ ಅನುಷ್ಠಾನಗೊಳಿಸಬಹುದು ಎಂದು ನೋಡಲು [OpenPose](https://github.com/CMU-Perceptual-Computing-Lab/openpose) ಗ್ರಂಥಾಲಯವನ್ನು ಪರಿಶೀಲಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-11-25T21:11:23+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಕಂಪ್ಯೂಟರ್ ವೀಕ್ಷಣೆ
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-11-25T22:52:54+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪಠ್ಯವನ್ನು ಟೆನ್ಸರ್ಗಳಾಗಿ ಪ್ರತಿನಿಧಿಸುವುದು
|
||||
|
||||
## [ಪೂರ್ವ-ವ್ಯಾಖ್ಯಾನ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-11-25T22:48:51+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಗಳು
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುಚಲಾಯಿಸಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು, ಸೂಕ್ತ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ಆಶ್ಚರ್ಯಕರವಾಗಬಹುದಾದ ಕೆಲವು ನವೀನ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಉದಾಹರಣೆಗೆ NUFORC ನಿಂದ [UFO ದೃಶ್ಯಗಳ ಬಗ್ಗೆ ಈ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/datasets/NUFORC/ufo-sightings).
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಗಳು
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುಚಲಾಯಿಸಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು, ಸೂಕ್ತ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ಆಶ್ಚರ್ಯಕರವಾಗಬಹುದಾದ ಕೆಲವು ನವೀನ ಡೇಟಾಸೆಟ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಉದಾಹರಣೆಗೆ NUFORC ನಿಂದ [UFO ದೃಶ್ಯಗಳ ಬಗ್ಗೆ ಈ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/datasets/NUFORC/ufo-sightings).
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-11-25T22:58:04+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಎम्बೆಡ್ಡಿಂಗ್ಸ್
|
||||
|
||||
## [ಪೂರ್ವ-ವ್ಯಾಖ್ಯಾನ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-11-25T22:54:24+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಗಳು
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುಚಲಾಯಿಸಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು ಡೇಟಾಸೆಟ್, ಸರಿಯಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ವಿಭಿನ್ನ ರೀತಿಯ ಡೇಟಾಸೆಟ್ ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಕಂಡುಹಿಡಿತಗಳನ್ನು ದಾಖಲಿಸಿ, ಉದಾಹರಣೆಗೆ [ಈ Beatles ಗೀತೆಗಳ ಪದ್ಯಗಳು](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಗಳು
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುಚಲಾಯಿಸಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು ಡೇಟಾಸೆಟ್, ಸರಿಯಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ವಿಭಿನ್ನ ರೀತಿಯ ಡೇಟಾಸೆಟ್ ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಕಂಡುಹಿಡಿತಗಳನ್ನು ದಾಖಲಿಸಿ, ಉದಾಹರಣೆಗೆ [ಈ Beatles ಗೀತೆಗಳ ಪದ್ಯಗಳು](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics) ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-11-25T22:59:57+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಭಾಷಾ ಮಾದರೀಕರಣ
|
||||
|
||||
ಶಬ್ದಾರ್ಥ ಸಂಯೋಜನೆಗಳು, ಉದಾಹರಣೆಗೆ Word2Vec ಮತ್ತು GloVe, ವಾಸ್ತವದಲ್ಲಿ **ಭಾಷಾ ಮಾದರೀಕರಣ**ದ ಮೊದಲ ಹಂತವಾಗಿದೆ - ಭಾಷೆಯ ಸ್ವಭಾವವನ್ನು ಹೇಗೆಂದರೆ *ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ* (ಅಥವಾ *ಪ್ರತಿನಿಧಿಸುವ*) ಮಾದರಿಗಳನ್ನು ರಚಿಸುವುದು.
|
||||
|
|
|
|||
|
|
@ -1,42 +1,33 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-11-25T23:22:05+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ತಂತ್ರವನ್ನು ಬಳಸಿ Word2Vec ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಸವಾಲು ನೀಡಲಾಗುತ್ತದೆ. $N$-ಟೋಕನ್-ವಿಸ್ತೃತ ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ವಿಂಡೋದಲ್ಲಿ ಹತ್ತಿರದ ಪದಗಳನ್ನು ಊಹಿಸಲು ಎम्बೆಡ್ಡಿಂಗ್ ಹೊಂದಿರುವ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಿ. ನೀವು [ಈ ಪಾಠದ ಕೋಡ್](../CBoW-TF.ipynb) ಅನ್ನು ಬಳಸಬಹುದು ಮತ್ತು ಸ್ವಲ್ಪ ಬದಲಾವಣೆ ಮಾಡಬಹುದು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ಬಳಸಬಹುದು. ನೀವು [Project Gutenberg](https://www.gutenberg.org/) ನಲ್ಲಿ ಅನೇಕ ಉಚಿತ ಪಠ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಉದಾಹರಣೆಗೆ, ಇಲ್ಲಿ ಲೂಯಿಸ್ ಕ್ಯಾರೋಲ್ ಅವರ [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) ಗೆ ನೇರ ಲಿಂಕ್ ಇದೆ. ಅಥವಾ, ನೀವು ಶೇಕ್ಸ್ಪಿಯರ್ ನ ನಾಟಕಗಳನ್ನು ಬಳಸಬಹುದು, ಅವುಗಳನ್ನು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಪಡೆಯಬಹುದು:
|
||||
|
||||
```python
|
||||
path_to_file = tf.keras.utils.get_file(
|
||||
'shakespeare.txt',
|
||||
'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt')
|
||||
text = open(path_to_file, 'rb').read().decode(encoding='utf-8')
|
||||
```
|
||||
|
||||
## ಅನ್ವೇಷಿಸಿ!
|
||||
|
||||
ನಿಮಗೆ ಸಮಯವಿದ್ದರೆ ಮತ್ತು ವಿಷಯದಲ್ಲಿ ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಲು ಇಚ್ಛಿಸಿದರೆ, ಕೆಲವು ವಿಷಯಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಪ್ರಯತ್ನಿಸಿ:
|
||||
|
||||
* ಎम्बೆಡ್ಡಿಂಗ್ ಗಾತ್ರ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತದೆ?
|
||||
* ವಿಭಿನ್ನ ಪಠ್ಯ ಶೈಲಿಗಳು ಫಲಿತಾಂಶವನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತವೆ?
|
||||
* ಬಹು ವಿಭಿನ್ನ ಪದಗಳ ಮತ್ತು ಅವುಗಳ ಸಮಾನಾರ್ಥಕ ಪದಗಳ ವಕ್ಟರ್ ಪ್ರತಿನಿಧಿಗಳನ್ನು ಪಡೆದು, PCA ಬಳಸಿ ಆಯಾಮಗಳನ್ನು 2ಕ್ಕೆ ಕಡಿಮೆ ಮಾಡಿ, ಅವುಗಳನ್ನು 2D ಸ್ಥಳದಲ್ಲಿ ಚಿತ್ರಿಸಿ. ನೀವು ಯಾವುದೇ ಮಾದರಿಗಳನ್ನು ನೋಡುತ್ತೀರಾ?
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ತಂತ್ರವನ್ನು ಬಳಸಿ Word2Vec ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಸವಾಲು ನೀಡಲಾಗುತ್ತದೆ. $N$-ಟೋಕನ್-ವಿಸ್ತೃತ ಸ್ಕಿಪ್-ಗ್ರಾಮ್ ವಿಂಡೋದಲ್ಲಿ ಹತ್ತಿರದ ಪದಗಳನ್ನು ಊಹಿಸಲು ಎम्बೆಡ್ಡಿಂಗ್ ಹೊಂದಿರುವ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಿ. ನೀವು [ಈ ಪಾಠದ ಕೋಡ್](../CBoW-TF.ipynb) ಅನ್ನು ಬಳಸಬಹುದು ಮತ್ತು ಸ್ವಲ್ಪ ಬದಲಾವಣೆ ಮಾಡಬಹುದು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ಬಳಸಬಹುದು. ನೀವು [Project Gutenberg](https://www.gutenberg.org/) ನಲ್ಲಿ ಅನೇಕ ಉಚಿತ ಪಠ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಉದಾಹರಣೆಗೆ, ಇಲ್ಲಿ ಲೂಯಿಸ್ ಕ್ಯಾರೋಲ್ ಅವರ [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) ಗೆ ನೇರ ಲಿಂಕ್ ಇದೆ. ಅಥವಾ, ನೀವು ಶೇಕ್ಸ್ಪಿಯರ್ ನ ನಾಟಕಗಳನ್ನು ಬಳಸಬಹುದು, ಅವುಗಳನ್ನು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಪಡೆಯಬಹುದು:
|
||||
|
||||
```python
|
||||
path_to_file = tf.keras.utils.get_file(
|
||||
'shakespeare.txt',
|
||||
'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt')
|
||||
text = open(path_to_file, 'rb').read().decode(encoding='utf-8')
|
||||
```
|
||||
|
||||
## ಅನ್ವೇಷಿಸಿ!
|
||||
|
||||
ನಿಮಗೆ ಸಮಯವಿದ್ದರೆ ಮತ್ತು ವಿಷಯದಲ್ಲಿ ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಲು ಇಚ್ಛಿಸಿದರೆ, ಕೆಲವು ವಿಷಯಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಪ್ರಯತ್ನಿಸಿ:
|
||||
|
||||
* ಎम्बೆಡ್ಡಿಂಗ್ ಗಾತ್ರ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತದೆ?
|
||||
* ವಿಭಿನ್ನ ಪಠ್ಯ ಶೈಲಿಗಳು ಫಲಿತಾಂಶವನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತವೆ?
|
||||
* ಬಹು ವಿಭಿನ್ನ ಪದಗಳ ಮತ್ತು ಅವುಗಳ ಸಮಾನಾರ್ಥಕ ಪದಗಳ ವಕ್ಟರ್ ಪ್ರತಿನಿಧಿಗಳನ್ನು ಪಡೆದು, PCA ಬಳಸಿ ಆಯಾಮಗಳನ್ನು 2ಕ್ಕೆ ಕಡಿಮೆ ಮಾಡಿ, ಅವುಗಳನ್ನು 2D ಸ್ಥಳದಲ್ಲಿ ಚಿತ್ರಿಸಿ. ನೀವು ಯಾವುದೇ ಮಾದರಿಗಳನ್ನು ನೋಡುತ್ತೀರಾ?
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-11-25T23:03:17+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪುನರಾವರ್ತಿತ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು
|
||||
|
||||
## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-11-25T23:01:11+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಸ್
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಸ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುನಡೆಸಿರಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು ಡೇಟಾಸೆಟ್, ಸರಿಯಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ಬೇರೆ ರೀತಿಯ ಡೇಟಾಸೆಟ್ ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಕಂಡುಹಿಡಿತಗಳನ್ನು ದಾಖಲಿಸಿ, ಉದಾಹರಣೆಗೆ [ಈ Kaggle ಸ್ಪರ್ಧೆಯ ಡೇಟಾಸೆಟ್, ಹವಾಮಾನ ಟ್ವೀಟ್ಗಳ ಬಗ್ಗೆ](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv) ಎಂಬಂತೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ನೋಟ್ಬುಕ್ಸ್
|
||||
|
||||
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೋಟ್ಬುಕ್ಸ್ಗಳನ್ನು (PyTorch ಅಥವಾ TensorFlow ಆವೃತ್ತಿ) ಬಳಸಿಕೊಂಡು, ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ನೊಂದಿಗೆ ಅವುಗಳನ್ನು ಮರುನಡೆಸಿರಿ, ಉದಾಹರಣೆಗೆ Kaggle ನಿಂದ ಒಂದು ಡೇಟಾಸೆಟ್, ಸರಿಯಾದ ಉಲ್ಲೇಖದೊಂದಿಗೆ. ನಿಮ್ಮ ಸ್ವಂತ ಕಂಡುಹಿಡಿತಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುವಂತೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ಬೇರೆ ರೀತಿಯ ಡೇಟಾಸೆಟ್ ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಕಂಡುಹಿಡಿತಗಳನ್ನು ದಾಖಲಿಸಿ, ಉದಾಹರಣೆಗೆ [ಈ Kaggle ಸ್ಪರ್ಧೆಯ ಡೇಟಾಸೆಟ್, ಹವಾಮಾನ ಟ್ವೀಟ್ಗಳ ಬಗ್ಗೆ](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv) ಎಂಬಂತೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-11-25T23:07:58+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಜನರೇಟಿವ್ ನೆಟ್ವರ್ಕ್ಗಳು
|
||||
|
||||
## [ಪೂರ್ವ-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
|
|||
|
|
@ -1,27 +1,18 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-11-25T23:23:02+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# RNN ಗಳನ್ನು ಬಳಸಿ ಪದ ಮಟ್ಟದ ಪಠ್ಯ ರಚನೆ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಪದ ಮಟ್ಟದ ಪಠ್ಯ ರಚನೆ ತರಬೇತಿಗೆ ಡೇಟಾಸೆಟ್ ಆಗಿ ಬಳಸಬೇಕು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ಬಳಸಬಹುದು. ನೀವು [Project Gutenberg](https://www.gutenberg.org/) ನಲ್ಲಿ ಅನೇಕ ಉಚಿತ ಪಠ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಉದಾಹರಣೆಗೆ, ಇಲ್ಲಿ ಲೂಯಿಸ್ ಕ್ಯಾರೋಲ್ ರಚಿಸಿದ [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) ಗೆ ನೇರ ಲಿಂಕ್ ಇದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# RNN ಗಳನ್ನು ಬಳಸಿ ಪದ ಮಟ್ಟದ ಪಠ್ಯ ರಚನೆ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಪದ ಮಟ್ಟದ ಪಠ್ಯ ರಚನೆ ತರಬೇತಿಗೆ ಡೇಟಾಸೆಟ್ ಆಗಿ ಬಳಸಬೇಕು.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
ನೀವು ಯಾವುದೇ ಪುಸ್ತಕವನ್ನು ಬಳಸಬಹುದು. ನೀವು [Project Gutenberg](https://www.gutenberg.org/) ನಲ್ಲಿ ಅನೇಕ ಉಚಿತ ಪಠ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, ಉದಾಹರಣೆಗೆ, ಇಲ್ಲಿ ಲೂಯಿಸ್ ಕ್ಯಾರೋಲ್ ರಚಿಸಿದ [Alice's Adventures in Wonderland](https://www.gutenberg.org/files/11/11-0.txt) ಗೆ ನೇರ ಲಿಂಕ್ ಇದೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-11-25T23:14:32+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಗಮನ ಯಂತ್ರಗಳು ಮತ್ತು ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಗಳು
|
||||
|
||||
## [ಪೂರ್ವ-ವ್ಯಾಖ್ಯಾನ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-11-25T23:09:26+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಸ್
|
||||
|
||||
HuggingFace ನಲ್ಲಿ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಸ್ ಜೊತೆ ಪ್ರಯೋಗ ಮಾಡಿ! ಅವರ ಸೈಟ್ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ವಿವಿಧ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅವರು ನೀಡಿರುವ ಕೆಲವು ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ: https://huggingface.co/docs/transformers/run_scripts. ಅವರ ಡೇಟಾಸೆಟ್ಗಳಲ್ಲಿ ಒಂದನ್ನು ಪ್ರಯತ್ನಿಸಿ, ನಂತರ ಈ ಪಠ್ಯಕ್ರಮದಿಂದ ಅಥವಾ Kaggle ನಿಂದ ನಿಮ್ಮದೇ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದುಮಾಡಿ ಮತ್ತು ನೀವು ರೋಚಕವಾದ ಪಠ್ಯಗಳನ್ನು ರಚಿಸಬಹುದೇ ಎಂದು ನೋಡಿ. ನಿಮ್ಮ ಕಂಡುಹಿಡಿದಿರುವುದನ್ನು ಒಳಗೊಂಡ ನೋಟ್ಬುಕ್ ಅನ್ನು ತಯಾರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಅಸೈನ್ಮೆಂಟ್: ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಸ್
|
||||
|
||||
HuggingFace ನಲ್ಲಿ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ಸ್ ಜೊತೆ ಪ್ರಯೋಗ ಮಾಡಿ! ಅವರ ಸೈಟ್ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ವಿವಿಧ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅವರು ನೀಡಿರುವ ಕೆಲವು ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ: https://huggingface.co/docs/transformers/run_scripts. ಅವರ ಡೇಟಾಸೆಟ್ಗಳಲ್ಲಿ ಒಂದನ್ನು ಪ್ರಯತ್ನಿಸಿ, ನಂತರ ಈ ಪಠ್ಯಕ್ರಮದಿಂದ ಅಥವಾ Kaggle ನಿಂದ ನಿಮ್ಮದೇ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದುಮಾಡಿ ಮತ್ತು ನೀವು ರೋಚಕವಾದ ಪಠ್ಯಗಳನ್ನು ರಚಿಸಬಹುದೇ ಎಂದು ನೋಡಿ. ನಿಮ್ಮ ಕಂಡುಹಿಡಿದಿರುವುದನ್ನು ಒಳಗೊಂಡ ನೋಟ್ಬುಕ್ ಅನ್ನು ತಯಾರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-11-25T23:18:32+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವಿಕೆ
|
||||
|
||||
ಈವರೆಗೆ, ನಾವು ಮುಖ್ಯವಾಗಿ ಒಂದು NLP ಕಾರ್ಯ - ವರ್ಗೀಕರಣದ ಮೇಲೆ ಗಮನಹರಿಸಿದ್ದೇವೆ. ಆದರೆ, ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳೊಂದಿಗೆ ಸಾಧಿಸಬಹುದಾದ ಇತರ NLP ಕಾರ್ಯಗಳೂ ಇವೆ. ಅವುಗಳಲ್ಲಿ ಒಂದು **[ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವಿಕೆ](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), ಇದು ಪಠ್ಯದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಘಟಕಗಳನ್ನು ಗುರುತಿಸುವುದನ್ನು ಒಳಗೊಂಡಿದೆ, ಉದಾಹರಣೆಗೆ ಸ್ಥಳಗಳು, ವ್ಯಕ್ತಿ ಹೆಸರುಗಳು, ದಿನಾಂಕ-ಸಮಯ ಅವಧಿಗಳು, ರಾಸಾಯನಿಕ ಸೂತ್ರಗಳು ಮತ್ತು ಇತ್ಯಾದಿ.
|
||||
|
|
|
|||
|
|
@ -1,63 +1,54 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-11-25T23:25:38+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ವೈದ್ಯಕೀಯ ಪದಗಳಿಗಾಗಿ ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಬೇಕಾಗಿದೆ.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
NER ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು, ವೈದ್ಯಕೀಯ ಘಟಕಗಳೊಂದಿಗೆ ಸರಿಯಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ ಅಗತ್ಯವಿದೆ. [BC5CDR ಡೇಟಾಸೆಟ್](https://biocreative.bioinformatics.udel.edu/tasks/biocreative-v/track-3-cdr/) 1500 ಕ್ಕೂ ಹೆಚ್ಚು ಪೇಪರ್ಗಳಿಂದ ರೋಗಗಳು ಮತ್ತು ರಾಸಾಯನಿಕ ಘಟಕಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಿದೆ. ನೀವು ಅವರ ವೆಬ್ಸೈಟ್ನಲ್ಲಿ ನೋಂದಾಯಿಸಿಕೊಂಡ ನಂತರ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು.
|
||||
|
||||
BC5CDR ಡೇಟಾಸೆಟ್ ಹೀಗೆ ಕಾಣುತ್ತದೆ:
|
||||
|
||||
```
|
||||
6794356|t|Tricuspid valve regurgitation and lithium carbonate toxicity in a newborn infant.
|
||||
6794356|a|A newborn with massive tricuspid regurgitation, atrial flutter, congestive heart failure, and a high serum lithium level is described. This is the first patient to initially manifest tricuspid regurgitation and atrial flutter, and the 11th described patient with cardiac disease among infants exposed to lithium compounds in the first trimester of pregnancy. Sixty-three percent of these infants had tricuspid valve involvement. Lithium carbonate may be a factor in the increasing incidence of congenital heart disease when taken during early pregnancy. It also causes neurologic depression, cyanosis, and cardiac arrhythmia when consumed prior to delivery.
|
||||
6794356 0 29 Tricuspid valve regurgitation Disease D014262
|
||||
6794356 34 51 lithium carbonate Chemical D016651
|
||||
6794356 52 60 toxicity Disease D064420
|
||||
...
|
||||
```
|
||||
|
||||
ಈ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ, ಮೊದಲ ಎರಡು ಸಾಲುಗಳಲ್ಲಿ ಪೇಪರ್ ಶೀರ್ಷಿಕೆ ಮತ್ತು ಸಾರಾಂಶ ಇರುತ್ತದೆ, ನಂತರ ಪ್ರತ್ಯೇಕ ಘಟಕಗಳು ಇರುತ್ತವೆ, ಶೀರ್ಷಿಕೆ+ಸಾರಾಂಶ ಬ್ಲಾಕ್ನೊಳಗಿನ ಪ್ರಾರಂಭ ಮತ್ತು ಅಂತ್ಯ ಸ್ಥಾನಗಳೊಂದಿಗೆ. ಘಟಕದ ಪ್ರಕಾರದ ಜೊತೆಗೆ, ನೀವು ಕೆಲವು ವೈದ್ಯಕೀಯ ಆಂಟಾಲಜಿ ಒಳಗಿನ ಆಂಟಾಲಜಿ ID ಅನ್ನು ಪಡೆಯುತ್ತೀರಿ.
|
||||
|
||||
ನೀವು ಇದನ್ನು BIO ಎನ್ಕೋಡಿಂಗ್ಗೆ ಪರಿವರ್ತಿಸಲು ಕೆಲವು Python ಕೋಡ್ ಬರೆಯಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
## ನೆಟ್ವರ್ಕ್
|
||||
|
||||
NER ಗೆ ಮೊದಲ ಪ್ರಯತ್ನವನ್ನು LSTM ನೆಟ್ವರ್ಕ್ ಬಳಸಿ ಮಾಡಬಹುದು, ನಮ್ಮ ಉದಾಹರಣೆಯಲ್ಲಿ ನೀವು ಪಾಠದ ವೇಳೆ ನೋಡಿದ್ದೀರಿ. ಆದರೆ, NLP ಕಾರ್ಯಗಳಲ್ಲಿ, [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ವಾಸ್ತುಶಿಲ್ಪ](https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)) ಮತ್ತು ವಿಶೇಷವಾಗಿ [BERT ಭಾಷಾ ಮಾದರಿಗಳು](https://en.wikipedia.org/wiki/BERT_(language_model)) ಬಹುಮಟ್ಟಿಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ BERT ಮಾದರಿಗಳು ಭಾಷೆಯ ಸಾಮಾನ್ಯ ರಚನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಸಾಪೇಕ್ಷವಾಗಿ ಸಣ್ಣ ಡೇಟಾಸೆಟ್ಗಳು ಮತ್ತು ಗಣನೀಯ ವೆಚ್ಚಗಳೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಸೂಕ್ಷ್ಮ-ತರಬೇತುಗೊಳಿಸಬಹುದು.
|
||||
|
||||
ನಾವು NER ಅನ್ನು ವೈದ್ಯಕೀಯ ಸಂದರ್ಭಕ್ಕೆ ಅನ್ವಯಿಸಲು ಯೋಜಿಸುತ್ತಿರುವುದರಿಂದ, ವೈದ್ಯಕೀಯ ಪಠ್ಯಗಳ ಮೇಲೆ ತರಬೇತುಗೊಂಡ BERT ಮಾದರಿಯನ್ನು ಬಳಸುವುದು ಸೂಕ್ತ. Microsoft Research [PubMedBERT][PubMedBERT] ಎಂಬ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ ([ಪ್ರಕಟನೆ][PubMedBERT-Pub]), ಇದು [PubMed](https://pubmed.ncbi.nlm.nih.gov/) ಸಂಗ್ರಹದಿಂದ ಪಠ್ಯಗಳನ್ನು ಬಳಸಿ ಸೂಕ್ಷ್ಮ-ತರಬೇತುಗೊಂಡಿದೆ.
|
||||
|
||||
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಲು *de facto* ಮಾನದಂಡ [Hugging Face Transformers](https://huggingface.co/) ಗ್ರಂಥಾಲಯ. ಇದರಲ್ಲಿ ಸಮುದಾಯ ನಿರ್ವಹಿಸುವ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಗಳ ಸಂಗ್ರಹವಿದೆ, ಇದರಲ್ಲಿ PubMedBERT ಕೂಡ ಸೇರಿದೆ. ಈ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ ಬಳಸಲು, ನಮಗೆ ಕೆಲವು ಸಾಲುಗಳ ಕೋಡ್ ಬೇಕಾಗುತ್ತದೆ:
|
||||
|
||||
```python
|
||||
model_name = "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract"
|
||||
classes = ... # ವರ್ಗಗಳ ಸಂಖ್ಯೆ: 2*ಘಟಕಗಳು+1
|
||||
tokenizer = AutoTokenizer.from_pretrained(model_name)
|
||||
model = BertForTokenClassification.from_pretrained(model_name, classes)
|
||||
```
|
||||
|
||||
ಇದು ನಮಗೆ `model` ಅನ್ನು ನೀಡುತ್ತದೆ, ಇದು `classes` ಸಂಖ್ಯೆಯ ವರ್ಗಗಳನ್ನು ಬಳಸಿ ಟೋಕನ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಕಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಜೊತೆಗೆ `tokenizer` ವಸ್ತುವನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಇನ್ಪುಟ್ ಪಠ್ಯವನ್ನು ಟೋಕನ್ಗಳಾಗಿ ವಿಭಜಿಸಬಹುದು. ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು BIO ಫಾರ್ಮ್ಯಾಟ್ಗೆ ಪರಿವರ್ತಿಸಬೇಕಾಗುತ್ತದೆ, PubMedBERT ಟೋಕನೈಜೇಶನ್ ಅನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು. ಪ್ರೇರಣೆಗೆ ನೀವು [ಈ Python ಕೋಡ್](https://gist.github.com/shwars/580b55684be3328eb39ecf01b9cbbd88) ಬಳಸಬಹುದು.
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ಈ ಕಾರ್ಯವು ನೀವು ಬಹುಮಾನ್ಯ ಪ್ರಮಾಣದ ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪಠ್ಯಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಅರ್ಥಗಳನ್ನು ಪಡೆಯಲು ಬಯಸಿದರೆ ಎದುರಿಸಬಹುದಾದ ನಿಜವಾದ ಕಾರ್ಯಕ್ಕೆ ಬಹಳ ಹತ್ತಿರವಾಗಿದೆ. ನಮ್ಮ ಪ್ರಕರಣದಲ್ಲಿ, ನಾವು ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು [COVID-ಸಂಬಂಧಿತ ಪೇಪರ್ಗಳ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ಗೆ ಅನ್ವಯಿಸಿ, ನಾವು ಯಾವ ಅರ್ಥಗಳನ್ನು ಪಡೆಯಬಹುದು ಎಂದು ನೋಡಬಹುದು. [ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) ಮತ್ತು [ಈ ಪೇಪರ್](https://www.mdpi.com/2504-2289/6/1/4) NER ಬಳಸಿ ಈ ಪೇಪರ್ಗಳ ಸಂಗ್ರಹದ ಮೇಲೆ ಮಾಡಬಹುದಾದ ಸಂಶೋಧನೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# NER
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯ.
|
||||
|
||||
## ಕಾರ್ಯ
|
||||
|
||||
ಈ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ನೀವು ವೈದ್ಯಕೀಯ ಪದಗಳಿಗಾಗಿ ನಾಮಿತ ಘಟಕ ಗುರುತಿಸುವ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಬೇಕಾಗಿದೆ.
|
||||
|
||||
## ಡೇಟಾಸೆಟ್
|
||||
|
||||
NER ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು, ವೈದ್ಯಕೀಯ ಘಟಕಗಳೊಂದಿಗೆ ಸರಿಯಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ ಅಗತ್ಯವಿದೆ. [BC5CDR ಡೇಟಾಸೆಟ್](https://biocreative.bioinformatics.udel.edu/tasks/biocreative-v/track-3-cdr/) 1500 ಕ್ಕೂ ಹೆಚ್ಚು ಪೇಪರ್ಗಳಿಂದ ರೋಗಗಳು ಮತ್ತು ರಾಸಾಯನಿಕ ಘಟಕಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಿದೆ. ನೀವು ಅವರ ವೆಬ್ಸೈಟ್ನಲ್ಲಿ ನೋಂದಾಯಿಸಿಕೊಂಡ ನಂತರ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು.
|
||||
|
||||
BC5CDR ಡೇಟಾಸೆಟ್ ಹೀಗೆ ಕಾಣುತ್ತದೆ:
|
||||
|
||||
```
|
||||
6794356|t|Tricuspid valve regurgitation and lithium carbonate toxicity in a newborn infant.
|
||||
6794356|a|A newborn with massive tricuspid regurgitation, atrial flutter, congestive heart failure, and a high serum lithium level is described. This is the first patient to initially manifest tricuspid regurgitation and atrial flutter, and the 11th described patient with cardiac disease among infants exposed to lithium compounds in the first trimester of pregnancy. Sixty-three percent of these infants had tricuspid valve involvement. Lithium carbonate may be a factor in the increasing incidence of congenital heart disease when taken during early pregnancy. It also causes neurologic depression, cyanosis, and cardiac arrhythmia when consumed prior to delivery.
|
||||
6794356 0 29 Tricuspid valve regurgitation Disease D014262
|
||||
6794356 34 51 lithium carbonate Chemical D016651
|
||||
6794356 52 60 toxicity Disease D064420
|
||||
...
|
||||
```
|
||||
|
||||
ಈ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ, ಮೊದಲ ಎರಡು ಸಾಲುಗಳಲ್ಲಿ ಪೇಪರ್ ಶೀರ್ಷಿಕೆ ಮತ್ತು ಸಾರಾಂಶ ಇರುತ್ತದೆ, ನಂತರ ಪ್ರತ್ಯೇಕ ಘಟಕಗಳು ಇರುತ್ತವೆ, ಶೀರ್ಷಿಕೆ+ಸಾರಾಂಶ ಬ್ಲಾಕ್ನೊಳಗಿನ ಪ್ರಾರಂಭ ಮತ್ತು ಅಂತ್ಯ ಸ್ಥಾನಗಳೊಂದಿಗೆ. ಘಟಕದ ಪ್ರಕಾರದ ಜೊತೆಗೆ, ನೀವು ಕೆಲವು ವೈದ್ಯಕೀಯ ಆಂಟಾಲಜಿ ಒಳಗಿನ ಆಂಟಾಲಜಿ ID ಅನ್ನು ಪಡೆಯುತ್ತೀರಿ.
|
||||
|
||||
ನೀವು ಇದನ್ನು BIO ಎನ್ಕೋಡಿಂಗ್ಗೆ ಪರಿವರ್ತಿಸಲು ಕೆಲವು Python ಕೋಡ್ ಬರೆಯಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
## ನೆಟ್ವರ್ಕ್
|
||||
|
||||
NER ಗೆ ಮೊದಲ ಪ್ರಯತ್ನವನ್ನು LSTM ನೆಟ್ವರ್ಕ್ ಬಳಸಿ ಮಾಡಬಹುದು, ನಮ್ಮ ಉದಾಹರಣೆಯಲ್ಲಿ ನೀವು ಪಾಠದ ವೇಳೆ ನೋಡಿದ್ದೀರಿ. ಆದರೆ, NLP ಕಾರ್ಯಗಳಲ್ಲಿ, [ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ವಾಸ್ತುಶಿಲ್ಪ](https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)) ಮತ್ತು ವಿಶೇಷವಾಗಿ [BERT ಭಾಷಾ ಮಾದರಿಗಳು](https://en.wikipedia.org/wiki/BERT_(language_model)) ಬಹುಮಟ್ಟಿಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ BERT ಮಾದರಿಗಳು ಭಾಷೆಯ ಸಾಮಾನ್ಯ ರಚನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಸಾಪೇಕ್ಷವಾಗಿ ಸಣ್ಣ ಡೇಟಾಸೆಟ್ಗಳು ಮತ್ತು ಗಣನೀಯ ವೆಚ್ಚಗಳೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಸೂಕ್ಷ್ಮ-ತರಬೇತುಗೊಳಿಸಬಹುದು.
|
||||
|
||||
ನಾವು NER ಅನ್ನು ವೈದ್ಯಕೀಯ ಸಂದರ್ಭಕ್ಕೆ ಅನ್ವಯಿಸಲು ಯೋಜಿಸುತ್ತಿರುವುದರಿಂದ, ವೈದ್ಯಕೀಯ ಪಠ್ಯಗಳ ಮೇಲೆ ತರಬೇತುಗೊಂಡ BERT ಮಾದರಿಯನ್ನು ಬಳಸುವುದು ಸೂಕ್ತ. Microsoft Research [PubMedBERT][PubMedBERT] ಎಂಬ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ ([ಪ್ರಕಟನೆ][PubMedBERT-Pub]), ಇದು [PubMed](https://pubmed.ncbi.nlm.nih.gov/) ಸಂಗ್ರಹದಿಂದ ಪಠ್ಯಗಳನ್ನು ಬಳಸಿ ಸೂಕ್ಷ್ಮ-ತರಬೇತುಗೊಂಡಿದೆ.
|
||||
|
||||
ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಲು *de facto* ಮಾನದಂಡ [Hugging Face Transformers](https://huggingface.co/) ಗ್ರಂಥಾಲಯ. ಇದರಲ್ಲಿ ಸಮುದಾಯ ನಿರ್ವಹಿಸುವ ಪೂರ್ವ-ತರಬೇತುಗೊಂಡ ಮಾದರಿಗಳ ಸಂಗ್ರಹವಿದೆ, ಇದರಲ್ಲಿ PubMedBERT ಕೂಡ ಸೇರಿದೆ. ಈ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ ಬಳಸಲು, ನಮಗೆ ಕೆಲವು ಸಾಲುಗಳ ಕೋಡ್ ಬೇಕಾಗುತ್ತದೆ:
|
||||
|
||||
```python
|
||||
model_name = "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract"
|
||||
classes = ... # ವರ್ಗಗಳ ಸಂಖ್ಯೆ: 2*ಘಟಕಗಳು+1
|
||||
tokenizer = AutoTokenizer.from_pretrained(model_name)
|
||||
model = BertForTokenClassification.from_pretrained(model_name, classes)
|
||||
```
|
||||
|
||||
ಇದು ನಮಗೆ `model` ಅನ್ನು ನೀಡುತ್ತದೆ, ಇದು `classes` ಸಂಖ್ಯೆಯ ವರ್ಗಗಳನ್ನು ಬಳಸಿ ಟೋಕನ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಕಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಜೊತೆಗೆ `tokenizer` ವಸ್ತುವನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಇನ್ಪುಟ್ ಪಠ್ಯವನ್ನು ಟೋಕನ್ಗಳಾಗಿ ವಿಭಜಿಸಬಹುದು. ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು BIO ಫಾರ್ಮ್ಯಾಟ್ಗೆ ಪರಿವರ್ತಿಸಬೇಕಾಗುತ್ತದೆ, PubMedBERT ಟೋಕನೈಜೇಶನ್ ಅನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು. ಪ್ರೇರಣೆಗೆ ನೀವು [ಈ Python ಕೋಡ್](https://gist.github.com/shwars/580b55684be3328eb39ecf01b9cbbd88) ಬಳಸಬಹುದು.
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ಈ ಕಾರ್ಯವು ನೀವು ಬಹುಮಾನ್ಯ ಪ್ರಮಾಣದ ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪಠ್ಯಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಅರ್ಥಗಳನ್ನು ಪಡೆಯಲು ಬಯಸಿದರೆ ಎದುರಿಸಬಹುದಾದ ನಿಜವಾದ ಕಾರ್ಯಕ್ಕೆ ಬಹಳ ಹತ್ತಿರವಾಗಿದೆ. ನಮ್ಮ ಪ್ರಕರಣದಲ್ಲಿ, ನಾವು ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು [COVID-ಸಂಬಂಧಿತ ಪೇಪರ್ಗಳ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ಗೆ ಅನ್ವಯಿಸಿ, ನಾವು ಯಾವ ಅರ್ಥಗಳನ್ನು ಪಡೆಯಬಹುದು ಎಂದು ನೋಡಬಹುದು. [ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) ಮತ್ತು [ಈ ಪೇಪರ್](https://www.mdpi.com/2504-2289/6/1/4) NER ಬಳಸಿ ಈ ಪೇಪರ್ಗಳ ಸಂಗ್ರಹದ ಮೇಲೆ ಮಾಡಬಹುದಾದ ಸಂಶೋಧನೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,68 +1,59 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-11-25T23:20:26+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು
|
||||
|
||||
ನಮ್ಮ ಹಿಂದಿನ ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ, ನಾವು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತುಗೊಳಿಸುತ್ತಿದ್ದೆವು. BERT ಮುಂತಾದ ದೊಡ್ಡ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಗಳೊಂದಿಗೆ, ನಾವು ಸ್ವಯಂ-ನಿರೀಕ್ಷಿತ ರೀತಿಯಲ್ಲಿ ಭಾಷಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಭಾಷಾ ಮಾದರಿಕರಣವನ್ನು ಬಳಸುತ್ತೇವೆ, ನಂತರ ಅದನ್ನು ನಿರ್ದಿಷ್ಟ ಡೊಮೇನ್-ಸ್ಪೆಸಿಫಿಕ್ ತರಬೇತಿನೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ಡೌನ್ಸ್ಟ್ರೀಮ್ ಕಾರ್ಯಕ್ಕೆ ವಿಶೇಷಗೊಳಿಸಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಯಾವುದೇ ಡೊಮೇನ್-ಸ್ಪೆಸಿಫಿಕ್ ತರಬೇತಿನಿಲ್ಲದೆ ಹಲವಾರು ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಅದನ್ನು ಮಾಡಲು ಸಾಮರ್ಥ್ಯವಿರುವ ಮಾದರಿಗಳ ಕುಟುಂಬವನ್ನು **GPT** ಎಂದು ಕರೆಯುತ್ತಾರೆ: ಜನರೇಟಿವ್ ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್.
|
||||
|
||||
## [ಪೂರ್ವ-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/39)
|
||||
|
||||
## ಪಠ್ಯ ಉತ್ಪಾದನೆ ಮತ್ತು ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ
|
||||
|
||||
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಡೌನ್ಸ್ಟ್ರೀಮ್ ತರಬೇತಿನಿಲ್ಲದೆ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಬಲ್ಲದು ಎಂಬ ಕಲ್ಪನೆ [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf) ಕಾಗದದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಮುಖ್ಯ ಕಲ್ಪನೆ ಎಂದರೆ, ಅನೇಕ ಇತರ ಕಾರ್ಯಗಳನ್ನು **ಪಠ್ಯ ಉತ್ಪಾದನೆ** ಬಳಸಿ ಮಾದರೀಕರಿಸಬಹುದು, ಏಕೆಂದರೆ ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅಂದರೆ ಅದನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುವುದು. ಮಾದರಿ ಮಾನವ ಜ್ಞಾನವನ್ನು ಒಳಗೊಂಡಿರುವ ಅಪಾರ ಪ್ರಮಾಣದ ಪಠ್ಯದಲ್ಲಿ ತರಬೇತಿಗೊಳಿಸಲಾಗಿರುವುದರಿಂದ, ಅದು ವಿವಿಧ ವಿಷಯಗಳ ಬಗ್ಗೆ ಜ್ಞಾನ ಹೊಂದಿರುತ್ತದೆ.
|
||||
|
||||
> ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುವುದು ನಮ್ಮ ಸುತ್ತಲೂ ಇರುವ ಜಗತ್ತಿನ ಬಗ್ಗೆ ಏನೋ ತಿಳಿದಿರುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಜನರು ಬಹುಮಟ್ಟಿಗೆ ಓದುವುದರಿಂದ ಕಲಿಯುತ್ತಾರೆ, ಮತ್ತು GPT ನೆಟ್ವರ್ಕ್ ಕೂಡ ಈ ದೃಷ್ಟಿಯಿಂದ ಅದೇ ರೀತಿಯದು.
|
||||
|
||||
ಪಠ್ಯ ಉತ್ಪಾದನೆ ನೆಟ್ವರ್ಕ್ ಮುಂದಿನ ಪದದ $$P(w_N)$$ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಮುಂದಿನ ಪದದ ನಿರಪೇಕ್ಷ ಸಾಧ್ಯತೆ ಪಠ್ಯ ಸಂಗ್ರಹದಲ್ಲಿ ಆ ಪದದ ಆವರ್ತನೆಯ ಸಮಾನವಾಗಿರುತ್ತದೆ. GPT ನಮಗೆ ಹಿಂದಿನ ಪದಗಳನ್ನು ನೀಡಿದಾಗ ಮುಂದಿನ ಪದದ **ಶರತುಗತ ಸಾಧ್ಯತೆ** $$P(w_N | w_{n-1}, ..., w_0)$$ ನೀಡಲು ಸಾಧ್ಯ.
|
||||
|
||||
> ಸಾಧ್ಯತೆಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ನಮ್ಮ [ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಪಠ್ಯಕ್ರಮ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/04-stats-and-probability) ಓದಿ.
|
||||
|
||||
ಭಾಷೆ ಉತ್ಪಾದಿಸುವ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು **ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ** ಬಳಸಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ಇದು ಯಾವುದೇ ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ಡೇಟಾಸೆಟ್ ಇಲ್ಲದೆ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯಲು ಅನುಕೂಲವಾಗುವ ಆಂತರಿಕ ಮಾನದಂಡ. ಇದು *ವಾಕ್ಯದ ಸಾಧ್ಯತೆ* ಎಂಬ ಕಲ್ಪನೆ ಆಧಾರಿತವಾಗಿದೆ - ಮಾದರಿ ವಾಸ್ತವಿಕವಾಗಿರುವ ಸಾಧ್ಯತೆ ಇರುವ ವಾಕ್ಯಕ್ಕೆ ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆ ನೀಡುತ್ತದೆ (ಅಂದರೆ, ಮಾದರಿ ಅದರಿಂದ **ಪರ್ಪ್ಲೆಕ್ಸ್ಡ್** ಆಗುವುದಿಲ್ಲ), ಮತ್ತು ಅರ್ಥವಿಲ್ಲದ ವಾಕ್ಯಗಳಿಗೆ ಕಡಿಮೆ ಸಾಧ್ಯತೆ ನೀಡುತ್ತದೆ (ಉದಾ: *Can it does what?*). ನಾವು ನಮ್ಮ ಮಾದರಿಗೆ ವಾಸ್ತವಿಕ ಪಠ್ಯ ಸಂಗ್ರಹದಿಂದ ವಾಕ್ಯಗಳನ್ನು ನೀಡಿದಾಗ, ಅವುಗಳಿಗೆ ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆ ಮತ್ತು ಕಡಿಮೆ **ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ** ಇರಬೇಕೆಂದು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ಗಣಿತೀಯವಾಗಿ, ಇದು ಪರೀಕ್ಷಾ ಸೆಟ್ನ ಸಾಮಾನ್ಯೀಕೃತ ಪ್ರತಿಕೂಲ ಸಾಧ್ಯತೆಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ:
|
||||
$$
|
||||
\mathrm{Perplexity}(W) = \sqrt[N]{1\over P(W_1,...,W_N)}
|
||||
$$
|
||||
|
||||
**ನೀವು [Hugging Face ನಿಂದ GPT-ಚಾಲಿತ ಪಠ್ಯ ಸಂಪಾದಕ](https://transformer.huggingface.co/doc/gpt2-large) ಬಳಸಿ ಪಠ್ಯ ಉತ್ಪಾದನೆ ಪ್ರಯೋಗ ಮಾಡಬಹುದು**. ಈ ಸಂಪಾದಕದಲ್ಲಿ, ನೀವು ನಿಮ್ಮ ಪಠ್ಯವನ್ನು ಬರೆಯಲು ಪ್ರಾರಂಭಿಸುತ್ತೀರಿ, ಮತ್ತು **[TAB]** ಒತ್ತಿದಾಗ ನಿಮಗೆ ಹಲವು ಪೂರ್ಣಗೊಳಿಸುವ ಆಯ್ಕೆಗಳು ನೀಡಲಾಗುತ್ತವೆ. ಅವು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದರೆ ಅಥವಾ ನೀವು ತೃಪ್ತರಾಗದಿದ್ದರೆ - ಮತ್ತೆ [TAB] ಒತ್ತಿ, ಮತ್ತು ನಿಮಗೆ ಹೆಚ್ಚಿನ ಆಯ್ಕೆಗಳು, ಉದ್ದವಾದ ಪಠ್ಯ ಭಾಗಗಳೂ ಲಭ್ಯವಾಗುತ್ತವೆ.
|
||||
|
||||
## GPT ಒಂದು ಕುಟುಂಬ
|
||||
|
||||
GPT ಒಂದು ಏಕೈಕ ಮಾದರಿ ಅಲ್ಲ, ಬದಲಾಗಿ [OpenAI](https://openai.com) ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ತರಬೇತಿಗೊಳಿಸಿದ ಮಾದರಿಗಳ ಸಂಗ್ರಹ.
|
||||
|
||||
GPT ಮಾದರಿಗಳಲ್ಲಿ ನಾವು ಹೊಂದಿರುವವು:
|
||||
|
||||
| [GPT-2](https://huggingface.co/docs/transformers/model_doc/gpt2#openai-gpt2) | [GPT 3](https://openai.com/research/language-models-are-few-shot-learners) | [GPT-4](https://openai.com/gpt-4) |
|
||||
| -- | -- | -- |
|
||||
| 1.5 ಬಿಲಿಯನ್ ಪರಿಮಾಣಗಳವರೆಗೆ ಭಾಷಾ ಮಾದರಿ. | 175 ಬಿಲಿಯನ್ ಪರಿಮಾಣಗಳವರೆಗೆ ಭಾಷಾ ಮಾದರಿ | 100 ಟ್ರಿಲಿಯನ್ ಪರಿಮಾಣಗಳು ಮತ್ತು ಚಿತ್ರ ಮತ್ತು ಪಠ್ಯ ಇನ್ಪುಟ್ಗಳನ್ನು ಸ್ವೀಕರಿಸಿ ಪಠ್ಯವನ್ನು ಔಟ್ಪುಟ್ ಮಾಡುತ್ತದೆ. |
|
||||
|
||||
GPT-3 ಮತ್ತು GPT-4 ಮಾದರಿಗಳು [Microsoft Azure ನಿಂದ ಜ್ಞಾನ ಸೇವೆಯಾಗಿ](https://azure.microsoft.com/en-us/services/cognitive-services/openai-service/#overview?WT.mc_id=academic-77998-cacaste) ಮತ್ತು [OpenAI API](https://openai.com/api/) ಆಗಿ ಲಭ್ಯವಿವೆ.
|
||||
|
||||
## ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್
|
||||
|
||||
GPT ಭಾಷೆ ಮತ್ತು ಕೋಡ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಪಾರ ಪ್ರಮಾಣದ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲ್ಪಟ್ಟಿರುವುದರಿಂದ, ಅವು ಇನ್ಪುಟ್ಗಳಿಗೆ (ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ) ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್ಗಳು GPT ಇನ್ಪುಟ್ಗಳು ಅಥವಾ ಪ್ರಶ್ನೆಗಳು, ಅವು ಮಾದರಿಗಳಿಗೆ ಮುಂದಿನ ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತವೆ. ಬಯಸಿದ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಲು, ನೀವು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್ ಬೇಕಾಗುತ್ತದೆ, ಅದು ಸರಿಯಾದ ಪದಗಳು, ಸ್ವರೂಪಗಳು, ವಾಕ್ಯಗಳು ಅಥವಾ ಸಂಕೇತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು. ಈ ವಿಧಾನವನ್ನು [ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್](https://learn.microsoft.com/en-us/shows/ai-show/the-basics-of-prompt-engineering-with-azure-openai-service?WT.mc_id=academic-77998-bethanycheum) ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||||
|
||||
[ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://learn.microsoft.com/en-us/semantic-kernel/prompt-engineering/?WT.mc_id=academic-77998-bethanycheum) ನಿಮಗೆ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತದೆ.
|
||||
|
||||
## ✍️ ಉದಾಹರಣೆ ನೋಟ್ಬುಕ್: [OpenAI-GPT ಜೊತೆಗೆ ಆಟವಾಡುವುದು](GPT-PyTorch.ipynb)
|
||||
|
||||
ಕೆಳಗಿನ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ನಿಮ್ಮ ಅಧ್ಯಯನವನ್ನು ಮುಂದುವರಿಸಿ:
|
||||
|
||||
* [OpenAI-GPT ಮತ್ತು Hugging Face Transformers ಬಳಸಿ ಪಠ್ಯ ಉತ್ಪಾದನೆ](GPT-PyTorch.ipynb)
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ಹೊಸ ಸಾಮಾನ್ಯ ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ಭಾಷಾ ಮಾದರಿಗಳು ಕೇವಲ ಭಾಷಾ ರಚನೆಯನ್ನು ಮಾದರೀಕರಿಸುವುದಲ್ಲ, ಸಹಜ ಭಾಷೆಯ ಅಪಾರ ಪ್ರಮಾಣವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಆದ್ದರಿಂದ, ಅವುಗಳನ್ನು ಶೂನ್ಯ-ಶಾಟ್ ಅಥವಾ ಕೆಲವು-ಶಾಟ್ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ಕೆಲವು NLP ಕಾರ್ಯಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲು ಬಳಸಬಹುದು.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/40)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು
|
||||
|
||||
ನಮ್ಮ ಹಿಂದಿನ ಎಲ್ಲಾ ಕಾರ್ಯಗಳಲ್ಲಿ, ನಾವು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತುಗೊಳಿಸುತ್ತಿದ್ದೆವು. BERT ಮುಂತಾದ ದೊಡ್ಡ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಗಳೊಂದಿಗೆ, ನಾವು ಸ್ವಯಂ-ನಿರೀಕ್ಷಿತ ರೀತಿಯಲ್ಲಿ ಭಾಷಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಭಾಷಾ ಮಾದರಿಕರಣವನ್ನು ಬಳಸುತ್ತೇವೆ, ನಂತರ ಅದನ್ನು ನಿರ್ದಿಷ್ಟ ಡೊಮೇನ್-ಸ್ಪೆಸಿಫಿಕ್ ತರಬೇತಿನೊಂದಿಗೆ ನಿರ್ದಿಷ್ಟ ಡೌನ್ಸ್ಟ್ರೀಮ್ ಕಾರ್ಯಕ್ಕೆ ವಿಶೇಷಗೊಳಿಸಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಯಾವುದೇ ಡೊಮೇನ್-ಸ್ಪೆಸಿಫಿಕ್ ತರಬೇತಿನಿಲ್ಲದೆ ಹಲವಾರು ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಅದನ್ನು ಮಾಡಲು ಸಾಮರ್ಥ್ಯವಿರುವ ಮಾದರಿಗಳ ಕುಟುಂಬವನ್ನು **GPT** ಎಂದು ಕರೆಯುತ್ತಾರೆ: ಜನರೇಟಿವ್ ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್.
|
||||
|
||||
## [ಪೂರ್ವ-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/39)
|
||||
|
||||
## ಪಠ್ಯ ಉತ್ಪಾದನೆ ಮತ್ತು ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ
|
||||
|
||||
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಡೌನ್ಸ್ಟ್ರೀಮ್ ತರಬೇತಿನಿಲ್ಲದೆ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಬಲ್ಲದು ಎಂಬ ಕಲ್ಪನೆ [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf) ಕಾಗದದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಮುಖ್ಯ ಕಲ್ಪನೆ ಎಂದರೆ, ಅನೇಕ ಇತರ ಕಾರ್ಯಗಳನ್ನು **ಪಠ್ಯ ಉತ್ಪಾದನೆ** ಬಳಸಿ ಮಾದರೀಕರಿಸಬಹುದು, ಏಕೆಂದರೆ ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅಂದರೆ ಅದನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುವುದು. ಮಾದರಿ ಮಾನವ ಜ್ಞಾನವನ್ನು ಒಳಗೊಂಡಿರುವ ಅಪಾರ ಪ್ರಮಾಣದ ಪಠ್ಯದಲ್ಲಿ ತರಬೇತಿಗೊಳಿಸಲಾಗಿರುವುದರಿಂದ, ಅದು ವಿವಿಧ ವಿಷಯಗಳ ಬಗ್ಗೆ ಜ್ಞಾನ ಹೊಂದಿರುತ್ತದೆ.
|
||||
|
||||
> ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗುವುದು ನಮ್ಮ ಸುತ್ತಲೂ ಇರುವ ಜಗತ್ತಿನ ಬಗ್ಗೆ ಏನೋ ತಿಳಿದಿರುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಜನರು ಬಹುಮಟ್ಟಿಗೆ ಓದುವುದರಿಂದ ಕಲಿಯುತ್ತಾರೆ, ಮತ್ತು GPT ನೆಟ್ವರ್ಕ್ ಕೂಡ ಈ ದೃಷ್ಟಿಯಿಂದ ಅದೇ ರೀತಿಯದು.
|
||||
|
||||
ಪಠ್ಯ ಉತ್ಪಾದನೆ ನೆಟ್ವರ್ಕ್ ಮುಂದಿನ ಪದದ $$P(w_N)$$ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಮುಂದಿನ ಪದದ ನಿರಪೇಕ್ಷ ಸಾಧ್ಯತೆ ಪಠ್ಯ ಸಂಗ್ರಹದಲ್ಲಿ ಆ ಪದದ ಆವರ್ತನೆಯ ಸಮಾನವಾಗಿರುತ್ತದೆ. GPT ನಮಗೆ ಹಿಂದಿನ ಪದಗಳನ್ನು ನೀಡಿದಾಗ ಮುಂದಿನ ಪದದ **ಶರತುಗತ ಸಾಧ್ಯತೆ** $$P(w_N | w_{n-1}, ..., w_0)$$ ನೀಡಲು ಸಾಧ್ಯ.
|
||||
|
||||
> ಸಾಧ್ಯತೆಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ನಮ್ಮ [ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಪಠ್ಯಕ್ರಮ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/04-stats-and-probability) ಓದಿ.
|
||||
|
||||
ಭಾಷೆ ಉತ್ಪಾದಿಸುವ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು **ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ** ಬಳಸಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ಇದು ಯಾವುದೇ ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ಡೇಟಾಸೆಟ್ ಇಲ್ಲದೆ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯಲು ಅನುಕೂಲವಾಗುವ ಆಂತರಿಕ ಮಾನದಂಡ. ಇದು *ವಾಕ್ಯದ ಸಾಧ್ಯತೆ* ಎಂಬ ಕಲ್ಪನೆ ಆಧಾರಿತವಾಗಿದೆ - ಮಾದರಿ ವಾಸ್ತವಿಕವಾಗಿರುವ ಸಾಧ್ಯತೆ ಇರುವ ವಾಕ್ಯಕ್ಕೆ ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆ ನೀಡುತ್ತದೆ (ಅಂದರೆ, ಮಾದರಿ ಅದರಿಂದ **ಪರ್ಪ್ಲೆಕ್ಸ್ಡ್** ಆಗುವುದಿಲ್ಲ), ಮತ್ತು ಅರ್ಥವಿಲ್ಲದ ವಾಕ್ಯಗಳಿಗೆ ಕಡಿಮೆ ಸಾಧ್ಯತೆ ನೀಡುತ್ತದೆ (ಉದಾ: *Can it does what?*). ನಾವು ನಮ್ಮ ಮಾದರಿಗೆ ವಾಸ್ತವಿಕ ಪಠ್ಯ ಸಂಗ್ರಹದಿಂದ ವಾಕ್ಯಗಳನ್ನು ನೀಡಿದಾಗ, ಅವುಗಳಿಗೆ ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆ ಮತ್ತು ಕಡಿಮೆ **ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ** ಇರಬೇಕೆಂದು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ಗಣಿತೀಯವಾಗಿ, ಇದು ಪರೀಕ್ಷಾ ಸೆಟ್ನ ಸಾಮಾನ್ಯೀಕೃತ ಪ್ರತಿಕೂಲ ಸಾಧ್ಯತೆಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ:
|
||||
$$
|
||||
\mathrm{Perplexity}(W) = \sqrt[N]{1\over P(W_1,...,W_N)}
|
||||
$$
|
||||
|
||||
**ನೀವು [Hugging Face ನಿಂದ GPT-ಚಾಲಿತ ಪಠ್ಯ ಸಂಪಾದಕ](https://transformer.huggingface.co/doc/gpt2-large) ಬಳಸಿ ಪಠ್ಯ ಉತ್ಪಾದನೆ ಪ್ರಯೋಗ ಮಾಡಬಹುದು**. ಈ ಸಂಪಾದಕದಲ್ಲಿ, ನೀವು ನಿಮ್ಮ ಪಠ್ಯವನ್ನು ಬರೆಯಲು ಪ್ರಾರಂಭಿಸುತ್ತೀರಿ, ಮತ್ತು **[TAB]** ಒತ್ತಿದಾಗ ನಿಮಗೆ ಹಲವು ಪೂರ್ಣಗೊಳಿಸುವ ಆಯ್ಕೆಗಳು ನೀಡಲಾಗುತ್ತವೆ. ಅವು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದರೆ ಅಥವಾ ನೀವು ತೃಪ್ತರಾಗದಿದ್ದರೆ - ಮತ್ತೆ [TAB] ಒತ್ತಿ, ಮತ್ತು ನಿಮಗೆ ಹೆಚ್ಚಿನ ಆಯ್ಕೆಗಳು, ಉದ್ದವಾದ ಪಠ್ಯ ಭಾಗಗಳೂ ಲಭ್ಯವಾಗುತ್ತವೆ.
|
||||
|
||||
## GPT ಒಂದು ಕುಟುಂಬ
|
||||
|
||||
GPT ಒಂದು ಏಕೈಕ ಮಾದರಿ ಅಲ್ಲ, ಬದಲಾಗಿ [OpenAI](https://openai.com) ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ತರಬೇತಿಗೊಳಿಸಿದ ಮಾದರಿಗಳ ಸಂಗ್ರಹ.
|
||||
|
||||
GPT ಮಾದರಿಗಳಲ್ಲಿ ನಾವು ಹೊಂದಿರುವವು:
|
||||
|
||||
| [GPT-2](https://huggingface.co/docs/transformers/model_doc/gpt2#openai-gpt2) | [GPT 3](https://openai.com/research/language-models-are-few-shot-learners) | [GPT-4](https://openai.com/gpt-4) |
|
||||
| -- | -- | -- |
|
||||
| 1.5 ಬಿಲಿಯನ್ ಪರಿಮಾಣಗಳವರೆಗೆ ಭಾಷಾ ಮಾದರಿ. | 175 ಬಿಲಿಯನ್ ಪರಿಮಾಣಗಳವರೆಗೆ ಭಾಷಾ ಮಾದರಿ | 100 ಟ್ರಿಲಿಯನ್ ಪರಿಮಾಣಗಳು ಮತ್ತು ಚಿತ್ರ ಮತ್ತು ಪಠ್ಯ ಇನ್ಪುಟ್ಗಳನ್ನು ಸ್ವೀಕರಿಸಿ ಪಠ್ಯವನ್ನು ಔಟ್ಪುಟ್ ಮಾಡುತ್ತದೆ. |
|
||||
|
||||
GPT-3 ಮತ್ತು GPT-4 ಮಾದರಿಗಳು [Microsoft Azure ನಿಂದ ಜ್ಞಾನ ಸೇವೆಯಾಗಿ](https://azure.microsoft.com/en-us/services/cognitive-services/openai-service/#overview?WT.mc_id=academic-77998-cacaste) ಮತ್ತು [OpenAI API](https://openai.com/api/) ಆಗಿ ಲಭ್ಯವಿವೆ.
|
||||
|
||||
## ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್
|
||||
|
||||
GPT ಭಾಷೆ ಮತ್ತು ಕೋಡ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಪಾರ ಪ್ರಮಾಣದ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲ್ಪಟ್ಟಿರುವುದರಿಂದ, ಅವು ಇನ್ಪುಟ್ಗಳಿಗೆ (ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ) ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್ಗಳು GPT ಇನ್ಪುಟ್ಗಳು ಅಥವಾ ಪ್ರಶ್ನೆಗಳು, ಅವು ಮಾದರಿಗಳಿಗೆ ಮುಂದಿನ ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತವೆ. ಬಯಸಿದ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಲು, ನೀವು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್ ಬೇಕಾಗುತ್ತದೆ, ಅದು ಸರಿಯಾದ ಪದಗಳು, ಸ್ವರೂಪಗಳು, ವಾಕ್ಯಗಳು ಅಥವಾ ಸಂಕೇತಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು. ಈ ವಿಧಾನವನ್ನು [ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್](https://learn.microsoft.com/en-us/shows/ai-show/the-basics-of-prompt-engineering-with-azure-openai-service?WT.mc_id=academic-77998-bethanycheum) ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||||
|
||||
[ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://learn.microsoft.com/en-us/semantic-kernel/prompt-engineering/?WT.mc_id=academic-77998-bethanycheum) ನಿಮಗೆ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತದೆ.
|
||||
|
||||
## ✍️ ಉದಾಹರಣೆ ನೋಟ್ಬುಕ್: [OpenAI-GPT ಜೊತೆಗೆ ಆಟವಾಡುವುದು](GPT-PyTorch.ipynb)
|
||||
|
||||
ಕೆಳಗಿನ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ನಿಮ್ಮ ಅಧ್ಯಯನವನ್ನು ಮುಂದುವರಿಸಿ:
|
||||
|
||||
* [OpenAI-GPT ಮತ್ತು Hugging Face Transformers ಬಳಸಿ ಪಠ್ಯ ಉತ್ಪಾದನೆ](GPT-PyTorch.ipynb)
|
||||
|
||||
## ಸಾರಾಂಶ
|
||||
|
||||
ಹೊಸ ಸಾಮಾನ್ಯ ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ಭಾಷಾ ಮಾದರಿಗಳು ಕೇವಲ ಭಾಷಾ ರಚನೆಯನ್ನು ಮಾದರೀಕರಿಸುವುದಲ್ಲ, ಸಹಜ ಭಾಷೆಯ ಅಪಾರ ಪ್ರಮಾಣವನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಆದ್ದರಿಂದ, ಅವುಗಳನ್ನು ಶೂನ್ಯ-ಶಾಟ್ ಅಥವಾ ಕೆಲವು-ಶಾಟ್ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ಕೆಲವು NLP ಕಾರ್ಯಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲು ಬಳಸಬಹುದು.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ai/quiz/40)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-11-25T21:16:26+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,93 +1,84 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-11-25T23:28:53+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
## [ಪೂರ್ವ-ವಕ್ತೃ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
||||
**ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು** (GA) ಎಂಬವು AI ಗೆ ಸಂಬಂಧಿಸಿದ **ವಿಕಾಸಾತ್ಮಕ ವಿಧಾನ** ಆಧಾರಿತವಾಗಿದ್ದು, ಜನಸಂಖ್ಯೆಯ ವಿಕಾಸದ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀಡಲಾದ ಸಮಸ್ಯೆಗೆ ಅತ್ಯುತ್ತಮ ಪರಿಹಾರವನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ. ಇವು 1975 ರಲ್ಲಿ [ಜಾನ್ ಹೆನ್ರಿ ಹೋಲ್ಯಾಂಡ್](https://wikipedia.org/wiki/John_Henry_Holland) ಅವರು ಪ್ರಸ್ತಾಪಿಸಿದರು.
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಕೆಳಗಿನ ಆಲೋಚನೆಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ:
|
||||
|
||||
* ಸಮಸ್ಯೆಗೆ ಮಾನ್ಯವಾದ ಪರಿಹಾರಗಳನ್ನು **ಜೀನ್ಸ್** ಆಗಿ ಪ್ರತಿನಿಧಿಸಬಹುದು
|
||||
* **ಕ್ರಾಸ್ಓವರ್** ಮೂಲಕ ಎರಡು ಪರಿಹಾರಗಳನ್ನು ಸೇರಿಸಿ ಹೊಸ ಮಾನ್ಯ ಪರಿಹಾರವನ್ನು ಪಡೆಯಬಹುದು
|
||||
* **ಆಯ್ಕೆ** ಮೂಲಕ ಕೆಲವು **ಫಿಟ್ನೆಸ್ ಫಂಕ್ಷನ್** ಬಳಸಿ ಹೆಚ್ಚು ಉತ್ತಮ ಪರಿಹಾರಗಳನ್ನು ಆರಿಸಬಹುದು
|
||||
* **ಮ್ಯೂಟೇಶನ್ಗಳು** ಪರಿಹಾರವನ್ನು ಅಸ್ಥಿರಗೊಳಿಸಲು ಮತ್ತು ಸ್ಥಳೀಯ ಕನಿಷ್ಠದಿಂದ ಹೊರಬರುವಂತೆ ಮಾಡುತ್ತವೆ
|
||||
|
||||
ನೀವು ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಬಯಸಿದರೆ, ನಿಮಗೆ ಕೆಳಗಿನವು ಬೇಕಾಗುತ್ತದೆ:
|
||||
|
||||
* ನಮ್ಮ ಸಮಸ್ಯೆಯ ಪರಿಹಾರಗಳನ್ನು **ಜೀನ್ಸ್** g∈Γ ಬಳಸಿ ಕೋಡಿಂಗ್ ಮಾಡುವ ವಿಧಾನವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು
|
||||
* ಜೀನ್ಸ್ Γ ಸೆಟ್ ಮೇಲೆ **ಫಿಟ್ನೆಸ್ ಫಂಕ್ಷನ್** fit: Γ→**R** ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು. ಕಡಿಮೆ ಮೌಲ್ಯಗಳು ಉತ್ತಮ ಪರಿಹಾರಗಳಿಗೆ ಸೂಚನೆ.
|
||||
* ಎರಡು ಜೀನ್ಸ್ ಅನ್ನು ಸೇರಿಸಿ ಹೊಸ ಮಾನ್ಯ ಪರಿಹಾರ ಪಡೆಯಲು **ಕ್ರಾಸ್ಓವರ್** ವಿಧಾನ crossover: Γ<sup>2</sub>→Γ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು.
|
||||
* **ಮ್ಯೂಟೇಶನ್** ವಿಧಾನ mutate: Γ→Γ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು.
|
||||
|
||||
ಬಹುತೆಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಕ್ರಾಸ್ಓವರ್ ಮತ್ತು ಮ್ಯೂಟೇಶನ್ ಸರಳ ಆಲ್ಗಾರಿದಮ್ಗಳಾಗಿದ್ದು, ಜೀನ್ಸ್ ಅನ್ನು ಸಂಖ್ಯಾತ್ಮಕ ಸರಣಿಗಳಾಗಿಯೂ ಅಥವಾ ಬಿಟ್ ವೆಕ್ಟರ್ಗಳಾಗಿಯೂ ನಿರ್ವಹಿಸುತ್ತವೆ.
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ನ ವಿಶೇಷ ಅನುಷ್ಠಾನವು ಪ್ರಕರಣದಿಂದ ಪ್ರಕರಣಕ್ಕೆ ಬದಲಾಗಬಹುದು, ಆದರೆ ಒಟ್ಟು ರಚನೆ ಹೀಗಿದೆ:
|
||||
|
||||
1. ಪ್ರಾಥಮಿಕ ಜನಸಂಖ್ಯೆ G⊂Γ ಆಯ್ಕೆಮಾಡಿ
|
||||
2. ಈ ಹಂತದಲ್ಲಿ ನಡೆಯುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿ: ಕ್ರಾಸ್ಓವರ್ ಅಥವಾ ಮ್ಯೂಟೇಶನ್
|
||||
3. **ಕ್ರಾಸ್ಓವರ್**:
|
||||
* ಯಾದೃಚ್ಛಿಕವಾಗಿ ಎರಡು ಜೀನ್ಸ್ g<sub>1</sub>, g<sub>2</sub> ∈ G ಆಯ್ಕೆಮಾಡಿ
|
||||
* ಕ್ರಾಸ್ಓವರ್ ಲೆಕ್ಕಿಸಿ g=crossover(g<sub>1</sub>,g<sub>2</sub>)
|
||||
* fit(g)<fit(g<sub>1</sub>) ಅಥವಾ fit(g)<fit(g<sub>2</sub>) ಆಗಿದ್ದರೆ - ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಸಂಬಂಧಿತ ಜೀನ್ ಅನ್ನು g ಮೂಲಕ ಬದಲಾಯಿಸಿ.
|
||||
4. **ಮ್ಯೂಟೇಶನ್** - ಯಾದೃಚ್ಛಿಕ ಜೀನ್ g∈G ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಅದನ್ನು mutate(g) ಮೂಲಕ ಬದಲಾಯಿಸಿ
|
||||
5. ಹಂತ 2 ರಿಂದ ಪುನರಾವರ್ತಿಸಿ, fit ಮೌಲ್ಯವು ಸಾಕಷ್ಟು ಕಡಿಮೆ ಆಗುವವರೆಗೆ ಅಥವಾ ಹಂತಗಳ ಗಡಿಯನ್ನು ತಲುಪುವವರೆಗೆ.
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳು
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳಿಂದ ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಹರಿಸಲಾಗುವ ಕಾರ್ಯಗಳು:
|
||||
|
||||
1. ವೇಳಾಪಟ್ಟಿ ಸುಧಾರಣೆ
|
||||
1. ಅತ್ಯುತ್ತಮ ಪ್ಯಾಕಿಂಗ್
|
||||
1. ಅತ್ಯುತ್ತಮ ಕತ್ತರಿಸುವಿಕೆ
|
||||
1. ಸಂಪೂರ್ಣ ಹುಡುಕಾಟವನ್ನು ವೇಗಗೊಳಿಸುವುದು
|
||||
|
||||
## ✍️ ಅಭ್ಯಾಸಗಳು: ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
ಕೆಳಗಿನ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ನಿಮ್ಮ ಅಧ್ಯಯನವನ್ನು ಮುಂದುವರಿಸಿ:
|
||||
|
||||
[ಈ ನೋಟ್ಬುಕ್](Genetic.ipynb) ಗೆ ಹೋಗಿ ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳ ಬಳಕೆಯ ಎರಡು ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಿ:
|
||||
|
||||
1. ಖಜಾನೆ ನ್ಯಾಯವಾದ ಹಂಚಿಕೆ
|
||||
1. 8 ರಾಣಿ ಸಮಸ್ಯೆ
|
||||
|
||||
## ಸಮಾರೋಪ
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಹುಡುಕಾಟ ಸಮಸ್ಯೆಗಳನ್ನು ಸೇರಿದಂತೆ ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಬಳಸಲಾಗುತ್ತವೆ. ಈ ಕ್ಷೇತ್ರವು ಮನೋವಿಜ್ಞಾನ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ವಿಷಯಗಳನ್ನು ಸಂಯೋಜಿಸಿದ ಸಂಶೋಧನೆಯಿಂದ ಪ್ರೇರಿತವಾಗಿದೆ.
|
||||
|
||||
## 🚀 ಸವಾಲು
|
||||
|
||||
"ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಸರಳವಾಗಿವೆ, ಆದರೆ ಅವುಗಳ ವರ್ತನೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟಕರವಾಗಿದೆ." [ಮೂಲ](https://wikipedia.org/wiki/Genetic_algorithm) Sudoku ಪಜಲ್ ಪರಿಹರಿಸುವಂತಹ ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ನ ಒಂದು ಅನುಷ್ಠಾನವನ್ನು ಹುಡುಕಿ, ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸ್ಕೆಚ್ ಅಥವಾ ಫ್ಲೋಚಾರ್ಟ್ ರೂಪದಲ್ಲಿ ವಿವರಿಸಿ.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ವಕ್ತೃ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ai/quiz/42)
|
||||
|
||||
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
|
||||
|
||||
[ಈ ಅದ್ಭುತ ವೀಡಿಯೋ](https://www.youtube.com/watch?v=qv6UVOQ0F44) ನೋಡಿ, ಇದು ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳಿಂದ ತರಬೇತಿಗೊಂಡ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳ ಮೂಲಕ ಕಂಪ್ಯೂಟರ್ ಹೇಗೆ ಸೂಪರ್ ಮಾರಿಯೋ ಆಟವನ್ನು ಕಲಿಯಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಾವು ಇಂತಹ ಆಟಗಳನ್ನು ಕಂಪ್ಯೂಟರ್ ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಎಂಬುದನ್ನು [ಮುಂದಿನ ವಿಭಾಗದಲ್ಲಿ](../22-DeepRL/README.md) ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಲಿದ್ದೇವೆ.
|
||||
|
||||
## [ಕಾರ್ಯ: ಡಯೋಫಾಂಟೈನ್ ಸಮೀಕರಣ](Diophantine.ipynb)
|
||||
|
||||
ನಿಮ್ಮ ಗುರಿ ಎಂದರೆ **ಡಯೋಫಾಂಟೈನ್ ಸಮೀಕರಣ** ಅನ್ನು ಪರಿಹರಿಸುವುದು - ಪೂರ್ಣಾಂಕ ಮೂಲಗಳೊಂದಿಗೆ ಸಮೀಕರಣ. ಉದಾಹರಣೆಗೆ, a+2b+3c+4d=30 ಎಂಬ ಸಮೀಕರಣವನ್ನು ಪರಿಗಣಿಸಿ. ಈ ಸಮೀಕರಣವನ್ನು ತೃಪ್ತಿಪಡಿಸುವ ಪೂರ್ಣಾಂಕ ಮೂಲಗಳನ್ನು ನೀವು ಕಂಡುಹಿಡಿಯಬೇಕು.
|
||||
|
||||
*ಈ ಕಾರ್ಯವನ್ನು ಪ್ರೇರೇಪಿಸಿದ ಮೂಲ [ಈ ಪೋಸ್ಟ್](https://habr.com/post/128704/) ಆಗಿದೆ.*
|
||||
|
||||
ಸೂಚನೆಗಳು:
|
||||
|
||||
1. ಮೂಲಗಳನ್ನು [0;30] ನಡುವಿನ ಅಂತರದಲ್ಲಿ ಪರಿಗಣಿಸಬಹುದು
|
||||
1. ಜೀನ್ ಆಗಿ ಮೂಲ ಮೌಲ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ಬಳಸಬಹುದು
|
||||
|
||||
ಆರಂಭಿಕವಾಗಿ [Diophantine.ipynb](Diophantine.ipynb) ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
## [ಪೂರ್ವ-ವಕ್ತೃ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
||||
**ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು** (GA) ಎಂಬವು AI ಗೆ ಸಂಬಂಧಿಸಿದ **ವಿಕಾಸಾತ್ಮಕ ವಿಧಾನ** ಆಧಾರಿತವಾಗಿದ್ದು, ಜನಸಂಖ್ಯೆಯ ವಿಕಾಸದ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀಡಲಾದ ಸಮಸ್ಯೆಗೆ ಅತ್ಯುತ್ತಮ ಪರಿಹಾರವನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ. ಇವು 1975 ರಲ್ಲಿ [ಜಾನ್ ಹೆನ್ರಿ ಹೋಲ್ಯಾಂಡ್](https://wikipedia.org/wiki/John_Henry_Holland) ಅವರು ಪ್ರಸ್ತಾಪಿಸಿದರು.
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಕೆಳಗಿನ ಆಲೋಚನೆಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ:
|
||||
|
||||
* ಸಮಸ್ಯೆಗೆ ಮಾನ್ಯವಾದ ಪರಿಹಾರಗಳನ್ನು **ಜೀನ್ಸ್** ಆಗಿ ಪ್ರತಿನಿಧಿಸಬಹುದು
|
||||
* **ಕ್ರಾಸ್ಓವರ್** ಮೂಲಕ ಎರಡು ಪರಿಹಾರಗಳನ್ನು ಸೇರಿಸಿ ಹೊಸ ಮಾನ್ಯ ಪರಿಹಾರವನ್ನು ಪಡೆಯಬಹುದು
|
||||
* **ಆಯ್ಕೆ** ಮೂಲಕ ಕೆಲವು **ಫಿಟ್ನೆಸ್ ಫಂಕ್ಷನ್** ಬಳಸಿ ಹೆಚ್ಚು ಉತ್ತಮ ಪರಿಹಾರಗಳನ್ನು ಆರಿಸಬಹುದು
|
||||
* **ಮ್ಯೂಟೇಶನ್ಗಳು** ಪರಿಹಾರವನ್ನು ಅಸ್ಥಿರಗೊಳಿಸಲು ಮತ್ತು ಸ್ಥಳೀಯ ಕನಿಷ್ಠದಿಂದ ಹೊರಬರುವಂತೆ ಮಾಡುತ್ತವೆ
|
||||
|
||||
ನೀವು ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಬಯಸಿದರೆ, ನಿಮಗೆ ಕೆಳಗಿನವು ಬೇಕಾಗುತ್ತದೆ:
|
||||
|
||||
* ನಮ್ಮ ಸಮಸ್ಯೆಯ ಪರಿಹಾರಗಳನ್ನು **ಜೀನ್ಸ್** g∈Γ ಬಳಸಿ ಕೋಡಿಂಗ್ ಮಾಡುವ ವಿಧಾನವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು
|
||||
* ಜೀನ್ಸ್ Γ ಸೆಟ್ ಮೇಲೆ **ಫಿಟ್ನೆಸ್ ಫಂಕ್ಷನ್** fit: Γ→**R** ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು. ಕಡಿಮೆ ಮೌಲ್ಯಗಳು ಉತ್ತಮ ಪರಿಹಾರಗಳಿಗೆ ಸೂಚನೆ.
|
||||
* ಎರಡು ಜೀನ್ಸ್ ಅನ್ನು ಸೇರಿಸಿ ಹೊಸ ಮಾನ್ಯ ಪರಿಹಾರ ಪಡೆಯಲು **ಕ್ರಾಸ್ಓವರ್** ವಿಧಾನ crossover: Γ<sup>2</sub>→Γ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು.
|
||||
* **ಮ್ಯೂಟೇಶನ್** ವಿಧಾನ mutate: Γ→Γ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು.
|
||||
|
||||
ಬಹುತೆಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಕ್ರಾಸ್ಓವರ್ ಮತ್ತು ಮ್ಯೂಟೇಶನ್ ಸರಳ ಆಲ್ಗಾರಿದಮ್ಗಳಾಗಿದ್ದು, ಜೀನ್ಸ್ ಅನ್ನು ಸಂಖ್ಯಾತ್ಮಕ ಸರಣಿಗಳಾಗಿಯೂ ಅಥವಾ ಬಿಟ್ ವೆಕ್ಟರ್ಗಳಾಗಿಯೂ ನಿರ್ವಹಿಸುತ್ತವೆ.
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ನ ವಿಶೇಷ ಅನುಷ್ಠಾನವು ಪ್ರಕರಣದಿಂದ ಪ್ರಕರಣಕ್ಕೆ ಬದಲಾಗಬಹುದು, ಆದರೆ ಒಟ್ಟು ರಚನೆ ಹೀಗಿದೆ:
|
||||
|
||||
1. ಪ್ರಾಥಮಿಕ ಜನಸಂಖ್ಯೆ G⊂Γ ಆಯ್ಕೆಮಾಡಿ
|
||||
2. ಈ ಹಂತದಲ್ಲಿ ನಡೆಯುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿ: ಕ್ರಾಸ್ಓವರ್ ಅಥವಾ ಮ್ಯೂಟೇಶನ್
|
||||
3. **ಕ್ರಾಸ್ಓವರ್**:
|
||||
* ಯಾದೃಚ್ಛಿಕವಾಗಿ ಎರಡು ಜೀನ್ಸ್ g<sub>1</sub>, g<sub>2</sub> ∈ G ಆಯ್ಕೆಮಾಡಿ
|
||||
* ಕ್ರಾಸ್ಓವರ್ ಲೆಕ್ಕಿಸಿ g=crossover(g<sub>1</sub>,g<sub>2</sub>)
|
||||
* fit(g)<fit(g<sub>1</sub>) ಅಥವಾ fit(g)<fit(g<sub>2</sub>) ಆಗಿದ್ದರೆ - ಜನಸಂಖ್ಯೆಯಲ್ಲಿನ ಸಂಬಂಧಿತ ಜೀನ್ ಅನ್ನು g ಮೂಲಕ ಬದಲಾಯಿಸಿ.
|
||||
4. **ಮ್ಯೂಟೇಶನ್** - ಯಾದೃಚ್ಛಿಕ ಜೀನ್ g∈G ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಅದನ್ನು mutate(g) ಮೂಲಕ ಬದಲಾಯಿಸಿ
|
||||
5. ಹಂತ 2 ರಿಂದ ಪುನರಾವರ್ತಿಸಿ, fit ಮೌಲ್ಯವು ಸಾಕಷ್ಟು ಕಡಿಮೆ ಆಗುವವರೆಗೆ ಅಥವಾ ಹಂತಗಳ ಗಡಿಯನ್ನು ತಲುಪುವವರೆಗೆ.
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳು
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳಿಂದ ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಹರಿಸಲಾಗುವ ಕಾರ್ಯಗಳು:
|
||||
|
||||
1. ವೇಳಾಪಟ್ಟಿ ಸುಧಾರಣೆ
|
||||
1. ಅತ್ಯುತ್ತಮ ಪ್ಯಾಕಿಂಗ್
|
||||
1. ಅತ್ಯುತ್ತಮ ಕತ್ತರಿಸುವಿಕೆ
|
||||
1. ಸಂಪೂರ್ಣ ಹುಡುಕಾಟವನ್ನು ವೇಗಗೊಳಿಸುವುದು
|
||||
|
||||
## ✍️ ಅಭ್ಯಾಸಗಳು: ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು
|
||||
|
||||
ಕೆಳಗಿನ ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ನಿಮ್ಮ ಅಧ್ಯಯನವನ್ನು ಮುಂದುವರಿಸಿ:
|
||||
|
||||
[ಈ ನೋಟ್ಬುಕ್](Genetic.ipynb) ಗೆ ಹೋಗಿ ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳ ಬಳಕೆಯ ಎರಡು ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಿ:
|
||||
|
||||
1. ಖಜಾನೆ ನ್ಯಾಯವಾದ ಹಂಚಿಕೆ
|
||||
1. 8 ರಾಣಿ ಸಮಸ್ಯೆ
|
||||
|
||||
## ಸಮಾರೋಪ
|
||||
|
||||
ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಹುಡುಕಾಟ ಸಮಸ್ಯೆಗಳನ್ನು ಸೇರಿದಂತೆ ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಬಳಸಲಾಗುತ್ತವೆ. ಈ ಕ್ಷೇತ್ರವು ಮನೋವಿಜ್ಞಾನ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ವಿಷಯಗಳನ್ನು ಸಂಯೋಜಿಸಿದ ಸಂಶೋಧನೆಯಿಂದ ಪ್ರೇರಿತವಾಗಿದೆ.
|
||||
|
||||
## 🚀 ಸವಾಲು
|
||||
|
||||
"ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳು ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಸರಳವಾಗಿವೆ, ಆದರೆ ಅವುಗಳ ವರ್ತನೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟಕರವಾಗಿದೆ." [ಮೂಲ](https://wikipedia.org/wiki/Genetic_algorithm) Sudoku ಪಜಲ್ ಪರಿಹರಿಸುವಂತಹ ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ನ ಒಂದು ಅನುಷ್ಠಾನವನ್ನು ಹುಡುಕಿ, ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸ್ಕೆಚ್ ಅಥವಾ ಫ್ಲೋಚಾರ್ಟ್ ರೂಪದಲ್ಲಿ ವಿವರಿಸಿ.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ವಕ್ತೃ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ai/quiz/42)
|
||||
|
||||
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
|
||||
|
||||
[ಈ ಅದ್ಭುತ ವೀಡಿಯೋ](https://www.youtube.com/watch?v=qv6UVOQ0F44) ನೋಡಿ, ಇದು ಜನಿತಿಕ ಆಲ್ಗಾರಿದಮ್ಗಳಿಂದ ತರಬೇತಿಗೊಂಡ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳ ಮೂಲಕ ಕಂಪ್ಯೂಟರ್ ಹೇಗೆ ಸೂಪರ್ ಮಾರಿಯೋ ಆಟವನ್ನು ಕಲಿಯಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ನಾವು ಇಂತಹ ಆಟಗಳನ್ನು ಕಂಪ್ಯೂಟರ್ ಹೇಗೆ ಕಲಿಯುತ್ತದೆ ಎಂಬುದನ್ನು [ಮುಂದಿನ ವಿಭಾಗದಲ್ಲಿ](../22-DeepRL/README.md) ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಲಿದ್ದೇವೆ.
|
||||
|
||||
## [ಕಾರ್ಯ: ಡಯೋಫಾಂಟೈನ್ ಸಮೀಕರಣ](Diophantine.ipynb)
|
||||
|
||||
ನಿಮ್ಮ ಗುರಿ ಎಂದರೆ **ಡಯೋಫಾಂಟೈನ್ ಸಮೀಕರಣ** ಅನ್ನು ಪರಿಹರಿಸುವುದು - ಪೂರ್ಣಾಂಕ ಮೂಲಗಳೊಂದಿಗೆ ಸಮೀಕರಣ. ಉದಾಹರಣೆಗೆ, a+2b+3c+4d=30 ಎಂಬ ಸಮೀಕರಣವನ್ನು ಪರಿಗಣಿಸಿ. ಈ ಸಮೀಕರಣವನ್ನು ತೃಪ್ತಿಪಡಿಸುವ ಪೂರ್ಣಾಂಕ ಮೂಲಗಳನ್ನು ನೀವು ಕಂಡುಹಿಡಿಯಬೇಕು.
|
||||
|
||||
*ಈ ಕಾರ್ಯವನ್ನು ಪ್ರೇರೇಪಿಸಿದ ಮೂಲ [ಈ ಪೋಸ್ಟ್](https://habr.com/post/128704/) ಆಗಿದೆ.*
|
||||
|
||||
ಸೂಚನೆಗಳು:
|
||||
|
||||
1. ಮೂಲಗಳನ್ನು [0;30] ನಡುವಿನ ಅಂತರದಲ್ಲಿ ಪರಿಗಣಿಸಬಹುದು
|
||||
1. ಜೀನ್ ಆಗಿ ಮೂಲ ಮೌಲ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ಬಳಸಬಹುದು
|
||||
|
||||
ಆರಂಭಿಕವಾಗಿ [Diophantine.ipynb](Diophantine.ipynb) ಅನ್ನು ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-11-25T23:33:50+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಡೀಪ್ ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್
|
||||
|
||||
ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (RL) ಅನ್ನು ಮೇಲ್ವಿಚಾರಿತ ಲರ್ನಿಂಗ್ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಲರ್ನಿಂಗ್ ಜೊತೆಗೆ ಮೂಲ ಯಂತ್ರ ಅಧ್ಯಯನ ಪರಿಕಲ್ಪನೆಗಳಲ್ಲಿ ಒಂದಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಿತ ಲರ್ನಿಂಗ್ನಲ್ಲಿ ನಾವು ಫಲಿತಾಂಶಗಳು ತಿಳಿದಿರುವ ಡೇಟಾಸೆಟ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದರೆ, RL **ಮಾಡುವ ಮೂಲಕ ಕಲಿಯುವಿಕೆ** ಆಧಾರಿತವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ನಾವು ಮೊದಲ ಬಾರಿಗೆ ಕಂಪ್ಯೂಟರ್ ಆಟವನ್ನು ನೋಡಿದಾಗ, ನಿಯಮಗಳನ್ನು ತಿಳಿಯದೆ ಇದ್ದರೂ ಆಡಲು ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ ಮತ್ತು ಆಟವಾಡುವ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಮತ್ತು ನಮ್ಮ ವರ್ತನೆಯನ್ನು ಹೊಂದಿಕೊಳ್ಳುವ ಮೂಲಕ ನಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಸುಧಾರಿಸಿಕೊಳ್ಳುತ್ತೇವೆ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-11-25T23:40:00+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಪರ್ವತ ಕಾರ್ ಅನ್ನು ತಪ್ಪಿಸಲು ತರಬೇತಿ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ನಿಂದ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-11-25T23:37:47+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಬಹು-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳು
|
||||
|
||||
ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸಾಧಿಸುವ ಸಾಧ್ಯವಾದ ಮಾರ್ಗಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ **ಉದ್ಭವಿಸುವ** (ಅಥವಾ **ಸಂಯೋಜಕ**) ವಿಧಾನ, ಇದು ಅನೇಕ ಸರಳ ಏಜೆಂಟ್ಗಳ ಸಂಯುಕ್ತ ವರ್ತನೆ ಸಂಪೂರ್ಣ ವ್ಯವಸ್ಥೆಯ ಒಟ್ಟಾರೆ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ (ಅಥವಾ ಬುದ್ಧಿವಂತ) ವರ್ತನೆಗೆ ಕಾರಣವಾಗಬಹುದು ಎಂಬ ತತ್ವದ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಇದು [ಸಾಮೂಹಿಕ ಬುದ್ಧಿಮತ್ತೆ](https://en.wikipedia.org/wiki/Collective_intelligence), [ಉದ್ಭವವಾದಿ](https://en.wikipedia.org/wiki/Global_brain) ಮತ್ತು [ವಿಕಾಸಾತ್ಮಕ ಸೈಬರ್ನೆಟಿಕ್ಸ್](https://en.wikipedia.org/wiki/Global_brain) ತತ್ವಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ, ಇದು ಹೇಳುತ್ತದೆ ಕೆಳಮಟ್ಟದ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸಿದಾಗ ಮೇಲ್ಮಟ್ಟದ ವ್ಯವಸ್ಥೆಗಳು ಕೆಲವು ಹೆಚ್ಚುವರಿ ಮೌಲ್ಯವನ್ನು ಪಡೆಯುತ್ತವೆ (ಇದನ್ನು *ಮೆಟಾಸಿಸ್ಟಮ್ ಪರಿವರ್ತನೆಯ ತತ್ವ* ಎಂದು ಕರೆಯುತ್ತಾರೆ).
|
||||
|
|
|
|||
|
|
@ -1,21 +1,12 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-11-25T23:35:25+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನೆಟ್ಲೋಗೋ ಅಸೈನ್ಮೆಂಟ್
|
||||
|
||||
ನೆಟ್ಲೋಗೋ ಲೈಬ್ರರಿಯಲ್ಲಿರುವ ಯಾವುದೇ ಒಂದು ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ನಿಜ ಜೀವನದ ಪರಿಸ್ಥಿತಿಯನ್ನು ಅನುಕರಿಸುವಂತೆ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡಿ. ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿ, Alternative Visualizations ಫೋಲ್ಡರ್ನಲ್ಲಿರುವ Virus ಮಾದರಿಯನ್ನು ತಿದ್ದುಪಡಿ ಮಾಡಿ, ಅದು COVID-19 ಹರಡುವಿಕೆಯನ್ನು ಹೇಗೆ ಮಾದರಿಯಾಗಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸಬಹುದು. ನೀವು ನಿಜ ಜೀವನದ ವೈರಲ್ ಹರಡುವಿಕೆಯನ್ನು ಅನುಕರಿಸುವ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಬಹುದೇ?
|
||||
|
||||
ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಒಂದು ಪ್ರತಿಯನ್ನು ಉಳಿಸಿ, ಮಾದರಿ ನಿಜ ಜೀವನದ ಪರಿಸ್ಥಿತಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ವೀಡಿಯೋ ಡೆಮೋ ನಿರ್ಮಿಸುವ ಮೂಲಕ ತೋರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ನೆಟ್ಲೋಗೋ ಅಸೈನ್ಮೆಂಟ್
|
||||
|
||||
ನೆಟ್ಲೋಗೋ ಲೈಬ್ರರಿಯಲ್ಲಿರುವ ಯಾವುದೇ ಒಂದು ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ನಿಜ ಜೀವನದ ಪರಿಸ್ಥಿತಿಯನ್ನು ಅನುಕರಿಸುವಂತೆ ಸಿಮ್ಯುಲೇಟ್ ಮಾಡಿ. ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿ, Alternative Visualizations ಫೋಲ್ಡರ್ನಲ್ಲಿರುವ Virus ಮಾದರಿಯನ್ನು ತಿದ್ದುಪಡಿ ಮಾಡಿ, ಅದು COVID-19 ಹರಡುವಿಕೆಯನ್ನು ಹೇಗೆ ಮಾದರಿಯಾಗಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸಬಹುದು. ನೀವು ನಿಜ ಜೀವನದ ವೈರಲ್ ಹರಡುವಿಕೆಯನ್ನು ಅನುಕರಿಸುವ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಬಹುದೇ?
|
||||
|
||||
ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಒಂದು ಪ್ರತಿಯನ್ನು ಉಳಿಸಿ, ಮಾದರಿ ನಿಜ ಜೀವನದ ಪರಿಸ್ಥಿತಿಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ವೀಡಿಯೋ ಡೆಮೋ ನಿರ್ಮಿಸುವ ಮೂಲಕ ತೋರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,56 +1,47 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-11-25T21:20:42+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ನೈತಿಕ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ AI
|
||||
|
||||
ನೀವು ಈ ಕೋರ್ಸ್ ಅನ್ನು ಬಹುಶಃ ಮುಗಿಸುತ್ತಿದ್ದೀರಿ, ಮತ್ತು ಈಗಾಗಲೇ ನೀವು ಸ್ಪಷ್ಟವಾಗಿ ನೋಡಬಹುದು AI ಅನೇಕ ಗಣಿತೀಯ ವಿಧಾನಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ, ಅವು ನಮಗೆ ಡೇಟಾದಲ್ಲಿ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ಮಾನವ ವರ್ತನೆಯ ಕೆಲವು ಅಂಶಗಳನ್ನು ನಕಲಿಸಲು ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಇತಿಹಾಸದ ಈ ಹಂತದಲ್ಲಿ, ನಾವು AI ಅನ್ನು ಡೇಟಾದಿಂದ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಆ ಮಾದರಿಗಳನ್ನು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅನ್ವಯಿಸುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಸಾಧನವೆಂದು ಪರಿಗಣಿಸುತ್ತೇವೆ.
|
||||
|
||||
## [ಪೂರ್ವ-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5/)
|
||||
|
||||
ಆದರೆ, ವಿಜ್ಞಾನ ಕಲ್ಪನೆಯಲ್ಲಿ ನಾವು ಸಾಮಾನ್ಯವಾಗಿ AI ಮಾನವಜಾತಿಗೆ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುವ ಕಥೆಗಳನ್ನು ನೋಡುತ್ತೇವೆ. ಸಾಮಾನ್ಯವಾಗಿ ಆ ಕಥೆಗಳು AI ಬಂಡವಾಳದ ಸುತ್ತಲೂ ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತವೆ, ಅಂದರೆ AI ಮಾನವರೊಂದಿಗೆ ಎದುರಿಸಲು ನಿರ್ಧರಿಸುವಾಗ. ಇದು AI ಗೆ ಕೆಲವು ಭಾವನೆಗಳಿವೆ ಅಥವಾ ಅದರ ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಂದ ನಿರೀಕ್ಷಿಸಲಾಗದ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.
|
||||
|
||||
ನಾವು ಈ ಕೋರ್ಸ್ನಲ್ಲಿ ಕಲಿತ AI ಪ್ರಕಾರವು ದೊಡ್ಡ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗಣಿತಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿಲ್ಲ. ಇದು ನಮ್ಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಸಾಧನವಾಗಿದೆ, ಮತ್ತು ಯಾವುದೇ ಶಕ್ತಿಶಾಲಿ ಸಾಧನದಂತೆ - ಇದು ಒಳ್ಳೆಯ ಮತ್ತು ಕೆಟ್ಟ ಉದ್ದೇಶಗಳಿಗೆ ಬಳಸಬಹುದು. ಮುಖ್ಯವಾಗಿ, ಇದನ್ನು *ತಪ್ಪಾಗಿ ಬಳಸಬಹುದು*.
|
||||
|
||||
## ಜವಾಬ್ದಾರಿಯುತ AI ನ ತತ್ವಗಳು
|
||||
|
||||
AI ನ ಈ ಅನೈಚ್ಛಿಕ ಅಥವಾ ಉದ್ದೇಶಪೂರ್ವಕ ದುರುಪಯೋಗವನ್ನು ತಪ್ಪಿಸಲು, ಮೈಕ್ರೋಸಾಫ್ಟ್ ಮಹತ್ವದ [ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳು](https://www.microsoft.com/ai/responsible-ai?WT.mc_id=academic-77998-cacaste) ಅನ್ನು ಘೋಷಿಸಿದೆ. ಈ ತತ್ವಗಳನ್ನು ಆಧರಿಸುವ ಪ್ರಮುಖ ಕಲ್ಪನೆಗಳು ಇವು:
|
||||
|
||||
* **ನ್ಯಾಯತೀತೆ** ಎಂಬುದು *ಮಾದರಿ ಪೂರ್ವಗ್ರಹ* ಎಂಬ ಪ್ರಮುಖ ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದೆ, ಇದು ತರಬೇತಿಗಾಗಿ ಪೂರ್ವಗ್ರಹಿತ ಡೇಟಾ ಬಳಕೆಯಿಂದ ಉಂಟಾಗಬಹುದು. ಉದಾಹರಣೆಗೆ, ನಾವು ಒಬ್ಬ ವ್ಯಕ್ತಿಗೆ ಸಾಫ್ಟ್ವೇರ್ ಡೆವಲಪರ್ ಉದ್ಯೋಗ ಪಡೆಯುವ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಮಾದರಿ ಗಂಡುಗಳಿಗೆ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ನೀಡಬಹುದು - ಏಕೆಂದರೆ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ ಗಂಡು ಪ್ರೇಕ್ಷಕರ ಕಡೆಗೆ ಪೂರ್ವಗ್ರಹಿತವಾಗಿರಬಹುದು. ನಾವು ತರಬೇತಿ ಡೇಟಾವನ್ನು ಜಾಗರೂಕತೆಯಿಂದ ಸಮತೋಲನಗೊಳಿಸಬೇಕು ಮತ್ತು ಪೂರ್ವಗ್ರಹಗಳನ್ನು ತಪ್ಪಿಸಲು ಮಾದರಿಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು, ಮತ್ತು ಮಾದರಿ ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಲಕ್ಷಣಗಳನ್ನು ಪರಿಗಣಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ನಂಬಿಕೆ ಮತ್ತು ಸುರಕ್ಷತೆ**. ಸ್ವಭಾವದಿಂದ, AI ಮಾದರಿಗಳು ತಪ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು. ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಸಾಧ್ಯತೆಗಳನ್ನು ನೀಡುತ್ತದೆ, ಮತ್ತು ನಾವು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಾಗ ಅದನ್ನು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರತಿಯೊಂದು ಮಾದರಿಗೂ ಕೆಲವು ನಿಖರತೆ ಮತ್ತು ಸ್ಮರಣೆ ಇರುತ್ತದೆ, ಮತ್ತು ತಪ್ಪು ಸಲಹೆಯಿಂದ ಉಂಟಾಗುವ ಹಾನಿಯನ್ನು ತಡೆಯಲು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ** ಗೆ ಕೆಲವು AI-ನಿರ್ದಿಷ್ಟ ಪರಿಣಾಮಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, ನಾವು ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಕೆಲವು ಡೇಟಾವನ್ನು ಬಳಸಿದಾಗ, ಆ ಡೇಟಾ ಮಾದರಿಯಲ್ಲಿ "ಒಗ್ಗೂಡಿಸಲಾಗುತ್ತದೆ". ಒಂದು ಕಡೆ, ಇದು ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮತ್ತೊಂದು ಕಡೆ - ನಾವು ಯಾವ ಡೇಟಾ ಮೇಲೆ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ನೆನಪಿಡಬೇಕು.
|
||||
* **ಸಮಾವೇಶತೆ** ಅಂದರೆ ನಾವು ಜನರನ್ನು ಬದಲಾಯಿಸಲು AI ನಿರ್ಮಿಸುತ್ತಿಲ್ಲ, ಬದಲಾಗಿ ಜನರನ್ನು ಹೆಚ್ಚಿಸಲು ಮತ್ತು ನಮ್ಮ ಕೆಲಸವನ್ನು ಹೆಚ್ಚು ಸೃಜನಶೀಲವಾಗಿಸಲು. ಇದು ನ್ಯಾಯತೀತೆಯೊಂದಿಗೆ ಕೂಡ ಸಂಬಂಧಿಸಿದೆ, ಏಕೆಂದರೆ ಅಲ್ಪಪ್ರತಿನಿಧಿತ ಸಮುದಾಯಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ, ನಾವು ಸಂಗ್ರಹಿಸುವ ಹೆಚ್ಚಿನ ಡೇಟಾಸೆಟ್ಗಳು ಪೂರ್ವಗ್ರಹಿತವಾಗಿರಬಹುದು, ಮತ್ತು ಆ ಸಮುದಾಯಗಳನ್ನು AI ಸರಿಯಾಗಿ ಒಳಗೊಂಡು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ಪಾರದರ್ಶಕತೆ**. ಇದರಲ್ಲಿ AI ಬಳಸಲಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟವಾಗಿರಿಸುವುದು ಸೇರಿದೆ. ಜೊತೆಗೆ, ಸಾಧ್ಯವಾದಲ್ಲಿ, ನಾವು *ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ* AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸಲು ಬಯಸುತ್ತೇವೆ.
|
||||
* **ಹೆಚ್ಚುವರಿ ಜವಾಬ್ದಾರಿ**. AI ಮಾದರಿಗಳು ಕೆಲವು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಂಡಾಗ, ಆ ನಿರ್ಧಾರಗಳಿಗೆ ಯಾರು ಜವಾಬ್ದಾರರಾಗಿದ್ದಾರೆ ಎಂಬುದು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟವಾಗುವುದಿಲ್ಲ. AI ನಿರ್ಧಾರಗಳ ಜವಾಬ್ದಾರಿ ಎಲ್ಲಿ ಇದೆ ಎಂಬುದನ್ನು ನಾವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಾವು ಪ್ರಮುಖ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾನವರನ್ನು ಸೇರಿಸಲು ಬಯಸುತ್ತೇವೆ, ಹೀಗಾಗಿ ನಿಜವಾದ ಜನರು ಜವಾಬ್ದಾರಿಯಾಗಿರುತ್ತಾರೆ.
|
||||
|
||||
## ಜವಾಬ್ದಾರಿಯುತ AI ಗೆ ಉಪಕರಣಗಳು
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ [Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox) ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ, ಇದು ಕೆಲವು ಉಪಕರಣಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
|
||||
|
||||
* Interpretability Dashboard (InterpretML)
|
||||
* Fairness Dashboard (FairLearn)
|
||||
* Error Analysis Dashboard
|
||||
* Responsible AI Dashboard ಇದರಲ್ಲಿ ಸೇರಿವೆ
|
||||
|
||||
- EconML - ಕಾರಣಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಗೆ ಉಪಕರಣ, ಇದು "ಏನಾದರೂ ಆಗಿದ್ದರೆ" ಪ್ರಶ್ನೆಗಳಿಗೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ
|
||||
- DiCE - ಪ್ರತಿಕೂಲ ವಿಶ್ಲೇಷಣೆಗೆ ಉಪಕರಣ, ಇದು ಯಾವ ಲಕ್ಷಣಗಳನ್ನು ಬದಲಾಯಿಸಬೇಕೆಂದು ನೋಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮಾದರಿಯ ನಿರ್ಧಾರವನ್ನು ಪ್ರಭಾವಿತಗೊಳಿಸಲು
|
||||
|
||||
AI ನ ನೈತಿಕತೆ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, ದಯವಿಟ್ಟು [ಈ ಪಾಠ](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/3-fairness?WT.mc_id=academic-77998-cacaste) ಅನ್ನು ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೋಡಿ, ಇದರಲ್ಲಿ ಅಸೈನ್ಮೆಂಟ್ಗಳೂ ಸೇರಿವೆ.
|
||||
|
||||
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
|
||||
|
||||
ಜವಾಬ್ದಾರಿಯುತ AI ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿಯಲು ಈ [ಕಲಿಕೆ ಮಾರ್ಗವನ್ನು](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77998-cacaste) ಅನುಸರಿಸಿ.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6/)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# ನೈತಿಕ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ AI
|
||||
|
||||
ನೀವು ಈ ಕೋರ್ಸ್ ಅನ್ನು ಬಹುಶಃ ಮುಗಿಸುತ್ತಿದ್ದೀರಿ, ಮತ್ತು ಈಗಾಗಲೇ ನೀವು ಸ್ಪಷ್ಟವಾಗಿ ನೋಡಬಹುದು AI ಅನೇಕ ಗಣಿತೀಯ ವಿಧಾನಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ, ಅವು ನಮಗೆ ಡೇಟಾದಲ್ಲಿ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ಮಾನವ ವರ್ತನೆಯ ಕೆಲವು ಅಂಶಗಳನ್ನು ನಕಲಿಸಲು ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಇತಿಹಾಸದ ಈ ಹಂತದಲ್ಲಿ, ನಾವು AI ಅನ್ನು ಡೇಟಾದಿಂದ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಆ ಮಾದರಿಗಳನ್ನು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅನ್ವಯಿಸುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಸಾಧನವೆಂದು ಪರಿಗಣಿಸುತ್ತೇವೆ.
|
||||
|
||||
## [ಪೂರ್ವ-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್](https://white-water-09ec41f0f.azurestaticapps.net/quiz/5/)
|
||||
|
||||
ಆದರೆ, ವಿಜ್ಞಾನ ಕಲ್ಪನೆಯಲ್ಲಿ ನಾವು ಸಾಮಾನ್ಯವಾಗಿ AI ಮಾನವಜಾತಿಗೆ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುವ ಕಥೆಗಳನ್ನು ನೋಡುತ್ತೇವೆ. ಸಾಮಾನ್ಯವಾಗಿ ಆ ಕಥೆಗಳು AI ಬಂಡವಾಳದ ಸುತ್ತಲೂ ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತವೆ, ಅಂದರೆ AI ಮಾನವರೊಂದಿಗೆ ಎದುರಿಸಲು ನಿರ್ಧರಿಸುವಾಗ. ಇದು AI ಗೆ ಕೆಲವು ಭಾವನೆಗಳಿವೆ ಅಥವಾ ಅದರ ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಂದ ನಿರೀಕ್ಷಿಸಲಾಗದ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.
|
||||
|
||||
ನಾವು ಈ ಕೋರ್ಸ್ನಲ್ಲಿ ಕಲಿತ AI ಪ್ರಕಾರವು ದೊಡ್ಡ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗಣಿತಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿಲ್ಲ. ಇದು ನಮ್ಮ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಸಾಧನವಾಗಿದೆ, ಮತ್ತು ಯಾವುದೇ ಶಕ್ತಿಶಾಲಿ ಸಾಧನದಂತೆ - ಇದು ಒಳ್ಳೆಯ ಮತ್ತು ಕೆಟ್ಟ ಉದ್ದೇಶಗಳಿಗೆ ಬಳಸಬಹುದು. ಮುಖ್ಯವಾಗಿ, ಇದನ್ನು *ತಪ್ಪಾಗಿ ಬಳಸಬಹುದು*.
|
||||
|
||||
## ಜವಾಬ್ದಾರಿಯುತ AI ನ ತತ್ವಗಳು
|
||||
|
||||
AI ನ ಈ ಅನೈಚ್ಛಿಕ ಅಥವಾ ಉದ್ದೇಶಪೂರ್ವಕ ದುರುಪಯೋಗವನ್ನು ತಪ್ಪಿಸಲು, ಮೈಕ್ರೋಸಾಫ್ಟ್ ಮಹತ್ವದ [ಜವಾಬ್ದಾರಿಯುತ AI ತತ್ವಗಳು](https://www.microsoft.com/ai/responsible-ai?WT.mc_id=academic-77998-cacaste) ಅನ್ನು ಘೋಷಿಸಿದೆ. ಈ ತತ್ವಗಳನ್ನು ಆಧರಿಸುವ ಪ್ರಮುಖ ಕಲ್ಪನೆಗಳು ಇವು:
|
||||
|
||||
* **ನ್ಯಾಯತೀತೆ** ಎಂಬುದು *ಮಾದರಿ ಪೂರ್ವಗ್ರಹ* ಎಂಬ ಪ್ರಮುಖ ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದೆ, ಇದು ತರಬೇತಿಗಾಗಿ ಪೂರ್ವಗ್ರಹಿತ ಡೇಟಾ ಬಳಕೆಯಿಂದ ಉಂಟಾಗಬಹುದು. ಉದಾಹರಣೆಗೆ, ನಾವು ಒಬ್ಬ ವ್ಯಕ್ತಿಗೆ ಸಾಫ್ಟ್ವೇರ್ ಡೆವಲಪರ್ ಉದ್ಯೋಗ ಪಡೆಯುವ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಮಾದರಿ ಗಂಡುಗಳಿಗೆ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ನೀಡಬಹುದು - ಏಕೆಂದರೆ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ ಗಂಡು ಪ್ರೇಕ್ಷಕರ ಕಡೆಗೆ ಪೂರ್ವಗ್ರಹಿತವಾಗಿರಬಹುದು. ನಾವು ತರಬೇತಿ ಡೇಟಾವನ್ನು ಜಾಗರೂಕತೆಯಿಂದ ಸಮತೋಲನಗೊಳಿಸಬೇಕು ಮತ್ತು ಪೂರ್ವಗ್ರಹಗಳನ್ನು ತಪ್ಪಿಸಲು ಮಾದರಿಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು, ಮತ್ತು ಮಾದರಿ ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಲಕ್ಷಣಗಳನ್ನು ಪರಿಗಣಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ನಂಬಿಕೆ ಮತ್ತು ಸುರಕ್ಷತೆ**. ಸ್ವಭಾವದಿಂದ, AI ಮಾದರಿಗಳು ತಪ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು. ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಸಾಧ್ಯತೆಗಳನ್ನು ನೀಡುತ್ತದೆ, ಮತ್ತು ನಾವು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಾಗ ಅದನ್ನು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರತಿಯೊಂದು ಮಾದರಿಗೂ ಕೆಲವು ನಿಖರತೆ ಮತ್ತು ಸ್ಮರಣೆ ಇರುತ್ತದೆ, ಮತ್ತು ತಪ್ಪು ಸಲಹೆಯಿಂದ ಉಂಟಾಗುವ ಹಾನಿಯನ್ನು ತಡೆಯಲು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆ** ಗೆ ಕೆಲವು AI-ನಿರ್ದಿಷ್ಟ ಪರಿಣಾಮಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, ನಾವು ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಕೆಲವು ಡೇಟಾವನ್ನು ಬಳಸಿದಾಗ, ಆ ಡೇಟಾ ಮಾದರಿಯಲ್ಲಿ "ಒಗ್ಗೂಡಿಸಲಾಗುತ್ತದೆ". ಒಂದು ಕಡೆ, ಇದು ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮತ್ತೊಂದು ಕಡೆ - ನಾವು ಯಾವ ಡೇಟಾ ಮೇಲೆ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ನೆನಪಿಡಬೇಕು.
|
||||
* **ಸಮಾವೇಶತೆ** ಅಂದರೆ ನಾವು ಜನರನ್ನು ಬದಲಾಯಿಸಲು AI ನಿರ್ಮಿಸುತ್ತಿಲ್ಲ, ಬದಲಾಗಿ ಜನರನ್ನು ಹೆಚ್ಚಿಸಲು ಮತ್ತು ನಮ್ಮ ಕೆಲಸವನ್ನು ಹೆಚ್ಚು ಸೃಜನಶೀಲವಾಗಿಸಲು. ಇದು ನ್ಯಾಯತೀತೆಯೊಂದಿಗೆ ಕೂಡ ಸಂಬಂಧಿಸಿದೆ, ಏಕೆಂದರೆ ಅಲ್ಪಪ್ರತಿನಿಧಿತ ಸಮುದಾಯಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ, ನಾವು ಸಂಗ್ರಹಿಸುವ ಹೆಚ್ಚಿನ ಡೇಟಾಸೆಟ್ಗಳು ಪೂರ್ವಗ್ರಹಿತವಾಗಿರಬಹುದು, ಮತ್ತು ಆ ಸಮುದಾಯಗಳನ್ನು AI ಸರಿಯಾಗಿ ಒಳಗೊಂಡು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು.
|
||||
* **ಪಾರದರ್ಶಕತೆ**. ಇದರಲ್ಲಿ AI ಬಳಸಲಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟವಾಗಿರಿಸುವುದು ಸೇರಿದೆ. ಜೊತೆಗೆ, ಸಾಧ್ಯವಾದಲ್ಲಿ, ನಾವು *ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ* AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬಳಸಲು ಬಯಸುತ್ತೇವೆ.
|
||||
* **ಹೆಚ್ಚುವರಿ ಜವಾಬ್ದಾರಿ**. AI ಮಾದರಿಗಳು ಕೆಲವು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಂಡಾಗ, ಆ ನಿರ್ಧಾರಗಳಿಗೆ ಯಾರು ಜವಾಬ್ದಾರರಾಗಿದ್ದಾರೆ ಎಂಬುದು ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟವಾಗುವುದಿಲ್ಲ. AI ನಿರ್ಧಾರಗಳ ಜವಾಬ್ದಾರಿ ಎಲ್ಲಿ ಇದೆ ಎಂಬುದನ್ನು ನಾವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ನಾವು ಪ್ರಮುಖ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾನವರನ್ನು ಸೇರಿಸಲು ಬಯಸುತ್ತೇವೆ, ಹೀಗಾಗಿ ನಿಜವಾದ ಜನರು ಜವಾಬ್ದಾರಿಯಾಗಿರುತ್ತಾರೆ.
|
||||
|
||||
## ಜವಾಬ್ದಾರಿಯುತ AI ಗೆ ಉಪಕರಣಗಳು
|
||||
|
||||
ಮೈಕ್ರೋಸಾಫ್ಟ್ [Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox) ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ, ಇದು ಕೆಲವು ಉಪಕರಣಗಳನ್ನು ಒಳಗೊಂಡಿದೆ:
|
||||
|
||||
* Interpretability Dashboard (InterpretML)
|
||||
* Fairness Dashboard (FairLearn)
|
||||
* Error Analysis Dashboard
|
||||
* Responsible AI Dashboard ಇದರಲ್ಲಿ ಸೇರಿವೆ
|
||||
|
||||
- EconML - ಕಾರಣಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಗೆ ಉಪಕರಣ, ಇದು "ಏನಾದರೂ ಆಗಿದ್ದರೆ" ಪ್ರಶ್ನೆಗಳಿಗೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ
|
||||
- DiCE - ಪ್ರತಿಕೂಲ ವಿಶ್ಲೇಷಣೆಗೆ ಉಪಕರಣ, ಇದು ಯಾವ ಲಕ್ಷಣಗಳನ್ನು ಬದಲಾಯಿಸಬೇಕೆಂದು ನೋಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮಾದರಿಯ ನಿರ್ಧಾರವನ್ನು ಪ್ರಭಾವಿತಗೊಳಿಸಲು
|
||||
|
||||
AI ನ ನೈತಿಕತೆ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, ದಯವಿಟ್ಟು [ಈ ಪಾಠ](https://github.com/microsoft/ML-For-Beginners/tree/main/1-Introduction/3-fairness?WT.mc_id=academic-77998-cacaste) ಅನ್ನು ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ನೋಡಿ, ಇದರಲ್ಲಿ ಅಸೈನ್ಮೆಂಟ್ಗಳೂ ಸೇರಿವೆ.
|
||||
|
||||
## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
|
||||
|
||||
ಜವಾಬ್ದಾರಿಯುತ AI ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿಯಲು ಈ [ಕಲಿಕೆ ಮಾರ್ಗವನ್ನು](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77998-cacaste) ಅನುಸರಿಸಿ.
|
||||
|
||||
## [ಪೋಸ್ಟ್-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್](https://white-water-09ec41f0f.azurestaticapps.net/quiz/6/)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-11-25T20:36:30+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಅವಲೋಕನ
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-11-25T23:43:54+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# ಬಹು-ಮೋಡಲ್ ನೆಟ್ವರ್ಕ್ಗಳು
|
||||
|
||||
NLP ಕಾರ್ಯಗಳನ್ನು ಪರಿಹರಿಸಲು ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಗಳ ಯಶಸ್ಸಿನ ನಂತರ, ಅದೇ ಅಥವಾ ಸಮಾನ ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಕಾರ್ಯಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ. ದೃಷ್ಟಿ ಮತ್ತು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಾಮರ್ಥ್ಯಗಳನ್ನು *ಸಂಯೋಜಿಸುವ* ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಆಸಕ್ತಿ ಇದೆ. ಇಂತಹ ಪ್ರಯತ್ನಗಳಲ್ಲಿ ಒಂದನ್ನು OpenAI ಮಾಡಿದ್ದು, ಅದನ್ನು CLIP ಮತ್ತು DALL.E ಎಂದು ಕರೆಯುತ್ತಾರೆ.
|
||||
|
|
|
|||
|
|
@ -1,191 +1,182 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-11-25T21:33:17+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಕಾರ್ಪೊರೇಶನ್ ("ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್") ಒಂದು ಕಾನೂನು ಸಂಸ್ಥೆ ಅಲ್ಲ ಮತ್ತು ಕಾನೂನು ಸೇವೆಗಳು ಅಥವಾ ಕಾನೂನು ಸಲಹೆಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳನ್ನು ಹಂಚಿಕೆ ಮಾಡುವುದು ವಕೀಲ-ಗ್ರಾಹಕ ಅಥವಾ ಇತರ ಸಂಬಂಧವನ್ನು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪರವಾನಗಿಗಳನ್ನು ಮತ್ತು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು "ಹಾಗೇ ಇದೆ" ಆಧಾರದ ಮೇಲೆ ಲಭ್ಯವಿರಿಸುತ್ತದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪರವಾನಗಿಗಳ ಬಗ್ಗೆ, ಅವುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಯಾವುದೇ ವಸ್ತುಗಳ ಬಗ್ಗೆ ಅಥವಾ ಯಾವುದೇ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯ ಬಗ್ಗೆ ಯಾವುದೇ ಜಾಮೀನೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅವುಗಳ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಹಾನಿಗಳಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಜವಾಬ್ದಾರಿಯನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ.
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳನ್ನು ಬಳಸುವುದು
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳು ಸೃಷ್ಟಿಕರ್ತರು ಮತ್ತು ಇತರ ಹಕ್ಕುಧಾರಕರು ಮೂಲ ಲೇಖನ ಮತ್ತು ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಳಗಿನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳಿಗೆ ಒಳಪಟ್ಟ ವಸ್ತುಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಬಳಸಬಹುದಾದ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಸಾಮಾನ್ಯ ಸೆಟ್ ಅನ್ನು ಒದಗಿಸುತ್ತವೆ. ಕೆಳಗಿನ ವಿಚಾರಣೆಗಳು ಮಾಹಿತಿ ಉದ್ದೇಶಕ್ಕಾಗಿ ಮಾತ್ರ, ಸಂಪೂರ್ಣವಲ್ಲ ಮತ್ತು ನಮ್ಮ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ.
|
||||
|
||||
ಪರವಾನಗಿ ನೀಡುವವರಿಗಾಗಿ ವಿಚಾರಣೆಗಳು: ನಮ್ಮ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳು
|
||||
ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರುವ ವಸ್ತುಗಳನ್ನು ಸಾರ್ವಜನಿಕರಿಗೆ ಬಳಸಲು ಅನುಮತಿ ನೀಡಲು ಅಧಿಕಾರ ಹೊಂದಿರುವವರ ಬಳಕೆಗಾಗಿ ಉದ್ದೇಶಿಸಲಾಗಿದೆ. ನಮ್ಮ ಪರವಾನಗಿಗಳು ರದ್ದುಗೊಳಿಸಲಾಗದವು. ಪರವಾನಗಿ ನೀಡುವವರು ಆಯ್ಕೆಮಾಡಿದ ಪರವಾನಗಿ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೊದಲು ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. ಪರವಾನಗಿ ನೀಡುವವರು ಸಾರ್ವಜನಿಕರು ನಿರೀಕ್ಷಿಸುವಂತೆ ವಸ್ತುವನ್ನು ಮರುಬಳಕೆ ಮಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಹಕ್ಕುಗಳನ್ನು ಪಡೆಯಬೇಕು. ಪರವಾನಗಿ ಅನ್ವಯಿಸದ ಯಾವುದೇ ವಸ್ತುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸಬೇಕು. ಇದರಲ್ಲಿ ಇತರ CC-ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುಗಳು ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕಿಗೆ ಹೊರತಾಗಿರುವ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿಯಡಿ ಬಳಸಲಾಗುವ ವಸ್ತುಗಳು ಸೇರಿವೆ. ಪರವಾನಗಿ ನೀಡುವವರಿಗಾಗಿ ಹೆಚ್ಚಿನ ವಿಚಾರಣೆಗಳು:
|
||||
wiki.creativecommons.org/Considerations_for_licensors
|
||||
|
||||
ಸಾರ್ವಜನಿಕರಿಗಾಗಿ ವಿಚಾರಣೆಗಳು: ನಮ್ಮ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸುವ ಮೂಲಕ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿರ್ದಿಷ್ಟ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬಳಸಲು ಸಾರ್ವಜನಿಕರಿಗೆ ಅನುಮತಿ ನೀಡುತ್ತಾರೆ. ಯಾವುದೇ ಕಾರಣಕ್ಕಾಗಿ ಪರವಾನಗಿ ನೀಡುವವರ ಅನುಮತಿ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೆ—for ಉದಾಹರಣೆಗೆ, ಯಾವುದೇ ಅನ್ವಯಿಸುವ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿಯ ಕಾರಣದಿಂದ—ಆ ಬಳಕೆ ಪರವಾನಗಿಯಿಂದ ನಿಯಂತ್ರಿತವಾಗುವುದಿಲ್ಲ. ನಮ್ಮ ಪರವಾನಗಿಗಳು ಪರವಾನಗಿ ನೀಡುವವರಿಗೆ ನೀಡಲು ಅಧಿಕಾರವಿರುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳ ಅಡಿಯಲ್ಲಿ ಮಾತ್ರ ಅನುಮತಿಗಳನ್ನು ನೀಡುತ್ತವೆ. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆ ಇನ್ನೂ ಇತರ ಕಾರಣಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರಬಹುದು, ಉದಾಹರಣೆಗೆ ಇತರರಿಗೆ ಆ ವಸ್ತುವಿನಲ್ಲಿ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಅಥವಾ ಇತರ ಹಕ್ಕುಗಳಿದ್ದರೆ. ಪರವಾನಗಿ ನೀಡುವವರು ವಿಶೇಷ ವಿನಂತಿಗಳನ್ನು ಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಎಲ್ಲಾ ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಅಥವಾ ವಿವರಿಸಲು ಕೇಳಬಹುದು. ನಮ್ಮ ಪರವಾನಗಿಗಳಿಂದ ಅವಶ್ಯಕವಿಲ್ಲದಿದ್ದರೂ, ನೀವು ಆ ವಿನಂತಿಗಳನ್ನು ಯುಕ್ತಿಯುತವಾಗಿದ್ದಲ್ಲಿ ಗೌರವಿಸುವಂತೆ ಪ್ರೋತ್ಸಾಹಿಸಲಾಗುತ್ತದೆ. ಸಾರ್ವಜನಿಕರಿಗಾಗಿ ಹೆಚ್ಚಿನ ವಿಚಾರಣೆಗಳು:
|
||||
wiki.creativecommons.org/Considerations_for_licensees
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ
|
||||
|
||||
ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು (ಕೆಳಗಿನಂತೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ) ಬಳಸುವ ಮೂಲಕ, ನೀವು ಈ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ("ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ") ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಬದ್ಧರಾಗಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೀರಿ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವ ಮೂಲಕ ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ ಮತ್ತು ಪರವಾನಗಿ ನೀಡುವವರು ಈ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಲಭ್ಯವಿರಿಸುವ ಮೂಲಕ ಲಾಭ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 1 -- ವ್ಯಾಖ್ಯಾನಗಳು.
|
||||
|
||||
a. ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಎಂದರೆ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನಿಂದ ಉತ್ಪನ್ನವಾಗಿರುವ ಅಥವಾ ಆಧಾರಿತವಾಗಿರುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಿಗೆ ಒಳಪಟ್ಟ ವಸ್ತು, ಮತ್ತು ಅದರಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಅನುವಾದಿಸುವುದು, ಬದಲಿಸುವುದು, ವ್ಯವಸ್ಥೆ ಮಾಡುವುದು, ಪರಿವರ್ತಿಸುವುದು ಅಥವಾ ಇತರ ರೀತಿಯಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಅನುಮತಿ ಅಗತ್ಯವಿರುವ ರೀತಿಯಲ್ಲಿ ಬದಲಾಯಿಸುವುದು. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಉದ್ದೇಶಕ್ಕಾಗಿ, ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಸಂಗೀತ ಕೃತಿ, ಪ್ರದರ್ಶನ ಅಥವಾ ಧ್ವನಿ ದಾಖಲೆಯಾದರೆ, ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಚಲಿಸುವ ಚಿತ್ರಕ್ಕೆ ಸಮಯಸಂಬಂಧಿತವಾಗಿ ಸಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಾಗ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ.
|
||||
|
||||
b. ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿ ಎಂದರೆ ನೀವು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಪ್ರಕಾರ ನಿಮ್ಮ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುಗಳಿಗೆ ನೀಡುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಪರವಾನಗಿ.
|
||||
|
||||
c. BY-SA ಹೊಂದಾಣಿಕೆಯ ಪರವಾನಗಿ ಎಂದರೆ creativecommons.org/compatiblelicenses ನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಸಮಾನವಾದ ಪರವಾನಗಿ ಎಂದು ಅಂಗೀಕರಿಸಿದ ಪರವಾನಗಿ.
|
||||
|
||||
d. ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳು ಎಂದರೆ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು/ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕಿಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಾನ ಹಕ್ಕುಗಳು, ಉದಾಹರಣೆಗೆ ಪ್ರದರ್ಶನ, ಪ್ರಸಾರ, ಧ್ವನಿ ದಾಖಲೆ ಮತ್ತು ಸುವಿ ಜನೆರಿಸ್ ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು, ಹಕ್ಕುಗಳನ್ನು ಹೇಗೆ ಲೇಬಲ್ ಮಾಡಲಾಗಿದೆ ಅಥವಾ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಪರಿಗಣಿಸದೆ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಉದ್ದೇಶಕ್ಕಾಗಿ, ಸೆಕ್ಷನ್ 2(b)(1)-(2) ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಹಕ್ಕುಗಳು ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಲ್ಲ.
|
||||
|
||||
e. ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳು ಎಂದರೆ ಸರಿಯಾದ ಅಧಿಕಾರವಿಲ್ಲದೆ ತಿರಸ್ಕರಿಸಲಾಗದ ಕ್ರಮಗಳು, 1996 ಡಿಸೆಂಬರ್ 20 ರಂದು ಅಂಗೀಕೃತ WIPO ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಒಪ್ಪಂದದ ಕಲಂ 11 ಮತ್ತು/ಅಥವಾ ಸಮಾನ ಅಂತಾರಾಷ್ಟ್ರೀಯ ಒಪ್ಪಂದಗಳ ಅಡಿಯಲ್ಲಿ ಕಾನೂನುಗಳು ಪೂರ್ಣಗೊಳಿಸುವ ಕ್ರಮಗಳು.
|
||||
|
||||
f. ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು ಎಂದರೆ ನ್ಯಾಯಸಮ್ಮತ ಬಳಕೆ, ನ್ಯಾಯಸಮ್ಮತ ವ್ಯವಹಾರ ಮತ್ತು/ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಿಗೆ ಅನ್ವಯಿಸುವ ಯಾವುದೇ ಇತರ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿ, ಇದು ನಿಮ್ಮ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆಗೆ ಅನ್ವಯಿಸುತ್ತದೆ.
|
||||
|
||||
g. ಪರವಾನಗಿ ಅಂಶಗಳು ಎಂದರೆ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಹೆಸರಿನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ ಪರವಾನಗಿ ಗುಣಲಕ್ಷಣಗಳು. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಪರವಾನಗಿ ಅಂಶಗಳು ಅಟ್ರಿಬ್ಯೂಷನ್ ಮತ್ತು ಶೇರ್ ಅಲೈಕ್.
|
||||
|
||||
h. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಎಂದರೆ ಪರವಾನಗಿ ನೀಡುವವರು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಅನ್ವಯಿಸಿದ ಕಲಾತ್ಮಕ ಅಥವಾ ಸಾಹಿತ್ಯ ಕೃತಿ, ಡೇಟಾಬೇಸ್ ಅಥವಾ ಇತರ ವಸ್ತು.
|
||||
|
||||
i. ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಒಳಪಟ್ಟ ನಿಮ್ಮ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆಗೆ ಅನ್ವಯಿಸುವ ಎಲ್ಲಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳು ಮತ್ತು ಪರವಾನಗಿ ನೀಡುವವರಿಗೆ ಪರವಾನಗಿ ನೀಡಲು ಅಧಿಕಾರವಿರುವ ಹಕ್ಕುಗಳು.
|
||||
|
||||
j. ಪರವಾನಗಿ ನೀಡುವವರು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಹಕ್ಕುಗಳನ್ನು ನೀಡುವ ವ್ಯಕ್ತಿ(ಗಳು) ಅಥವಾ ಸಂಸ್ಥೆ(ಗಳು).
|
||||
|
||||
k. ಹಂಚಿಕೆ ಎಂದರೆ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳ ಅಡಿಯಲ್ಲಿ ಅನುಮತಿ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ವಿಧಾನ ಅಥವಾ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಸಾರ್ವಜನಿಕರಿಗೆ ವಸ್ತುವನ್ನು ಒದಗಿಸುವುದು, ಉದಾಹರಣೆಗೆ ಪುನರುತ್ಪಾದನೆ, ಸಾರ್ವಜನಿಕ ಪ್ರದರ್ಶನ, ಸಾರ್ವಜನಿಕ ಪ್ರದರ್ಶನ, ವಿತರಣೆ, ಪ್ರಸಾರ, ಸಂವಹನ ಅಥವಾ ಆಮದು, ಮತ್ತು ಸಾರ್ವಜನಿಕರು ತಮ್ಮ ಇಚ್ಛೆಯ ಸ್ಥಳ ಮತ್ತು ಸಮಯದಲ್ಲಿ ವಸ್ತುವನ್ನು ಪ್ರವೇಶಿಸಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ವಸ್ತುವನ್ನು ಲಭ್ಯವಿರಿಸುವುದು.
|
||||
|
||||
l. ಸುವಿ ಜನೆರಿಸ್ ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು ಎಂದರೆ 1996 ಮಾರ್ಚ್ 11 ರಂದು ಯುರೋಪಿಯನ್ ಸಂಸತ್ತು ಮತ್ತು ಕೌನ್ಸಿಲ್ನ ನಿರ್ದೇಶನ 96/9/EC ಅಡಿಯಲ್ಲಿ ಡೇಟಾಬೇಸ್ಗಳ ಕಾನೂನು ರಕ್ಷಣೆಗಾಗಿ ನೀಡಲಾದ ಹಕ್ಕುಗಳು, ತಿದ್ದುಪಡಿ ಅಥವಾ ಪರ್ಯಾಯವಾಗಿ, ಜಾಗತಿಕವಾಗಿ ಸಮಾನ ಹಕ್ಕುಗಳು.
|
||||
|
||||
m. ನೀವು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸುವ ವ್ಯಕ್ತಿ ಅಥವಾ ಸಂಸ್ಥೆ. ನಿಮ್ಮಿಗೆ ಹೊಂದಾಣಿಕೆಯ ಅರ್ಥವಿದೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 2 -- ವ್ಯಾಪ್ತಿ.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವಿಕೆ.
|
||||
|
||||
1. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಒಳಪಟ್ಟಂತೆ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮಗೆ ಜಾಗತಿಕ, ರಾಯಲ್ಟಿ-ರಹಿತ, ಉಪಪರವಾನಗಿ ನೀಡಲಾಗದ, ಅನನ್ಯ, ರದ್ದುಗೊಳಿಸಲಾಗದ ಪರವಾನಗಿಯನ್ನು ನೀಡುತ್ತಾರೆ, ಇದರಿಂದ ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಬಹುದು:
|
||||
|
||||
a. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗವಾಗಿ ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಹಂಚಿಕೆ ಮಾಡುವುದು; ಮತ್ತು
|
||||
|
||||
b. ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುಗಳನ್ನು ಉತ್ಪಾದನೆ, ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಹಂಚಿಕೆ ಮಾಡುವುದು.
|
||||
|
||||
2. ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು. ನಿಮ್ಮ ಬಳಕೆಗೆ ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು ಅನ್ವಯಿಸಿದಲ್ಲಿ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅನ್ವಯಿಸುವುದಿಲ್ಲ ಮತ್ತು ನೀವು ಅದರ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳನ್ನು ಪಾಲಿಸುವ ಅಗತ್ಯವಿಲ್ಲ.
|
||||
|
||||
3. ಅವಧಿ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅವಧಿ ಸೆಕ್ಷನ್ 6(a) ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ.
|
||||
|
||||
4. ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಸ್ವರೂಪಗಳು; ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳಿಗೆ ಅನುಮತಿ. ಪರವಾನಗಿ ನೀಡುವವರು ಈಗಿರುವ ಅಥವಾ ಭವಿಷ್ಯದಲ್ಲಿ ಸೃಷ್ಟಿಯಾಗುವ ಎಲ್ಲಾ ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಸ್ವರೂಪಗಳಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತಾರೆ ಮತ್ತು ಅದಕ್ಕಾಗಿ ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ಅನುಮತಿಸುತ್ತಾರೆ. ಪರವಾನಗಿ ನೀಡುವವರು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ಹಕ್ಕು ಅಥವಾ ಅಧಿಕಾರವನ್ನು ಹಿಂಪಡೆಯುವುದಿಲ್ಲ ಅಥವಾ ಹಿಂಪಡೆಯಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ, ಇದರಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳನ್ನು ತಿರಸ್ಕರಿಸುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳು ಸೇರಿವೆ. ಈ ಸೆಕ್ಷನ್ 2(a)(4) ಅಡಿಯಲ್ಲಿ ಅನುಮತಿಸಲ್ಪಟ್ಟ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವುದು ಎಂದಿಗೂ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
5. ಕೆಳಮಟ್ಟದ ಸ್ವೀಕರಿಸುವವರು.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ -- ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಪ್ರತಿಯೊಬ್ಬ ಸ್ವೀಕರಿಸುವವರು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
b. ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಹೆಚ್ಚುವರಿ ಆಫರ್ -- ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು. ನೀವು ನೀಡುವ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುವಿನ ಪ್ರತಿಯೊಬ್ಬ ಸ್ವೀಕರಿಸುವವರು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನೀವು ಅನ್ವಯಿಸುವ ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿಯ ನಿಯಮಗಳ ಅಡಿಯಲ್ಲಿ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುವಿನ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
c. ಕೆಳಮಟ್ಟದ ನಿರ್ಬಂಧಗಳಿಲ್ಲ. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಯಾವುದೇ ಸ್ವೀಕರಿಸುವವರ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳ ಬಳಕೆಯನ್ನು ನಿರ್ಬಂಧಿಸುವ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಅಥವಾ ವಿಭಿನ್ನ ನಿಯಮಗಳು ಅಥವಾ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳನ್ನು ಅನ್ವಯಿಸಲು ಅಥವಾ ವಿಧಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
|
||||
|
||||
6. ಬೆಂಬಲವಿಲ್ಲ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬಳಸುತ್ತಿರುವುದು ಪರವಾನಗಿ ನೀಡುವವರು ಅಥವಾ ಸೆಕ್ಷನ್ 3(a)(1)(A)(i) ನಲ್ಲಿ ನೀಡಲಾದ ಅಟ್ರಿಬ್ಯೂಷನ್ ಪಡೆಯುವವರಿಂದ ಬೆಂಬಲಿತ ಅಥವಾ ಅಧಿಕೃತ ಎಂದು ಸೂಚಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
b. ಇತರ ಹಕ್ಕುಗಳು.
|
||||
|
||||
1. ನೈತಿಕ ಹಕ್ಕುಗಳು, ಉದಾಹರಣೆಗೆ ಅಖಂಡತೆ ಹಕ್ಕು, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಳ್ಳುವುದಿಲ್ಲ, ಹಾಗೆಯೇ ಪ್ರಸಿದ್ಧಿ, ಗೌಪ್ಯತೆ ಮತ್ತು/ಅಥವಾ ಇತರ ಸಮಾನ ವ್ಯಕ್ತಿತ್ವ ಹಕ್ಕುಗಳು; ಆದಾಗ್ಯೂ, ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ಈ ಹಕ್ಕುಗಳನ್ನು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಅಗತ್ಯವಿರುವ ಮಟ್ಟಿಗೆ ಮಾತ್ರ ಹಿಂಪಡೆಯುವುದಿಲ್ಲ ಅಥವಾ ಹಿಂಪಡೆಯಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ.
|
||||
|
||||
2. ಪೇಟೆಂಟ್ ಮತ್ತು ಟ್ರೇಡ್ಮಾರ್ಕ್ ಹಕ್ಕುಗಳು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಳ್ಳುವುದಿಲ್ಲ.
|
||||
|
||||
3. ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಿದಕ್ಕಾಗಿ ನೇರವಾಗಿ ಅಥವಾ ಸ್ವಯಂಸೇವಕ ಸಂಘದ ಮೂಲಕ ಯಾವುದೇ ರಾಯಲ್ಟಿಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಹಕ್ಕನ್ನು ತಿರಸ್ಕರಿಸುತ್ತಾರೆ ಅಥವಾ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ. ಇತರ ಎಲ್ಲಾ ಪ್ರಕರಣಗಳಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರು ಸ್ಪಷ್ಟವಾಗಿ ಆ ರಾಯಲ್ಟಿಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಹಕ್ಕನ್ನು ಕಾಯ್ದಿರಿಸುತ್ತಾರೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 3 -- ಪರವಾನಗಿ ಷರತ್ತುಗಳು.
|
||||
|
||||
ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸುವಾಗ ಕೆಳಗಿನ ಷರತ್ತುಗಳಿಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಒಳಪಟ್ಟಿರುತ್ತೀರಿ.
|
||||
|
||||
a. ಅಟ್ರಿಬ್ಯೂಷನ್.
|
||||
|
||||
1. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಹಂಚಿದರೆ (ಬದಲಾಯಿಸಿದ ರೂಪದಲ್ಲಿಯೂ ಸಹ), ನೀವು:
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿಗೆ ಜೊತೆಗೆ ಒದಗಿಸಿದ ಕೆಳಗಿನ ಮಾಹಿತಿಯನ್ನು ಉಳಿಸಬೇಕು:
|
||||
|
||||
i. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಸೃಷ್ಟಿಕರ್ತ(ಗಳು) ಮತ್ತು ಅಟ್ರಿಬ್ಯೂಷನ್ ಪಡೆಯಲು ನಿಗದಿಪಡಿಸಲಾದ ಇತರರ ಗುರುತಿನ ಮಾಹಿತಿ, ಪರವಾನಗಿ ನೀಡುವವರು ಕೇಳಿದ ಯಾವುದೇ ಯುಕ್ತಿಯುತ ರೀತಿಯಲ್ಲಿ (ಪseudonym ಸಹ ಸೇರಿ);
|
||||
|
||||
ii. ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಸೂಚನೆ;
|
||||
|
||||
iii. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗೆ ಉಲ್ಲೇಖಿಸುವ ಸೂಚನೆ;
|
||||
|
||||
iv. ಜಾಮೀನೆಗಳ ನಿರಾಕರಣೆಯ ಸೂಚನೆ;
|
||||
|
||||
v. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿಗೆ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್, ಸಾಧ್ಯವಾದಷ್ಟು.
|
||||
|
||||
b. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬದಲಾಯಿಸಿದರೆ ಸೂಚಿಸಬೇಕು ಮತ್ತು ಯಾವುದೇ ಹಿಂದಿನ ಬದಲಾವಣೆಗಳ ಸೂಚನೆಯನ್ನು ಉಳಿಸಬೇಕು;
|
||||
|
||||
c. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡಿದೆ ಎಂದು ಸೂಚಿಸಿ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಪಠ್ಯ ಅಥವಾ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್ ಸೇರಿಸಬೇಕು.
|
||||
|
||||
2. ನೀವು ಸೆಕ್ಷನ್ 3(a)(1) ರ ಷರತ್ತುಗಳನ್ನು ಯಾವುದೇ ಯುಕ್ತಿಯುತ ರೀತಿಯಲ್ಲಿ ಪೂರೈಸಬಹುದು, ಹಂಚುವ ಮಾಧ್ಯಮ, ವಿಧಾನ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಆಧರಿಸಿ. ಉದಾಹರಣೆಗೆ, ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಪನ್ಮೂಲಕ್ಕೆ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್ ಒದಗಿಸುವ ಮೂಲಕ ಷರತ್ತುಗಳನ್ನು ಪೂರೈಸಬಹುದು.
|
||||
|
||||
3. ಪರವಾನಗಿ ನೀಡುವವರು ಕೇಳಿದರೆ, ನೀವು ಸೆಕ್ಷನ್ 3(a)(1)(A) ರಲ್ಲಿ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಮಾಹಿತಿಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ತೆಗೆದುಹಾಕಬೇಕು.
|
||||
|
||||
b. ಶೇರ್ ಅಲೈಕ್.
|
||||
|
||||
ಸೆಕ್ಷನ್ 3(a) ರ ಷರತ್ತುಗಳ ಜೊತೆಗೆ, ನೀವು ಉತ್ಪಾದಿಸಿದ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಹಂಚಿದರೆ, ಕೆಳಗಿನ ಷರತ್ತುಗಳು ಅನ್ವಯಿಸುತ್ತವೆ.
|
||||
|
||||
1. ನೀವು ಅನ್ವಯಿಸುವ ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಸಮಾನ ಪರವಾನಗಿ ಅಂಶಗಳೊಂದಿಗೆ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಪರವಾನಗಿ ಆಗ
|
||||
ಹಕ್ಕುಗಳು, ನಂತರ ನೀವು ಹೊಂದಿರುವ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ Sui Generis ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು (ಆದರೆ ಅದರ ವೈಯಕ್ತಿಕ ವಿಷಯಗಳು ಅಲ್ಲ) ಹೊಂದಿರುವುದು ಹೊಂದಾಣಿಕೆಯ ವಸ್ತು,
|
||||
|
||||
ವಿಭಾಗ 3(b) ಉದ್ದೇಶಗಳಿಗಾಗಿ ಸಹ ಸೇರಿದೆ; ಮತ್ತು
|
||||
c. ನೀವು ಡೇಟಾಬೇಸ್ನ ಎಲ್ಲಾ ಅಥವಾ ಪ್ರಮುಖ ಭಾಗವನ್ನು ಹಂಚಿಕೊಳ್ಳುವಾಗ ನೀವು ವಿಭಾಗ 3(a) ರಲ್ಲಿ ನೀಡಲಾದ ಶರತ್ತುಗಳನ್ನು ಪಾಲಿಸಬೇಕು.
|
||||
|
||||
ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ವಿಭಾಗ 4 ನಿಮ್ಮ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ಇರುವ ಬಾಧ್ಯತೆಗಳನ್ನು ಪೂರಕವಾಗಿದ್ದು, ಪರವಾನಗಿತ ಹಕ್ಕುಗಳು ಇತರ ಪ್ರತಿಕೃತಿ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದಲ್ಲಿ ಅವುಗಳನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 5 -- ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿ.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರು ಪ್ರತ್ಯೇಕವಾಗಿ ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಒಪ್ಪಿಕೊಂಡಿಲ್ಲದಿದ್ದರೆ, ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿತ ವಸ್ತುವನ್ನು ಇದ್ದಂತೆ ಮತ್ತು ಲಭ್ಯವಿರುವಂತೆ ನೀಡುತ್ತಾರೆ ಮತ್ತು ಯಾವುದೇ ರೀತಿಯ ಪ್ರತಿನಿಧಾನಗಳು ಅಥವಾ ಜವಾಬ್ದಾರಿಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ, ಸ್ಪಷ್ಟ, ಅರ್ಥಮಾಡಿಕೊಳವಿಕೆ, ಕಾನೂನುಬದ್ಧ ಅಥವಾ ಇತರ. ಇದರಲ್ಲಿ, ಯಾವುದೇ ಮಿತಿಯಿಲ್ಲದೆ, ಶೀರ್ಷಿಕೆ, ವ್ಯಾಪಾರ ಸಾಮರ್ಥ್ಯ, ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವಿಕೆ, ಹಕ್ಕು ಉಲ್ಲಂಘನೆಯಿಲ್ಲದಿರುವಿಕೆ, ಗುಪ್ತ ಅಥವಾ ಇತರ ದೋಷಗಳಿಲ್ಲದಿರುವಿಕೆ, ನಿಖರತೆ ಅಥವಾ ದೋಷಗಳಿರುವಿಕೆ ಅಥವಾ ಇಲ್ಲದಿರುವಿಕೆ, ತಿಳಿದಿರುವ ಅಥವಾ ಕಂಡುಹಿಡಿಯಬಹುದಾದುದೇ ಆಗಿರಲಿ, ಜವಾಬ್ದಾರಿಗಳು ಸೇರಿವೆ. ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ಅನುಮತಿಸಲಾಗದಿದ್ದಲ್ಲಿ, ಈ ನಿರಾಕರಣೆ ನಿಮ್ಮ ಮೇಲೆ ಅನ್ವಯಿಸದಿರಬಹುದು.
|
||||
|
||||
b. ಸಾಧ್ಯವಾದಷ್ಟು, ಯಾವುದೇ ಕಾನೂನು ಸಿದ್ಧಾಂತದ (ಉದಾಹರಣೆಗೆ, ನಿರ್ಲಕ್ಷ್ಯ) ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮಗೆ ಯಾವುದೇ ನೇರ, ವಿಶೇಷ, ಪರೋಕ್ಷ, ಅನೈಚ್ಛಿಕ, ಪರಿಣಾಮಕಾರಿ, ಶಿಕ್ಷಾತ್ಮಕ, ಮಾದರಿ ಅಥವಾ ಇತರ ನಷ್ಟಗಳು, ವೆಚ್ಚಗಳು, ಖರ್ಚುಗಳು ಅಥವಾ ಹಾನಿಗಳಿಗೆ ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಥವಾ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವವು, ಪರವಾನಗಿ ನೀಡುವವರು ಇಂತಹ ನಷ್ಟಗಳು, ವೆಚ್ಚಗಳು, ಖರ್ಚುಗಳು ಅಥವಾ ಹಾನಿಗಳ ಸಾಧ್ಯತೆಯನ್ನು ತಿಳಿಸಿದ್ದರೂ ಸಹ. ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿ ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ಅನುಮತಿಸಲಾಗದಿದ್ದಲ್ಲಿ, ಈ ಮಿತಿ ನಿಮ್ಮ ಮೇಲೆ ಅನ್ವಯಿಸದಿರಬಹುದು.
|
||||
|
||||
c. ಮೇಲ್ಕಂಡ ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು, ಸಂಪೂರ್ಣ ನಿರಾಕರಣೆ ಮತ್ತು ಎಲ್ಲಾ ಹೊಣೆಗಾರಿಕೆಗಳ ತ್ಯಾಗದಂತೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.
|
||||
|
||||
|
||||
ವಿಭಾಗ 6 -- ಅವಧಿ ಮತ್ತು ರದ್ದುಪಡಿಸುವಿಕೆ.
|
||||
|
||||
a. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಇಲ್ಲಿ ಪರವಾನಗಿತ ಪ್ರತಿಕೃತಿ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಅವಧಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಆದರೆ, ನೀವು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಪಾಲಿಸದಿದ್ದರೆ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ನಿಮ್ಮ ಹಕ್ಕುಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರದ್ದುಪಡಿಸಲಾಗುತ್ತದೆ.
|
||||
|
||||
b. ನಿಮ್ಮ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯ ಹಕ್ಕು ವಿಭಾಗ 6(a) ಅಡಿಯಲ್ಲಿ ರದ್ದುಪಡಿಸಿದಾಗ, ಅದು ಪುನಃಸ್ಥಾಪಿತವಾಗುತ್ತದೆ:
|
||||
|
||||
1. ಉಲ್ಲಂಘನೆ ಸರಿಪಡಿಸಿದ ದಿನಾಂಕದಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ, ಅದು ನಿಮ್ಮ ಉಲ್ಲಂಘನೆಯನ್ನು ಕಂಡುಹಿಡಿದ 30 ದಿನಗಳ ಒಳಗೆ ಸರಿಪಡಿಸಿದರೆ; ಅಥವಾ
|
||||
|
||||
2. ಪರವಾನಗಿ ನೀಡುವವರ ಸ್ಪಷ್ಟ ಪುನಃಸ್ಥಾಪನೆಯ ಮೂಲಕ.
|
||||
|
||||
ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ವಿಭಾಗ 6(b) ನಿಮ್ಮ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಉಲ್ಲಂಘನೆಗಳಿಗೆ ಪರವಾನಗಿ ನೀಡುವವರ ಪರಿಹಾರಗಳನ್ನು ಹುಡುಕುವ ಹಕ್ಕಿಗೆ ಪ್ರಭಾವ ಬೀರುವುದಿಲ್ಲ.
|
||||
|
||||
c. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿತ ವಸ್ತುವನ್ನು ಬೇರೆ ನಿಯಮಗಳು ಅಥವಾ ಶರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ನೀಡಬಹುದು ಅಥವಾ ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ವಿತರಣೆ ನಿಲ್ಲಿಸಬಹುದು; ಆದರೆ, ಇದರಿಂದ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ರದ್ದುಪಡಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
d. ವಿಭಾಗಗಳು 1, 5, 6, 7 ಮತ್ತು 8 ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ರದ್ದುಪಡಿಸಿದ ನಂತರವೂ ಜಾರಿಯಲ್ಲಿರುತ್ತವೆ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 7 -- ಇತರ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳು.
|
||||
|
||||
a. ನೀವು ಸ್ಪಷ್ಟವಾಗಿ ಒಪ್ಪಿಕೊಳ್ಳದಿದ್ದರೆ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮ್ಮಿಂದ ಸಂವಹನಗೊಂಡ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಅಥವಾ ವಿಭಿನ್ನ ನಿಯಮಗಳು ಅಥವಾ ಶರತ್ತುಗಳಿಗೆ ಬದ್ಧರಾಗುವುದಿಲ್ಲ.
|
||||
|
||||
b. ಇಲ್ಲಿ ಹೇಳದ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಗ್ಗೆ ಯಾವುದೇ ವ್ಯವಸ್ಥೆಗಳು, ಅರ್ಥಮಾಡಿಕೆಗಳು ಅಥವಾ ಒಪ್ಪಂದಗಳು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳಿಂದ ಪ್ರತ್ಯೇಕವಾಗಿದ್ದು ಸ್ವತಂತ್ರವಾಗಿವೆ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 8 -- ವ್ಯಾಖ್ಯಾನ.
|
||||
|
||||
a. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಯಾವುದೇ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು, ಮಿತಿಗೊಳಿಸುವುದು, ನಿರ್ಬಂಧಿಸುವುದು ಅಥವಾ ಶರತ್ತುಗಳನ್ನು ವಿಧಿಸುವುದಿಲ್ಲ, ಅದು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ಅನುಮತಿಸದ ಬಳಕೆಯಾಗಿರಬಹುದು.
|
||||
|
||||
b. ಸಾಧ್ಯವಾದಷ್ಟು, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಯಾವುದೇ ವಿಧಿ ಅನ್ವಯಿಸದಿದ್ದರೆ, ಅದನ್ನು ಕನಿಷ್ಠ ಅಗತ್ಯವಿರುವ ಮಟ್ಟಿಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮರುರೂಪಗೊಳಿಸಲಾಗುತ್ತದೆ. ಮರುರೂಪಗೊಳಿಸಲಾಗದಿದ್ದರೆ, ಅದನ್ನು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ, ಉಳಿದ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳ ಅನ್ವಯತೆಯನ್ನು ಪ್ರಭಾವಿತಗೊಳಿಸದೆ.
|
||||
|
||||
c. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಯಾವುದೇ ನಿಯಮ ಅಥವಾ ಶರತ್ತು ತ್ಯಜಿಸಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಅನುಸರಿಸದಿರುವುದಕ್ಕೆ ಒಪ್ಪಿಗೆಯಿಲ್ಲದಿದ್ದರೆ ಮಾತ್ರ ಪರವಾನಗಿ ನೀಡುವವರ ಸ್ಪಷ್ಟ ಒಪ್ಪಿಗೆಯೊಂದಿಗೆ ಮಾತ್ರ ಅನುಮತಿಸಲಾಗುತ್ತದೆ.
|
||||
|
||||
d. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಲ್ಲಿ ಯಾವುದೇ ವಿಷಯವು ಪರವಾನಗಿ ನೀಡುವವರು ಅಥವಾ ನೀವು ಹೊಂದಿರುವ ಯಾವುದೇ ವಿಶೇಷ ಹಕ್ಕುಗಳು ಮತ್ತು ರಕ್ಷಣೆಗಳನ್ನು ನಿರ್ಬಂಧಿಸುವುದಾಗಿ ಅಥವಾ ತ್ಯಜಿಸುವುದಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಾರದು, ಇದರಲ್ಲಿ ಯಾವುದೇ ನ್ಯಾಯಾಂಗ ಅಥವಾ ಅಧಿಕಾರಿಗಳ ಕಾನೂನು ಪ್ರಕ್ರಿಯೆಗಳ ರಕ್ಷಣೆಗಳು ಸೇರಿವೆ.
|
||||
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ. ಆದಾಗ್ಯೂ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪ್ರಕಟಿಸುವ ವಸ್ತುಗಳಿಗೆ ತನ್ನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳಲ್ಲಿ ಒಂದನ್ನು ಅನ್ವಯಿಸಲು ಆಯ್ಕೆ ಮಾಡಬಹುದು ಮತ್ತು ಆ ಸಂದರ್ಭಗಳಲ್ಲಿ "ಪರವಾನಗಿ ನೀಡುವವರು" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಪಠ್ಯವನ್ನು CC0 ಸಾರ್ವಜನಿಕ ಡೊಮೇನ್ ಸಮರ್ಪಣೆಯಡಿ ಸಾರ್ವಜನಿಕ ಡೊಮೇನಿಗೆ ಮೀಸಲಿಟ್ಟಿದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ವಸ್ತು ಹಂಚಲಾಗಿದೆ ಎಂದು ಸೂಚಿಸುವ ಸೀಮಿತ ಉದ್ದೇಶವನ್ನು ಹೊರತುಪಡಿಸಿ ಅಥವಾcreativecommons.org/policies ನಲ್ಲಿ ಪ್ರಕಟಿಸಿರುವ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ನೀತಿಗಳ ಪ್ರಕಾರ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ "Creative Commons" ಎಂಬ ಟ್ರೇಡ್ಮಾರ್ಕ್ ಅಥವಾ ಯಾವುದೇ ಇತರ ಟ್ರೇಡ್ಮಾರ್ಕ್ ಅಥವಾ ಲೋಗೋವನ್ನು ತನ್ನ ಪೂರ್ವ ಲಿಖಿತ ಅನುಮತಿಯಿಲ್ಲದೆ ಬಳಸಲು ಅನುಮತಿಸುವುದಿಲ್ಲ, ಇದರಲ್ಲಿ ಯಾವುದೇ ಅನಧಿಕೃತ ಬದಲಾವಣೆಗಳು ಅಥವಾ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯ ಕುರಿತು ಯಾವುದೇ ವ್ಯವಸ್ಥೆಗಳು, ಅರ್ಥಮಾಡಿಕೆಗಳು ಅಥವಾ ಒಪ್ಪಂದಗಳು ಸೇರಿವೆ. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ಪ್ಯಾರಾಗ್ರಾಫ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ.
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅನ್ನು creativecommons.org ನಲ್ಲಿ ಸಂಪರ್ಕಿಸಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಕಾರ್ಪೊರೇಶನ್ ("ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್") ಒಂದು ಕಾನೂನು ಸಂಸ್ಥೆ ಅಲ್ಲ ಮತ್ತು ಕಾನೂನು ಸೇವೆಗಳು ಅಥವಾ ಕಾನೂನು ಸಲಹೆಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳನ್ನು ಹಂಚಿಕೆ ಮಾಡುವುದು ವಕೀಲ-ಗ್ರಾಹಕ ಅಥವಾ ಇತರ ಸಂಬಂಧವನ್ನು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪರವಾನಗಿಗಳನ್ನು ಮತ್ತು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು "ಹಾಗೇ ಇದೆ" ಆಧಾರದ ಮೇಲೆ ಲಭ್ಯವಿರಿಸುತ್ತದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪರವಾನಗಿಗಳ ಬಗ್ಗೆ, ಅವುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಯಾವುದೇ ವಸ್ತುಗಳ ಬಗ್ಗೆ ಅಥವಾ ಯಾವುದೇ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯ ಬಗ್ಗೆ ಯಾವುದೇ ಜಾಮೀನೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅವುಗಳ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಹಾನಿಗಳಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಜವಾಬ್ದಾರಿಯನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ.
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳನ್ನು ಬಳಸುವುದು
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳು ಸೃಷ್ಟಿಕರ್ತರು ಮತ್ತು ಇತರ ಹಕ್ಕುಧಾರಕರು ಮೂಲ ಲೇಖನ ಮತ್ತು ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಳಗಿನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳಿಗೆ ಒಳಪಟ್ಟ ವಸ್ತುಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಬಳಸಬಹುದಾದ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಸಾಮಾನ್ಯ ಸೆಟ್ ಅನ್ನು ಒದಗಿಸುತ್ತವೆ. ಕೆಳಗಿನ ವಿಚಾರಣೆಗಳು ಮಾಹಿತಿ ಉದ್ದೇಶಕ್ಕಾಗಿ ಮಾತ್ರ, ಸಂಪೂರ್ಣವಲ್ಲ ಮತ್ತು ನಮ್ಮ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ.
|
||||
|
||||
ಪರವಾನಗಿ ನೀಡುವವರಿಗಾಗಿ ವಿಚಾರಣೆಗಳು: ನಮ್ಮ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳು
|
||||
ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರುವ ವಸ್ತುಗಳನ್ನು ಸಾರ್ವಜನಿಕರಿಗೆ ಬಳಸಲು ಅನುಮತಿ ನೀಡಲು ಅಧಿಕಾರ ಹೊಂದಿರುವವರ ಬಳಕೆಗಾಗಿ ಉದ್ದೇಶಿಸಲಾಗಿದೆ. ನಮ್ಮ ಪರವಾನಗಿಗಳು ರದ್ದುಗೊಳಿಸಲಾಗದವು. ಪರವಾನಗಿ ನೀಡುವವರು ಆಯ್ಕೆಮಾಡಿದ ಪರವಾನಗಿ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೊದಲು ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು. ಪರವಾನಗಿ ನೀಡುವವರು ಸಾರ್ವಜನಿಕರು ನಿರೀಕ್ಷಿಸುವಂತೆ ವಸ್ತುವನ್ನು ಮರುಬಳಕೆ ಮಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಹಕ್ಕುಗಳನ್ನು ಪಡೆಯಬೇಕು. ಪರವಾನಗಿ ಅನ್ವಯಿಸದ ಯಾವುದೇ ವಸ್ತುಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸಬೇಕು. ಇದರಲ್ಲಿ ಇತರ CC-ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುಗಳು ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕಿಗೆ ಹೊರತಾಗಿರುವ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿಯಡಿ ಬಳಸಲಾಗುವ ವಸ್ತುಗಳು ಸೇರಿವೆ. ಪರವಾನಗಿ ನೀಡುವವರಿಗಾಗಿ ಹೆಚ್ಚಿನ ವಿಚಾರಣೆಗಳು:
|
||||
wiki.creativecommons.org/Considerations_for_licensors
|
||||
|
||||
ಸಾರ್ವಜನಿಕರಿಗಾಗಿ ವಿಚಾರಣೆಗಳು: ನಮ್ಮ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸುವ ಮೂಲಕ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿರ್ದಿಷ್ಟ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬಳಸಲು ಸಾರ್ವಜನಿಕರಿಗೆ ಅನುಮತಿ ನೀಡುತ್ತಾರೆ. ಯಾವುದೇ ಕಾರಣಕ್ಕಾಗಿ ಪರವಾನಗಿ ನೀಡುವವರ ಅನುಮತಿ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೆ—for ಉದಾಹರಣೆಗೆ, ಯಾವುದೇ ಅನ್ವಯಿಸುವ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿಯ ಕಾರಣದಿಂದ—ಆ ಬಳಕೆ ಪರವಾನಗಿಯಿಂದ ನಿಯಂತ್ರಿತವಾಗುವುದಿಲ್ಲ. ನಮ್ಮ ಪರವಾನಗಿಗಳು ಪರವಾನಗಿ ನೀಡುವವರಿಗೆ ನೀಡಲು ಅಧಿಕಾರವಿರುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಕೆಲವು ಇತರ ಹಕ್ಕುಗಳ ಅಡಿಯಲ್ಲಿ ಮಾತ್ರ ಅನುಮತಿಗಳನ್ನು ನೀಡುತ್ತವೆ. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆ ಇನ್ನೂ ಇತರ ಕಾರಣಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರಬಹುದು, ಉದಾಹರಣೆಗೆ ಇತರರಿಗೆ ಆ ವಸ್ತುವಿನಲ್ಲಿ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಅಥವಾ ಇತರ ಹಕ್ಕುಗಳಿದ್ದರೆ. ಪರವಾನಗಿ ನೀಡುವವರು ವಿಶೇಷ ವಿನಂತಿಗಳನ್ನು ಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಎಲ್ಲಾ ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಅಥವಾ ವಿವರಿಸಲು ಕೇಳಬಹುದು. ನಮ್ಮ ಪರವಾನಗಿಗಳಿಂದ ಅವಶ್ಯಕವಿಲ್ಲದಿದ್ದರೂ, ನೀವು ಆ ವಿನಂತಿಗಳನ್ನು ಯುಕ್ತಿಯುತವಾಗಿದ್ದಲ್ಲಿ ಗೌರವಿಸುವಂತೆ ಪ್ರೋತ್ಸಾಹಿಸಲಾಗುತ್ತದೆ. ಸಾರ್ವಜನಿಕರಿಗಾಗಿ ಹೆಚ್ಚಿನ ವಿಚಾರಣೆಗಳು:
|
||||
wiki.creativecommons.org/Considerations_for_licensees
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ
|
||||
|
||||
ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು (ಕೆಳಗಿನಂತೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ) ಬಳಸುವ ಮೂಲಕ, ನೀವು ಈ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅಟ್ರಿಬ್ಯೂಷನ್-ಶೇರ್ ಅಲೈಕ್ 4.0 ಇಂಟರ್ನ್ಯಾಷನಲ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ("ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ") ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಬದ್ಧರಾಗಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೀರಿ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವ ಮೂಲಕ ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ ಮತ್ತು ಪರವಾನಗಿ ನೀಡುವವರು ಈ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಲಭ್ಯವಿರಿಸುವ ಮೂಲಕ ಲಾಭ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 1 -- ವ್ಯಾಖ್ಯಾನಗಳು.
|
||||
|
||||
a. ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಎಂದರೆ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನಿಂದ ಉತ್ಪನ್ನವಾಗಿರುವ ಅಥವಾ ಆಧಾರಿತವಾಗಿರುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಿಗೆ ಒಳಪಟ್ಟ ವಸ್ತು, ಮತ್ತು ಅದರಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಅನುವಾದಿಸುವುದು, ಬದಲಿಸುವುದು, ವ್ಯವಸ್ಥೆ ಮಾಡುವುದು, ಪರಿವರ್ತಿಸುವುದು ಅಥವಾ ಇತರ ರೀತಿಯಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಅನುಮತಿ ಅಗತ್ಯವಿರುವ ರೀತಿಯಲ್ಲಿ ಬದಲಾಯಿಸುವುದು. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಉದ್ದೇಶಕ್ಕಾಗಿ, ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಸಂಗೀತ ಕೃತಿ, ಪ್ರದರ್ಶನ ಅಥವಾ ಧ್ವನಿ ದಾಖಲೆಯಾದರೆ, ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಚಲಿಸುವ ಚಿತ್ರಕ್ಕೆ ಸಮಯಸಂಬಂಧಿತವಾಗಿ ಸಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಾಗ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ.
|
||||
|
||||
b. ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿ ಎಂದರೆ ನೀವು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಪ್ರಕಾರ ನಿಮ್ಮ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುಗಳಿಗೆ ನೀಡುವ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಪರವಾನಗಿ.
|
||||
|
||||
c. BY-SA ಹೊಂದಾಣಿಕೆಯ ಪರವಾನಗಿ ಎಂದರೆ creativecommons.org/compatiblelicenses ನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಸಮಾನವಾದ ಪರವಾನಗಿ ಎಂದು ಅಂಗೀಕರಿಸಿದ ಪರವಾನಗಿ.
|
||||
|
||||
d. ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳು ಎಂದರೆ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು/ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕಿಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಾನ ಹಕ್ಕುಗಳು, ಉದಾಹರಣೆಗೆ ಪ್ರದರ್ಶನ, ಪ್ರಸಾರ, ಧ್ವನಿ ದಾಖಲೆ ಮತ್ತು ಸುವಿ ಜನೆರಿಸ್ ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು, ಹಕ್ಕುಗಳನ್ನು ಹೇಗೆ ಲೇಬಲ್ ಮಾಡಲಾಗಿದೆ ಅಥವಾ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಪರಿಗಣಿಸದೆ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಉದ್ದೇಶಕ್ಕಾಗಿ, ಸೆಕ್ಷನ್ 2(b)(1)-(2) ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಹಕ್ಕುಗಳು ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಲ್ಲ.
|
||||
|
||||
e. ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳು ಎಂದರೆ ಸರಿಯಾದ ಅಧಿಕಾರವಿಲ್ಲದೆ ತಿರಸ್ಕರಿಸಲಾಗದ ಕ್ರಮಗಳು, 1996 ಡಿಸೆಂಬರ್ 20 ರಂದು ಅಂಗೀಕೃತ WIPO ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಒಪ್ಪಂದದ ಕಲಂ 11 ಮತ್ತು/ಅಥವಾ ಸಮಾನ ಅಂತಾರಾಷ್ಟ್ರೀಯ ಒಪ್ಪಂದಗಳ ಅಡಿಯಲ್ಲಿ ಕಾನೂನುಗಳು ಪೂರ್ಣಗೊಳಿಸುವ ಕ್ರಮಗಳು.
|
||||
|
||||
f. ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು ಎಂದರೆ ನ್ಯಾಯಸಮ್ಮತ ಬಳಕೆ, ನ್ಯಾಯಸಮ್ಮತ ವ್ಯವಹಾರ ಮತ್ತು/ಅಥವಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳಿಗೆ ಅನ್ವಯಿಸುವ ಯಾವುದೇ ಇತರ ವಿನಾಯಿತಿ ಅಥವಾ ಮಿತಿ, ಇದು ನಿಮ್ಮ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆಗೆ ಅನ್ವಯಿಸುತ್ತದೆ.
|
||||
|
||||
g. ಪರವಾನಗಿ ಅಂಶಗಳು ಎಂದರೆ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಹೆಸರಿನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ ಪರವಾನಗಿ ಗುಣಲಕ್ಷಣಗಳು. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಪರವಾನಗಿ ಅಂಶಗಳು ಅಟ್ರಿಬ್ಯೂಷನ್ ಮತ್ತು ಶೇರ್ ಅಲೈಕ್.
|
||||
|
||||
h. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಎಂದರೆ ಪರವಾನಗಿ ನೀಡುವವರು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಅನ್ವಯಿಸಿದ ಕಲಾತ್ಮಕ ಅಥವಾ ಸಾಹಿತ್ಯ ಕೃತಿ, ಡೇಟಾಬೇಸ್ ಅಥವಾ ಇತರ ವಸ್ತು.
|
||||
|
||||
i. ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಒಳಪಟ್ಟ ನಿಮ್ಮ ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಬಳಕೆಗೆ ಅನ್ವಯಿಸುವ ಎಲ್ಲಾ ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳು ಮತ್ತು ಪರವಾನಗಿ ನೀಡುವವರಿಗೆ ಪರವಾನಗಿ ನೀಡಲು ಅಧಿಕಾರವಿರುವ ಹಕ್ಕುಗಳು.
|
||||
|
||||
j. ಪರವಾನಗಿ ನೀಡುವವರು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಹಕ್ಕುಗಳನ್ನು ನೀಡುವ ವ್ಯಕ್ತಿ(ಗಳು) ಅಥವಾ ಸಂಸ್ಥೆ(ಗಳು).
|
||||
|
||||
k. ಹಂಚಿಕೆ ಎಂದರೆ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳ ಅಡಿಯಲ್ಲಿ ಅನುಮತಿ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ವಿಧಾನ ಅಥವಾ ಪ್ರಕ್ರಿಯೆಯಿಂದ ಸಾರ್ವಜನಿಕರಿಗೆ ವಸ್ತುವನ್ನು ಒದಗಿಸುವುದು, ಉದಾಹರಣೆಗೆ ಪುನರುತ್ಪಾದನೆ, ಸಾರ್ವಜನಿಕ ಪ್ರದರ್ಶನ, ಸಾರ್ವಜನಿಕ ಪ್ರದರ್ಶನ, ವಿತರಣೆ, ಪ್ರಸಾರ, ಸಂವಹನ ಅಥವಾ ಆಮದು, ಮತ್ತು ಸಾರ್ವಜನಿಕರು ತಮ್ಮ ಇಚ್ಛೆಯ ಸ್ಥಳ ಮತ್ತು ಸಮಯದಲ್ಲಿ ವಸ್ತುವನ್ನು ಪ್ರವೇಶಿಸಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ವಸ್ತುವನ್ನು ಲಭ್ಯವಿರಿಸುವುದು.
|
||||
|
||||
l. ಸುವಿ ಜನೆರಿಸ್ ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು ಎಂದರೆ 1996 ಮಾರ್ಚ್ 11 ರಂದು ಯುರೋಪಿಯನ್ ಸಂಸತ್ತು ಮತ್ತು ಕೌನ್ಸಿಲ್ನ ನಿರ್ದೇಶನ 96/9/EC ಅಡಿಯಲ್ಲಿ ಡೇಟಾಬೇಸ್ಗಳ ಕಾನೂನು ರಕ್ಷಣೆಗಾಗಿ ನೀಡಲಾದ ಹಕ್ಕುಗಳು, ತಿದ್ದುಪಡಿ ಅಥವಾ ಪರ್ಯಾಯವಾಗಿ, ಜಾಗತಿಕವಾಗಿ ಸಮಾನ ಹಕ್ಕುಗಳು.
|
||||
|
||||
m. ನೀವು ಎಂದರೆ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸುವ ವ್ಯಕ್ತಿ ಅಥವಾ ಸಂಸ್ಥೆ. ನಿಮ್ಮಿಗೆ ಹೊಂದಾಣಿಕೆಯ ಅರ್ಥವಿದೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 2 -- ವ್ಯಾಪ್ತಿ.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವಿಕೆ.
|
||||
|
||||
1. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಒಳಪಟ್ಟಂತೆ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮಗೆ ಜಾಗತಿಕ, ರಾಯಲ್ಟಿ-ರಹಿತ, ಉಪಪರವಾನಗಿ ನೀಡಲಾಗದ, ಅನನ್ಯ, ರದ್ದುಗೊಳಿಸಲಾಗದ ಪರವಾನಗಿಯನ್ನು ನೀಡುತ್ತಾರೆ, ಇದರಿಂದ ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಬಹುದು:
|
||||
|
||||
a. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗವಾಗಿ ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಹಂಚಿಕೆ ಮಾಡುವುದು; ಮತ್ತು
|
||||
|
||||
b. ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುಗಳನ್ನು ಉತ್ಪಾದನೆ, ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಹಂಚಿಕೆ ಮಾಡುವುದು.
|
||||
|
||||
2. ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು. ನಿಮ್ಮ ಬಳಕೆಗೆ ವಿನಾಯಿತಿಗಳು ಮತ್ತು ಮಿತಿಗಳು ಅನ್ವಯಿಸಿದಲ್ಲಿ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅನ್ವಯಿಸುವುದಿಲ್ಲ ಮತ್ತು ನೀವು ಅದರ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳನ್ನು ಪಾಲಿಸುವ ಅಗತ್ಯವಿಲ್ಲ.
|
||||
|
||||
3. ಅವಧಿ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅವಧಿ ಸೆಕ್ಷನ್ 6(a) ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿದೆ.
|
||||
|
||||
4. ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಸ್ವರೂಪಗಳು; ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳಿಗೆ ಅನುಮತಿ. ಪರವಾನಗಿ ನೀಡುವವರು ಈಗಿರುವ ಅಥವಾ ಭವಿಷ್ಯದಲ್ಲಿ ಸೃಷ್ಟಿಯಾಗುವ ಎಲ್ಲಾ ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಸ್ವರೂಪಗಳಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತಾರೆ ಮತ್ತು ಅದಕ್ಕಾಗಿ ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ಅನುಮತಿಸುತ್ತಾರೆ. ಪರವಾನಗಿ ನೀಡುವವರು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ಹಕ್ಕು ಅಥವಾ ಅಧಿಕಾರವನ್ನು ಹಿಂಪಡೆಯುವುದಿಲ್ಲ ಅಥವಾ ಹಿಂಪಡೆಯಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ, ಇದರಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳನ್ನು ತಿರಸ್ಕರಿಸುವ ತಾಂತ್ರಿಕ ಬದಲಾವಣೆಗಳು ಸೇರಿವೆ. ಈ ಸೆಕ್ಷನ್ 2(a)(4) ಅಡಿಯಲ್ಲಿ ಅನುಮತಿಸಲ್ಪಟ್ಟ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡುವುದು ಎಂದಿಗೂ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
5. ಕೆಳಮಟ್ಟದ ಸ್ವೀಕರಿಸುವವರು.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ -- ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಪ್ರತಿಯೊಬ್ಬ ಸ್ವೀಕರಿಸುವವರು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಷರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
b. ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಹೆಚ್ಚುವರಿ ಆಫರ್ -- ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು. ನೀವು ನೀಡುವ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುವಿನ ಪ್ರತಿಯೊಬ್ಬ ಸ್ವೀಕರಿಸುವವರು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನೀವು ಅನ್ವಯಿಸುವ ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿಯ ನಿಯಮಗಳ ಅಡಿಯಲ್ಲಿ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತುವಿನ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಪರವಾನಗಿ ನೀಡುವವರಿಂದ ಆಫರ್ ಪಡೆಯುತ್ತಾರೆ.
|
||||
|
||||
c. ಕೆಳಮಟ್ಟದ ನಿರ್ಬಂಧಗಳಿಲ್ಲ. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಯಾವುದೇ ಸ್ವೀಕರಿಸುವವರ ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳ ಬಳಕೆಯನ್ನು ನಿರ್ಬಂಧಿಸುವ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಅಥವಾ ವಿಭಿನ್ನ ನಿಯಮಗಳು ಅಥವಾ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರಜ್ಞಾನ ಕ್ರಮಗಳನ್ನು ಅನ್ವಯಿಸಲು ಅಥವಾ ವಿಧಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
|
||||
|
||||
6. ಬೆಂಬಲವಿಲ್ಲ. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬಳಸುತ್ತಿರುವುದು ಪರವಾನಗಿ ನೀಡುವವರು ಅಥವಾ ಸೆಕ್ಷನ್ 3(a)(1)(A)(i) ನಲ್ಲಿ ನೀಡಲಾದ ಅಟ್ರಿಬ್ಯೂಷನ್ ಪಡೆಯುವವರಿಂದ ಬೆಂಬಲಿತ ಅಥವಾ ಅಧಿಕೃತ ಎಂದು ಸೂಚಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
b. ಇತರ ಹಕ್ಕುಗಳು.
|
||||
|
||||
1. ನೈತಿಕ ಹಕ್ಕುಗಳು, ಉದಾಹರಣೆಗೆ ಅಖಂಡತೆ ಹಕ್ಕು, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಳ್ಳುವುದಿಲ್ಲ, ಹಾಗೆಯೇ ಪ್ರಸಿದ್ಧಿ, ಗೌಪ್ಯತೆ ಮತ್ತು/ಅಥವಾ ಇತರ ಸಮಾನ ವ್ಯಕ್ತಿತ್ವ ಹಕ್ಕುಗಳು; ಆದಾಗ್ಯೂ, ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ಈ ಹಕ್ಕುಗಳನ್ನು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಲು ಅಗತ್ಯವಿರುವ ಮಟ್ಟಿಗೆ ಮಾತ್ರ ಹಿಂಪಡೆಯುವುದಿಲ್ಲ ಅಥವಾ ಹಿಂಪಡೆಯಲು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ.
|
||||
|
||||
2. ಪೇಟೆಂಟ್ ಮತ್ತು ಟ್ರೇಡ್ಮಾರ್ಕ್ ಹಕ್ಕುಗಳು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಳ್ಳುವುದಿಲ್ಲ.
|
||||
|
||||
3. ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸಿದಕ್ಕಾಗಿ ನೇರವಾಗಿ ಅಥವಾ ಸ್ವಯಂಸೇವಕ ಸಂಘದ ಮೂಲಕ ಯಾವುದೇ ರಾಯಲ್ಟಿಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಹಕ್ಕನ್ನು ತಿರಸ್ಕರಿಸುತ್ತಾರೆ ಅಥವಾ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ. ಇತರ ಎಲ್ಲಾ ಪ್ರಕರಣಗಳಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರು ಸ್ಪಷ್ಟವಾಗಿ ಆ ರಾಯಲ್ಟಿಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಹಕ್ಕನ್ನು ಕಾಯ್ದಿರಿಸುತ್ತಾರೆ.
|
||||
|
||||
ಅಧ್ಯಾಯ 3 -- ಪರವಾನಗಿ ಷರತ್ತುಗಳು.
|
||||
|
||||
ನೀವು ಪರವಾನಗಿಗೊಂಡ ಹಕ್ಕುಗಳನ್ನು ಬಳಸುವಾಗ ಕೆಳಗಿನ ಷರತ್ತುಗಳಿಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಒಳಪಟ್ಟಿರುತ್ತೀರಿ.
|
||||
|
||||
a. ಅಟ್ರಿಬ್ಯೂಷನ್.
|
||||
|
||||
1. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಹಂಚಿದರೆ (ಬದಲಾಯಿಸಿದ ರೂಪದಲ್ಲಿಯೂ ಸಹ), ನೀವು:
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿಗೆ ಜೊತೆಗೆ ಒದಗಿಸಿದ ಕೆಳಗಿನ ಮಾಹಿತಿಯನ್ನು ಉಳಿಸಬೇಕು:
|
||||
|
||||
i. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿನ ಸೃಷ್ಟಿಕರ್ತ(ಗಳು) ಮತ್ತು ಅಟ್ರಿಬ್ಯೂಷನ್ ಪಡೆಯಲು ನಿಗದಿಪಡಿಸಲಾದ ಇತರರ ಗುರುತಿನ ಮಾಹಿತಿ, ಪರವಾನಗಿ ನೀಡುವವರು ಕೇಳಿದ ಯಾವುದೇ ಯುಕ್ತಿಯುತ ರೀತಿಯಲ್ಲಿ (ಪseudonym ಸಹ ಸೇರಿ);
|
||||
|
||||
ii. ಪ್ರತಿಕೃತಿ ಹಕ್ಕು ಸೂಚನೆ;
|
||||
|
||||
iii. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗೆ ಉಲ್ಲೇಖಿಸುವ ಸೂಚನೆ;
|
||||
|
||||
iv. ಜಾಮೀನೆಗಳ ನಿರಾಕರಣೆಯ ಸೂಚನೆ;
|
||||
|
||||
v. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವಿಗೆ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್, ಸಾಧ್ಯವಾದಷ್ಟು.
|
||||
|
||||
b. ನೀವು ಪರವಾನಗಿಗೊಂಡ ವಸ್ತುವನ್ನು ಬದಲಾಯಿಸಿದರೆ ಸೂಚಿಸಬೇಕು ಮತ್ತು ಯಾವುದೇ ಹಿಂದಿನ ಬದಲಾವಣೆಗಳ ಸೂಚನೆಯನ್ನು ಉಳಿಸಬೇಕು;
|
||||
|
||||
c. ಪರವಾನಗಿಗೊಂಡ ವಸ್ತು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಗೊಂಡಿದೆ ಎಂದು ಸೂಚಿಸಿ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಪಠ್ಯ ಅಥವಾ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್ ಸೇರಿಸಬೇಕು.
|
||||
|
||||
2. ನೀವು ಸೆಕ್ಷನ್ 3(a)(1) ರ ಷರತ್ತುಗಳನ್ನು ಯಾವುದೇ ಯುಕ್ತಿಯುತ ರೀತಿಯಲ್ಲಿ ಪೂರೈಸಬಹುದು, ಹಂಚುವ ಮಾಧ್ಯಮ, ವಿಧಾನ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಆಧರಿಸಿ. ಉದಾಹರಣೆಗೆ, ಅಗತ್ಯ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಪನ್ಮೂಲಕ್ಕೆ ಯುಆರ್ಐ ಅಥವಾ ಹೈಪರ್ಲಿಂಕ್ ಒದಗಿಸುವ ಮೂಲಕ ಷರತ್ತುಗಳನ್ನು ಪೂರೈಸಬಹುದು.
|
||||
|
||||
3. ಪರವಾನಗಿ ನೀಡುವವರು ಕೇಳಿದರೆ, ನೀವು ಸೆಕ್ಷನ್ 3(a)(1)(A) ರಲ್ಲಿ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಮಾಹಿತಿಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ತೆಗೆದುಹಾಕಬೇಕು.
|
||||
|
||||
b. ಶೇರ್ ಅಲೈಕ್.
|
||||
|
||||
ಸೆಕ್ಷನ್ 3(a) ರ ಷರತ್ತುಗಳ ಜೊತೆಗೆ, ನೀವು ಉತ್ಪಾದಿಸಿದ ರೂಪಾಂತರಗೊಂಡ ವಸ್ತು ಹಂಚಿದರೆ, ಕೆಳಗಿನ ಷರತ್ತುಗಳು ಅನ್ವಯಿಸುತ್ತವೆ.
|
||||
|
||||
1. ನೀವು ಅನ್ವಯಿಸುವ ರೂಪಾಂತರದಾರರ ಪರವಾನಗಿ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಸಮಾನ ಪರವಾನಗಿ ಅಂಶಗಳೊಂದಿಗೆ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಪರವಾನಗಿ ಆಗ
|
||||
ಹಕ್ಕುಗಳು, ನಂತರ ನೀವು ಹೊಂದಿರುವ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ Sui Generis ಡೇಟಾಬೇಸ್ ಹಕ್ಕುಗಳು (ಆದರೆ ಅದರ ವೈಯಕ್ತಿಕ ವಿಷಯಗಳು ಅಲ್ಲ) ಹೊಂದಿರುವುದು ಹೊಂದಾಣಿಕೆಯ ವಸ್ತು,
|
||||
|
||||
ವಿಭಾಗ 3(b) ಉದ್ದೇಶಗಳಿಗಾಗಿ ಸಹ ಸೇರಿದೆ; ಮತ್ತು
|
||||
c. ನೀವು ಡೇಟಾಬೇಸ್ನ ಎಲ್ಲಾ ಅಥವಾ ಪ್ರಮುಖ ಭಾಗವನ್ನು ಹಂಚಿಕೊಳ್ಳುವಾಗ ನೀವು ವಿಭಾಗ 3(a) ರಲ್ಲಿ ನೀಡಲಾದ ಶರತ್ತುಗಳನ್ನು ಪಾಲಿಸಬೇಕು.
|
||||
|
||||
ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ವಿಭಾಗ 4 ನಿಮ್ಮ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ಇರುವ ಬಾಧ್ಯತೆಗಳನ್ನು ಪೂರಕವಾಗಿದ್ದು, ಪರವಾನಗಿತ ಹಕ್ಕುಗಳು ಇತರ ಪ್ರತಿಕೃತಿ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದಲ್ಲಿ ಅವುಗಳನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 5 -- ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿ.
|
||||
|
||||
a. ಪರವಾನಗಿ ನೀಡುವವರು ಪ್ರತ್ಯೇಕವಾಗಿ ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಒಪ್ಪಿಕೊಂಡಿಲ್ಲದಿದ್ದರೆ, ಸಾಧ್ಯವಾದಷ್ಟು, ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿತ ವಸ್ತುವನ್ನು ಇದ್ದಂತೆ ಮತ್ತು ಲಭ್ಯವಿರುವಂತೆ ನೀಡುತ್ತಾರೆ ಮತ್ತು ಯಾವುದೇ ರೀತಿಯ ಪ್ರತಿನಿಧಾನಗಳು ಅಥವಾ ಜವಾಬ್ದಾರಿಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ, ಸ್ಪಷ್ಟ, ಅರ್ಥಮಾಡಿಕೊಳವಿಕೆ, ಕಾನೂನುಬದ್ಧ ಅಥವಾ ಇತರ. ಇದರಲ್ಲಿ, ಯಾವುದೇ ಮಿತಿಯಿಲ್ಲದೆ, ಶೀರ್ಷಿಕೆ, ವ್ಯಾಪಾರ ಸಾಮರ್ಥ್ಯ, ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವಿಕೆ, ಹಕ್ಕು ಉಲ್ಲಂಘನೆಯಿಲ್ಲದಿರುವಿಕೆ, ಗುಪ್ತ ಅಥವಾ ಇತರ ದೋಷಗಳಿಲ್ಲದಿರುವಿಕೆ, ನಿಖರತೆ ಅಥವಾ ದೋಷಗಳಿರುವಿಕೆ ಅಥವಾ ಇಲ್ಲದಿರುವಿಕೆ, ತಿಳಿದಿರುವ ಅಥವಾ ಕಂಡುಹಿಡಿಯಬಹುದಾದುದೇ ಆಗಿರಲಿ, ಜವಾಬ್ದಾರಿಗಳು ಸೇರಿವೆ. ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ಅನುಮತಿಸಲಾಗದಿದ್ದಲ್ಲಿ, ಈ ನಿರಾಕರಣೆ ನಿಮ್ಮ ಮೇಲೆ ಅನ್ವಯಿಸದಿರಬಹುದು.
|
||||
|
||||
b. ಸಾಧ್ಯವಾದಷ್ಟು, ಯಾವುದೇ ಕಾನೂನು ಸಿದ್ಧಾಂತದ (ಉದಾಹರಣೆಗೆ, ನಿರ್ಲಕ್ಷ್ಯ) ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮಗೆ ಯಾವುದೇ ನೇರ, ವಿಶೇಷ, ಪರೋಕ್ಷ, ಅನೈಚ್ಛಿಕ, ಪರಿಣಾಮಕಾರಿ, ಶಿಕ್ಷಾತ್ಮಕ, ಮಾದರಿ ಅಥವಾ ಇತರ ನಷ್ಟಗಳು, ವೆಚ್ಚಗಳು, ಖರ್ಚುಗಳು ಅಥವಾ ಹಾನಿಗಳಿಗೆ ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಥವಾ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವವು, ಪರವಾನಗಿ ನೀಡುವವರು ಇಂತಹ ನಷ್ಟಗಳು, ವೆಚ್ಚಗಳು, ಖರ್ಚುಗಳು ಅಥವಾ ಹಾನಿಗಳ ಸಾಧ್ಯತೆಯನ್ನು ತಿಳಿಸಿದ್ದರೂ ಸಹ. ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿ ಸಂಪೂರ್ಣ ಅಥವಾ ಭಾಗಶಃ ಅನುಮತಿಸಲಾಗದಿದ್ದಲ್ಲಿ, ಈ ಮಿತಿ ನಿಮ್ಮ ಮೇಲೆ ಅನ್ವಯಿಸದಿರಬಹುದು.
|
||||
|
||||
c. ಮೇಲ್ಕಂಡ ಜವಾಬ್ದಾರಿಗಳ ನಿರಾಕರಣೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ಮಿತಿಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು, ಸಂಪೂರ್ಣ ನಿರಾಕರಣೆ ಮತ್ತು ಎಲ್ಲಾ ಹೊಣೆಗಾರಿಕೆಗಳ ತ್ಯಾಗದಂತೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.
|
||||
|
||||
|
||||
ವಿಭಾಗ 6 -- ಅವಧಿ ಮತ್ತು ರದ್ದುಪಡಿಸುವಿಕೆ.
|
||||
|
||||
a. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಇಲ್ಲಿ ಪರವಾನಗಿತ ಪ್ರತಿಕೃತಿ ಹಕ್ಕುಗಳು ಮತ್ತು ಸಮಾನ ಹಕ್ಕುಗಳ ಅವಧಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಆದರೆ, ನೀವು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯನ್ನು ಪಾಲಿಸದಿದ್ದರೆ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ನಿಮ್ಮ ಹಕ್ಕುಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರದ್ದುಪಡಿಸಲಾಗುತ್ತದೆ.
|
||||
|
||||
b. ನಿಮ್ಮ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯ ಹಕ್ಕು ವಿಭಾಗ 6(a) ಅಡಿಯಲ್ಲಿ ರದ್ದುಪಡಿಸಿದಾಗ, ಅದು ಪುನಃಸ್ಥಾಪಿತವಾಗುತ್ತದೆ:
|
||||
|
||||
1. ಉಲ್ಲಂಘನೆ ಸರಿಪಡಿಸಿದ ದಿನಾಂಕದಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ, ಅದು ನಿಮ್ಮ ಉಲ್ಲಂಘನೆಯನ್ನು ಕಂಡುಹಿಡಿದ 30 ದಿನಗಳ ಒಳಗೆ ಸರಿಪಡಿಸಿದರೆ; ಅಥವಾ
|
||||
|
||||
2. ಪರವಾನಗಿ ನೀಡುವವರ ಸ್ಪಷ್ಟ ಪುನಃಸ್ಥಾಪನೆಯ ಮೂಲಕ.
|
||||
|
||||
ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ವಿಭಾಗ 6(b) ನಿಮ್ಮ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಉಲ್ಲಂಘನೆಗಳಿಗೆ ಪರವಾನಗಿ ನೀಡುವವರ ಪರಿಹಾರಗಳನ್ನು ಹುಡುಕುವ ಹಕ್ಕಿಗೆ ಪ್ರಭಾವ ಬೀರುವುದಿಲ್ಲ.
|
||||
|
||||
c. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಪರವಾನಗಿ ನೀಡುವವರು ಪರವಾನಗಿತ ವಸ್ತುವನ್ನು ಬೇರೆ ನಿಯಮಗಳು ಅಥವಾ ಶರತ್ತುಗಳ ಅಡಿಯಲ್ಲಿ ನೀಡಬಹುದು ಅಥವಾ ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ವಿತರಣೆ ನಿಲ್ಲಿಸಬಹುದು; ಆದರೆ, ಇದರಿಂದ ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ರದ್ದುಪಡಿಸುವುದಿಲ್ಲ.
|
||||
|
||||
d. ವಿಭಾಗಗಳು 1, 5, 6, 7 ಮತ್ತು 8 ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ರದ್ದುಪಡಿಸಿದ ನಂತರವೂ ಜಾರಿಯಲ್ಲಿರುತ್ತವೆ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 7 -- ಇತರ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳು.
|
||||
|
||||
a. ನೀವು ಸ್ಪಷ್ಟವಾಗಿ ಒಪ್ಪಿಕೊಳ್ಳದಿದ್ದರೆ, ಪರವಾನಗಿ ನೀಡುವವರು ನಿಮ್ಮಿಂದ ಸಂವಹನಗೊಂಡ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಅಥವಾ ವಿಭಿನ್ನ ನಿಯಮಗಳು ಅಥವಾ ಶರತ್ತುಗಳಿಗೆ ಬದ್ಧರಾಗುವುದಿಲ್ಲ.
|
||||
|
||||
b. ಇಲ್ಲಿ ಹೇಳದ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಗ್ಗೆ ಯಾವುದೇ ವ್ಯವಸ್ಥೆಗಳು, ಅರ್ಥಮಾಡಿಕೆಗಳು ಅಥವಾ ಒಪ್ಪಂದಗಳು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳಿಂದ ಪ್ರತ್ಯೇಕವಾಗಿದ್ದು ಸ್ವತಂತ್ರವಾಗಿವೆ.
|
||||
|
||||
|
||||
ವಿಭಾಗ 8 -- ವ್ಯಾಖ್ಯಾನ.
|
||||
|
||||
a. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಯಾವುದೇ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು, ಮಿತಿಗೊಳಿಸುವುದು, ನಿರ್ಬಂಧಿಸುವುದು ಅಥವಾ ಶರತ್ತುಗಳನ್ನು ವಿಧಿಸುವುದಿಲ್ಲ, ಅದು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ಅನುಮತಿಸದ ಬಳಕೆಯಾಗಿರಬಹುದು.
|
||||
|
||||
b. ಸಾಧ್ಯವಾದಷ್ಟು, ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಯಾವುದೇ ವಿಧಿ ಅನ್ವಯಿಸದಿದ್ದರೆ, ಅದನ್ನು ಕನಿಷ್ಠ ಅಗತ್ಯವಿರುವ ಮಟ್ಟಿಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮರುರೂಪಗೊಳಿಸಲಾಗುತ್ತದೆ. ಮರುರೂಪಗೊಳಿಸಲಾಗದಿದ್ದರೆ, ಅದನ್ನು ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ, ಉಳಿದ ನಿಯಮಗಳು ಮತ್ತು ಶರತ್ತುಗಳ ಅನ್ವಯತೆಯನ್ನು ಪ್ರಭಾವಿತಗೊಳಿಸದೆ.
|
||||
|
||||
c. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯ ಯಾವುದೇ ನಿಯಮ ಅಥವಾ ಶರತ್ತು ತ್ಯಜಿಸಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಅನುಸರಿಸದಿರುವುದಕ್ಕೆ ಒಪ್ಪಿಗೆಯಿಲ್ಲದಿದ್ದರೆ ಮಾತ್ರ ಪರವಾನಗಿ ನೀಡುವವರ ಸ್ಪಷ್ಟ ಒಪ್ಪಿಗೆಯೊಂದಿಗೆ ಮಾತ್ರ ಅನುಮತಿಸಲಾಗುತ್ತದೆ.
|
||||
|
||||
d. ಈ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಯಲ್ಲಿ ಯಾವುದೇ ವಿಷಯವು ಪರವಾನಗಿ ನೀಡುವವರು ಅಥವಾ ನೀವು ಹೊಂದಿರುವ ಯಾವುದೇ ವಿಶೇಷ ಹಕ್ಕುಗಳು ಮತ್ತು ರಕ್ಷಣೆಗಳನ್ನು ನಿರ್ಬಂಧಿಸುವುದಾಗಿ ಅಥವಾ ತ್ಯಜಿಸುವುದಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಾರದು, ಇದರಲ್ಲಿ ಯಾವುದೇ ನ್ಯಾಯಾಂಗ ಅಥವಾ ಅಧಿಕಾರಿಗಳ ಕಾನೂನು ಪ್ರಕ್ರಿಯೆಗಳ ರಕ್ಷಣೆಗಳು ಸೇರಿವೆ.
|
||||
|
||||
|
||||
=======================================================================
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ. ಆದಾಗ್ಯೂ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ತನ್ನ ಪ್ರಕಟಿಸುವ ವಸ್ತುಗಳಿಗೆ ತನ್ನ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳಲ್ಲಿ ಒಂದನ್ನು ಅನ್ವಯಿಸಲು ಆಯ್ಕೆ ಮಾಡಬಹುದು ಮತ್ತು ಆ ಸಂದರ್ಭಗಳಲ್ಲಿ "ಪರವಾನಗಿ ನೀಡುವವರು" ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಪಠ್ಯವನ್ನು CC0 ಸಾರ್ವಜನಿಕ ಡೊಮೇನ್ ಸಮರ್ಪಣೆಯಡಿ ಸಾರ್ವಜನಿಕ ಡೊಮೇನಿಗೆ ಮೀಸಲಿಟ್ಟಿದೆ. ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ವಸ್ತು ಹಂಚಲಾಗಿದೆ ಎಂದು ಸೂಚಿಸುವ ಸೀಮಿತ ಉದ್ದೇಶವನ್ನು ಹೊರತುಪಡಿಸಿ ಅಥವಾcreativecommons.org/policies ನಲ್ಲಿ ಪ್ರಕಟಿಸಿರುವ ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ನೀತಿಗಳ ಪ್ರಕಾರ, ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ "Creative Commons" ಎಂಬ ಟ್ರೇಡ್ಮಾರ್ಕ್ ಅಥವಾ ಯಾವುದೇ ಇತರ ಟ್ರೇಡ್ಮಾರ್ಕ್ ಅಥವಾ ಲೋಗೋವನ್ನು ತನ್ನ ಪೂರ್ವ ಲಿಖಿತ ಅನುಮತಿಯಿಲ್ಲದೆ ಬಳಸಲು ಅನುಮತಿಸುವುದಿಲ್ಲ, ಇದರಲ್ಲಿ ಯಾವುದೇ ಅನಧಿಕೃತ ಬದಲಾವಣೆಗಳು ಅಥವಾ ಪರವಾನಗಿತ ವಸ್ತುವಿನ ಬಳಕೆಯ ಕುರಿತು ಯಾವುದೇ ವ್ಯವಸ್ಥೆಗಳು, ಅರ್ಥಮಾಡಿಕೆಗಳು ಅಥವಾ ಒಪ್ಪಂದಗಳು ಸೇರಿವೆ. ಸಂದೇಹ ನಿವಾರಣೆಗೆ, ಈ ಪ್ಯಾರಾಗ್ರಾಫ್ ಸಾರ್ವಜನಿಕ ಪರವಾನಗಿಗಳ ಭಾಗವಲ್ಲ.
|
||||
|
||||
ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್ ಅನ್ನು creativecommons.org ನಲ್ಲಿ ಸಂಪರ್ಕಿಸಬಹುದು.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕಾರ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,21 +1,12 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-11-25T21:36:01+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
ಎಲ್ಲಾ ಪಠ್ಯಕ್ರಮಗಳ ಸ್ಕೆಚ್ನೋಟ್ಗಳನ್ನು ಇಲ್ಲಿ ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು.
|
||||
|
||||
🎨 ರಚನೆ: ಟೊಮೊಮಿ ಇಮುರು (ಟ್ವಿಟ್ಟರ್: [@girlie_mac](https://twitter.com/girlie_mac), ಗಿಥಬ್: [girliemac](https://github.com/girliemac))
|
||||
|
||||
[](https://creativecommons.org/licenses/by-sa/4.0/)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
ಎಲ್ಲಾ ಪಠ್ಯಕ್ರಮಗಳ ಸ್ಕೆಚ್ನೋಟ್ಗಳನ್ನು ಇಲ್ಲಿ ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು.
|
||||
|
||||
🎨 ರಚನೆ: ಟೊಮೊಮಿ ಇಮುರು (ಟ್ವಿಟ್ಟರ್: [@girlie_mac](https://twitter.com/girlie_mac), ಗಿಥಬ್: [girliemac](https://github.com/girliemac))
|
||||
|
||||
[](https://creativecommons.org/licenses/by-sa/4.0/)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,289 +1,280 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-11-25T20:20:15+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "kn"
|
||||
}
|
||||
-->
|
||||
# AI-For-Beginners ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ
|
||||
|
||||
ಈ ಮಾರ್ಗದರ್ಶಿ [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) ರೆಪೊಸಿಟರಿಯನ್ನು ಬಳಸುವಾಗ ಅಥವಾ ಕೊಡುಗೆ ನೀಡುವಾಗ ಎದುರಾಗುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪ್ರತಿ ಸಮಸ್ಯೆಗೆ ಹಿನ್ನೆಲೆ, ಲಕ್ಷಣಗಳು, ವಿವರಣೆಗಳು ಮತ್ತು ಹಂತ ಹಂತದ ಪರಿಹಾರಗಳು ನೀಡಲಾಗಿದೆ.
|
||||
|
||||
---
|
||||
|
||||
## ವಿಷಯಗಳ ಪಟ್ಟಿಯು
|
||||
|
||||
- [ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು](../..)
|
||||
- [ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಪಾಠಪುಸ್ತಕ ವೆಬ್ಸೈಟ್ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಕೊಡುಗೆ ನೀಡುವ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು](../..)
|
||||
- [ಸಹಾಯ ಪಡೆಯುವುದು](../..)
|
||||
|
||||
---
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 1. ರೆಪೊಸಿಟರಿ ಸರಿಯಾಗಿ ಕ್ಲೋನ್ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕ್ಲೋನ್ ಮಾಡುವುದರಿಂದ ನೀವು ರೆಪೊಸಿಟರಿಯನ್ನು ನಿಮ್ಮ ಯಂತ್ರಕ್ಕೆ ನಕಲಿಸಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `fatal: repository not found`
|
||||
- ದೋಷ: `Permission denied (publickey)`
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ತಪ್ಪಾದ ರೆಪೊಸಿಟರಿ URL
|
||||
- ಅನುಮತಿಗಳ ಕೊರತೆ
|
||||
- SSH ಕೀಗಳು ಸಂರಚಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ರೆಪೊಸಿಟರಿ URL ಪರಿಶೀಲಿಸಿ.**
|
||||
HTTPS URL ಬಳಸಿ:
|
||||
```
|
||||
git clone https://github.com/microsoft/AI-For-Beginners.git
|
||||
```
|
||||
2. **SSH ವಿಫಲವಾದರೆ HTTPS ಗೆ ಬದಲಾಯಿಸಿ.**
|
||||
ನೀವು `Permission denied (publickey)` ದೋಷವನ್ನು ನೋಡಿದರೆ, SSH ಬದಲು ಮೇಲಿನ HTTPS ಲಿಂಕ್ ಬಳಸಿ.
|
||||
3. **SSH ಕೀಗಳನ್ನು ಸಂರಚಿಸಿ (ಐಚ್ಛಿಕ).**
|
||||
SSH ಬಳಸಲು ಬಯಸಿದರೆ, [GitHub ನ SSH ಮಾರ್ಗದರ್ಶಿ](https://docs.github.com/en/authentication/connecting-to-github-with-ssh) ಅನುಸರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 2. Python ಪರಿಸರ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ರೆಪೊಸಿಟರಿ Python ಮತ್ತು ವಿವಿಧ ಲೈಬ್ರರಿಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `ModuleNotFoundError: No module named '<package>'`
|
||||
- ಸ್ಕ್ರಿಪ್ಟ್ಗಳು ಅಥವಾ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವಾಗ ಆಮದು ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಅವಲಂಬನೆಗಳು ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
- ತಪ್ಪಾದ Python ಆವೃತ್ತಿ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ ಸಿದ್ಧಪಡಿಸಿ.**
|
||||
```bash
|
||||
python -m venv venv
|
||||
source venv/bin/activate # ವಿಂಡೋಸ್ನಲ್ಲಿ: venv\Scripts\activate
|
||||
```
|
||||
2. **ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ.**
|
||||
```bash
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
3. **Python ಆವೃತ್ತಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
Python 3.7 ಅಥವಾ ಹೊಸ ಆವೃತ್ತಿ ಬಳಸಿ.
|
||||
```bash
|
||||
python --version
|
||||
```
|
||||
|
||||
### 3. Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ನೋಟ್ಬುಕ್ಗಳು ಮುಖ್ಯ ಅಧ್ಯಯನ ಸಂಪನ್ಮೂಲ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `jupyter: command not found`
|
||||
- ನೋಟ್ಬುಕ್ಗಳು ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **Jupyter Notebook ಸ್ಥಾಪಿಸಿ.**
|
||||
```bash
|
||||
pip install notebook
|
||||
```
|
||||
ಅಥವಾ, Anaconda ಬಳಸದಿದ್ದರೆ:
|
||||
```bash
|
||||
conda install notebook
|
||||
```
|
||||
2. **Jupyter Notebook ಪ್ರಾರಂಭಿಸಿ.**
|
||||
```bash
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
### 4. ಅವಲಂಬನೆ ಆವೃತ್ತಿ ಸಂಘರ್ಷಗಳು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿಗಳು ಹೊಂದಾಣಿಕೆಯಾಗದಿದ್ದರೆ ಪ್ರಾಜೆಕ್ಟ್ ಮುರಿಯಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಅಸಂಗತ ಆವೃತ್ತಿಗಳ ಬಗ್ಗೆ ದೋಷಗಳು ಅಥವಾ ಎಚ್ಚರಿಕೆಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಹಳೆಯ ಅಥವಾ ಸಂಘರ್ಷ ಹೊಂದಿರುವ Python ಪ್ಯಾಕೇಜ್ಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಶುದ್ಧ ಪರಿಸರದಲ್ಲಿ ಸ್ಥಾಪಿಸಿ.**
|
||||
ಹಳೆಯ venv/conda ಪರಿಸರವನ್ನು ಅಳಿಸಿ ಮತ್ತು ಹೊಸದನ್ನು ರಚಿಸಿ.
|
||||
2. **ನಿಖರ ಆವೃತ್ತಿಗಳನ್ನು ಬಳಸಿ.**
|
||||
ಯಾವಾಗಲೂ ಈ ಕೆಳಗಿನಂತೆ ಚಾಲನೆ ಮಾಡಿ:
|
||||
```bash
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
ಇದು ವಿಫಲವಾದರೆ, README ನಲ್ಲಿ ವಿವರಿಸಿದಂತೆ ಕಳೆದುಹೋಗಿದ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಕೈಯಿಂದ ಸ್ಥಾಪಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 5. ಪರಿಸರ ಚರಗಳು (Environment Variables) ಸೆಟ್ ಆಗಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೆಲವು ಮೋಡ್ಯೂಲ್ಗಳಿಗೆ ಕೀಗಳು, ಟೋಕನ್ಗಳು ಅಥವಾ ಕಾನ್ಫಿಗ್ ಸೆಟ್ಟಿಂಗ್ಗಳು ಬೇಕಾಗಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `KeyError` ಅಥವಾ ಕಾನ್ಫಿಗರೇಶನ್ ಇಲ್ಲದಿರುವ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಅಗತ್ಯವಿರುವ ಪರಿಸರ ಚರಗಳು ಸೆಟ್ ಆಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **`.env.example` ಅಥವಾ ಹೋಲುವ ಫೈಲ್ಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
2. **`.env` ಫೈಲ್ ರಚಿಸಿ ಮತ್ತು ಅಗತ್ಯ ಮೌಲ್ಯಗಳನ್ನು ತುಂಬಿ.**
|
||||
3. **ಪರಿಸರ ಚರಗಳನ್ನು ಸೆಟ್ ಮಾಡಿದ ನಂತರ ಟರ್ಮಿನಲ್ ಅಥವಾ IDE ಅನ್ನು ಮರುಲೋಡ್ ಮಾಡಿ.**
|
||||
|
||||
---
|
||||
|
||||
## ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು
|
||||
|
||||
### 6. ನೋಟ್ಬುಕ್ ತೆರೆಯಲಾಗುತ್ತಿಲ್ಲ ಅಥವಾ ಚಾಲನೆ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** Jupyter ನೋಟ್ಬುಕ್ಗಳಿಗೆ ಸರಿಯಾದ ಸಿದ್ಧತೆ ಅಗತ್ಯ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
- ಬ್ರೌಸರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ತೆರೆಯುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
- ಬ್ರೌಸರ್ ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **Jupyter ಸ್ಥಾಪಿಸಿ (ಮೇಲಿನ ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳನ್ನು ನೋಡಿ).**
|
||||
2. **ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕೈಯಿಂದ ತೆರೆಯಿರಿ.**
|
||||
- ಟರ್ಮಿನಲ್ನಿಂದ URL ನಕಲಿಸಿ (ಉದಾ: `http://localhost:8888/?token=...`) ಮತ್ತು ನಿಮ್ಮ ಬ್ರೌಸರ್ನಲ್ಲಿ ಪೇಸ್ಟ್ ಮಾಡಿ.
|
||||
|
||||
### 7. ಕರ್ಣಲ್ ಕ್ರ್ಯಾಶ್ ಆಗುವುದು ಅಥವಾ ಫ್ರೀಜ್ ಆಗುವುದು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ನೋಟ್ಬುಕ್ ಕರ್ಣಲ್ಗಳು ಸಂಪನ್ಮೂಲ ಮಿತಿಗಳು ಅಥವಾ ಕೋಡ್ ದೋಷಗಳಿಂದ ಕ್ರ್ಯಾಶ್ ಆಗಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಅಥವಾ ಸತತವಾಗಿ ಸಾಯುತ್ತದೆ
|
||||
- Out-of-memory ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳು
|
||||
- ಅಸಂಗತ ಕೋಡ್ ಅಥವಾ ಪ್ಯಾಕೇಜ್ಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ.**
|
||||
Jupyter ನಲ್ಲಿ "Restart Kernel" ಬಟನ್ ಬಳಸಿ.
|
||||
2. **ಮೆಮೊರಿ ಬಳಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.**
|
||||
ಬಳಸದ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಮುಚ್ಚಿ.
|
||||
3. **ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕ್ಲೌಡ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಲ್ಲಿ ಚಾಲನೆ ಮಾಡಿ.**
|
||||
[Google Colab](https://colab.research.google.com/) ಅಥವಾ [Azure Notebooks](https://notebooks.azure.com/) ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 8. ನೋಟ್ಬುಕ್ಗಳು ನಿಧಾನವಾಗಿ ಓಡುತ್ತಿವೆ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೆಲವು AI ಕಾರ್ಯಗಳಿಗೆ ಹೆಚ್ಚಿನ ಮೆಮೊರಿ ಮತ್ತು CPU ಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ನಿಧಾನವಾದ ಕಾರ್ಯಾಚರಣೆ
|
||||
- ಲ್ಯಾಪ್ಟಾಪ್ ಫ್ಯಾನ್ ಗಟ್ಟಿಯಾಗಿ ಓಡುತ್ತಿದೆ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳು ಅಥವಾ ಮಾದರಿಗಳು
|
||||
- ಸೀಮಿತ ವ್ಯವಸ್ಥೆ ಸಂಪನ್ಮೂಲಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕ್ಲೌಡ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಬಳಸಿ.**
|
||||
- ನೋಟ್ಬುಕ್ ಅನ್ನು Colab ಅಥವಾ Azure Notebooks ಗೆ ಅಪ್ಲೋಡ್ ಮಾಡಿ.
|
||||
2. **ಡೇಟಾಸೆಟ್ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಿ.**
|
||||
- ಅಭ್ಯಾಸಕ್ಕಾಗಿ ಮಾದರಿ ಡೇಟಾ ಬಳಸಿ.
|
||||
3. **ಅಗತ್ಯವಿಲ್ಲದ ಪ್ರೋಗ್ರಾಮ್ಗಳನ್ನು ಮುಚ್ಚಿ.**
|
||||
- ವ್ಯವಸ್ಥೆಯ RAM ಮುಕ್ತಗೊಳಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಪಾಠಪುಸ್ತಕ ವೆಬ್ಸೈಟ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 9. ಅಧ್ಯಾಯ ಲೋಡ್ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಆನ್ಲೈನ್ ಪಾಠಪುಸ್ತಕ ಪಾಠಗಳು ಮತ್ತು ಅಧ್ಯಾಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಒಂದು ಅಧ್ಯಾಯ (ಉದಾ: Transformers/BERT) ಕಾಣಿಸದಿರುವುದು ಅಥವಾ ತೆರೆಯದಿರುವುದು
|
||||
|
||||
**ಹೆಚ್ಚು ತಿಳಿದಿರುವ ಸಮಸ್ಯೆ:**
|
||||
- [Issue #303](https://github.com/microsoft/AI-For-Beginners/issues/303): “18 Transformers. BERT. can't be opened on the textbook website.” ಕಾರಣ: ಫೈಲ್ ಹೆಸರು ದೋಷ (`READMEtransformers.md` ಬದಲು `README.md`).
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಫೈಲ್ ಹೆಸರು ದೋಷಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
ನೀವು ಕೊಡುಗೆದಾರರಾಗಿದ್ದರೆ, ಅಧ್ಯಾಯ ಫೈಲ್ಗಳು `README.md` ಎಂದು ಹೆಸರಾಗಿರಬೇಕು ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
|
||||
2. **ಕಳೆದುಹೋಗಿದ ಫೈಲ್ಗಳನ್ನು ವರದಿ ಮಾಡಿ.**
|
||||
ಅಧ್ಯಾಯದ ಹೆಸರು ಮತ್ತು ದೋಷ ವಿವರಗಳೊಂದಿಗೆ GitHub Issue ತೆರೆಯಿರಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕೊಡುಗೆ ನೀಡುವ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 10. PR ಸ್ವೀಕರಿಸಲಾಗುತ್ತಿಲ್ಲ ಅಥವಾ ಬಿಲ್ಡ್ ವಿಫಲವಾಗುತ್ತಿದೆ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೊಡುಗೆಗಳು ಪರೀಕ್ಷೆಗಳನ್ನು ಪಾಸಾಗಬೇಕು ಮತ್ತು ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸಬೇಕು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ನಿರಾಕರಿಸಲಾಗಿದೆ
|
||||
- CI/CD ಪೈಪ್ಲೈನ್ ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಪರೀಕ್ಷೆಗಳು ವಿಫಲವಾಗಿವೆ
|
||||
- ಕೋಡಿಂಗ್ ಮಾನದಂಡಗಳನ್ನು ಅನುಸರಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕೊಡುಗೆ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಓದಿ.**
|
||||
ರೆಪೊಸಿಟರಿಯ [CONTRIBUTING.md](https://github.com/microsoft/AI-For-Beginners/blob/main/CONTRIBUTING.md) ಅನುಸರಿಸಿ.
|
||||
2. **ಪುಶ್ ಮಾಡುವ ಮೊದಲು ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿ.**
|
||||
3. **ಲಿಂಟಿಂಗ್ ನಿಯಮಗಳು ಅಥವಾ ಫಾರ್ಮ್ಯಾಟಿಂಗ್ ಅಗತ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.**
|
||||
|
||||
---
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು
|
||||
|
||||
### ನಿರ್ದಿಷ್ಟ ಮೋಡ್ಯೂಲ್ಗಳಿಗೆ ಸಹಾಯವನ್ನು ಎಲ್ಲಿಂದ ಪಡೆಯಬಹುದು?
|
||||
- ಪ್ರತಿ ಮೋಡ್ಯೂಲ್ಗೆ ಸಾಮಾನ್ಯವಾಗಿ ತನ್ನದೇ ಆದ README ಇರುತ್ತದೆ. ಅಲ್ಲಿ ಸೆಟ್ಅಪ್ ಮತ್ತು ಬಳಕೆ ಸಲಹೆಗಳು ಇರುತ್ತವೆ.
|
||||
|
||||
### ದೋಷವನ್ನು ಹೇಗೆ ವರದಿ ಮಾಡಬಹುದು ಅಥವಾ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೇಗೆ ವಿನಂತಿಸಬಹುದು?
|
||||
- ಸ್ಪಷ್ಟ ವಿವರಣೆ ಮತ್ತು ಪುನರಾವರ್ತನೆ ಹಂತಗಳೊಂದಿಗೆ [GitHub Issue ತೆರೆಯಿರಿ](https://github.com/microsoft/AI-For-Beginners/issues/new).
|
||||
|
||||
### ನನ್ನ ಸಮಸ್ಯೆ ಪಟ್ಟಿಯಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ ಸಹಾಯ ಕೇಳಬಹುದೇ?
|
||||
- ಹೌದು! ಮೊದಲು ಇತ್ತೀಚಿನ Issues ಹುಡುಕಿ, ನಿಮ್ಮ ಸಮಸ್ಯೆ ಇಲ್ಲದಿದ್ದರೆ ಹೊಸ Issue ರಚಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಸಹಾಯ ಪಡೆಯುವುದು
|
||||
|
||||
- **Issues ಪರಿಶೀಲಿಸಿ:** [GitHub Issues](https://github.com/microsoft/AI-For-Beginners/issues)
|
||||
- **ಪ್ರಶ್ನೆ ಕೇಳಿ:** GitHub Discussions ಬಳಸಿ ಅಥವಾ Issue ತೆರೆಯಿರಿ.
|
||||
- **ಸಮುದಾಯ:** ಚಾಟ್/ಫೋರಂ ಆಯ್ಕೆಗಳು ರೆಪೊಸಿಟರಿ ಲಿಂಕ್ಗಳಲ್ಲಿ ಲಭ್ಯ.
|
||||
|
||||
---
|
||||
|
||||
_ಕೊನೆಯದಾಗಿ ನವೀಕರಿಸಲಾಗಿದೆ: 2025-09-20_
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
# AI-For-Beginners ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ
|
||||
|
||||
ಈ ಮಾರ್ಗದರ್ಶಿ [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) ರೆಪೊಸಿಟರಿಯನ್ನು ಬಳಸುವಾಗ ಅಥವಾ ಕೊಡುಗೆ ನೀಡುವಾಗ ಎದುರಾಗುವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪ್ರತಿ ಸಮಸ್ಯೆಗೆ ಹಿನ್ನೆಲೆ, ಲಕ್ಷಣಗಳು, ವಿವರಣೆಗಳು ಮತ್ತು ಹಂತ ಹಂತದ ಪರಿಹಾರಗಳು ನೀಡಲಾಗಿದೆ.
|
||||
|
||||
---
|
||||
|
||||
## ವಿಷಯಗಳ ಪಟ್ಟಿಯು
|
||||
|
||||
- [ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು](../..)
|
||||
- [ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಪಾಠಪುಸ್ತಕ ವೆಬ್ಸೈಟ್ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಕೊಡುಗೆ ನೀಡುವ ಸಮಸ್ಯೆಗಳು](../..)
|
||||
- [ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು](../..)
|
||||
- [ಸಹಾಯ ಪಡೆಯುವುದು](../..)
|
||||
|
||||
---
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 1. ರೆಪೊಸಿಟರಿ ಸರಿಯಾಗಿ ಕ್ಲೋನ್ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕ್ಲೋನ್ ಮಾಡುವುದರಿಂದ ನೀವು ರೆಪೊಸಿಟರಿಯನ್ನು ನಿಮ್ಮ ಯಂತ್ರಕ್ಕೆ ನಕಲಿಸಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `fatal: repository not found`
|
||||
- ದೋಷ: `Permission denied (publickey)`
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ತಪ್ಪಾದ ರೆಪೊಸಿಟರಿ URL
|
||||
- ಅನುಮತಿಗಳ ಕೊರತೆ
|
||||
- SSH ಕೀಗಳು ಸಂರಚಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ರೆಪೊಸಿಟರಿ URL ಪರಿಶೀಲಿಸಿ.**
|
||||
HTTPS URL ಬಳಸಿ:
|
||||
```
|
||||
git clone https://github.com/microsoft/AI-For-Beginners.git
|
||||
```
|
||||
2. **SSH ವಿಫಲವಾದರೆ HTTPS ಗೆ ಬದಲಾಯಿಸಿ.**
|
||||
ನೀವು `Permission denied (publickey)` ದೋಷವನ್ನು ನೋಡಿದರೆ, SSH ಬದಲು ಮೇಲಿನ HTTPS ಲಿಂಕ್ ಬಳಸಿ.
|
||||
3. **SSH ಕೀಗಳನ್ನು ಸಂರಚಿಸಿ (ಐಚ್ಛಿಕ).**
|
||||
SSH ಬಳಸಲು ಬಯಸಿದರೆ, [GitHub ನ SSH ಮಾರ್ಗದರ್ಶಿ](https://docs.github.com/en/authentication/connecting-to-github-with-ssh) ಅನುಸರಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 2. Python ಪರಿಸರ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ರೆಪೊಸಿಟರಿ Python ಮತ್ತು ವಿವಿಧ ಲೈಬ್ರರಿಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `ModuleNotFoundError: No module named '<package>'`
|
||||
- ಸ್ಕ್ರಿಪ್ಟ್ಗಳು ಅಥವಾ ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವಾಗ ಆಮದು ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಅವಲಂಬನೆಗಳು ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
- ತಪ್ಪಾದ Python ಆವೃತ್ತಿ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ ಸಿದ್ಧಪಡಿಸಿ.**
|
||||
```bash
|
||||
python -m venv venv
|
||||
source venv/bin/activate # ವಿಂಡೋಸ್ನಲ್ಲಿ: venv\Scripts\activate
|
||||
```
|
||||
2. **ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ.**
|
||||
```bash
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
3. **Python ಆವೃತ್ತಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
Python 3.7 ಅಥವಾ ಹೊಸ ಆವೃತ್ತಿ ಬಳಸಿ.
|
||||
```bash
|
||||
python --version
|
||||
```
|
||||
|
||||
### 3. Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ನೋಟ್ಬುಕ್ಗಳು ಮುಖ್ಯ ಅಧ್ಯಯನ ಸಂಪನ್ಮೂಲ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `jupyter: command not found`
|
||||
- ನೋಟ್ಬುಕ್ಗಳು ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **Jupyter Notebook ಸ್ಥಾಪಿಸಿ.**
|
||||
```bash
|
||||
pip install notebook
|
||||
```
|
||||
ಅಥವಾ, Anaconda ಬಳಸದಿದ್ದರೆ:
|
||||
```bash
|
||||
conda install notebook
|
||||
```
|
||||
2. **Jupyter Notebook ಪ್ರಾರಂಭಿಸಿ.**
|
||||
```bash
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
### 4. ಅವಲಂಬನೆ ಆವೃತ್ತಿ ಸಂಘರ್ಷಗಳು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿಗಳು ಹೊಂದಾಣಿಕೆಯಾಗದಿದ್ದರೆ ಪ್ರಾಜೆಕ್ಟ್ ಮುರಿಯಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಅಸಂಗತ ಆವೃತ್ತಿಗಳ ಬಗ್ಗೆ ದೋಷಗಳು ಅಥವಾ ಎಚ್ಚರಿಕೆಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಹಳೆಯ ಅಥವಾ ಸಂಘರ್ಷ ಹೊಂದಿರುವ Python ಪ್ಯಾಕೇಜ್ಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಶುದ್ಧ ಪರಿಸರದಲ್ಲಿ ಸ್ಥಾಪಿಸಿ.**
|
||||
ಹಳೆಯ venv/conda ಪರಿಸರವನ್ನು ಅಳಿಸಿ ಮತ್ತು ಹೊಸದನ್ನು ರಚಿಸಿ.
|
||||
2. **ನಿಖರ ಆವೃತ್ತಿಗಳನ್ನು ಬಳಸಿ.**
|
||||
ಯಾವಾಗಲೂ ಈ ಕೆಳಗಿನಂತೆ ಚಾಲನೆ ಮಾಡಿ:
|
||||
```bash
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
ಇದು ವಿಫಲವಾದರೆ, README ನಲ್ಲಿ ವಿವರಿಸಿದಂತೆ ಕಳೆದುಹೋಗಿದ ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಕೈಯಿಂದ ಸ್ಥಾಪಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 5. ಪರಿಸರ ಚರಗಳು (Environment Variables) ಸೆಟ್ ಆಗಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೆಲವು ಮೋಡ್ಯೂಲ್ಗಳಿಗೆ ಕೀಗಳು, ಟೋಕನ್ಗಳು ಅಥವಾ ಕಾನ್ಫಿಗ್ ಸೆಟ್ಟಿಂಗ್ಗಳು ಬೇಕಾಗಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ದೋಷ: `KeyError` ಅಥವಾ ಕಾನ್ಫಿಗರೇಶನ್ ಇಲ್ಲದಿರುವ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಅಗತ್ಯವಿರುವ ಪರಿಸರ ಚರಗಳು ಸೆಟ್ ಆಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **`.env.example` ಅಥವಾ ಹೋಲುವ ಫೈಲ್ಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
2. **`.env` ಫೈಲ್ ರಚಿಸಿ ಮತ್ತು ಅಗತ್ಯ ಮೌಲ್ಯಗಳನ್ನು ತುಂಬಿ.**
|
||||
3. **ಪರಿಸರ ಚರಗಳನ್ನು ಸೆಟ್ ಮಾಡಿದ ನಂತರ ಟರ್ಮಿನಲ್ ಅಥವಾ IDE ಅನ್ನು ಮರುಲೋಡ್ ಮಾಡಿ.**
|
||||
|
||||
---
|
||||
|
||||
## ನೋಟ್ಬುಕ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು
|
||||
|
||||
### 6. ನೋಟ್ಬುಕ್ ತೆರೆಯಲಾಗುತ್ತಿಲ್ಲ ಅಥವಾ ಚಾಲನೆ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** Jupyter ನೋಟ್ಬುಕ್ಗಳಿಗೆ ಸರಿಯಾದ ಸಿದ್ಧತೆ ಅಗತ್ಯ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ
|
||||
- ಬ್ರೌಸರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ತೆರೆಯುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- Jupyter ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ
|
||||
- ಬ್ರೌಸರ್ ಕಾನ್ಫಿಗರೇಶನ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **Jupyter ಸ್ಥಾಪಿಸಿ (ಮೇಲಿನ ಸ್ಥಾಪನೆ ಸಮಸ್ಯೆಗಳನ್ನು ನೋಡಿ).**
|
||||
2. **ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕೈಯಿಂದ ತೆರೆಯಿರಿ.**
|
||||
- ಟರ್ಮಿನಲ್ನಿಂದ URL ನಕಲಿಸಿ (ಉದಾ: `http://localhost:8888/?token=...`) ಮತ್ತು ನಿಮ್ಮ ಬ್ರೌಸರ್ನಲ್ಲಿ ಪೇಸ್ಟ್ ಮಾಡಿ.
|
||||
|
||||
### 7. ಕರ್ಣಲ್ ಕ್ರ್ಯಾಶ್ ಆಗುವುದು ಅಥವಾ ಫ್ರೀಜ್ ಆಗುವುದು
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ನೋಟ್ಬುಕ್ ಕರ್ಣಲ್ಗಳು ಸಂಪನ್ಮೂಲ ಮಿತಿಗಳು ಅಥವಾ ಕೋಡ್ ದೋಷಗಳಿಂದ ಕ್ರ್ಯಾಶ್ ಆಗಬಹುದು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಅಥವಾ ಸತತವಾಗಿ ಸಾಯುತ್ತದೆ
|
||||
- Out-of-memory ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳು
|
||||
- ಅಸಂಗತ ಕೋಡ್ ಅಥವಾ ಪ್ಯಾಕೇಜ್ಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ.**
|
||||
Jupyter ನಲ್ಲಿ "Restart Kernel" ಬಟನ್ ಬಳಸಿ.
|
||||
2. **ಮೆಮೊರಿ ಬಳಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.**
|
||||
ಬಳಸದ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಮುಚ್ಚಿ.
|
||||
3. **ನೋಟ್ಬುಕ್ಗಳನ್ನು ಕ್ಲೌಡ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಲ್ಲಿ ಚಾಲನೆ ಮಾಡಿ.**
|
||||
[Google Colab](https://colab.research.google.com/) ಅಥವಾ [Azure Notebooks](https://notebooks.azure.com/) ಬಳಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 8. ನೋಟ್ಬುಕ್ಗಳು ನಿಧಾನವಾಗಿ ಓಡುತ್ತಿವೆ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೆಲವು AI ಕಾರ್ಯಗಳಿಗೆ ಹೆಚ್ಚಿನ ಮೆಮೊರಿ ಮತ್ತು CPU ಬೇಕಾಗುತ್ತದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ನಿಧಾನವಾದ ಕಾರ್ಯಾಚರಣೆ
|
||||
- ಲ್ಯಾಪ್ಟಾಪ್ ಫ್ಯಾನ್ ಗಟ್ಟಿಯಾಗಿ ಓಡುತ್ತಿದೆ
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ದೊಡ್ಡ ಡೇಟಾಸೆಟ್ಗಳು ಅಥವಾ ಮಾದರಿಗಳು
|
||||
- ಸೀಮಿತ ವ್ಯವಸ್ಥೆ ಸಂಪನ್ಮೂಲಗಳು
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕ್ಲೌಡ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಬಳಸಿ.**
|
||||
- ನೋಟ್ಬುಕ್ ಅನ್ನು Colab ಅಥವಾ Azure Notebooks ಗೆ ಅಪ್ಲೋಡ್ ಮಾಡಿ.
|
||||
2. **ಡೇಟಾಸೆಟ್ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಿ.**
|
||||
- ಅಭ್ಯಾಸಕ್ಕಾಗಿ ಮಾದರಿ ಡೇಟಾ ಬಳಸಿ.
|
||||
3. **ಅಗತ್ಯವಿಲ್ಲದ ಪ್ರೋಗ್ರಾಮ್ಗಳನ್ನು ಮುಚ್ಚಿ.**
|
||||
- ವ್ಯವಸ್ಥೆಯ RAM ಮುಕ್ತಗೊಳಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಪಾಠಪುಸ್ತಕ ವೆಬ್ಸೈಟ್ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 9. ಅಧ್ಯಾಯ ಲೋಡ್ ಆಗುತ್ತಿಲ್ಲ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಆನ್ಲೈನ್ ಪಾಠಪುಸ್ತಕ ಪಾಠಗಳು ಮತ್ತು ಅಧ್ಯಾಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಒಂದು ಅಧ್ಯಾಯ (ಉದಾ: Transformers/BERT) ಕಾಣಿಸದಿರುವುದು ಅಥವಾ ತೆರೆಯದಿರುವುದು
|
||||
|
||||
**ಹೆಚ್ಚು ತಿಳಿದಿರುವ ಸಮಸ್ಯೆ:**
|
||||
- [Issue #303](https://github.com/microsoft/AI-For-Beginners/issues/303): “18 Transformers. BERT. can't be opened on the textbook website.” ಕಾರಣ: ಫೈಲ್ ಹೆಸರು ದೋಷ (`READMEtransformers.md` ಬದಲು `README.md`).
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಫೈಲ್ ಹೆಸರು ದೋಷಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ.**
|
||||
ನೀವು ಕೊಡುಗೆದಾರರಾಗಿದ್ದರೆ, ಅಧ್ಯಾಯ ಫೈಲ್ಗಳು `README.md` ಎಂದು ಹೆಸರಾಗಿರಬೇಕು ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
|
||||
2. **ಕಳೆದುಹೋಗಿದ ಫೈಲ್ಗಳನ್ನು ವರದಿ ಮಾಡಿ.**
|
||||
ಅಧ್ಯಾಯದ ಹೆಸರು ಮತ್ತು ದೋಷ ವಿವರಗಳೊಂದಿಗೆ GitHub Issue ತೆರೆಯಿರಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಕೊಡುಗೆ ನೀಡುವ ಸಮಸ್ಯೆಗಳು
|
||||
|
||||
### 10. PR ಸ್ವೀಕರಿಸಲಾಗುತ್ತಿಲ್ಲ ಅಥವಾ ಬಿಲ್ಡ್ ವಿಫಲವಾಗುತ್ತಿದೆ
|
||||
|
||||
**ಹಿನ್ನೆಲೆ:** ಕೊಡುಗೆಗಳು ಪರೀಕ್ಷೆಗಳನ್ನು ಪಾಸಾಗಬೇಕು ಮತ್ತು ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸಬೇಕು.
|
||||
|
||||
**ಲಕ್ಷಣಗಳು:**
|
||||
- ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ನಿರಾಕರಿಸಲಾಗಿದೆ
|
||||
- CI/CD ಪೈಪ್ಲೈನ್ ದೋಷಗಳು
|
||||
|
||||
**ಸಾಧ್ಯ ಕಾರಣಗಳು:**
|
||||
- ಪರೀಕ್ಷೆಗಳು ವಿಫಲವಾಗಿವೆ
|
||||
- ಕೋಡಿಂಗ್ ಮಾನದಂಡಗಳನ್ನು ಅನುಸರಿಸಲಾಗಿಲ್ಲ
|
||||
|
||||
**ಪರಿಹಾರಗಳು:**
|
||||
1. **ಕೊಡುಗೆ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಓದಿ.**
|
||||
ರೆಪೊಸಿಟರಿಯ [CONTRIBUTING.md](https://github.com/microsoft/AI-For-Beginners/blob/main/CONTRIBUTING.md) ಅನುಸರಿಸಿ.
|
||||
2. **ಪುಶ್ ಮಾಡುವ ಮೊದಲು ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿ.**
|
||||
3. **ಲಿಂಟಿಂಗ್ ನಿಯಮಗಳು ಅಥವಾ ಫಾರ್ಮ್ಯಾಟಿಂಗ್ ಅಗತ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.**
|
||||
|
||||
---
|
||||
|
||||
## ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು
|
||||
|
||||
### ನಿರ್ದಿಷ್ಟ ಮೋಡ್ಯೂಲ್ಗಳಿಗೆ ಸಹಾಯವನ್ನು ಎಲ್ಲಿಂದ ಪಡೆಯಬಹುದು?
|
||||
- ಪ್ರತಿ ಮೋಡ್ಯೂಲ್ಗೆ ಸಾಮಾನ್ಯವಾಗಿ ತನ್ನದೇ ಆದ README ಇರುತ್ತದೆ. ಅಲ್ಲಿ ಸೆಟ್ಅಪ್ ಮತ್ತು ಬಳಕೆ ಸಲಹೆಗಳು ಇರುತ್ತವೆ.
|
||||
|
||||
### ದೋಷವನ್ನು ಹೇಗೆ ವರದಿ ಮಾಡಬಹುದು ಅಥವಾ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೇಗೆ ವಿನಂತಿಸಬಹುದು?
|
||||
- ಸ್ಪಷ್ಟ ವಿವರಣೆ ಮತ್ತು ಪುನರಾವರ್ತನೆ ಹಂತಗಳೊಂದಿಗೆ [GitHub Issue ತೆರೆಯಿರಿ](https://github.com/microsoft/AI-For-Beginners/issues/new).
|
||||
|
||||
### ನನ್ನ ಸಮಸ್ಯೆ ಪಟ್ಟಿಯಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ ಸಹಾಯ ಕೇಳಬಹುದೇ?
|
||||
- ಹೌದು! ಮೊದಲು ಇತ್ತೀಚಿನ Issues ಹುಡುಕಿ, ನಿಮ್ಮ ಸಮಸ್ಯೆ ಇಲ್ಲದಿದ್ದರೆ ಹೊಸ Issue ರಚಿಸಿ.
|
||||
|
||||
---
|
||||
|
||||
## ಸಹಾಯ ಪಡೆಯುವುದು
|
||||
|
||||
- **Issues ಪರಿಶೀಲಿಸಿ:** [GitHub Issues](https://github.com/microsoft/AI-For-Beginners/issues)
|
||||
- **ಪ್ರಶ್ನೆ ಕೇಳಿ:** GitHub Discussions ಬಳಸಿ ಅಥವಾ Issue ತೆರೆಯಿರಿ.
|
||||
- **ಸಮುದಾಯ:** ಚಾಟ್/ಫೋರಂ ಆಯ್ಕೆಗಳು ರೆಪೊಸಿಟರಿ ಲಿಂಕ್ಗಳಲ್ಲಿ ಲಭ್ಯ.
|
||||
|
||||
---
|
||||
|
||||
_ಕೊನೆಯದಾಗಿ ನವೀಕರಿಸಲಾಗಿದೆ: 2025-09-20_
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ಅಸ್ವೀಕರಣ**:
|
||||
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-11-25T19:53:59+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T03:02:12+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-11-25T20:12:52+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-11-25T20:22:23+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-11-25T20:23:14+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-11-25T20:26:47+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-11-25T20:29:58+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-11-25T20:31:21+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-11-25T20:38:46+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-11-25T20:34:04+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-11-25T20:41:55+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-17T02:14:15+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:40:04+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-25T20:54:16+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-25T20:51:52+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-17T02:14:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-11-25T20:59:05+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-11-25T21:36:59+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-11-25T21:51:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-11-25T21:41:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-11-25T21:53:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-11-25T21:47:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-11-25T21:54:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-11-25T21:08:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-11-25T21:57:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-11-25T22:41:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-11-25T22:03:30+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-11-25T22:06:14+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-11-25T22:42:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-11-25T22:10:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-11-25T22:17:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-11-25T22:43:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-11-25T22:24:14+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-11-25T22:30:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-11-25T22:34:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-11-25T22:45:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-11-25T22:38:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-11-25T22:47:26+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-11-25T21:10:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-11-25T22:51:25+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-11-25T22:48:33+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-11-25T22:56:39+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-11-25T22:54:07+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-11-25T22:59:08+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-11-25T23:21:41+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-11-25T23:02:18+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-11-25T23:00:50+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-11-25T23:06:27+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-11-25T23:22:45+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-11-25T23:12:38+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-11-25T23:09:08+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-11-25T23:17:23+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-11-25T23:24:32+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-11-25T23:19:47+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-11-25T21:14:29+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-11-25T23:27:50+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-11-25T23:32:07+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-11-25T23:39:38+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-11-25T23:36:41+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-11-25T23:35:08+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-11-25T21:19:23+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-11-25T20:36:15+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-11-25T23:42:27+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-11-25T21:28:52+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-11-25T21:35:41+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "ml"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-11-25T20:17:46+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,338 +1,329 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-11-25T19:53:59+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## പ്രോജക്ട് അവലോകനം
|
||||
|
||||
AI for Beginners ഒരു സമഗ്രമായ 12 ആഴ്ച, 24 പാഠങ്ങളുള്ള പാഠ്യപദ്ധതിയാണ്, ഇത് കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ അടിസ്ഥാനങ്ങൾ ഉൾക്കൊള്ളുന്നു. ഈ വിദ്യാഭ്യാസ സംഭരണം പ്രായോഗിക പാഠങ്ങൾ Jupyter Notebooks ഉപയോഗിച്ച്, ക്വിസുകൾ, ഹാൻഡ്സ്-ഓൺ ലാബുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു. പാഠ്യപദ്ധതി ഉൾക്കൊള്ളുന്നത്:
|
||||
|
||||
- നിഘണ്ടു പ്രതിനിധാനം, വിദഗ്ധ സിസ്റ്റങ്ങൾ എന്നിവയുള്ള സിംബോളിക് AI
|
||||
- TensorFlow, PyTorch ഉപയോഗിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളും ഡീപ്പ് ലേണിംഗും
|
||||
- കമ്പ്യൂട്ടർ വിഷൻ സാങ്കേതിക വിദ്യകളും ആർക്കിടെക്ചറുകളും
|
||||
- ട്രാൻസ്ഫോർമറുകളും BERT ഉൾപ്പെടെയുള്ള നാചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് (NLP)
|
||||
- പ്രത്യേക വിഷയങ്ങൾ: ജെനറ്റിക് ആൽഗോരിതങ്ങൾ, റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്, മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ
|
||||
- AI നൈതികതയും ഉത്തരവാദിത്വമുള്ള AI സിദ്ധാന്തങ്ങളും
|
||||
|
||||
**പ്രധാന സാങ്കേതികവിദ്യകൾ:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (ക്വിസ് ആപ്പിനായി)
|
||||
|
||||
**ആർക്കിടെക്ചർ:** വിഷയപ്രകാരം ക്രമീകരിച്ച Jupyter Notebooks ഉള്ള വിദ്യാഭ്യാസ ഉള്ളടക്ക സംഭരണം, Vue.js അടിസ്ഥാനമാക്കിയുള്ള ക്വിസ് ആപ്പ്, വ്യാപകമായ ബഹുഭാഷാ പിന്തുണ.
|
||||
|
||||
## സെറ്റപ്പ് കമാൻഡുകൾ
|
||||
|
||||
### പ്രാഥമിക ഡെവലപ്പ്മെന്റ് പരിസ്ഥിതി (Python/Jupyter)
|
||||
|
||||
പാഠ്യപദ്ധതി Python, Jupyter Notebooks ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്തതാണ്. ശുപാർശ ചെയ്യുന്നത് miniconda ഉപയോഗിക്കുകയാണ്:
|
||||
|
||||
```bash
|
||||
# റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക
|
||||
git clone https://github.com/microsoft/ai-for-beginners
|
||||
cd ai-for-beginners
|
||||
|
||||
# കോൺഡാ എൻവയോൺമെന്റ് സൃഷ്ടിച്ച് സജീവമാക്കുക
|
||||
conda env create --name ai4beg --file environment.yml
|
||||
conda activate ai4beg
|
||||
|
||||
# ജൂപ്പിറ്റർ നോട്ട്ബുക്ക് ആരംഭിക്കുക
|
||||
jupyter notebook
|
||||
# അല്ലെങ്കിൽ
|
||||
jupyter lab
|
||||
```
|
||||
|
||||
|
||||
### ബദൽ: devcontainer ഉപയോഗിക്കൽ
|
||||
|
||||
```bash
|
||||
# VS കോഡിൽ തുറന്ന് പ്രോംപ്റ്റ് വന്നപ്പോൾ "കണ്ടെയ്നറിൽ വീണ്ടും തുറക്കുക" തിരഞ്ഞെടുക്കുക
|
||||
# ഡെവ്കണ്ടെയ്നർ സ്വയം പരിസ്ഥിതി സജ്ജമാക്കും
|
||||
```
|
||||
|
||||
|
||||
### ക്വിസ് ആപ്പ് സെറ്റപ്പ്
|
||||
|
||||
ക്വിസ് ആപ്പ് ഒരു വേർതിരിച്ച Vue.js ആപ്പാണ്, സ്ഥിതിചെയ്യുന്നത് `etc/quiz-app/` എന്ന ഫോൾഡറിൽ:
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm install
|
||||
npm run serve # വികസന സെർവർ
|
||||
npm run build # ഉത്പാദന ബിൽഡ്
|
||||
npm run lint # ലിന്റ് ചെയ്ത് ഫയലുകൾ ശരിയാക്കുക
|
||||
```
|
||||
|
||||
|
||||
## ഡെവലപ്പ്മെന്റ് പ്രവൃത്തി പ്രവാഹം
|
||||
|
||||
### Jupyter Notebooks ഉപയോഗിച്ച് ജോലി ചെയ്യൽ
|
||||
|
||||
1. **ലോകൽ ഡെവലപ്പ്മെന്റ്:**
|
||||
- conda പരിസ്ഥിതി സജീവമാക്കുക: `conda activate ai4beg`
|
||||
- Jupyter ആരംഭിക്കുക: `jupyter notebook` അല്ലെങ്കിൽ `jupyter lab`
|
||||
- പാഠം ഫോൾഡറുകളിലേക്ക് പോകുക, `.ipynb` ഫയലുകൾ തുറക്കുക
|
||||
- പാഠങ്ങൾ പിന്തുടരാൻ സെല്ലുകൾ ഇന്ററാക്ടീവായി പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
2. **Python എക്സ്റ്റൻഷൻ ഉപയോഗിച്ച് VS Code:**
|
||||
- റിപോസിറ്ററി VS Code-ൽ തുറക്കുക
|
||||
- Python എക്സ്റ്റൻഷൻ ഇൻസ്റ്റാൾ ചെയ്യുക
|
||||
- VS Code സ്വയം conda പരിസ്ഥിതിയെ കണ്ടെത്തി ഉപയോഗിക്കും
|
||||
- `.ipynb` ഫയലുകൾ നേരിട്ട് VS Code-ൽ തുറക്കുക
|
||||
|
||||
3. **ക്ലൗഡ് ഡെവലപ്പ്മെന്റ്:**
|
||||
- **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" ക്ലിക്ക് ചെയ്യുക
|
||||
- **Binder:** README-യിലെ Binder ബാഡ്ജ് ഉപയോഗിച്ച് ബ്രൗസറിൽ ആരംഭിക്കുക
|
||||
- ശ്രദ്ധിക്കുക: Binder-ന് പരിമിതമായ റിസോഴ്സുകളും ചില വെബ് ആക്സസ് നിയന്ത്രണങ്ങളും ഉണ്ട്
|
||||
|
||||
### പുരോഗമന പാഠങ്ങൾക്കുള്ള GPU പിന്തുണ
|
||||
|
||||
പിന്നീട് വരുന്ന പാഠങ്ങൾ GPU ആക്സിലറേഷൻ ഉപയോഗിച്ച് വളരെ പ്രയോജനപ്പെടും:
|
||||
|
||||
- **Azure Data Science VM:** GPU പിന്തുണയുള്ള NC-സീരീസ് VM-കൾ ഉപയോഗിക്കുക
|
||||
- **Azure Machine Learning:** GPU കംപ്യൂട്ട് ഉപയോഗിച്ച് നോട്ട്ബുക്ക് ഫീച്ചറുകൾ ഉപയോഗിക്കുക
|
||||
- **Google Colab:** നോട്ട്ബുക്കുകൾ വ്യക്തിഗതമായി അപ്ലോഡ് ചെയ്യുക (ഫ്രീ GPU പിന്തുണയുണ്ട്)
|
||||
|
||||
### ക്വിസ് ആപ്പ് ഡെവലപ്പ്മെന്റ്
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm run serve # http://localhost:8080 ൽ ഹോട്ട്-റീലോഡ് ഡെവലപ്പ്മെന്റ് സെർവർ
|
||||
```
|
||||
|
||||
|
||||
## ടെസ്റ്റിംഗ് നിർദ്ദേശങ്ങൾ
|
||||
|
||||
ഇത് സോഫ്റ്റ്വെയർ ടെസ്റ്റിംഗിനേക്കാൾ പഠന ഉള്ളടക്കത്തെ കേന്ദ്രീകരിച്ചുള്ള വിദ്യാഭ്യാസ സംഭരണമാണ്. പരമ്പരാഗത ടെസ്റ്റ് സ്യൂട്ട് ഇല്ല.
|
||||
|
||||
### സാധൂകരിക്കൽ സമീപനങ്ങൾ:
|
||||
|
||||
1. **Jupyter Notebooks:** കോഡ് ഉദാഹരണങ്ങൾ പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കാൻ സെല്ലുകൾ ക്രമത്തിൽ പ്രവർത്തിപ്പിക്കുക
|
||||
2. **ക്വിസ് ആപ്പ് ടെസ്റ്റിംഗ്:** ഡെവലപ്പ്മെന്റ് സെർവറിലൂടെ മാനുവൽ ടെസ്റ്റിംഗ്
|
||||
3. **പരിഭാഷാ സാധൂകരിക്കൽ:** `translations/` ഫോൾഡറിൽ പരിഭാഷാ ഉള്ളടക്കം പരിശോധിക്കുക
|
||||
4. **ക്വിസ് ആപ്പ് ലിന്റിംഗ്:** `etc/quiz-app/`-ൽ `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
### കോഡ് ഉദാഹരണങ്ങൾ പ്രവർത്തിപ്പിക്കൽ:
|
||||
|
||||
```bash
|
||||
# ആദ്യം പരിസ്ഥിതി സജീവമാക്കുക
|
||||
conda activate ai4beg
|
||||
|
||||
# പൈത്തൺ സ്ക്രിപ്റ്റുകൾ നേരിട്ട് പ്രവർത്തിപ്പിക്കുക
|
||||
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py
|
||||
|
||||
# അല്ലെങ്കിൽ നോട്ട്ബുക്കുകൾ പ്രവർത്തിപ്പിക്കുക
|
||||
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb
|
||||
```
|
||||
|
||||
|
||||
## കോഡ് ശൈലി
|
||||
|
||||
### Python കോഡ് ശൈലി
|
||||
|
||||
- വിദ്യാഭ്യാസ കോഡിനായി സ്റ്റാൻഡേർഡ് Python കൺവെൻഷനുകൾ
|
||||
- പഠനത്തിന് മുൻഗണന നൽകുന്ന വ്യക്തമായ, വായിക്കാൻ എളുപ്പമുള്ള കോഡ്
|
||||
- പ്രധാന ആശയങ്ങൾ വിശദീകരിക്കുന്ന കമന്റുകൾ
|
||||
- Jupyter Notebook-സൗഹൃദം: സെല്ലുകൾ സ്വയംപര്യാപ്തമായിരിക്കണം എത്രയും സാധ്യമായിടത്തോളം
|
||||
- പാഠ്യപദ്ധതിക്ക് കർശനമായ ലിന്റിംഗ് ആവശ്യകതയില്ല
|
||||
|
||||
### JavaScript/Vue.js (ക്വിസ് ആപ്പ്)
|
||||
|
||||
- `etc/quiz-app/package.json`-ൽ ESLint കോൺഫിഗറേഷൻ
|
||||
- പ്രശ്നങ്ങൾ പരിശോധിക്കാൻ, സ്വയം പരിഹരിക്കാൻ `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
- Vue 2.x കൺവെൻഷനുകൾ
|
||||
- ഘടക അടിസ്ഥാന ആർക്കിടെക്ചർ
|
||||
|
||||
### ഫയൽ ക്രമീകരണം
|
||||
|
||||
```
|
||||
lessons/
|
||||
├── 0-course-setup/ # Setup instructions
|
||||
├── 1-Intro/ # Introduction to AI
|
||||
├── 2-Symbolic/ # Symbolic AI
|
||||
├── 3-NeuralNetworks/ # Neural Networks basics
|
||||
├── 4-ComputerVision/ # Computer Vision
|
||||
├── 5-NLP/ # Natural Language Processing
|
||||
├── 6-Other/ # Other AI techniques
|
||||
├── 7-Ethics/ # AI Ethics
|
||||
└── X-Extras/ # Additional content
|
||||
|
||||
etc/
|
||||
├── quiz-app/ # Vue.js quiz application
|
||||
└── quiz-src/ # Quiz source files
|
||||
|
||||
translations/ # Multi-language translations
|
||||
```
|
||||
|
||||
|
||||
## ബിൽഡ് & ഡിപ്ലോയ്മെന്റ്
|
||||
|
||||
### Jupyter ഉള്ളടക്കം
|
||||
|
||||
ബിൽഡ് പ്രക്രിയ ആവശ്യമില്ല - Jupyter Notebooks നേരിട്ട് പ്രവർത്തിപ്പിക്കും.
|
||||
|
||||
### ക്വിസ് ആപ്പ്
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
|
||||
# വികസനം
|
||||
npm run serve
|
||||
|
||||
# ഉത്പാദന ബിൽഡ്
|
||||
npm run build # etc/quiz-app/dist/ ലേക്ക് ഔട്ട്പുട്ട്
|
||||
|
||||
# Azure സ്റ്റാറ്റിക് വെബ് ആപ്പുകളിൽ വിന്യസിക്കുക
|
||||
# Azure സ്വയം GitHub Actions വർക്ക്ഫ്ലോ സൃഷ്ടിക്കുന്നു
|
||||
# വിശദമായ വിന്യാസ നിർദ്ദേശങ്ങൾക്കായി etc/quiz-app/README.md കാണുക
|
||||
```
|
||||
|
||||
|
||||
### ഡോക്യുമെന്റേഷൻ സൈറ്റ്
|
||||
|
||||
റിപ്പോസിറ്ററി ഡോക്സിഫൈ ഉപയോഗിക്കുന്നു:
|
||||
- `index.html` പ്രവേശന പോയിന്റ്
|
||||
- ബിൽഡ് ആവശ്യമില്ല - GitHub Pages വഴി നേരിട്ട് സർവ് ചെയ്യുന്നു
|
||||
- ആക്സസ് ചെയ്യുക: https://microsoft.github.io/AI-For-Beginners/
|
||||
|
||||
## സംഭാവനാ മാർഗ്ഗനിർദ്ദേശങ്ങൾ
|
||||
|
||||
### പുൾ റിക്വസ്റ്റ് പ്രക്രിയ
|
||||
|
||||
1. **ശീർഷകം ഫോർമാറ്റ്:** മാറ്റം വ്യക്തമാക്കുന്ന വ്യക്തമായ, വിവരണാത്മകമായ ശീർഷകങ്ങൾ
|
||||
2. **CLA ആവശ്യകത:** Microsoft CLA ഒപ്പിടണം (സ്വയം പരിശോധന)
|
||||
3. **ഉള്ളടക്ക മാർഗ്ഗനിർദ്ദേശങ്ങൾ:**
|
||||
- വിദ്യാഭ്യാസ ലക്ഷ്യവും തുടക്കക്കാർക്ക് അനുയോജ്യമായ സമീപനവും പാലിക്കുക
|
||||
- നോട്ട്ബുക്കിലെ എല്ലാ കോഡ് ഉദാഹരണങ്ങളും പരീക്ഷിക്കുക
|
||||
- നോട്ട്ബുക്കുകൾ തുടർച്ചയായി പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക
|
||||
- ഇംഗ്ലീഷ് ഉള്ളടക്കം മാറ്റിയാൽ പരിഭാഷകൾ അപ്ഡേറ്റ് ചെയ്യുക
|
||||
4. **ക്വിസ് ആപ്പ് മാറ്റങ്ങൾ:** കമ്മിറ്റ് ചെയ്യുന്നതിന് മുമ്പ് `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
### പരിഭാഷാ സംഭാവനകൾ
|
||||
|
||||
- GitHub Actions ഉപയോഗിച്ച് co-op-translator വഴി ഓട്ടോമാറ്റിക് പരിഭാഷകൾ
|
||||
- മാനുവൽ പരിഭാഷകൾ `translations/<language-code>/`-ൽ
|
||||
- ക്വിസ് പരിഭാഷകൾ `etc/quiz-app/src/assets/translations/`-ൽ
|
||||
- പിന്തുണയുള്ള ഭാഷകൾ: 40+ (പൂർണ്ണ പട്ടിക README-യിൽ കാണുക)
|
||||
|
||||
### സജീവ സംഭാവന മേഖലകൾ
|
||||
|
||||
നിലവിലെ ആവശ്യങ്ങൾക്കായി `etc/CONTRIBUTING.md` കാണുക:
|
||||
- ഡീപ്പ് റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് വിഭാഗങ്ങൾ
|
||||
- ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ മെച്ചപ്പെടുത്തലുകൾ
|
||||
- നെയിംഡ് എൻറ്റിറ്റി റെക്കഗ്നിഷൻ ഉദാഹരണങ്ങൾ
|
||||
- കസ്റ്റം എംബെഡ്ഡിംഗ് ട്രെയിനിംഗ് സാമ്പിളുകൾ
|
||||
|
||||
## പരിസ്ഥിതി ക്രമീകരണം
|
||||
|
||||
### ആവശ്യമായ ആശ്രിതങ്ങൾ
|
||||
|
||||
```bash
|
||||
# കോർ പൈത്തൺ പാക്കേജുകൾ (requirements.txt ൽ നിന്നുള്ള)
|
||||
tensorflow==2.17.0
|
||||
torch (via conda)
|
||||
torchvision (via conda)
|
||||
keras==3.5.0
|
||||
opencv (via conda)
|
||||
scikit-learn
|
||||
numpy==1.26
|
||||
pandas==2.2.2
|
||||
matplotlib==3.9
|
||||
jupyter
|
||||
```
|
||||
|
||||
|
||||
### പരിസ്ഥിതി വേരിയബിളുകൾ
|
||||
|
||||
അടിസ്ഥാന ഉപയോഗത്തിന് പ്രത്യേക പരിസ്ഥിതി വേരിയബിളുകൾ ആവശ്യമില്ല.
|
||||
|
||||
Azure ഡിപ്ലോയ്മെന്റുകൾക്കായി (ക്വിസ് ആപ്പ്):
|
||||
- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure സ്വയം സജ്ജമാക്കും)
|
||||
|
||||
## ഡീബഗ്ഗിംഗ് & പ്രശ്നപരിഹാരം
|
||||
|
||||
### സാധാരണ പ്രശ്നങ്ങൾ
|
||||
|
||||
**പ്രശ്നം:** Conda പരിസ്ഥിതി സൃഷ്ടിക്കൽ പരാജയപ്പെടുന്നു
|
||||
- **പരിഹാരം:** ആദ്യം conda അപ്ഡേറ്റ് ചെയ്യുക: `conda update conda -y`
|
||||
- മതിയായ ഡിസ്ക് സ്പേസ് ഉറപ്പാക്കുക (50GB ശുപാർശ)
|
||||
|
||||
**പ്രശ്നം:** Jupyter kernel കണ്ടെത്താനാകുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
```bash
|
||||
conda activate ai4beg
|
||||
python -m ipykernel install --user --name ai4beg
|
||||
```
|
||||
|
||||
|
||||
**പ്രശ്നം:** നോട്ട്ബുക്കുകളിൽ GPU കണ്ടെത്താനാകുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
- CUDA ഇൻസ്റ്റലേഷൻ പരിശോധിക്കുക: `nvidia-smi`
|
||||
- PyTorch GPU ലഭ്യത പരിശോധിക്കുക: `python -c "import torch; print(torch.cuda.is_available())"`
|
||||
- TensorFlow GPU ലഭ്യത പരിശോധിക്കുക: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"`
|
||||
|
||||
**പ്രശ്നം:** ക്വിസ് ആപ്പ് ആരംഭിക്കുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
npm run serve
|
||||
```
|
||||
|
||||
|
||||
**പ്രശ്നം:** Binder ടൈംഔട്ട് അല്ലെങ്കിൽ ഡൗൺലോഡുകൾ തടയുന്നു
|
||||
- **പരിഹാരം:** മികച്ച റിസോഴ്സ് ആക്സസിനായി GitHub Codespaces അല്ലെങ്കിൽ ലോകൽ സെറ്റപ്പ് ഉപയോഗിക്കുക
|
||||
|
||||
### മെമ്മറി പ്രശ്നങ്ങൾ
|
||||
|
||||
ചില പാഠങ്ങൾ വലിയ RAM ആവശ്യപ്പെടുന്നു (8GB+ ശുപാർശ):
|
||||
- റിസോഴ്സ്-ഇന്റൻസീവ് പാഠങ്ങൾക്കായി ക്ലൗഡ് VM-കൾ ഉപയോഗിക്കുക
|
||||
- മോഡലുകൾ ട്രെയിൻ ചെയ്യുമ്പോൾ മറ്റ് ആപ്ലിക്കേഷനുകൾ അടയ്ക്കുക
|
||||
- മെമ്മറി കുറയുമ്പോൾ നോട്ട്ബുക്കുകളിൽ ബാച്ച് സൈസ് കുറയ്ക്കുക
|
||||
|
||||
## അധിക കുറിപ്പുകൾ
|
||||
|
||||
### കോഴ്സ് ഇൻസ്ട്രക്ടർമാർക്കായി
|
||||
|
||||
- പഠന മാർഗ്ഗനിർദ്ദേശങ്ങൾക്ക് `lessons/0-course-setup/for-teachers.md` കാണുക
|
||||
- പാഠങ്ങൾ സ്വയംപര്യാപ്തമാണ്, തുടർച്ചയായി അല്ലെങ്കിൽ തിരഞ്ഞെടുക്കി പഠിപ്പിക്കാം
|
||||
- ഏകദേശം 12 ആഴ്ച, ആഴ്ചയിൽ 2 പാഠങ്ങൾ
|
||||
|
||||
### ക്ലൗഡ് റിസോഴ്സുകൾ
|
||||
|
||||
- **Azure for Students:** വിദ്യാർത്ഥികൾക്ക് സൗജന്യ ക്രെഡിറ്റുകൾ
|
||||
- **Microsoft Learn:** പാഠ്യപദ്ധതിയുമായി ബന്ധിപ്പിച്ച അനുബന്ധ പഠന പാതകൾ
|
||||
- **Binder:** സൗജന്യമാണ്, പക്ഷേ പരിമിതമായ റിസോഴ്സുകളും ചില നെറ്റ്വർക്ക് നിയന്ത്രണങ്ങളും
|
||||
|
||||
### കോഡ് പ്രവർത്തന ഓപ്ഷനുകൾ
|
||||
|
||||
1. **ലോകൽ (ശുപാർശ):** പൂർണ്ണ നിയന്ത്രണം, മികച്ച പ്രകടനം, GPU പിന്തുണ
|
||||
2. **GitHub Codespaces:** ക്ലൗഡ് അടിസ്ഥാനമാക്കിയ VS Code, വേഗത്തിലുള്ള ആക്സസിനായി
|
||||
3. **Binder:** ബ്രൗസർ അടിസ്ഥാനമാക്കിയ Jupyter, സൗജന്യമാണ് പക്ഷേ പരിമിതം
|
||||
4. **Azure ML Notebooks:** GPU പിന്തുണയുള്ള എന്റർപ്രൈസ് ഓപ്ഷൻ
|
||||
5. **Google Colab:** നോട്ട്ബുക്കുകൾ വ്യക്തിഗതമായി അപ്ലോഡ് ചെയ്യുക, സൗജന്യ GPU ലെയർ ലഭ്യമാണ്
|
||||
|
||||
### നോട്ട്ബുക്കുകളുമായി ജോലി ചെയ്യൽ
|
||||
|
||||
- പഠനത്തിനായി സെൽ-ബൈ-സെൽ പ്രവർത്തിപ്പിക്കാൻ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു
|
||||
- പല നോട്ട്ബുക്കുകളും ആദ്യ പ്രവർത്തനത്തിൽ ഡാറ്റാസെറ്റുകൾ ഡൗൺലോഡ് ചെയ്യും (സമയം എടുക്കാം)
|
||||
- ചില മോഡലുകൾക്ക് യുക്തിസഹമായ ട്രെയിനിംഗിനായി GPU ആവശ്യമാണ്
|
||||
- കംപ്യൂട്ട് ആവശ്യകത കുറയ്ക്കാൻ മുൻകൂട്ടി പരിശീലിച്ച മോഡലുകൾ ഉപയോഗിക്കുന്നു
|
||||
|
||||
### പ്രകടന പരിഗണനകൾ
|
||||
|
||||
- പിന്നീട് വരുന്ന കമ്പ്യൂട്ടർ വിഷൻ പാഠങ്ങൾ (CNNs, GANs) GPU-യിൽ നിന്ന് പ്രയോജനം നേടും
|
||||
- NLP ട്രാൻസ്ഫോർമർ പാഠങ്ങൾ വലിയ RAM ആവശ്യപ്പെടാം
|
||||
- തുടക്കം മുതൽ പരിശീലനം വിദ്യാഭ്യാസപരമാണ്, പക്ഷേ സമയം കൂടുതലെടുക്കും
|
||||
- ട്രാൻസ്ഫർ ലേണിംഗ് ഉദാഹരണങ്ങൾ പരിശീലന സമയം കുറയ്ക്കുന്നു
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# AGENTS.md
|
||||
|
||||
## പ്രോജക്ട് അവലോകനം
|
||||
|
||||
AI for Beginners ഒരു സമഗ്രമായ 12 ആഴ്ച, 24 പാഠങ്ങളുള്ള പാഠ്യപദ്ധതിയാണ്, ഇത് കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ അടിസ്ഥാനങ്ങൾ ഉൾക്കൊള്ളുന്നു. ഈ വിദ്യാഭ്യാസ സംഭരണം പ്രായോഗിക പാഠങ്ങൾ Jupyter Notebooks ഉപയോഗിച്ച്, ക്വിസുകൾ, ഹാൻഡ്സ്-ഓൺ ലാബുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു. പാഠ്യപദ്ധതി ഉൾക്കൊള്ളുന്നത്:
|
||||
|
||||
- നിഘണ്ടു പ്രതിനിധാനം, വിദഗ്ധ സിസ്റ്റങ്ങൾ എന്നിവയുള്ള സിംബോളിക് AI
|
||||
- TensorFlow, PyTorch ഉപയോഗിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളും ഡീപ്പ് ലേണിംഗും
|
||||
- കമ്പ്യൂട്ടർ വിഷൻ സാങ്കേതിക വിദ്യകളും ആർക്കിടെക്ചറുകളും
|
||||
- ട്രാൻസ്ഫോർമറുകളും BERT ഉൾപ്പെടെയുള്ള നാചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് (NLP)
|
||||
- പ്രത്യേക വിഷയങ്ങൾ: ജെനറ്റിക് ആൽഗോരിതങ്ങൾ, റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്, മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ
|
||||
- AI നൈതികതയും ഉത്തരവാദിത്വമുള്ള AI സിദ്ധാന്തങ്ങളും
|
||||
|
||||
**പ്രധാന സാങ്കേതികവിദ്യകൾ:** Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (ക്വിസ് ആപ്പിനായി)
|
||||
|
||||
**ആർക്കിടെക്ചർ:** വിഷയപ്രകാരം ക്രമീകരിച്ച Jupyter Notebooks ഉള്ള വിദ്യാഭ്യാസ ഉള്ളടക്ക സംഭരണം, Vue.js അടിസ്ഥാനമാക്കിയുള്ള ക്വിസ് ആപ്പ്, വ്യാപകമായ ബഹുഭാഷാ പിന്തുണ.
|
||||
|
||||
## സെറ്റപ്പ് കമാൻഡുകൾ
|
||||
|
||||
### പ്രാഥമിക ഡെവലപ്പ്മെന്റ് പരിസ്ഥിതി (Python/Jupyter)
|
||||
|
||||
പാഠ്യപദ്ധതി Python, Jupyter Notebooks ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്തതാണ്. ശുപാർശ ചെയ്യുന്നത് miniconda ഉപയോഗിക്കുകയാണ്:
|
||||
|
||||
```bash
|
||||
# റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക
|
||||
git clone https://github.com/microsoft/ai-for-beginners
|
||||
cd ai-for-beginners
|
||||
|
||||
# കോൺഡാ എൻവയോൺമെന്റ് സൃഷ്ടിച്ച് സജീവമാക്കുക
|
||||
conda env create --name ai4beg --file environment.yml
|
||||
conda activate ai4beg
|
||||
|
||||
# ജൂപ്പിറ്റർ നോട്ട്ബുക്ക് ആരംഭിക്കുക
|
||||
jupyter notebook
|
||||
# അല്ലെങ്കിൽ
|
||||
jupyter lab
|
||||
```
|
||||
|
||||
|
||||
### ബദൽ: devcontainer ഉപയോഗിക്കൽ
|
||||
|
||||
```bash
|
||||
# VS കോഡിൽ തുറന്ന് പ്രോംപ്റ്റ് വന്നപ്പോൾ "കണ്ടെയ്നറിൽ വീണ്ടും തുറക്കുക" തിരഞ്ഞെടുക്കുക
|
||||
# ഡെവ്കണ്ടെയ്നർ സ്വയം പരിസ്ഥിതി സജ്ജമാക്കും
|
||||
```
|
||||
|
||||
|
||||
### ക്വിസ് ആപ്പ് സെറ്റപ്പ്
|
||||
|
||||
ക്വിസ് ആപ്പ് ഒരു വേർതിരിച്ച Vue.js ആപ്പാണ്, സ്ഥിതിചെയ്യുന്നത് `etc/quiz-app/` എന്ന ഫോൾഡറിൽ:
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm install
|
||||
npm run serve # വികസന സെർവർ
|
||||
npm run build # ഉത്പാദന ബിൽഡ്
|
||||
npm run lint # ലിന്റ് ചെയ്ത് ഫയലുകൾ ശരിയാക്കുക
|
||||
```
|
||||
|
||||
|
||||
## ഡെവലപ്പ്മെന്റ് പ്രവൃത്തി പ്രവാഹം
|
||||
|
||||
### Jupyter Notebooks ഉപയോഗിച്ച് ജോലി ചെയ്യൽ
|
||||
|
||||
1. **ലോകൽ ഡെവലപ്പ്മെന്റ്:**
|
||||
- conda പരിസ്ഥിതി സജീവമാക്കുക: `conda activate ai4beg`
|
||||
- Jupyter ആരംഭിക്കുക: `jupyter notebook` അല്ലെങ്കിൽ `jupyter lab`
|
||||
- പാഠം ഫോൾഡറുകളിലേക്ക് പോകുക, `.ipynb` ഫയലുകൾ തുറക്കുക
|
||||
- പാഠങ്ങൾ പിന്തുടരാൻ സെല്ലുകൾ ഇന്ററാക്ടീവായി പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
2. **Python എക്സ്റ്റൻഷൻ ഉപയോഗിച്ച് VS Code:**
|
||||
- റിപോസിറ്ററി VS Code-ൽ തുറക്കുക
|
||||
- Python എക്സ്റ്റൻഷൻ ഇൻസ്റ്റാൾ ചെയ്യുക
|
||||
- VS Code സ്വയം conda പരിസ്ഥിതിയെ കണ്ടെത്തി ഉപയോഗിക്കും
|
||||
- `.ipynb` ഫയലുകൾ നേരിട്ട് VS Code-ൽ തുറക്കുക
|
||||
|
||||
3. **ക്ലൗഡ് ഡെവലപ്പ്മെന്റ്:**
|
||||
- **GitHub Codespaces:** "Code" → "Codespaces" → "Create codespace on main" ക്ലിക്ക് ചെയ്യുക
|
||||
- **Binder:** README-യിലെ Binder ബാഡ്ജ് ഉപയോഗിച്ച് ബ്രൗസറിൽ ആരംഭിക്കുക
|
||||
- ശ്രദ്ധിക്കുക: Binder-ന് പരിമിതമായ റിസോഴ്സുകളും ചില വെബ് ആക്സസ് നിയന്ത്രണങ്ങളും ഉണ്ട്
|
||||
|
||||
### പുരോഗമന പാഠങ്ങൾക്കുള്ള GPU പിന്തുണ
|
||||
|
||||
പിന്നീട് വരുന്ന പാഠങ്ങൾ GPU ആക്സിലറേഷൻ ഉപയോഗിച്ച് വളരെ പ്രയോജനപ്പെടും:
|
||||
|
||||
- **Azure Data Science VM:** GPU പിന്തുണയുള്ള NC-സീരീസ് VM-കൾ ഉപയോഗിക്കുക
|
||||
- **Azure Machine Learning:** GPU കംപ്യൂട്ട് ഉപയോഗിച്ച് നോട്ട്ബുക്ക് ഫീച്ചറുകൾ ഉപയോഗിക്കുക
|
||||
- **Google Colab:** നോട്ട്ബുക്കുകൾ വ്യക്തിഗതമായി അപ്ലോഡ് ചെയ്യുക (ഫ്രീ GPU പിന്തുണയുണ്ട്)
|
||||
|
||||
### ക്വിസ് ആപ്പ് ഡെവലപ്പ്മെന്റ്
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
npm run serve # http://localhost:8080 ൽ ഹോട്ട്-റീലോഡ് ഡെവലപ്പ്മെന്റ് സെർവർ
|
||||
```
|
||||
|
||||
|
||||
## ടെസ്റ്റിംഗ് നിർദ്ദേശങ്ങൾ
|
||||
|
||||
ഇത് സോഫ്റ്റ്വെയർ ടെസ്റ്റിംഗിനേക്കാൾ പഠന ഉള്ളടക്കത്തെ കേന്ദ്രീകരിച്ചുള്ള വിദ്യാഭ്യാസ സംഭരണമാണ്. പരമ്പരാഗത ടെസ്റ്റ് സ്യൂട്ട് ഇല്ല.
|
||||
|
||||
### സാധൂകരിക്കൽ സമീപനങ്ങൾ:
|
||||
|
||||
1. **Jupyter Notebooks:** കോഡ് ഉദാഹരണങ്ങൾ പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കാൻ സെല്ലുകൾ ക്രമത്തിൽ പ്രവർത്തിപ്പിക്കുക
|
||||
2. **ക്വിസ് ആപ്പ് ടെസ്റ്റിംഗ്:** ഡെവലപ്പ്മെന്റ് സെർവറിലൂടെ മാനുവൽ ടെസ്റ്റിംഗ്
|
||||
3. **പരിഭാഷാ സാധൂകരിക്കൽ:** `translations/` ഫോൾഡറിൽ പരിഭാഷാ ഉള്ളടക്കം പരിശോധിക്കുക
|
||||
4. **ക്വിസ് ആപ്പ് ലിന്റിംഗ്:** `etc/quiz-app/`-ൽ `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
### കോഡ് ഉദാഹരണങ്ങൾ പ്രവർത്തിപ്പിക്കൽ:
|
||||
|
||||
```bash
|
||||
# ആദ്യം പരിസ്ഥിതി സജീവമാക്കുക
|
||||
conda activate ai4beg
|
||||
|
||||
# പൈത്തൺ സ്ക്രിപ്റ്റുകൾ നേരിട്ട് പ്രവർത്തിപ്പിക്കുക
|
||||
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py
|
||||
|
||||
# അല്ലെങ്കിൽ നോട്ട്ബുക്കുകൾ പ്രവർത്തിപ്പിക്കുക
|
||||
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb
|
||||
```
|
||||
|
||||
|
||||
## കോഡ് ശൈലി
|
||||
|
||||
### Python കോഡ് ശൈലി
|
||||
|
||||
- വിദ്യാഭ്യാസ കോഡിനായി സ്റ്റാൻഡേർഡ് Python കൺവെൻഷനുകൾ
|
||||
- പഠനത്തിന് മുൻഗണന നൽകുന്ന വ്യക്തമായ, വായിക്കാൻ എളുപ്പമുള്ള കോഡ്
|
||||
- പ്രധാന ആശയങ്ങൾ വിശദീകരിക്കുന്ന കമന്റുകൾ
|
||||
- Jupyter Notebook-സൗഹൃദം: സെല്ലുകൾ സ്വയംപര്യാപ്തമായിരിക്കണം എത്രയും സാധ്യമായിടത്തോളം
|
||||
- പാഠ്യപദ്ധതിക്ക് കർശനമായ ലിന്റിംഗ് ആവശ്യകതയില്ല
|
||||
|
||||
### JavaScript/Vue.js (ക്വിസ് ആപ്പ്)
|
||||
|
||||
- `etc/quiz-app/package.json`-ൽ ESLint കോൺഫിഗറേഷൻ
|
||||
- പ്രശ്നങ്ങൾ പരിശോധിക്കാൻ, സ്വയം പരിഹരിക്കാൻ `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
- Vue 2.x കൺവെൻഷനുകൾ
|
||||
- ഘടക അടിസ്ഥാന ആർക്കിടെക്ചർ
|
||||
|
||||
### ഫയൽ ക്രമീകരണം
|
||||
|
||||
```
|
||||
lessons/
|
||||
├── 0-course-setup/ # Setup instructions
|
||||
├── 1-Intro/ # Introduction to AI
|
||||
├── 2-Symbolic/ # Symbolic AI
|
||||
├── 3-NeuralNetworks/ # Neural Networks basics
|
||||
├── 4-ComputerVision/ # Computer Vision
|
||||
├── 5-NLP/ # Natural Language Processing
|
||||
├── 6-Other/ # Other AI techniques
|
||||
├── 7-Ethics/ # AI Ethics
|
||||
└── X-Extras/ # Additional content
|
||||
|
||||
etc/
|
||||
├── quiz-app/ # Vue.js quiz application
|
||||
└── quiz-src/ # Quiz source files
|
||||
|
||||
translations/ # Multi-language translations
|
||||
```
|
||||
|
||||
|
||||
## ബിൽഡ് & ഡിപ്ലോയ്മെന്റ്
|
||||
|
||||
### Jupyter ഉള്ളടക്കം
|
||||
|
||||
ബിൽഡ് പ്രക്രിയ ആവശ്യമില്ല - Jupyter Notebooks നേരിട്ട് പ്രവർത്തിപ്പിക്കും.
|
||||
|
||||
### ക്വിസ് ആപ്പ്
|
||||
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
|
||||
# വികസനം
|
||||
npm run serve
|
||||
|
||||
# ഉത്പാദന ബിൽഡ്
|
||||
npm run build # etc/quiz-app/dist/ ലേക്ക് ഔട്ട്പുട്ട്
|
||||
|
||||
# Azure സ്റ്റാറ്റിക് വെബ് ആപ്പുകളിൽ വിന്യസിക്കുക
|
||||
# Azure സ്വയം GitHub Actions വർക്ക്ഫ്ലോ സൃഷ്ടിക്കുന്നു
|
||||
# വിശദമായ വിന്യാസ നിർദ്ദേശങ്ങൾക്കായി etc/quiz-app/README.md കാണുക
|
||||
```
|
||||
|
||||
|
||||
### ഡോക്യുമെന്റേഷൻ സൈറ്റ്
|
||||
|
||||
റിപ്പോസിറ്ററി ഡോക്സിഫൈ ഉപയോഗിക്കുന്നു:
|
||||
- `index.html` പ്രവേശന പോയിന്റ്
|
||||
- ബിൽഡ് ആവശ്യമില്ല - GitHub Pages വഴി നേരിട്ട് സർവ് ചെയ്യുന്നു
|
||||
- ആക്സസ് ചെയ്യുക: https://microsoft.github.io/AI-For-Beginners/
|
||||
|
||||
## സംഭാവനാ മാർഗ്ഗനിർദ്ദേശങ്ങൾ
|
||||
|
||||
### പുൾ റിക്വസ്റ്റ് പ്രക്രിയ
|
||||
|
||||
1. **ശീർഷകം ഫോർമാറ്റ്:** മാറ്റം വ്യക്തമാക്കുന്ന വ്യക്തമായ, വിവരണാത്മകമായ ശീർഷകങ്ങൾ
|
||||
2. **CLA ആവശ്യകത:** Microsoft CLA ഒപ്പിടണം (സ്വയം പരിശോധന)
|
||||
3. **ഉള്ളടക്ക മാർഗ്ഗനിർദ്ദേശങ്ങൾ:**
|
||||
- വിദ്യാഭ്യാസ ലക്ഷ്യവും തുടക്കക്കാർക്ക് അനുയോജ്യമായ സമീപനവും പാലിക്കുക
|
||||
- നോട്ട്ബുക്കിലെ എല്ലാ കോഡ് ഉദാഹരണങ്ങളും പരീക്ഷിക്കുക
|
||||
- നോട്ട്ബുക്കുകൾ തുടർച്ചയായി പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക
|
||||
- ഇംഗ്ലീഷ് ഉള്ളടക്കം മാറ്റിയാൽ പരിഭാഷകൾ അപ്ഡേറ്റ് ചെയ്യുക
|
||||
4. **ക്വിസ് ആപ്പ് മാറ്റങ്ങൾ:** കമ്മിറ്റ് ചെയ്യുന്നതിന് മുമ്പ് `npm run lint` പ്രവർത്തിപ്പിക്കുക
|
||||
|
||||
### പരിഭാഷാ സംഭാവനകൾ
|
||||
|
||||
- GitHub Actions ഉപയോഗിച്ച് co-op-translator വഴി ഓട്ടോമാറ്റിക് പരിഭാഷകൾ
|
||||
- മാനുവൽ പരിഭാഷകൾ `translations/<language-code>/`-ൽ
|
||||
- ക്വിസ് പരിഭാഷകൾ `etc/quiz-app/src/assets/translations/`-ൽ
|
||||
- പിന്തുണയുള്ള ഭാഷകൾ: 40+ (പൂർണ്ണ പട്ടിക README-യിൽ കാണുക)
|
||||
|
||||
### സജീവ സംഭാവന മേഖലകൾ
|
||||
|
||||
നിലവിലെ ആവശ്യങ്ങൾക്കായി `etc/CONTRIBUTING.md` കാണുക:
|
||||
- ഡീപ്പ് റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് വിഭാഗങ്ങൾ
|
||||
- ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ മെച്ചപ്പെടുത്തലുകൾ
|
||||
- നെയിംഡ് എൻറ്റിറ്റി റെക്കഗ്നിഷൻ ഉദാഹരണങ്ങൾ
|
||||
- കസ്റ്റം എംബെഡ്ഡിംഗ് ട്രെയിനിംഗ് സാമ്പിളുകൾ
|
||||
|
||||
## പരിസ്ഥിതി ക്രമീകരണം
|
||||
|
||||
### ആവശ്യമായ ആശ്രിതങ്ങൾ
|
||||
|
||||
```bash
|
||||
# കോർ പൈത്തൺ പാക്കേജുകൾ (requirements.txt ൽ നിന്നുള്ള)
|
||||
tensorflow==2.17.0
|
||||
torch (via conda)
|
||||
torchvision (via conda)
|
||||
keras==3.5.0
|
||||
opencv (via conda)
|
||||
scikit-learn
|
||||
numpy==1.26
|
||||
pandas==2.2.2
|
||||
matplotlib==3.9
|
||||
jupyter
|
||||
```
|
||||
|
||||
|
||||
### പരിസ്ഥിതി വേരിയബിളുകൾ
|
||||
|
||||
അടിസ്ഥാന ഉപയോഗത്തിന് പ്രത്യേക പരിസ്ഥിതി വേരിയബിളുകൾ ആവശ്യമില്ല.
|
||||
|
||||
Azure ഡിപ്ലോയ്മെന്റുകൾക്കായി (ക്വിസ് ആപ്പ്):
|
||||
- `AZURE_STATIC_WEB_APPS_API_TOKEN` (Azure സ്വയം സജ്ജമാക്കും)
|
||||
|
||||
## ഡീബഗ്ഗിംഗ് & പ്രശ്നപരിഹാരം
|
||||
|
||||
### സാധാരണ പ്രശ്നങ്ങൾ
|
||||
|
||||
**പ്രശ്നം:** Conda പരിസ്ഥിതി സൃഷ്ടിക്കൽ പരാജയപ്പെടുന്നു
|
||||
- **പരിഹാരം:** ആദ്യം conda അപ്ഡേറ്റ് ചെയ്യുക: `conda update conda -y`
|
||||
- മതിയായ ഡിസ്ക് സ്പേസ് ഉറപ്പാക്കുക (50GB ശുപാർശ)
|
||||
|
||||
**പ്രശ്നം:** Jupyter kernel കണ്ടെത്താനാകുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
```bash
|
||||
conda activate ai4beg
|
||||
python -m ipykernel install --user --name ai4beg
|
||||
```
|
||||
|
||||
|
||||
**പ്രശ്നം:** നോട്ട്ബുക്കുകളിൽ GPU കണ്ടെത്താനാകുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
- CUDA ഇൻസ്റ്റലേഷൻ പരിശോധിക്കുക: `nvidia-smi`
|
||||
- PyTorch GPU ലഭ്യത പരിശോധിക്കുക: `python -c "import torch; print(torch.cuda.is_available())"`
|
||||
- TensorFlow GPU ലഭ്യത പരിശോധിക്കുക: `python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"`
|
||||
|
||||
**പ്രശ്നം:** ക്വിസ് ആപ്പ് ആരംഭിക്കുന്നില്ല
|
||||
- **പരിഹാരം:**
|
||||
```bash
|
||||
cd etc/quiz-app
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
npm run serve
|
||||
```
|
||||
|
||||
|
||||
**പ്രശ്നം:** Binder ടൈംഔട്ട് അല്ലെങ്കിൽ ഡൗൺലോഡുകൾ തടയുന്നു
|
||||
- **പരിഹാരം:** മികച്ച റിസോഴ്സ് ആക്സസിനായി GitHub Codespaces അല്ലെങ്കിൽ ലോകൽ സെറ്റപ്പ് ഉപയോഗിക്കുക
|
||||
|
||||
### മെമ്മറി പ്രശ്നങ്ങൾ
|
||||
|
||||
ചില പാഠങ്ങൾ വലിയ RAM ആവശ്യപ്പെടുന്നു (8GB+ ശുപാർശ):
|
||||
- റിസോഴ്സ്-ഇന്റൻസീവ് പാഠങ്ങൾക്കായി ക്ലൗഡ് VM-കൾ ഉപയോഗിക്കുക
|
||||
- മോഡലുകൾ ട്രെയിൻ ചെയ്യുമ്പോൾ മറ്റ് ആപ്ലിക്കേഷനുകൾ അടയ്ക്കുക
|
||||
- മെമ്മറി കുറയുമ്പോൾ നോട്ട്ബുക്കുകളിൽ ബാച്ച് സൈസ് കുറയ്ക്കുക
|
||||
|
||||
## അധിക കുറിപ്പുകൾ
|
||||
|
||||
### കോഴ്സ് ഇൻസ്ട്രക്ടർമാർക്കായി
|
||||
|
||||
- പഠന മാർഗ്ഗനിർദ്ദേശങ്ങൾക്ക് `lessons/0-course-setup/for-teachers.md` കാണുക
|
||||
- പാഠങ്ങൾ സ്വയംപര്യാപ്തമാണ്, തുടർച്ചയായി അല്ലെങ്കിൽ തിരഞ്ഞെടുക്കി പഠിപ്പിക്കാം
|
||||
- ഏകദേശം 12 ആഴ്ച, ആഴ്ചയിൽ 2 പാഠങ്ങൾ
|
||||
|
||||
### ക്ലൗഡ് റിസോഴ്സുകൾ
|
||||
|
||||
- **Azure for Students:** വിദ്യാർത്ഥികൾക്ക് സൗജന്യ ക്രെഡിറ്റുകൾ
|
||||
- **Microsoft Learn:** പാഠ്യപദ്ധതിയുമായി ബന്ധിപ്പിച്ച അനുബന്ധ പഠന പാതകൾ
|
||||
- **Binder:** സൗജന്യമാണ്, പക്ഷേ പരിമിതമായ റിസോഴ്സുകളും ചില നെറ്റ്വർക്ക് നിയന്ത്രണങ്ങളും
|
||||
|
||||
### കോഡ് പ്രവർത്തന ഓപ്ഷനുകൾ
|
||||
|
||||
1. **ലോകൽ (ശുപാർശ):** പൂർണ്ണ നിയന്ത്രണം, മികച്ച പ്രകടനം, GPU പിന്തുണ
|
||||
2. **GitHub Codespaces:** ക്ലൗഡ് അടിസ്ഥാനമാക്കിയ VS Code, വേഗത്തിലുള്ള ആക്സസിനായി
|
||||
3. **Binder:** ബ്രൗസർ അടിസ്ഥാനമാക്കിയ Jupyter, സൗജന്യമാണ് പക്ഷേ പരിമിതം
|
||||
4. **Azure ML Notebooks:** GPU പിന്തുണയുള്ള എന്റർപ്രൈസ് ഓപ്ഷൻ
|
||||
5. **Google Colab:** നോട്ട്ബുക്കുകൾ വ്യക്തിഗതമായി അപ്ലോഡ് ചെയ്യുക, സൗജന്യ GPU ലെയർ ലഭ്യമാണ്
|
||||
|
||||
### നോട്ട്ബുക്കുകളുമായി ജോലി ചെയ്യൽ
|
||||
|
||||
- പഠനത്തിനായി സെൽ-ബൈ-സെൽ പ്രവർത്തിപ്പിക്കാൻ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു
|
||||
- പല നോട്ട്ബുക്കുകളും ആദ്യ പ്രവർത്തനത്തിൽ ഡാറ്റാസെറ്റുകൾ ഡൗൺലോഡ് ചെയ്യും (സമയം എടുക്കാം)
|
||||
- ചില മോഡലുകൾക്ക് യുക്തിസഹമായ ട്രെയിനിംഗിനായി GPU ആവശ്യമാണ്
|
||||
- കംപ്യൂട്ട് ആവശ്യകത കുറയ്ക്കാൻ മുൻകൂട്ടി പരിശീലിച്ച മോഡലുകൾ ഉപയോഗിക്കുന്നു
|
||||
|
||||
### പ്രകടന പരിഗണനകൾ
|
||||
|
||||
- പിന്നീട് വരുന്ന കമ്പ്യൂട്ടർ വിഷൻ പാഠങ്ങൾ (CNNs, GANs) GPU-യിൽ നിന്ന് പ്രയോജനം നേടും
|
||||
- NLP ട്രാൻസ്ഫോർമർ പാഠങ്ങൾ വലിയ RAM ആവശ്യപ്പെടാം
|
||||
- തുടക്കം മുതൽ പരിശീലനം വിദ്യാഭ്യാസപരമാണ്, പക്ഷേ സമയം കൂടുതലെടുക്കും
|
||||
- ട്രാൻസ്ഫർ ലേണിംഗ് ഉദാഹരണങ്ങൾ പരിശീലന സമയം കുറയ്ക്കുന്നു
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-17T02:12:08+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -21,158 +12,159 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# മുദ്രണ വിജയത്തിനായുള്ള കൃത്രിമ ബുദ്ധിമുട്ട് - ഒരു പാഠ്യപദ്ധതി
|
||||
# ശീല്ധൃതമനുഷ്യബുദ്ധിക്കായുള്ള പഠനപദ്ധതി
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _സ്കെച്ച്നോട്ട് [@girlie_mac](https://twitter.com/girlie_mac) വഴി_ |
|
||||
| ശീല്ധൃതമനുഷ്യബുദ്ധിക്കായുള്ള പഠനം - _സ്കെച്ച്നോട്ട് [@girlie_mac](https://twitter.com/girlie_mac) നൽകിയത്_ |
|
||||
|
||||
നമ്മുടെ 12 ആഴ്ച, 24 പാഠപദ്ധതി ഉള്ള **കൃത്രിമ ബുദ്ധിമുട്ട്** (AI) ലോകം അന്വേഷിക്കുക! ഇതിൽ പ്രായോഗിക പാഠങ്ങൾ, ക്വിസുകൾ, ലാബുകൾ ഉൾക്കൊള്ളുന്നു. ഈ പാഠ്യപദ്ധതി ആരംഭക്കാർക്ക് അനുയോജ്യമാണ്, TensorFlow, PyTorch പോലുള്ള ഉപകരണങ്ങളും AIയിലെ നൈതികതകളും ഉൾക്കൊള്ളിക്കുന്നു.
|
||||
**ആഴത്തിലുള്ള ബുദ്ധിമുട്ടുകളുടെ** 12 ആഴ്ചകൾ, 24 പാഠങ്ങൾ ഉൾക്കൊള്ളുന്ന ഇടപഴകിയ പഠനപദ്ധതിയിലൂടേയും പരീക്ഷണങ്ങൾക്കും ലാബുകൾക്കും കടന്നുനോക്കൂ. ഈ പഠനപദ്ധതി ആരംഭിക്കാനുതകുന്ന തരത്തിലുള്ളതാണ്, TensorFlow, PyTorch പോലുള്ള ഉപകരണങ്ങൾ ഉൾപ്പെടെ, AI ന്റെ കാര്യങ്ങളിലെ നൈതികതകൾ എന്നിവയും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
|
||||
|
||||
### 🌐 പല ഭാഷകളും പിന്തുണയ്ക്കുന്നു
|
||||
### 🌐 ബഹുബാഷാ പിന്തുണ
|
||||
|
||||
#### GitHub Action മുഖേന പിന്തുണക്കുന്നു (സ്വയംചാലിതവും എപ്പോഴും പുതുക്കിയതും)
|
||||
#### GitHub Action മുഖേന പിന്തുണ (സ്വയം ഓടുന്നു & എല്ലായ്പ്പോഴും പുതുക്കി നൽകുന്നു)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](./README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](./README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **സ്റ്റോർ ചെയ്യണമെങ്കിൽ നിങ്ങൾക്ക് പ്രാഥമിക മുൻഗണനയുണ്ടോ?**
|
||||
> **പ്രാദേശികമായി ക്ലോൺ ചെയ്യണമെന്ന് ആഗ്രഹിക്കുന്നുണ്ടോ?**
|
||||
|
||||
> ഈ റെപ്പോസിറ്ററിയിൽ 50+ ഭാഷകൾ ഉൾക്കൊള്ളുന്ന പരിഭാഷകൾ ഉൾക്കൊാള്ളുന്നു, ഇത് ഡൗൺലോഡ് വലിപ്പം വ്യാപകമാക്കുന്നു. വിവർത്തനങ്ങളില്ലാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
|
||||
> ഈ റിപ്പോസിറ്ററി 50-ത്തിലേറെ ഭാഷാഭാഷ്യങ്ങൾ ഉൾക്കൊള്ളുന്നു, അതുകൊണ്ട് ഇത് ഡൗൺലോഡ് വലുപ്പം വളരെയധികം വർദ്ധിപ്പിക്കും. പരിഭാഷകൾ കൂടാതെ ക്ലോൺ ചെയ്യാൻ sparse checkout ഉപയോഗിക്കുക:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> ഇത് നിങ്ങൾക്ക് കോഴ്സ് പൂർത്തിയാക്കാൻ ആവശ്യമായ എല്ലാം വളരെ വേഗത്തിലുള്ള ഡൗൺലോഡിനോടൊപ്പം നൽകും.
|
||||
> ഇതിലൂടെ പഠന പാഠം വിജയകരമായി പൂർത്തിയാക്കുന്നതിന് ആവശ്യമുള്ള എല്ലാ വസ്തുക്കളും കുറഞ്ഞ കാലയളവിനുള്ളിൽ ലഭ്യമാണ്.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**കൂടുതൽ വിവർത്തന ഭാഷകൾ ആവശ്യമായാൽ ഇവ ഇവിടെ അപേക്ഷിക്കാം [ഇവിടെ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**കൂടുതൽ ഭാഷാ പിന്തുണകൾ ആവശ്യമായാൽ അവ ഇവിടെ കാണാം [ഫലകം](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## സമൂഹത്തിൽ ചേരുക
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## നിങ്ങൾ പഠിക്കും
|
||||
## നിങ്ങൾ പഠിക്കേണ്ടത്
|
||||
|
||||
**[കോഴ്സിന്റെ മൈൻഡ്മാപ്പ്](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[പാഠ്യക്രമത്തിന്റെ മൈൻഡ്മാപ്പ്](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
ഈ പാഠ്യപദ്ധതിയിൽ നിങ്ങൾ പഠിക്കുന്നതെല്ലാം:
|
||||
ഈ പഠനപദ്ധതിയിൽ നിങ്ങൾ പഠിക്കുന്നതെന്തെല്ലാം:
|
||||
|
||||
* "നല്ല പഴയ" പ്രതീകാത്മക സമീപനമായ **ജ്ഞാന പ്രതിനിധാനം**യും വിവേകവും ഉൾക്കൊള്ളുന്ന വിവിധ കൃത്രിമ ബുദ്ധിമുട്ട് സമീപനങ്ങൾ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* ആധുനിക AIയുടെ ഹൃദയഭാഗമായ **ന്യൂറൽ നെറ്റ്വർക്കുകളും** **ഗഭീര പഠനവും**. TensorFlow, PyTorch ഈ രണ്ട് പ്രചാരത്തിലുള്ള ഫ്രെയിംവര്ക്കുകളിൽ കോഡ് ഉപയോഗിച്ച് ഈ പ്രധാന വിഷയങ്ങളുടെ ആശയങ്ങൾ വിശദീകരിക്കും.
|
||||
* ചിത്രങ്ങളും എഴുത്തും കൈകാര്യം ചെയ്യുന്നതിന് **ന്യൂറൽ ഘടനകൾ**. നിങ്ങൾക്കു് പുതിയ മോഡലുകൾ പരിചയപ്പെടാം; എന്നാല് ഏറ്റവും അവസാനകാല പരിപ്രേക്ഷ്യങ്ങളിൽ കുറവുണ്ടാകാം.
|
||||
* കുറവ് പ്രചാരത്തിലുള്ള AI സമീപനങ്ങൾ, ഉദാ: **ജനിതക ആല്ഗോരിതങ്ങൾ**, **മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ**.
|
||||
* ശക്തമായ പഴയ "സിംബോളിക്" സമീപനം ഉൾപ്പെടെ, **അറിവിന്റെ പ്രതിനിധാനം**യും വാദവും ഉള്ക്കൊള്ളുന്ന വ്യത്യസ്ത ശീല്ധൃതമായ നിയമങ്ങൾ ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* ആധുനിക AI ന്റെ മുഖ്യ ഘടകമായ **ന്യൂറൽ നെറ്റ്വർക്കുകൾ**യും **ഗഹന പഠനവും**. ചെറുപ്രവർത്തനങ്ങളിലൂടെ ഈ වැදගත් ആശയങ്ങൾക്ക് നിയന്ത്രണങ്ങൾ നൽകുക, ലോകത്തിലെ സുപ്രസിദ്ധ ഫ്രെയിംവർക്കുകളിൽ രണ്ട് - [TensorFlow](http://Tensorflow.org) മുതലുള്ളവയിൽ.
|
||||
* ചിത്രങ്ങൾക്കും വാചകങ്ങൾക്കും ഉപയോഗിക്കുന്ന **ന്യൂറൽ ഘടനകൾ**. മര്യാദയുള്ള പുതിയ മാതൃകകൾ ഉൾക്കൊള്ളും, എന്നാൽ ഏറ്റവും ഉന്നത നിലവാരത്തിൽ കുറവുള്ളതായിരിക്കാം.
|
||||
* കുറച്ച് അപരിചിതമായ AI സമീപനങ്ങൾ, ഉദാഹരണത്തിന് **ജനിതക ആൽഗോരിതങ്ങൾ**വും **മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ**വും.
|
||||
|
||||
ഈ പാഠ്യപദ്ധതിയിൽ ഉൾപ്പെടാത്ത ബിഷയങ്ങൾ:
|
||||
ഈ പഠനപദ്ധതിയിൽ ഉൾപ്പെടുത്താത്ത കാര്യങ്ങൾ:
|
||||
|
||||
> [ഈ കോഴ്സിന്റെ എല്ലാ അധിക സ്രോതസുകളും Microsoft Learn ശേഖരത്തിൽ കണ്ടെത്തുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [ഈ കോഴ്സിന്റെ എല്ലാ അധിക സംവരണങ്ങളും Microsoft Learn ശേഖരത്തിൽ കാണുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* ബിസിനസ്സിൽ **AI ഉപയോഗിക്കുന്ന വ്യവസായകേസുകൾ**. Microsoft Learn ലെ [ബിസിനസ് ഉപയോക്താക്കൾക്കുള്ള AI പരിചയപ്പെടൽ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) പഠന പഥം, അല്ലെങ്കിൽ [AI ബിസിനസ് സ്കൂൾ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) യുമായി സഹകരിച്ച് വികസിപ്പിച്ചെടുത്തു.
|
||||
* ഞങ്ങളുടെ [Machine Learning for Beginners പാഠ്യപദ്ധതി](http://github.com/Microsoft/ML-for-Beginners) ൽ നന്നായി പ്രതിപാദിച്ച **പാരമ്പര്യ മെഷീൻ ലേണിംഗ്**.
|
||||
* **[കോഗ്നിറ്റീവ് സർവീസസുകൾ](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ഉപയോഗിച്ച് നിർമ്മിച്ച പ്രായോഗിക AI એપ്ലിക്കേഷനുകൾ. ഇതിനായി Microsoft Learn ന്റെ വിറ്റു, [പ്രാകൃത ഭാഷാ പ്രോസസ്സിംഗ്](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum) **[Azure OpenAI സർവീസ് ഉപയോഗിച്ചുള്ള ജെനറേറ്റീവ് AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** എന്നിവ ഉൾപ്പെടുന്ന മാഡ്യൂളുകൾ തുടങ്ങാൻ ശുപാർശ ചെയ്യുന്നു.
|
||||
* വിശിഷ്ട ML **ക്ലൗഡ് ഫ്രെയിംവർക്കുകൾ**, ഉദാ: [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), അല്ലെങ്കിൽ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് അപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുക](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum)യും [Azure Databricks ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് സൊല്യൂഷനുകൾ നിർമ്മിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുക](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum)യും പഠന പഥങ്ങൾ പരിഗണിക്കുക.
|
||||
* **സംവാദ AI**യും **ചാറ്റ് ബോട്ടുകളും**. ഇതിന് പ്രത്യേകമായ [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) പഠന പഥമുണ്ട്, കൂടാതെ [ഈ ബ്ലോഗ് പോസ്റ്റ്](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) കൂടുതൽ വിശദീകരണം നൽകുന്നു.
|
||||
* **ഗഭീര പഠനത്തിന്റെ** ഗണിതശാസ്ത്ര പാഠങ്ങൾ. ഇതിന്, Ian Goodfellow, Yoshua Bengio, Aaron Courville രചിച്ച [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) എന്നിവ ശുപാർശ ചെയ്യുന്നു, ഇത് ഓൺലൈനിലും ലഭ്യമാണ് [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* **ബിസിനസ്സ് ആവശ്യങ്ങൾക്കായുള്ള AI** നടപ്പിലാക്കലുകൾ. [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) പഠനപാത അല്ലെങ്കിൽ [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ഉപയോഗിക്കുക, [INSEAD](https://www.insead.edu/) യുമായി സഹകരണത്തോടെ വികസിപ്പിച്ചെടുത്തതാണ്.
|
||||
* ഞങ്ങളുടെ [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) ൽ գեղեցായി വിശദീകരിച്ചിരിക്കുന്ന **ശൂന്യമായ യന്ത്ര വിദ്യാഭ്യാസം**.
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** ഉപയോഗിച്ച് നിർമ്മിച്ച പ്രായോഗിക AI അപ്ലിക്കേഷനുകൾ. ഇതിനായി Microsoft Learn ലെ [Vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [Natural Language Processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Azure OpenAI സർവ്വീസ് ഉപയോഗിച്ച് സൃഷ്ടിപരമായ AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** തുടങ്ങിയ മട്യൂളുകൾ തുടങ്ങുക.
|
||||
* പ്രത്യേക ML **ക്ലൗഡ് ഫ്രെയിംവർക്കുകൾ**, ഉദാഹരണത്തിന് [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), അല്ലെങ്കിൽ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [Azure Machine Learning ഉപയോഗിച്ച് യന്ത്ര പഠന പരിഹാരങ്ങൾ സൃഷ്ടിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുക](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) അഥവാ [Azure Databricks ഉപയോഗിച്ച് യന്ത്ര പഠന പരിഹാരങ്ങൾ സൃഷ്ടിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുക](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) പഠനപാതകൾ പരിഗണിക്കുക.
|
||||
* **സംവാദാത്മക AI**യും **ചാറ്റ് ബോട്ടുകളും**. ഇത് സംബന്ധിച്ച [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) എന്ന പാഠം നല്കിയിട്ടുണ്ട്, കൂടാതെ [ഈ ബ്ലോഗ് പോസ്റ്റ്](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) കൂടുതൽ വിവരങ്ങൾക്ക് കാണുക.
|
||||
* ഗ്രന്ഥിക പഠനത്തിന്റെ പിന്നിലെ **ഗഹന ഗണിതം**. ഇതിനായി Ian Goodfellow, Yoshua Bengio, Aaron Courville ചേർന്ന് എഴുതിയ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) എന്ന പുസ്തകം ശുപാർശ ചെയ്യുന്നു, ഇത് ഓൺലൈനിലും ലഭ്യമാണ് [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
_ക്ലൗഡിൽ AI_-യിലേക്ക് സൗമ്യമാർഗമായ ഒരു പരിചയത്തിനായി, [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) പഠന പഥം ഉപകാരപ്പെടും.
|
||||
_ക്ലൗഡിലുള്ള AI_ വിഷയങ്ങളിലേക്ക് സൌമ്യമായ ഒരു മുഖാമുഖം നേടുന്നതിനായി, [Azure യിൽ കൃത്രിമ ബുദ്ധിമുട്ടുകമ്പം ആരംഭിക്കൽ](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) എന്ന പഠനപാത പരിഗണിക്കുക.
|
||||
|
||||
# ഉള്ളടക്കം
|
||||
|
||||
| | പാഠം ലിങ്ക് | PyTorch/Keras/TensorFlow | ലാബ് |
|
||||
| | പാഠ ലിങ്ക് | PyTorch/Keras/TensorFlow | ലാബ് |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [കോഴ്സ് സെറ്റ് അപ്](./lessons/0-course-setup/setup.md) | [ഡെവലപ്പ്മെന്റ് എൻവയേണ്മെന്റ് സെറ്റ് ചെയ്യുക](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**AI-യിലേക്കുള്ള പരിചയം**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [AI-ന്റെ പരിചയം, ചരിത്രം](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **പ്രതീകാത്മക AI** |
|
||||
| 02 | [ജ്ഞാന പ്രതിനിധാനം, വിദഗ്ധ സിസ്റ്റങ്ങൾ](./lessons/2-Symbolic/README.md) | [വിദഗ്ധ സിസ്റ്റങ്ങൾ](./lessons/2-Symbolic/Animals.ipynb) / [ഓണ്ടോളജി](./lessons/2-Symbolic/FamilyOntology.ipynb) /[സംവിധാന ഗ്രാഫ്](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്കുള്ള പരിചയം**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [പരസെപ്ട്രോൺ](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [നോട്ട്ബുക്ക്](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ലാബ്](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [മൾട്ടി-ലെയർഡ് പരസെപ്ട്രോൺ ഒപ്പം നമ്മുടെ സ്വന്തം ഫ്രെയിംവർക്കിന്റെ നിർമ്മാണം](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [നോട്ട്ബുക്ക്](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ലാബ്](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ഫ്രെയിംവർക്കുകൾക്ക് പരിചയം (PyTorch/TensorFlow) ഒപ്പം ഒവർഫിറ്റിംഗ്](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ലാബ്](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**കമ്പ്യൂട്ടർ വിഖ്യാനം**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [മൈക്രോസോഫ്റ്റ് അസ്യൂറിൽ കമ്പ്യൂട്ടർ വിഖ്യാനം എക്സ്പ്ലോർ ചെയ്യുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [കമ്പ്യൂട്ടർ വിഖ്യാനത്തിന് പരിചയം. ഓപ്പൺസിവി](./lessons/4-ComputerVision/06-IntroCV/README.md) | [നോട്ട്ബുക്ക്](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ലാബ്](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [കോൺവല്യൂഷണൽ നറൽ നെറ്റ്വർക്കുകൾ](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ഡ്രാഫ്റ്റുകൾ](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [ലാബ്](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [മുൻകൂട്ടി പരിശീലിച്ച നെറ്റ്വർക്കുകളും ട്രാൻസ്ഫർ ലേണിങ്ങും](./lessons/4-ComputerVision/08-TransferLearning/README.md) ഒപ്പം [പരിശീലന തന്ത്രങ്ങൾ](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ലാബ്](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ഓട്ടോഎൻകോഡറുകളും വി.എ.എസും](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [ജനറേറ്റീവ് അഡ്വേഴ്സറിയൽ നെറ്റ്വർക്കുകളും ആർട്ടിസ്റ്റിക് സ്റ്റൈൽ ട്രാൻസ്ഫർ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [വസ്തു കണ്ടെത്തൽ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ലാബ്](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [സെമാന്റിക് സെഗ്മെന്റേഷൻ. യു-നെറ്റ്](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [മൈക്രോസോഫ്റ്റ് അസ്യൂറിൽ സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് എക്സ്പ്ലോർ ചെയ്യുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ടെക്സ്റ്റ് പ്രതിനിധാനം. ബോ/ടി.എഫ്-ഐ.ഡി.എഫ്](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [സെമാന്റിക് വാക്കുകളുടെ ഏംബെഡ്ഡിംഗുകൾ. വേഡ്2വെക് ഒപ്പം ഗ്ലോവ്](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [ഭാഷ മോഡലിംഗ്. നിങ്ങളുടെ സ്വന്തം ഇൻബെഡ്ഡിംഗുകൾ പരിശീലിക്കുക](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [ലാബ്](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [റിക്കർന്റ് നറൽ നെറ്റ്വർക്കുകൾ](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [ജനറേറ്റീവ് റിക്കർന്റ് നെറ്റ്വർക്കുകൾ](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [ലാബ്](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ട്രാൻസ്ഫോർമറുകൾ. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [നെയിമഡ് എൻറിറ്റി തിരിച്ചറിയൽ](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [ലാബ്](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [വലിയ ഭാഷാ മോഡലുകൾ, പ്രോംപ്റ്റ് പ്രോഗ്രാമിങ്, കുറച്ച് ഷോട്ട് ടാസ്കുകൾ](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **മറ്റു AI സാങ്കേതികവിദ്യകൾ** || |
|
||||
| 21 | [ജനറ്റിക് ആൽഗോറിതങ്ങൾ](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [നോട്ട്ബുക്ക്](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ഡീപ്പ് റെഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ്](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [ലാബ്](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [മൾട്ടി-എജന്റ് സിസ്റ്റങ്ങൾ](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI നൈതികത** | | |
|
||||
| 24 | [AI നൈതികതയും ഉത്തരവാദിത്വം വഹിക്കുന്ന AI യും](./lessons/7-Ethics/README.md) | [Microsoft Learn: ഉത്തരവാദിത്വം വഹിക്കുന്ന AI പ്രിൻസിപ്പിലുകൾ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **അതിർകങ്ങൾ** | | |
|
||||
| 25 | [മൾട്ടി-മോഡൽ നെറ്റ്വർക്കുകൾ, CLIP, VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [നോട്ട്ബുക്ക്](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 0 | [പഠന ക്രമീകരണം](./lessons/0-course-setup/setup.md) | [നിങ്ങളുടെ ഡെവലപ്മെന്റ് പരിതസ്ഥിതി ക്രമീകരിക്കുക](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**കൃത്രിമ ബുദ്ധിമുട്ടിലെ പരിചയം**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [കൃത്രിമ ബുദ്ധിയുടെ പരിചയം 및 ചരിത്രം](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **സിംബോളിക് AI** |
|
||||
| 02 | [അറിവിന്റെ പ്രതിനിധാനം 및 വിദഗ്ധ സിസ്റ്റങ്ങൾ](./lessons/2-Symbolic/README.md) | [വിദഗ്ധ സിസ്റ്റങ്ങൾ](./lessons/2-Symbolic/Animals.ipynb) / [ഓന്റോളജി](./lessons/2-Symbolic/FamilyOntology.ipynb) /[സങ്കൽപ്പ ഗ്രാഫ്](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**സ്നായു जാലങ്ങളുടെ പരിചയം**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [പർസെപ്ട്രോൺ](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [നോട്ട്ബുക്ക്](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [പ്രയോഗശാല](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [ബഹുസ്തര പർസെപ്ട്രോൺ, നമ്മുടെ സ്വന്തം ഫ്രെയിമ്വർക്കിന്റെ സൃഷ്ടി](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [നോട്ട്ബുക്ക്](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [പ്രയോഗശാല](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ഫ്രെയിംവർക്കുകളിലേക്കുള്ള പരിചയം (PyTorch/TensorFlow) ഒപ്പം അധികമായൽ](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [പ്രയോഗശാല](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**കമ്പ്യൂട്ടർ വിഷൻ**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure-യിൽ കമ്പ്യൂട്ടർ വിഷൻ അന്വേഷിക്കുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [കമ്പ്യൂട്ടർ വിഷന്റെ പരിചയം. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [നോട്ട്ബുക്ക്](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [പ്രയോഗശാല](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [കോൺവെള്യൂഷണൽ സ്നായു ജാലങ്ങൾ](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN ആർക്കിടെക്ചറുകൾ](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [പ്രയോഗശാല](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [പ്രീ-ട്രെയ്റ്റുഡ് നെറ്റ്വർക്കുകളും ട്രാൻസ്ഫർ ലേണിംഗ്](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [ട്രെയിനിംഗ് ട്രിക്കുകൾ](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [പ്രയോഗശാല](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ഓട്ടോഎൻകൊഡറുകളും VAE-യും](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [ജനറേറ്റീവ് അഡ്വേഴ്സറിയൽ നെറ്റ്വർക്കുകളും ആർട്ടിസ്റ്റിക് സ്റ്റൈൽ ട്രാൻസ്ഫർ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [ഓബ്ജക്റ്റ് ഡിറ്റക്ഷൻ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [പ്രയോഗശാല](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [സെമാന്റിക് സെഗ്മെന്റേഷൻ. U-നെറ്റ്](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**സ്വാഭാവിക ഭాషാ പ്രോസസിങ്**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure-ൽ സ്വാഭാവിക ഭാഷാ പ്രോസസിങ് അന്വേഷിക്കുക](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [ടെക്സ്റ്റ് പ്രതിനിധാനം. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [സെമാന്റിക് വേഡ് എംബെഡ്ഡിംഗുകൾ. Word2Vec എന്ന GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [ഭാഷ മോഡലിംഗ്. നിങ്ങളുടെ സ്വന്തം എമ്പെഡ്ഡിംഗുകൾ പരിശീലിക്കുക](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [പ്രയോഗശാല](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [റികരന്റ് സ്നായു ജാലങ്ങൾ](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [ജനറേറ്റീവ് റികരന്റ് നെറ്റ്വർക്കുകൾ](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [പ്രയോഗശാല](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [ട്രാൻസ്ഫോർമേഴ്സ്. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [നെയ്മ്ഡ് എന്റിറ്റി തിരിച്ചറിവ്](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [പ്രയോഗശാല](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [വലിയ ഭാഷാ മോഡലുകൾ, പ്രോംപ്്റ്റ് പ്രോഗ്രാമിംഗ്, ഫ്യൂ-ഷോട്ട് ടാസ്കുകൾ](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **മറ്റ് AI സാങ്കേതികവിദ്യകൾ** || |
|
||||
| 21 | [ജനിതക ആൾഗൊരിതങ്ങൾ](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [നോട്ട്ബുക്ക്](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ഗভീരമായ റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [പ്രയോഗശാല](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [ബഹു-ഏജന്റ് സിസ്റ്റങ്ങൾ](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **എഐ എതിനിക്സ്** | | |
|
||||
| 24 | [എഐ എതിനിക്സ് ഒപ്പം ഉത്തരവാദിത്വമുള്ള എഐ](./lessons/7-Ethics/README.md) | [Microsoft Learn: ഉത്തരവാദിത്വമുള്ള എഐ സിദ്ധാന്തങ്ങൾ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **അധികങ്ങൾ** | | |
|
||||
| 25 | [മൾટી-മോഡൽ നെറ്റ്വർക്ക്, CLIP, VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [നോട്ട്ബുക്ക്](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ഓരോ പാഠത്തിലും ഉൾപ്പെടുന്നതിൽ
|
||||
## ഓരോ പാഠത്തിൽ ഉൾപ്പെടുന്നത്
|
||||
|
||||
* മുൻപഠന സാമഗ്രികൾ
|
||||
* നിർവ്വഹിക്കാവുന്ന ജൂപിറ്റർ നോട്ട്ബുക്കുകൾ, സാധാരണയായി ഫ്രെയിംവർക്കായുള്ള പ്രത്യേകതകൾ ഉള്ളവ (**PyTorch** അല്ലെങ്കിൽ **TensorFlow**). നിർവ്വഹിക്കാവുന്ന നോട്ട്ബുക്ക് ഒരു തിയററ്റിക്കൽ വസ്തുമുണ്ട്, അതിനാൽ വിഷയം മനസ്സിലാകാൻ കുറഞ്ഞത് ഒരു പതിപ്പ് (PyTorch അല്ലെങ്കിൽ TensorFlow) പരിശോധിക്കണം.
|
||||
* ചില വിഷയങ്ങൾക്ക് ലഭ്യമായ **ലാബുകൾ**, നിങ്ങളുടെ പഠിത വിഭവങ്ങൾ പ്രയോഗിക്കാൻ അവസരം നൽകുന്നതാണ്.
|
||||
* ചില സെക്ഷനുകളിൽ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) മോഡ്യൂളുകളിലേക്കുള്ള ലിങ്കുകൾ ഉൾപ്പെടുന്നു, അവ ബന്ധപ്പെട്ട വിഷയങ്ങൾ ഉൾക്കൊള്ളുന്നു.
|
||||
* മുൻകൂർ പഠന സാമഗ്രികൾ
|
||||
* നിർവ്വഹണയോഗ്യമാക്കപ്പെട്ട ജ്യുപിറ്റർ നോട്ട്ബുക്കുകൾ, പ്രധാനമായും ഫ്രെയിംവർക്കിനനുസരിച്ച് (**PyTorch** അല്ലെങ്കിൽ **TensorFlow**). പ്രവർത്തനത്തിലെ നോട്ട്ബുട്ടിൽ സിദ്ധാന്തപരമായ ധാരാളം വസ്തുവും ഉൾപ്പെട്ടിരിക്കുന്നു, അതിനാൽ വിഷയം മനസിലാക്കാൻ കുറഞ്ഞത് ഒരു പതിപ്പിനെ (PyTorch അല്ലെങ്കിൽ TensorFlow) പഠിക്കുന്നതുണ്ടാകും.
|
||||
* ചില വിഷയങ്ങൾക്ക് ലഭ്യമായ **പ്രയോഗശാലകൾ**, നിങ്ങൾ പഠിച്ചിട്ടുള്ള വിഷയത്തെ ഒരു പ്രത്യേക പ്രശ്നത്തിൽ പരീക്ഷിക്കാൻ അവസരം നൽകുന്നു.
|
||||
* ചില വിഭാഗങ്ങളിൽ [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) മൊഡ്യൂളുകളിലേക്ക് ലിങ്കുകൾ ഉൾപ്പെടുന്നു, അവ ബന്ധപ്പെട്ട വിഷയങ്ങൾ ഉൾക്കൊള്ളുന്നു.
|
||||
|
||||
## ആരംഭിക്കൽ
|
||||
## ആരംഭിക്കാം
|
||||
|
||||
### 🎯 AI-യിൽ പുതുമുഖമാണോ? ഇതിൽ നിന്നും തുടക്കം!
|
||||
### 🎯 എഐ-ൽ പുതുമുഖമോ? ഇവിടെനിന്ന് ആരംഭിക്കൂ!
|
||||
|
||||
നിങ്ങൾ AI-യിൽ പൂർണ്ണമായി പുതുമുഖനും വേഗത്തിൽ, പ്രായോഗിക ഉദാഹരണങ്ങൾ കാണണമെന്ന് ആഗ്രഹിക്കുന്നവനുമായെങ്കിൽ, നമ്മുടെ [**അവലംബ സുഹൃത്ത് ഉദാഹരണങ്ങൾ**](./examples/README.md) പരിശോധിക്കുക! ഇതിൽ ഉൾപ്പെടുന്നു:
|
||||
നിങ്ങൾ എഐ-യിൽ പൂർണ്ണമായും പുതുമുഖനായെങ്കിൽ, വേഗം മനസ്സിലാകുന്ന, പ്രായോഗിക ഉദാഹരണങ്ങൾക്കായി ഞങ്ങളുടെ [**ആരംഭകർക്കായി സൗഹൃദപരമായ ഉദാഹരണങ്ങൾ**](./examples/README.md) പരിശോധിക്കുക! ഇതിൽ ഉൾപ്പെടുന്നു:
|
||||
|
||||
- 🌟 **ഹെലോ AI വേൾഡ്** - നിങ്ങളുടെ ആദ്യ AI പ്രോഗ്രാം (പാറ്റേൺ മനസ്സിലാക്കൽ)
|
||||
- 🧠 **സിംപിൾ നറൽ നെറ്റ്വർക്ക്** - തൊട്ടടുത്ത് ഒരു നറൽ നെറ്റ്വർക്ക് നിർമിക്കുക
|
||||
- 🖼️ **ഇമേജ് ക്ലാസിഫയർ** - വിശദീകരണ സ_commentsകങ്ങളോടുകൂടിയ ചിത്ര ക്ലാസിഫികേഷൻ
|
||||
- 💬 **വാചക മനോഭാവം** - സ Pozitive/നെഗറ്റീവ് വാചകങ്ങൾ വിശകലനം ചെയ്യുക
|
||||
- 🌟 **ഹെലോ എഐ വേൾഡ്** - നിങ്ങളുടെ ആദ്യ എഐ പ്രോഗ്രാം (പാറ്റേൺ തിരിച്ചറിയൽ)
|
||||
- 🧠 **സിമ്പിൾ സ്നായു ജാലം** - സ്നായുജാലം പൂർണമായും നിർമ്മിക്കുക
|
||||
|
||||
ഈ ഉദാഹരണങ്ങൾ മുഴുവൻ പാതയിലേക്ക് പോകുന്നതിനു മുമ്പ് AI ആശയങ്ങൾ മനസിലാക്കാൻ സഹായിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്തു.
|
||||
- 🖼️ **ഇമേജ് ക്ലാസിഫയർ** - വിശദമായ കമന്റുകളോടെ ചിത്രങ്ങൾ ക്ലാസിഫൈ ചെയ്യുക
|
||||
- 💬 **ടെക്സ്റ്റ് സെന്റിമെന്റ്** - പോസിറ്റീവ്/നെഗറ്റീവ് ടെക്സ്റ്റ് വിശകലനം ചെയ്യുക
|
||||
|
||||
### 📚 പൂർണ്ണ പാഠ്യപദ്ധതി ക്രമീകരണം
|
||||
ഈ ഉദാഹരണങ്ങൾ പൂര്ണ കോഴ്സിലേക്ക് പ്രവേശിക്കുന്നതിന് മുമ്പ് AI ആശയങ്ങൾ മനസിലാക്കാൻ സഹായിക്കുന്നതിന് രൂപകല്പ്പന ചെയ്തതാണ്.
|
||||
|
||||
- നിങ്ങളുടെ വികസന പരിസ്ഥിതി ക്രമീകരിക്കുന്നതിന് സഹായിക്കുന്ന [ക്രമീകരണ പാഠം](./lessons/0-course-setup/setup.md) ഞങ്ങൾ സൃഷ്ടിച്ചിരിക്കുന്നു. - അധ്യാപകരുടെ jaoks, ഞങ്ങൾ [പാഠ്യപദ്ധതി ക്രമീകരണ പാഠം](./lessons/0-course-setup/for-teachers.md) നിങ്ങളുടെ കൂടയും സൃഷ്ടിച്ചിരിക്കുന്നു!
|
||||
- എങ്ങനെ [VSCode ലും Codespace ലും കോഡ് പ്രവർത്തിപ്പിക്കാമെന്ന്](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 ഫുള് കരിക്കുലം സജ്ജീകരണം
|
||||
|
||||
- നിങ്ങളുടെ ഡെവലപ്മെന്റ് എൻവയോൺമെന്റ് സജ്ജമാക്കുന്നതിന് സഹായിക്കുന്നതിനായി ഞങ്ങൾ ഒരു [സജ്ജീകരണ പാഠം](./lessons/0-course-setup/setup.md) സൃഷ്ടിച്ചിട്ടുണ്ട്. - പാഠകർക്കായുളള, ഞങ്ങൾ നിങ്ങളുവേണ്ടി ഒരു [കരിക്കുലം സജ്ജീകരണ പാഠം](./lessons/0-course-setup/for-teachers.md) സൃഷ്ടിച്ചിട്ടുണ്ട്!
|
||||
- എങ്ങനെ [VSCode അല്ലെങ്കിൽ Codespace ൽ കോഡ് നടപ്പാക്കാമെന്ന്](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
ഈ ഘട്ടങ്ങൾ പിന്തുടരുക:
|
||||
|
||||
റിപ്പോസിറ്ററി ഫോർക്കുചെയ്യുക:ഈ പേജിന്റെ മുകളില് വലത് വശം സ്ഥിതിചെയ്യുന്ന "Fork" ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക.
|
||||
റിപ്പോസിറ്ററി Fork ചെയ്യുക: ഈ പേജിന്റെ മുകളിൽ വലതുകൈ കോണിൽ "Fork" ബട്ടണിൽ ക്ലിക്ക് ചെയ്യുക.
|
||||
|
||||
റിപ്പോസിറ്ററി ക്ലോൺ ചെയ്യുക: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
ഈ റിപോ (🌟) താരക്കൂട്ടുന്നത് മടുത്തു വെക്കരുത്, പിന്നീട് ഇത് എളുപ്പത്തിൽ കണ്ടെത്താൻ.
|
||||
ശേഖരം പിന്നീട് എളുപ്പത്തിൽ കണ്ടെത്തുന്നതിനായി ഇതിന് ⭐ സ്റ്റാർ നൽകാന് മറക്കരുത്.
|
||||
|
||||
## മറ്റ് പരിശീലകരെ സ്വീകരിക്കുക
|
||||
## മറ്റു പഠിതാക്കളുമായി പരിചയപ്പെടുക
|
||||
|
||||
ഈ കോഴ്സ് സ്വീകരിക്കുന്ന മറ്റ് പരിശീലകരെ കാണാനും ബന്ധപ്പെടാനും ഞങ്ങളുടെ [അധികൃത AI Discord സർവറിൽ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ചേരുക.
|
||||
ഈ കോഴ്സ് പഠിക്കുന്ന മറ്റ് പഠിതാക്കളുമായി കൂടിക്കാഴ്ച നടത്താനും നെറ്റ്വർക്കിങ് നടത്താനും ഞങ്ങളുടെ [ഔദ്യോഗിക AI ഡിസ്കോർഡ് സർവർ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) ചേരുക, സഹായം നേടുക.
|
||||
|
||||
നിങ്ങൾക്ക് നിർമ്മാണത്തിന്(prod) ഉള്ള പിന്തുണയ്ക്കായി, നാം സൃഷ്ടിച്ച [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) സന്ദർശിക്കുക.
|
||||
നിങ്ങൾക്ക് ഉൽപ്പന്ന പ്രതികരണം അല്ലെങ്കിൽ ചോദ്യം ഉണ്ടെങ്കിൽ, നിർമ്മാണ സമയത്ത് ഞങ്ങളുടെ [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) സന്ദർശിക്കുക.
|
||||
|
||||
## ക്വിസ്
|
||||
## ക്വിസുകൾ
|
||||
|
||||
> **ക്വിസസുകൾക്കുറിച്ച് ഒരു കുറിപ്പ്**: എല്ലാ ക്വിസുകളും etc\quiz-app എന്ന ഫോൾഡറിൽ Quiz-app ഫോൾഡറിലാണ്, അല്ലെങ്കിൽ [ഓൺലൈൻ ഇവിടെ](https://ff-quizzes.netlify.app/). അവ പാഠങ്ങളിൽ നിന്നാണ് ലിങ്ക് ചെയ്യപ്പെട്ടിരിക്കുന്നത്. ഈ quiz app നരം നടത്താനോ ആസ്യൂറിൽ വിന്യസിക്കാനോ കഴിയും; `quiz-app` ഫോൾഡറിൽ നൽകിയിട്ടുള്ള നിർദേശങ്ങൾ അനുഗമിക്കുക. ഇത് ക്രമാനുസൃതമായി പ്രാദേശികവൽക്കരിക്കപ്പെടുകയാണ്.
|
||||
> **ക്വിസുകളെക്കുറിച്ച് ഒരു കുറിപ്പ്**: എല്ലാ ക്വിസുകളും etc\quiz-app എന്ന Quiz-app ഫോൾഡറിലുള്ളവയാണ്, അല്ലെങ്കിൽ [ഒൺലൈൻ ഇവിടെ](https://ff-quizzes.netlify.app/) ലഭ്യമാണ്. അവ പാഠങ്ങൾക്കുള്ളിൽ ലിങ്കുചെയ്തിരിക്കുന്നു, ക്വിസ് ആപ്പ് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാനോ Azureൽ വിന്യസിക്കാനോ കഴിയും; `quiz-app` ഫോൾഡറിലുള്ള നിർദ്ദേശങ്ങൾ പിന്തുടരുക. അവ ക്രമീകരിച്ച് ലൊക്കലൈസ് ചെയ്യപ്പെടുകയാണ്.
|
||||
|
||||
## സഹായം ആവശ്യമാണ്
|
||||
## സഹായം ആവശ്യമുണ്ട്
|
||||
|
||||
നിങ്ങൾക്ക് നിർദ്ദേശങ്ങളുണ്ടോ അല്ലെങ്കിൽ വൃത്തിയടക്കപ്പെട്ട അക്ഷരവ്യതിയാനങ്ങൾ അല്ലെങ്കിൽ കോഡ് പിശകുകൾ കണ്ടെത്തിയിട്ടുണ്ടോ? ഒരു ഇഷ്യൂ ഉയര്ത്തുക അല്ലെങ്കിൽ പുൾ റിക്വസ്റ്റ് സൃഷ്ടിക്കുക.
|
||||
നിങ്ങള്ക്ക് നിർദ്ദേശങ്ങളോ എളുത്തുപിഴവുകളോ കണ്ടുപിടിച്ചിട്ടുണ്ടെങ്കിൽ, ഒരു ഇഷ്യൂ ഉയർത്തുകയോ പുൾ റിക്വസ്റ്റ് സൃഷ്ടിക്കുകയോ ചെയ്യുക.
|
||||
|
||||
## പ്രത്യേക നന്ദി
|
||||
|
||||
* **✍️ പ്രധാന അധ്യായകർത്താവ്:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 എഡിറ്റർ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 സ്കെച്ച്നോട്ട് ചിത്രകാരി:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ ക്വിസ് സ്രഷ്ടാവ്:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 കോർ സംഭാവകർ:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ പ്രധാന എഴുത്തുകാരൻ:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 എഡിറ്റർ:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 സ്ട്രോക്ക് ചിത്രകാരൻ:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ ക്വിസ് സ്രഷ്ടാവ്:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 മുഖ്യ സംഭാവനക്കാർ:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## മറ്റ് പാഠ്യപദ്ധതികൾ
|
||||
## മറ്റു കരിക്കുലങ്ങൾ
|
||||
|
||||
നമ്മുടെ സംഘം മറ്റ് പാഠ്യപദ്ധതികൾ നിർമ്മിക്കുന്നു! പരിശോധിക്കുക:
|
||||
ഞങ്ങളുടെ ടീം മറ്റു കരിക്കുലങ്ങളും നിർമ്മിക്കുന്നു! പരിശോധിക്കൂ:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
|
|
@ -181,23 +173,23 @@ _ക്ലൗഡിൽ AI_-യിലേക്ക് സൗമ്യമാർഗ
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / ഏജന്റുകൾ
|
||||
### Azure / Edge / MCP / ഏജന്റുകള്
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### ജനിതക AI സിരീസ്
|
||||
|
||||
### ജനറേറ്റീവ് AI സീരിസ്
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### കോർ പഠനം
|
||||
|
||||
### കോർ ലേർണിംഗ്
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -207,26 +199,26 @@ _ക്ലൗഡിൽ AI_-യിലേക്ക് സൗമ്യമാർഗ
|
|||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### കോപിലോട്ട് സിരീസ്
|
||||
|
||||
### കോപ്പിലോട്ട് സീരിസ്
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## സഹായം നേടുക
|
||||
## സഹായം ലഭിക്കുന്നു
|
||||
|
||||
നിങ്ങൾ പിഴച്ചുപോയി ആണോ അല്ലെങ്കിൽ AI ആപ്പുകൾ നിർമ്മിക്കുന്നതുമായി ബന്ധപ്പെട്ട് എന്തെങ്കിലും ചോദ്യങ്ങളുണ്ടോ? MCP പ്ലാറ്റ്ഫോമിലെ അനുഭവസമ്പന്നരായ വികസനക്കാരോടും മറ്റും ഇടപെടൽചെയ்யാൻ. ചോദ്യങ്ങൾ ചോദിക്കാൻ സൗജന്യമുള്ള, അറിവ് സ്വതന്ത്രമായി പങ്കിടപ്പെടുന്ന ഒരു സഹായകരമായ സമൂഹമാണ് ഇത്.
|
||||
AI ആപ്പുകൾ നിർമ്മിക്കുമ്പോൾ നിങ്ങൾ തടസ്സപ്പെടുകയോ എന്തെങ്കിലും ചോദ്യങ്ങളുണ്ടാകുകയോ ചെയ്താൽ MCP, മനസ്സിലായിട്ടുള്ള മറ്റു പഠിതാക്കളുടെയും പരിചയസമ്പന്നരായ ഡെവലപർമാരുടെയും ചർച്ചകളിൽ ചേരുക. ഇത് ഒരു പിന്തുണയുള്ള സമൂഹം ആണ്, ചോദ്യങ്ങൾ സ്വാഗതം ചെയ്യപ്പെടുന്നു, അറിവ് സൗജന്യമായി പങ്കുവെക്കപ്പെടുന്നു.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
നിര്മ്മാണത്തിനുള്ള ഫീഡ്ബാക്ക് അല്ലെങ്കിൽ പിശകുകൾ ഉണ്ടെങ്കിൽ സന്ദർശിക്കുക:
|
||||
നിർമ്മാണസമയത്ത് ഉൽപ്പന്ന പ്രതികരണങ്ങൾക്കോ പിശകുകൾക്കോ വേണ്ടി സന്ദർശിക്കുക:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**പ്രസ്താവന**:
|
||||
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന എഐ ഭാഷാന്തര സേവനം ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ സത്യസന്ധതയ്ക്ക് ശ്രമിക്കുന്നെങ്കിലും, സ്വയമേവിതമായ വിവർത്തനങ്ങളിൽ പിശകുകളോ അകൃത്യതകളോ ഉണ്ടാകാം എന്നത് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലെ അസൽ രേഖ മുഖ്യമായ ഉറവിടമായിരിക്കണം. നിർണായകമായ വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യനിവർത്തനം നിർദ്ദേശിക്കുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗം മൂലം ഉണ്ടാകുന്ന തെറ്റ് മനസിലാക്കലുകൾക്കും തെറ്റായ അഭിപ്രായങ്ങൾക്കും ഞങ്ങൾ യാതൊരു ബാധ്യതയും ഏറ്റെടുക്കുന്നില്ല.
|
||||
**അസംസ്കൃതീകരണം**:
|
||||
ഈ രേഖ [Co-op Translator](https://github.com/Azure/co-op-translator) എന്ന AI പരിഭാഷാ സേവനം ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. നಿಖരതയുടെ യത്നം നടത്തിയപ്പോൾ പോലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിശകുകൾ അല്ലെങ്കിൽ അഥവാ അപാകതകൾ ഉണ്ടാകാമെന്ന് ദയവായി അറിവിൽ വയ്ക്കുക. അസല് ഭാഷയിൽ ഉള്ള രേഖ ഏകാധികാര ഉറവിടമായി പരിഗണിക്കപ്പെടണം. പ്രധാനപ്പെട്ട വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ സിദ്ധാന്തമായി ശിപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗിക്കുമ്പോഴുണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾക്കും അർത്ഥക്കുഴപ്പങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,53 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-11-25T20:12:52+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
## സുരക്ഷ
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് നമ്മുടെ സോഫ്റ്റ്വെയർ ഉൽപ്പന്നങ്ങളും സേവനങ്ങളും ഉൾപ്പെടെ, [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), കൂടാതെ [നമ്മുടെ GitHub സംഘടനകൾ](https://opensource.microsoft.com/) വഴി നിയന്ത്രിക്കുന്ന എല്ലാ സോഴ്സ് കോഡ് റിപോസിറ്ററികളും ഉൾപ്പെടെ, സുരക്ഷയെ ഗൗരവത്തോടെ കാണുന്നു.
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് ഉടമസ്ഥതയിലുള്ള ഏതെങ്കിലും റിപോസിറ്ററിയിൽ [മൈക്രോസോഫ്റ്റിന്റെ സുരക്ഷാ ദുർബലതയുടെ നിർവചനത്തിന്](https://aka.ms/opensource/security/definition) അനുയോജ്യമായ ഒരു സുരക്ഷാ ദുർബലത കണ്ടെത്തിയതായി നിങ്ങൾ വിശ്വസിക്കുന്നുവെങ്കിൽ, താഴെ വിവരിച്ചിരിക്കുന്നതുപോലെ ഞങ്ങളോട് റിപ്പോർട്ട് ചെയ്യുക.
|
||||
|
||||
## സുരക്ഷാ പ്രശ്നങ്ങൾ റിപ്പോർട്ട് ചെയ്യൽ
|
||||
|
||||
**സുരക്ഷാ ദുർബലതകൾ പൊതു GitHub ഇഷ്യൂസിലൂടെ റിപ്പോർട്ട് ചെയ്യരുത്.**
|
||||
|
||||
പകരം, ദയവായി അവ മൈക്രോസോഫ്റ്റ് സെക്യൂരിറ്റി റസ്പോൺസ് സെന്ററിലേക്ക് (MSRC) [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) റിപ്പോർട്ട് ചെയ്യുക.
|
||||
|
||||
ലോഗിൻ ചെയ്യാതെ സമർപ്പിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, [secure@microsoft.com](mailto:secure@microsoft.com) എന്ന ഇമെയിലിലേക്ക് അയയ്ക്കുക. സാധ്യമായെങ്കിൽ, ഞങ്ങളുടെ PGP കീ ഉപയോഗിച്ച് നിങ്ങളുടെ സന്ദേശം എൻക്രിപ്റ്റ് ചെയ്യുക; അത് [Microsoft Security Response Center PGP Key പേജിൽ](https://aka.ms/opensource/security/pgpkey) നിന്ന് ഡൗൺലോഡ് ചെയ്യാവുന്നതാണ്.
|
||||
|
||||
24 മണിക്കൂറിനുള്ളിൽ നിങ്ങൾക്ക് മറുപടി ലഭിക്കണം. എന്തെങ്കിലും കാരണത്താൽ ലഭിക്കാത്ത പക്ഷം, നിങ്ങളുടെ ആദ്യ സന്ദേശം ഞങ്ങൾ സ്വീകരിച്ചിട്ടുണ്ടെന്ന് ഉറപ്പാക്കാൻ ഇമെയിൽ വഴി ഫോളോ അപ്പ് ചെയ്യുക. കൂടുതൽ വിവരങ്ങൾ [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) ൽ ലഭ്യമാണ്.
|
||||
|
||||
ദയവായി താഴെ കൊടുത്തിരിക്കുന്ന ആവശ്യമായ വിവരങ്ങൾ (സാധ്യമായത്രയും) ഉൾപ്പെടുത്തുക, ഇത് പ്രശ്നത്തിന്റെ സ്വഭാവവും പരിധിയും നമുക്ക് മനസ്സിലാക്കാൻ സഹായിക്കും:
|
||||
|
||||
* പ്രശ്നത്തിന്റെ തരം (ഉദാ: ബഫർ ഓവർഫ്ലോ, SQL ഇൻജക്ഷൻ, ക്രോസ്-സൈറ്റ് സ്ക്രിപ്റ്റിംഗ്, തുടങ്ങിയവ)
|
||||
* പ്രശ്നം പ്രകടമാകുന്ന സോഴ്സ് ഫയലുകളുടെ പൂർണ്ണ പാതകൾ
|
||||
* ബാധിച്ച സോഴ്സ് കോഡിന്റെ സ്ഥാനം (ടാഗ്/ബ്രാഞ്ച്/കമ്മിറ്റ് അല്ലെങ്കിൽ നേരിട്ടുള്ള URL)
|
||||
* പ്രശ്നം പുനരാവർത്തിപ്പിക്കാൻ ആവശ്യമായ പ്രത്യേക കോൺഫിഗറേഷൻ
|
||||
* പ്രശ്നം പുനരാവർത്തിപ്പിക്കാൻ ഘട്ടം ഘട്ടമായ നിർദ്ദേശങ്ങൾ
|
||||
* പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റ് അല്ലെങ്കിൽ എക്സ്പ്ലോയിറ്റ് കോഡ് (സാധ്യമായെങ്കിൽ)
|
||||
* പ്രശ്നത്തിന്റെ പ്രഭാവം, അതിൽ ആക്രമകൻ എങ്ങനെ അതിനെ ഉപയോഗപ്പെടുത്താമെന്ന് ഉൾപ്പെടെ
|
||||
|
||||
ഈ വിവരങ്ങൾ നിങ്ങളുടെ റിപ്പോർട്ട് വേഗത്തിൽ പരിശോധിക്കാൻ സഹായിക്കും.
|
||||
|
||||
ബഗ് ബൗണ്ടിക്ക് റിപ്പോർട്ട് ചെയ്യുമ്പോൾ, കൂടുതൽ സമഗ്രമായ റിപ്പോർട്ടുകൾ ഉയർന്ന ബൗണ്ടി അവാർഡിന് സഹായകമാണ്. ഞങ്ങളുടെ [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) പേജ് സന്ദർശിച്ച് സജീവ പ്രോഗ്രാമുകൾക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾ അറിയുക.
|
||||
|
||||
## ഇഷ്ടഭാഷകൾ
|
||||
|
||||
എല്ലാ ആശയവിനിമയവും ഇംഗ്ലീഷിൽ ആയിരിക്കണമെന്ന് ഞങ്ങൾ അഭിലഷിക്കുന്നു.
|
||||
|
||||
## നയം
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് [Coordinated Vulnerability Disclosure](https://aka.ms/opensource/security/cvd) എന്ന സിദ്ധാന്തം പാലിക്കുന്നു.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ പ്രാമാണികമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
## സുരക്ഷ
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് നമ്മുടെ സോഫ്റ്റ്വെയർ ഉൽപ്പന്നങ്ങളും സേവനങ്ങളും ഉൾപ്പെടെ, [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), കൂടാതെ [നമ്മുടെ GitHub സംഘടനകൾ](https://opensource.microsoft.com/) വഴി നിയന്ത്രിക്കുന്ന എല്ലാ സോഴ്സ് കോഡ് റിപോസിറ്ററികളും ഉൾപ്പെടെ, സുരക്ഷയെ ഗൗരവത്തോടെ കാണുന്നു.
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് ഉടമസ്ഥതയിലുള്ള ഏതെങ്കിലും റിപോസിറ്ററിയിൽ [മൈക്രോസോഫ്റ്റിന്റെ സുരക്ഷാ ദുർബലതയുടെ നിർവചനത്തിന്](https://aka.ms/opensource/security/definition) അനുയോജ്യമായ ഒരു സുരക്ഷാ ദുർബലത കണ്ടെത്തിയതായി നിങ്ങൾ വിശ്വസിക്കുന്നുവെങ്കിൽ, താഴെ വിവരിച്ചിരിക്കുന്നതുപോലെ ഞങ്ങളോട് റിപ്പോർട്ട് ചെയ്യുക.
|
||||
|
||||
## സുരക്ഷാ പ്രശ്നങ്ങൾ റിപ്പോർട്ട് ചെയ്യൽ
|
||||
|
||||
**സുരക്ഷാ ദുർബലതകൾ പൊതു GitHub ഇഷ്യൂസിലൂടെ റിപ്പോർട്ട് ചെയ്യരുത്.**
|
||||
|
||||
പകരം, ദയവായി അവ മൈക്രോസോഫ്റ്റ് സെക്യൂരിറ്റി റസ്പോൺസ് സെന്ററിലേക്ക് (MSRC) [https://msrc.microsoft.com/create-report](https://aka.ms/opensource/security/create-report) റിപ്പോർട്ട് ചെയ്യുക.
|
||||
|
||||
ലോഗിൻ ചെയ്യാതെ സമർപ്പിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, [secure@microsoft.com](mailto:secure@microsoft.com) എന്ന ഇമെയിലിലേക്ക് അയയ്ക്കുക. സാധ്യമായെങ്കിൽ, ഞങ്ങളുടെ PGP കീ ഉപയോഗിച്ച് നിങ്ങളുടെ സന്ദേശം എൻക്രിപ്റ്റ് ചെയ്യുക; അത് [Microsoft Security Response Center PGP Key പേജിൽ](https://aka.ms/opensource/security/pgpkey) നിന്ന് ഡൗൺലോഡ് ചെയ്യാവുന്നതാണ്.
|
||||
|
||||
24 മണിക്കൂറിനുള്ളിൽ നിങ്ങൾക്ക് മറുപടി ലഭിക്കണം. എന്തെങ്കിലും കാരണത്താൽ ലഭിക്കാത്ത പക്ഷം, നിങ്ങളുടെ ആദ്യ സന്ദേശം ഞങ്ങൾ സ്വീകരിച്ചിട്ടുണ്ടെന്ന് ഉറപ്പാക്കാൻ ഇമെയിൽ വഴി ഫോളോ അപ്പ് ചെയ്യുക. കൂടുതൽ വിവരങ്ങൾ [microsoft.com/msrc](https://aka.ms/opensource/security/msrc) ൽ ലഭ്യമാണ്.
|
||||
|
||||
ദയവായി താഴെ കൊടുത്തിരിക്കുന്ന ആവശ്യമായ വിവരങ്ങൾ (സാധ്യമായത്രയും) ഉൾപ്പെടുത്തുക, ഇത് പ്രശ്നത്തിന്റെ സ്വഭാവവും പരിധിയും നമുക്ക് മനസ്സിലാക്കാൻ സഹായിക്കും:
|
||||
|
||||
* പ്രശ്നത്തിന്റെ തരം (ഉദാ: ബഫർ ഓവർഫ്ലോ, SQL ഇൻജക്ഷൻ, ക്രോസ്-സൈറ്റ് സ്ക്രിപ്റ്റിംഗ്, തുടങ്ങിയവ)
|
||||
* പ്രശ്നം പ്രകടമാകുന്ന സോഴ്സ് ഫയലുകളുടെ പൂർണ്ണ പാതകൾ
|
||||
* ബാധിച്ച സോഴ്സ് കോഡിന്റെ സ്ഥാനം (ടാഗ്/ബ്രാഞ്ച്/കമ്മിറ്റ് അല്ലെങ്കിൽ നേരിട്ടുള്ള URL)
|
||||
* പ്രശ്നം പുനരാവർത്തിപ്പിക്കാൻ ആവശ്യമായ പ്രത്യേക കോൺഫിഗറേഷൻ
|
||||
* പ്രശ്നം പുനരാവർത്തിപ്പിക്കാൻ ഘട്ടം ഘട്ടമായ നിർദ്ദേശങ്ങൾ
|
||||
* പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റ് അല്ലെങ്കിൽ എക്സ്പ്ലോയിറ്റ് കോഡ് (സാധ്യമായെങ്കിൽ)
|
||||
* പ്രശ്നത്തിന്റെ പ്രഭാവം, അതിൽ ആക്രമകൻ എങ്ങനെ അതിനെ ഉപയോഗപ്പെടുത്താമെന്ന് ഉൾപ്പെടെ
|
||||
|
||||
ഈ വിവരങ്ങൾ നിങ്ങളുടെ റിപ്പോർട്ട് വേഗത്തിൽ പരിശോധിക്കാൻ സഹായിക്കും.
|
||||
|
||||
ബഗ് ബൗണ്ടിക്ക് റിപ്പോർട്ട് ചെയ്യുമ്പോൾ, കൂടുതൽ സമഗ്രമായ റിപ്പോർട്ടുകൾ ഉയർന്ന ബൗണ്ടി അവാർഡിന് സഹായകമാണ്. ഞങ്ങളുടെ [Microsoft Bug Bounty Program](https://aka.ms/opensource/security/bounty) പേജ് സന്ദർശിച്ച് സജീവ പ്രോഗ്രാമുകൾക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾ അറിയുക.
|
||||
|
||||
## ഇഷ്ടഭാഷകൾ
|
||||
|
||||
എല്ലാ ആശയവിനിമയവും ഇംഗ്ലീഷിൽ ആയിരിക്കണമെന്ന് ഞങ്ങൾ അഭിലഷിക്കുന്നു.
|
||||
|
||||
## നയം
|
||||
|
||||
മൈക്രോസോഫ്റ്റ് [Coordinated Vulnerability Disclosure](https://aka.ms/opensource/security/cvd) എന്ന സിദ്ധാന്തം പാലിക്കുന്നു.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ പ്രാമാണികമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,25 +1,16 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-11-25T20:22:23+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം
|
||||
|
||||
ഈ പ്രോജക്ട് [മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം](https://opensource.microsoft.com/codeofconduct/) സ്വീകരിച്ചിട്ടുണ്ട്.
|
||||
|
||||
സ്രോതസുകൾ:
|
||||
|
||||
- [മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം](https://opensource.microsoft.com/codeofconduct/)
|
||||
- [മൈക്രോസോഫ്റ്റ് പെരുമാറ്റ നയം FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
|
||||
- ചോദ്യങ്ങൾക്കോ ആശങ്കകൾക്കോ [opencode@microsoft.com](mailto:opencode@microsoft.com) എന്ന വിലാസത്തിൽ ബന്ധപ്പെടുക
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം
|
||||
|
||||
ഈ പ്രോജക്ട് [മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം](https://opensource.microsoft.com/codeofconduct/) സ്വീകരിച്ചിട്ടുണ്ട്.
|
||||
|
||||
സ്രോതസുകൾ:
|
||||
|
||||
- [മൈക്രോസോഫ്റ്റ് ഓപ്പൺ സോഴ്സ് പെരുമാറ്റ നയം](https://opensource.microsoft.com/codeofconduct/)
|
||||
- [മൈക്രോസോഫ്റ്റ് പെരുമാറ്റ നയം FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
|
||||
- ചോദ്യങ്ങൾക്കോ ആശങ്കകൾക്കോ [opencode@microsoft.com](mailto:opencode@microsoft.com) എന്ന വിലാസത്തിൽ ബന്ധപ്പെടുക
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,33 +1,24 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-11-25T20:23:14+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# സംഭാവനകൾ
|
||||
|
||||
ഈ പ്രോജക്റ്റ് സംഭാവനകളും നിർദ്ദേശങ്ങളും സ്വാഗതം ചെയ്യുന്നു. മിക്ക സംഭാവനകൾക്കും നിങ്ങൾക്ക് Contributor License Agreement (CLA) യിൽ അംഗീകരിക്കേണ്ടതുണ്ട്, അതായത് നിങ്ങൾക്ക് നിങ്ങളുടെ സംഭാവന ഉപയോഗിക്കാൻ അവകാശമുണ്ടെന്ന്, അതും യഥാർത്ഥത്തിൽ അവകാശം നൽകുന്നതായി പ്രഖ്യാപിക്കുന്ന ഒരു കരാർ. വിശദാംശങ്ങൾക്ക് https://cla.microsoft.com സന്ദർശിക്കുക.
|
||||
|
||||
നിങ്ങൾ ഒരു പുൾ റിക്വസ്റ്റ് സമർപ്പിക്കുമ്പോൾ, CLA-ബോട്ട് സ്വയം നിങ്ങൾക്ക് CLA നൽകേണ്ടതുണ്ടോ എന്ന് നിർണയിച്ച് PR യഥാർത്ഥമായി അടയാളപ്പെടുത്തും (ഉദാ: ലേബൽ, കമന്റ്). ബോട്ടിന്റെ നിർദ്ദേശങ്ങൾ പാലിക്കുക. ഞങ്ങളുടെ CLA ഉപയോഗിക്കുന്ന എല്ലാ റിപോസിറ്ററികളിലും ഇത് ഒരിക്കൽ മാത്രം ചെയ്യേണ്ടതുണ്ട്.
|
||||
|
||||
ഈ പ്രോജക്റ്റ് [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) സ്വീകരിച്ചിട്ടുണ്ട്. കൂടുതൽ വിവരങ്ങൾക്ക് [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) കാണുക അല്ലെങ്കിൽ [opencode@microsoft.com](mailto:opencode@microsoft.com) എന്ന വിലാസത്തിൽ അധിക ചോദ്യങ്ങൾക്കോ അഭിപ്രായങ്ങൾക്കോ ബന്ധപ്പെടുക.
|
||||
|
||||
# സംഭാവനകൾ തേടുന്നു
|
||||
|
||||
നാം നിലവിൽ താഴെ പറയുന്ന വിഷയങ്ങളിൽ സജീവമായി സംഭാവനകൾ തേടുകയാണ്:
|
||||
|
||||
- [ ] ഡീപ്പ് റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ് സംബന്ധിച്ച വിഭാഗം എഴുതുക
|
||||
- [ ] ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ വിഭാഗവും നോട്ട്ബുക്കും മെച്ചപ്പെടുത്തുക
|
||||
- [ ] PyTorch Lightning (ഈ [വിഭാഗത്തിനായി](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md))
|
||||
- [ ] നെയിംഡ് എന്റിറ്റി റെക്കഗ്നിഷൻ സംബന്ധിച്ച വിഭാഗവും സാമ്പിളുകളും എഴുതുക
|
||||
- [ ] ഞങ്ങളുടെ സ്വന്തം എംബെഡിംഗുകൾ പരിശീലിപ്പിക്കാൻ സാമ്പിളുകൾ സൃഷ്ടിക്കുക ഈ [വിഭാഗത്തിനായി](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് കരുതേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# സംഭാവനകൾ
|
||||
|
||||
ഈ പ്രോജക്റ്റ് സംഭാവനകളും നിർദ്ദേശങ്ങളും സ്വാഗതം ചെയ്യുന്നു. മിക്ക സംഭാവനകൾക്കും നിങ്ങൾക്ക് Contributor License Agreement (CLA) യിൽ അംഗീകരിക്കേണ്ടതുണ്ട്, അതായത് നിങ്ങൾക്ക് നിങ്ങളുടെ സംഭാവന ഉപയോഗിക്കാൻ അവകാശമുണ്ടെന്ന്, അതും യഥാർത്ഥത്തിൽ അവകാശം നൽകുന്നതായി പ്രഖ്യാപിക്കുന്ന ഒരു കരാർ. വിശദാംശങ്ങൾക്ക് https://cla.microsoft.com സന്ദർശിക്കുക.
|
||||
|
||||
നിങ്ങൾ ഒരു പുൾ റിക്വസ്റ്റ് സമർപ്പിക്കുമ്പോൾ, CLA-ബോട്ട് സ്വയം നിങ്ങൾക്ക് CLA നൽകേണ്ടതുണ്ടോ എന്ന് നിർണയിച്ച് PR യഥാർത്ഥമായി അടയാളപ്പെടുത്തും (ഉദാ: ലേബൽ, കമന്റ്). ബോട്ടിന്റെ നിർദ്ദേശങ്ങൾ പാലിക്കുക. ഞങ്ങളുടെ CLA ഉപയോഗിക്കുന്ന എല്ലാ റിപോസിറ്ററികളിലും ഇത് ഒരിക്കൽ മാത്രം ചെയ്യേണ്ടതുണ്ട്.
|
||||
|
||||
ഈ പ്രോജക്റ്റ് [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) സ്വീകരിച്ചിട്ടുണ്ട്. കൂടുതൽ വിവരങ്ങൾക്ക് [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) കാണുക അല്ലെങ്കിൽ [opencode@microsoft.com](mailto:opencode@microsoft.com) എന്ന വിലാസത്തിൽ അധിക ചോദ്യങ്ങൾക്കോ അഭിപ്രായങ്ങൾക്കോ ബന്ധപ്പെടുക.
|
||||
|
||||
# സംഭാവനകൾ തേടുന്നു
|
||||
|
||||
നാം നിലവിൽ താഴെ പറയുന്ന വിഷയങ്ങളിൽ സജീവമായി സംഭാവനകൾ തേടുകയാണ്:
|
||||
|
||||
- [ ] ഡീപ്പ് റീഇൻഫോഴ്സ്മെന്റ് ലേണിങ്ങ് സംബന്ധിച്ച വിഭാഗം എഴുതുക
|
||||
- [ ] ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ വിഭാഗവും നോട്ട്ബുക്കും മെച്ചപ്പെടുത്തുക
|
||||
- [ ] PyTorch Lightning (ഈ [വിഭാഗത്തിനായി](https://github.com/microsoft/AI-For-Beginners/blob/main/3-NeuralNetworks/05-Frameworks/README.md))
|
||||
- [ ] നെയിംഡ് എന്റിറ്റി റെക്കഗ്നിഷൻ സംബന്ധിച്ച വിഭാഗവും സാമ്പിളുകളും എഴുതുക
|
||||
- [ ] ഞങ്ങളുടെ സ്വന്തം എംബെഡിംഗുകൾ പരിശീലിപ്പിക്കാൻ സാമ്പിളുകൾ സൃഷ്ടിക്കുക ഈ [വിഭാഗത്തിനായി](https://github.com/microsoft/AI-For-Beginners/tree/main/5-NLP/15-LanguageModeling)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് കരുതേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,91 +1,82 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-11-25T20:26:47+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# എഐ
|
||||
|
||||
## [എഐയുടെ പരിചയം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
- എഐയുടെ നിർവചനം
|
||||
- എഐയുടെ ചരിത്രം
|
||||
- എഐയിലേക്കുള്ള സമീപനങ്ങൾ
|
||||
- ടോപ്പ്-ഡൗൺ/സിംബോളിക്
|
||||
- ബോട്ടം-അപ്പ്/ന്യൂറൽ
|
||||
- എവല്യൂഷണറി
|
||||
- സിനർജറ്റിക് / എമർജന്റ് എഐ
|
||||
- [Microsoft AI ബിസിനസ് സ്കൂൾ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## [സിംബോളിക് എഐ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md)
|
||||
- അറിവ് പ്രതിനിധാനം
|
||||
- [എക്സ്പർട്ട് സിസ്റ്റങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb)
|
||||
- [ഓന്റോളജികൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb)
|
||||
- സെമാന്റിക് വെബ്
|
||||
|
||||
## [ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md)
|
||||
- [പേഴ്സെപ്ട്രോൺ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md)
|
||||
- [മൾട്ടി-ലെയർഡ് നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md)
|
||||
- [ഫ്രെയിംവർക്കുകളിലേക്ക് പരിചയം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md)
|
||||
- [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)
|
||||
- [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md)
|
||||
- [ഓവർഫിറ്റിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md)
|
||||
|
||||
## [കമ്പ്യൂട്ടർ വിഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md)
|
||||
- MS Learn-ൽ
|
||||
- [എഐ അടിസ്ഥാനങ്ങൾ: കമ്പ്യൂട്ടർ വിഷൻ അന്വേഷിക്കുക](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ഉപയോഗിച്ച് CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ഉപയോഗിച്ച് CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [CV പരിചയം. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md)
|
||||
- [കോൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md)
|
||||
- [CNN ആർക്കിടെക്ചറുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md)
|
||||
- [ട്രാൻസ്ഫർ ലേണിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md)
|
||||
- [ട്രെയിനിംഗ് ട്രിക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md)
|
||||
- [ഓട്ടോഎൻകോഡറുകളും VAE-കളും](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md)
|
||||
- [ജനറേറ്റീവ് അഡ്വേഴ്സറിയൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md)
|
||||
- [സ്റ്റൈൽ ട്രാൻസ്ഫർ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
|
||||
- [ഓബ്ജക്റ്റ് ഡിറ്റക്ഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md)
|
||||
- [സെഗ്മെന്റേഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md)
|
||||
|
||||
## [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md)
|
||||
- MS Learn-ൽ
|
||||
- [എഐ അടിസ്ഥാനങ്ങൾ: NLP അന്വേഷിക്കുക](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ഉപയോഗിച്ച് NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ഉപയോഗിച്ച് NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [ടെക്സ്റ്റ് പ്രതിനിധാനം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md)
|
||||
- ബാഗ് ഓഫ് വേഡ്സ്
|
||||
- TF/IDF
|
||||
- [സെമാന്റിക് എംബെഡ്ഡിംഗുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md)
|
||||
- Word2Vec
|
||||
- GloVE
|
||||
- [ഭാഷാ മോഡലിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling)
|
||||
- [റികറന്റ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md)
|
||||
- LSTM
|
||||
- GRU
|
||||
- [ജനറേറ്റീവ് റികറന്റ് നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md)
|
||||
- [ട്രാൻസ്ഫോർമേഴ്സ് ആൻഡ് BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md)
|
||||
- [നെയിംഡ് എന്റിറ്റി റെക്കഗ്നിഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md)
|
||||
- [ടെക്സ്റ്റ് ജനറേഷൻ ആൻഡ് GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md)
|
||||
|
||||
## മറ്റ് സാങ്കേതിക വിദ്യകൾ
|
||||
- [ജനറ്റിക് ആൽഗോരിതങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md)
|
||||
- [ഡീപ്പ് റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md)
|
||||
- [മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md)
|
||||
|
||||
## [എഐ എതിക്സ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md)
|
||||
- [MS Learn-ൽ ഉത്തരവാദിത്വമുള്ള എഐ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## അധികങ്ങൾ
|
||||
- [മൾട്ടിമോഡൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md)
|
||||
- [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb)
|
||||
- DALL-E
|
||||
- VQ-GAN
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# എഐ
|
||||
|
||||
## [എഐയുടെ പരിചയം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
- എഐയുടെ നിർവചനം
|
||||
- എഐയുടെ ചരിത്രം
|
||||
- എഐയിലേക്കുള്ള സമീപനങ്ങൾ
|
||||
- ടോപ്പ്-ഡൗൺ/സിംബോളിക്
|
||||
- ബോട്ടം-അപ്പ്/ന്യൂറൽ
|
||||
- എവല്യൂഷണറി
|
||||
- സിനർജറ്റിക് / എമർജന്റ് എഐ
|
||||
- [Microsoft AI ബിസിനസ് സ്കൂൾ](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## [സിംബോളിക് എഐ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/README.md)
|
||||
- അറിവ് പ്രതിനിധാനം
|
||||
- [എക്സ്പർട്ട് സിസ്റ്റങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/Animals.ipynb)
|
||||
- [ഓന്റോളജികൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/2-Symbolic/FamilyOntology.ipynb)
|
||||
- സെമാന്റിക് വെബ്
|
||||
|
||||
## [ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/README.md)
|
||||
- [പേഴ്സെപ്ട്രോൺ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/03-Perceptron/README.md)
|
||||
- [മൾട്ടി-ലെയർഡ് നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/04-OwnFramework/README.md)
|
||||
- [ഫ്രെയിംവർക്കുകളിലേക്ക് പരിചയം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/README.md)
|
||||
- [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb)
|
||||
- [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.md)
|
||||
- [ഓവർഫിറ്റിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/3-NeuralNetworks/05-Frameworks/Overfitting.md)
|
||||
|
||||
## [കമ്പ്യൂട്ടർ വിഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/README.md)
|
||||
- MS Learn-ൽ
|
||||
- [എഐ അടിസ്ഥാനങ്ങൾ: കമ്പ്യൂട്ടർ വിഷൻ അന്വേഷിക്കുക](https://docs.microsoft.com/learn/paths/explore-computer-vision-microsoft-azure/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ഉപയോഗിച്ച് CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ഉപയോഗിച്ച് CV](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [CV പരിചയം. OpenCV](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/06-IntroCV/README.md)
|
||||
- [കോൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/README.md)
|
||||
- [CNN ആർക്കിടെക്ചറുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md)
|
||||
- [ട്രാൻസ്ഫർ ലേണിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/README.md)
|
||||
- [ട്രെയിനിംഗ് ട്രിക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md)
|
||||
- [ഓട്ടോഎൻകോഡറുകളും VAE-കളും](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/09-Autoencoders/README.md)
|
||||
- [ജനറേറ്റീവ് അഡ്വേഴ്സറിയൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/README.md)
|
||||
- [സ്റ്റൈൽ ട്രാൻസ്ഫർ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/10-GANs/StyleTransfer.ipynb)
|
||||
- [ഓബ്ജക്റ്റ് ഡിറ്റക്ഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/11-ObjectDetection/README.md)
|
||||
- [സെഗ്മെന്റേഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/4-ComputerVision/12-Segmentation/README.md)
|
||||
|
||||
## [പ്രകൃതിദത്ത ഭാഷാ പ്രോസസ്സിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/README.md)
|
||||
- MS Learn-ൽ
|
||||
- [എഐ അടിസ്ഥാനങ്ങൾ: NLP അന്വേഷിക്കുക](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-cacaste)
|
||||
- [PyTorch ഉപയോഗിച്ച് NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste)
|
||||
- [TensorFlow ഉപയോഗിച്ച് NLP](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste)
|
||||
- [ടെക്സ്റ്റ് പ്രതിനിധാനം](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/README.md)
|
||||
- ബാഗ് ഓഫ് വേഡ്സ്
|
||||
- TF/IDF
|
||||
- [സെമാന്റിക് എംബെഡ്ഡിംഗുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/README.md)
|
||||
- Word2Vec
|
||||
- GloVE
|
||||
- [ഭാഷാ മോഡലിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling)
|
||||
- [റികറന്റ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/README.md)
|
||||
- LSTM
|
||||
- GRU
|
||||
- [ജനറേറ്റീവ് റികറന്റ് നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/README.md)
|
||||
- [ട്രാൻസ്ഫോർമേഴ്സ് ആൻഡ് BERT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/README.md)
|
||||
- [നെയിംഡ് എന്റിറ്റി റെക്കഗ്നിഷൻ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/19-NER/README.md)
|
||||
- [ടെക്സ്റ്റ് ജനറേഷൻ ആൻഡ് GPT](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/20-LanguageModels/README.md)
|
||||
|
||||
## മറ്റ് സാങ്കേതിക വിദ്യകൾ
|
||||
- [ജനറ്റിക് ആൽഗോരിതങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/21-GeneticAlgorithms/README.md)
|
||||
- [ഡീപ്പ് റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/22-DeepRL/README.md)
|
||||
- [മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/6-Other/23-MultiagentSystems/README.md)
|
||||
|
||||
## [എഐ എതിക്സ്](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/7-Ethics/README.md)
|
||||
- [MS Learn-ൽ ഉത്തരവാദിത്വമുള്ള എഐ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste)
|
||||
|
||||
## അധികങ്ങൾ
|
||||
- [മൾട്ടിമോഡൽ നെറ്റ്വർക്കുകൾ](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/README.md)
|
||||
- [CLIP](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/X-Extras/X1-MultiModal/Clip.ipynb)
|
||||
- DALL-E
|
||||
- VQ-GAN
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,27 +1,18 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-11-25T20:29:58+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# പിന്തുണ
|
||||
|
||||
## പ്രശ്നങ്ങൾ ഫയൽ ചെയ്യാനും സഹായം ലഭിക്കാനും
|
||||
|
||||
ഈ പ്രോജക്ട് ബഗുകളും ഫീച്ചർ അഭ്യർത്ഥനകളും ട്രാക്ക് ചെയ്യാൻ GitHub Issues ഉപയോഗിക്കുന്നു. പുനരാവൃതികൾ ഒഴിവാക്കാൻ പുതിയ പ്രശ്നങ്ങൾ ഫയൽ ചെയ്യുന്നതിന് മുമ്പ് നിലവിലുള്ള പ്രശ്നങ്ങൾ തിരയുക. പുതിയ പ്രശ്നങ്ങൾക്കായി, നിങ്ങളുടെ ബഗ് അല്ലെങ്കിൽ ഫീച്ചർ അഭ്യർത്ഥന പുതിയ ഒരു Issue ആയി ഫയൽ ചെയ്യുക.
|
||||
|
||||
ഈ പ്രോജക്ട് ഉപയോഗിക്കുന്നതുമായി ബന്ധപ്പെട്ട സഹായത്തിനും ചോദ്യങ്ങൾക്കും, ദയവായി Discussion Boards ഉപയോഗിക്കുക.
|
||||
|
||||
## Microsoft പിന്തുണ നയം
|
||||
|
||||
ഈ പ്രോജക്ടിനുള്ള പിന്തുണ മുകളിൽ പട്ടികപ്പെടുത്തിയ വിഭവങ്ങളിലേക്കാണ് പരിമിതമായിരിക്കുന്നത്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# പിന്തുണ
|
||||
|
||||
## പ്രശ്നങ്ങൾ ഫയൽ ചെയ്യാനും സഹായം ലഭിക്കാനും
|
||||
|
||||
ഈ പ്രോജക്ട് ബഗുകളും ഫീച്ചർ അഭ്യർത്ഥനകളും ട്രാക്ക് ചെയ്യാൻ GitHub Issues ഉപയോഗിക്കുന്നു. പുനരാവൃതികൾ ഒഴിവാക്കാൻ പുതിയ പ്രശ്നങ്ങൾ ഫയൽ ചെയ്യുന്നതിന് മുമ്പ് നിലവിലുള്ള പ്രശ്നങ്ങൾ തിരയുക. പുതിയ പ്രശ്നങ്ങൾക്കായി, നിങ്ങളുടെ ബഗ് അല്ലെങ്കിൽ ഫീച്ചർ അഭ്യർത്ഥന പുതിയ ഒരു Issue ആയി ഫയൽ ചെയ്യുക.
|
||||
|
||||
ഈ പ്രോജക്ട് ഉപയോഗിക്കുന്നതുമായി ബന്ധപ്പെട്ട സഹായത്തിനും ചോദ്യങ്ങൾക്കും, ദയവായി Discussion Boards ഉപയോഗിക്കുക.
|
||||
|
||||
## Microsoft പിന്തുണ നയം
|
||||
|
||||
ഈ പ്രോജക്ടിനുള്ള പിന്തുണ മുകളിൽ പട്ടികപ്പെടുത്തിയ വിഭവങ്ങളിലേക്കാണ് പരിമിതമായിരിക്കുന്നത്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,49 +1,40 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-11-25T20:31:21+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# പാഠങ്ങൾ വിവർത്തനം ചെയ്ത് സംഭാവന ചെയ്യുക
|
||||
|
||||
ഈ പാഠ്യപദ്ധതിയിലെ പാഠങ്ങൾക്കായി വിവർത്തനങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
|
||||
|
||||
## മാർഗ്ഗനിർദ്ദേശങ്ങൾ
|
||||
|
||||
ഓരോ പാഠം ഫോൾഡറിലും പാഠം പരിചയപ്പെടുത്തൽ ഫോൾഡറിലും വിവർത്തനമാക്കിയ മാർക്ക്ഡൗൺ ഫയലുകൾ അടങ്ങിയ ഫോൾഡറുകൾ ഉണ്ട്.
|
||||
|
||||
> ശ്രദ്ധിക്കുക, കോഡ് സാമ്പിൾ ഫയലുകളിലെ കോഡ് ഒന്നും വിവർത്തനം ചെയ്യരുത്; വിവർത്തനം ചെയ്യേണ്ടത് README, അസൈൻമെന്റുകൾ, ക്വിസുകൾ മാത്രമാണ്. നന്ദി!
|
||||
|
||||
വിവർത്തന ഫയലുകൾ ഈ പേരിടൽ രീതിയെ അനുസരിക്കണം:
|
||||
|
||||
**README._[language]_.md**
|
||||
|
||||
ഇവിടെ _[language]_ എന്നത് ISO 639-1 സ്റ്റാൻഡേർഡ് അനുസരിച്ച് രണ്ട് അക്ഷര ഭാഷാ ചുരുക്കമാണ് (ഉദാ: സ്പാനിഷ്ക്കായി `README.es.md`, ഡച്ച്ക്കായി `README.nl.md`).
|
||||
|
||||
**assignment._[language]_.md**
|
||||
|
||||
README ഫയലുകളെപ്പോലെ അസൈൻമെന്റുകളും വിവർത്തനം ചെയ്യുക.
|
||||
|
||||
**ക്വിസുകൾ**
|
||||
|
||||
1. നിങ്ങളുടെ വിവർത്തനം quiz-app-ലേക്ക് ചേർക്കാൻ ഈ ലിങ്കിൽ ഫയൽ ചേർക്കുക: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, ശരിയായ പേരിടൽ രീതിയിൽ (en.json, fr.json). **'true' അല്ലെങ്കിൽ 'false' എന്ന വാക്കുകൾ വിവർത്തനം ചെയ്യരുത്. നന്ദി!**
|
||||
|
||||
2. quiz-app-ന്റെ App.vue ഫയലിലെ ഡ്രോപ്പ്ഡൗണിൽ നിങ്ങളുടെ ഭാഷാ കോഡ് ചേർക്കുക.
|
||||
|
||||
3. quiz-app-ന്റെ [translations index.js ഫയൽ](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) എഡിറ്റ് ചെയ്ത് നിങ്ങളുടെ ഭാഷ ചേർക്കുക.
|
||||
|
||||
4. അവസാനം, നിങ്ങളുടെ വിവർത്തന README.md ഫയലുകളിലെ എല്ലാ ക്വിസ് ലിങ്കുകളും നേരിട്ട് നിങ്ങളുടെ വിവർത്തന ക്വിസിലേക്ക് പോയി പ്രവർത്തിക്കുന്നതായി മാറ്റുക: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 എന്നത് https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id ആകും.
|
||||
|
||||
**നന്ദി**
|
||||
|
||||
നിങ്ങളുടെ പരിശ്രമങ്ങൾക്ക് ഞങ്ങൾ ഹൃദയം നിറഞ്ഞ നന്ദി പറയുന്നു!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# പാഠങ്ങൾ വിവർത്തനം ചെയ്ത് സംഭാവന ചെയ്യുക
|
||||
|
||||
ഈ പാഠ്യപദ്ധതിയിലെ പാഠങ്ങൾക്കായി വിവർത്തനങ്ങൾ സ്വാഗതം ചെയ്യുന്നു!
|
||||
|
||||
## മാർഗ്ഗനിർദ്ദേശങ്ങൾ
|
||||
|
||||
ഓരോ പാഠം ഫോൾഡറിലും പാഠം പരിചയപ്പെടുത്തൽ ഫോൾഡറിലും വിവർത്തനമാക്കിയ മാർക്ക്ഡൗൺ ഫയലുകൾ അടങ്ങിയ ഫോൾഡറുകൾ ഉണ്ട്.
|
||||
|
||||
> ശ്രദ്ധിക്കുക, കോഡ് സാമ്പിൾ ഫയലുകളിലെ കോഡ് ഒന്നും വിവർത്തനം ചെയ്യരുത്; വിവർത്തനം ചെയ്യേണ്ടത് README, അസൈൻമെന്റുകൾ, ക്വിസുകൾ മാത്രമാണ്. നന്ദി!
|
||||
|
||||
വിവർത്തന ഫയലുകൾ ഈ പേരിടൽ രീതിയെ അനുസരിക്കണം:
|
||||
|
||||
**README._[language]_.md**
|
||||
|
||||
ഇവിടെ _[language]_ എന്നത് ISO 639-1 സ്റ്റാൻഡേർഡ് അനുസരിച്ച് രണ്ട് അക്ഷര ഭാഷാ ചുരുക്കമാണ് (ഉദാ: സ്പാനിഷ്ക്കായി `README.es.md`, ഡച്ച്ക്കായി `README.nl.md`).
|
||||
|
||||
**assignment._[language]_.md**
|
||||
|
||||
README ഫയലുകളെപ്പോലെ അസൈൻമെന്റുകളും വിവർത്തനം ചെയ്യുക.
|
||||
|
||||
**ക്വിസുകൾ**
|
||||
|
||||
1. നിങ്ങളുടെ വിവർത്തനം quiz-app-ലേക്ക് ചേർക്കാൻ ഈ ലിങ്കിൽ ഫയൽ ചേർക്കുക: https://github.com/microsoft/AI-For-Beginners/tree/main/etc/quiz-app/src/assets/translations, ശരിയായ പേരിടൽ രീതിയിൽ (en.json, fr.json). **'true' അല്ലെങ്കിൽ 'false' എന്ന വാക്കുകൾ വിവർത്തനം ചെയ്യരുത്. നന്ദി!**
|
||||
|
||||
2. quiz-app-ന്റെ App.vue ഫയലിലെ ഡ്രോപ്പ്ഡൗണിൽ നിങ്ങളുടെ ഭാഷാ കോഡ് ചേർക്കുക.
|
||||
|
||||
3. quiz-app-ന്റെ [translations index.js ഫയൽ](https://github.com/microsoft/AI-For-Beginners/blob/main/etc/quiz-app/src/assets/translations/index.js) എഡിറ്റ് ചെയ്ത് നിങ്ങളുടെ ഭാഷ ചേർക്കുക.
|
||||
|
||||
4. അവസാനം, നിങ്ങളുടെ വിവർത്തന README.md ഫയലുകളിലെ എല്ലാ ക്വിസ് ലിങ്കുകളും നേരിട്ട് നിങ്ങളുടെ വിവർത്തന ക്വിസിലേക്ക് പോയി പ്രവർത്തിക്കുന്നതായി മാറ്റുക: https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1 എന്നത് https://red-field-0a6ddfd03.1.azurestaticapps.net/quiz/1?loc=id ആകും.
|
||||
|
||||
**നന്ദി**
|
||||
|
||||
നിങ്ങളുടെ പരിശ്രമങ്ങൾക്ക് ഞങ്ങൾ ഹൃദയം നിറഞ്ഞ നന്ദി പറയുന്നു!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,140 +1,131 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-11-25T20:38:46+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ക്വിസുകൾ
|
||||
|
||||
ഈ ക്വിസുകൾ https://aka.ms/ai-beginners എന്ന AI പാഠ്യപദ്ധതിക്കുള്ള പ്രീ-ലക്ചർ, പോസ്റ്റ്-ലക്ചർ ക്വിസുകളാണ്.
|
||||
|
||||
## വിവർത്തനം ചെയ്ത ക്വിസ് സെറ്റ് ചേർക്കൽ
|
||||
|
||||
`assets/translations` ഫോൾഡറുകളിൽ പൊരുത്തപ്പെടുന്ന ക്വിസ് ഘടനകൾ സൃഷ്ടിച്ച് ക്വിസ് വിവർത്തനം ചേർക്കുക. കാനോണിക്കൽ ക്വിസുകൾ `assets/translations/en` ൽ ഉണ്ട്. പാഠഭാഗം അനുസരിച്ച് ക്വിസുകൾ വിവിധ ഗ്രൂപ്പുകളായി വിഭജിച്ചിരിക്കുന്നു. ക്വിസ് വിഭാഗത്തിന്റെ നമ്പറിംഗ് ശരിയായി പൊരുത്തപ്പെടുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക. ഈ പാഠ്യപദ്ധതിയിൽ മൊത്തം 40 ക്വിസുകൾ ഉണ്ട്, എണ്ണൽ 0 മുതൽ ആരംഭിക്കുന്നു.
|
||||
|
||||
വിവർത്തനങ്ങൾ എഡിറ്റ് ചെയ്ത ശേഷം, `en` ൽ ഉള്ള കൺവെൻഷനുകൾ അനുസരിച്ച് എല്ലാ ഫയലുകളും ഇറക്കുമതി ചെയ്യാൻ വിവർത്തന ഫോൾഡറിലെ index.js ഫയൽ എഡിറ്റ് ചെയ്യുക.
|
||||
|
||||
പിന്നീട്, `assets/translations` ൽ ഉള്ള `index.js` ഫയൽ എഡിറ്റ് ചെയ്ത് പുതിയ വിവർത്തനം ചെയ്ത ഫയലുകൾ ഇറക്കുമതി ചെയ്യുക.
|
||||
|
||||
അതിനുശേഷം, ഈ ആപ്പിലെ `App.vue` ൽ ഉള്ള ഡ്രോപ്പ്ഡൗണിൽ നിങ്ങളുടെ ഭാഷ ചേർക്കുക. ലൊക്കലൈസ്ഡ് ചുരുക്കപ്പേരും നിങ്ങളുടെ ഭാഷയുടെ ഫോൾഡർ നാമവും പൊരുത്തപ്പെടണം.
|
||||
|
||||
അവസാനമായി, വിവർത്തനം ചെയ്ത പാഠങ്ങളിൽ ഉള്ള എല്ലാ ക്വിസ് ലിങ്കുകളും, ഉണ്ടെങ്കിൽ, ഈ ലൊക്കലൈസേഷൻ ഒരു ക്വറി പാരാമീറ്ററായി ഉൾപ്പെടുത്തുക: ഉദാഹരണത്തിന് `?loc=fr`.
|
||||
|
||||
## പ്രോജക്ട് സജ്ജീകരണം
|
||||
|
||||
```
|
||||
npm install
|
||||
```
|
||||
|
||||
### വികസനത്തിനായി കോമ്പൈൽ ചെയ്ത് ഹോട്ട്-റീലോഡ് ചെയ്യുന്നു
|
||||
|
||||
```
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### ഉത്പാദനത്തിനായി കോമ്പൈൽ ചെയ്ത് മിനിഫൈ ചെയ്യുന്നു
|
||||
|
||||
```
|
||||
npm run build
|
||||
```
|
||||
|
||||
### ഫയലുകൾ ലിന്റ് ചെയ്ത് ശരിയാക്കുന്നു
|
||||
|
||||
```
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### കോൺഫിഗറേഷൻ ഇഷ്ടാനുസൃതമാക്കുക
|
||||
|
||||
കാണുക [Configuration Reference](https://cli.vuejs.org/config/) .
|
||||
|
||||
ക്രെഡിറ്റുകൾ: ഈ ക്വിസ് ആപ്പിന്റെ ഒറിജിനൽ വേർഷൻ: https://github.com/arpan45/simple-quiz-vue
|
||||
|
||||
## Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യൽ
|
||||
|
||||
തുടങ്ങാൻ സഹായിക്കുന്ന ഘട്ടം-ഘട്ടം മാർഗ്ഗനിർദ്ദേശം:
|
||||
|
||||
1. GitHub റിപോസിറ്ററി ഫോർക്ക് ചെയ്യുക
|
||||
നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് കോഡ് നിങ്ങളുടെ GitHub റിപോസിറ്ററിയിൽ ഉണ്ടെന്ന് ഉറപ്പാക്കുക. ഈ റിപോസിറ്ററി ഫോർക്ക് ചെയ്യുക.
|
||||
|
||||
2. Azure സ്റ്റാറ്റിക് വെബ് ആപ്പ് സൃഷ്ടിക്കുക
|
||||
- ഒരു [Azure അക്കൗണ്ട്](http://azure.microsoft.com) സൃഷ്ടിക്കുക
|
||||
- [Azure പോർട്ടലിലേക്ക്](https://portal.azure.com) പോവുക
|
||||
- “Create a resource” ക്ലിക്ക് ചെയ്ത് “Static Web App” തിരയുക
|
||||
- “Create” ക്ലിക്ക് ചെയ്യുക
|
||||
|
||||
3. സ്റ്റാറ്റിക് വെബ് ആപ്പ് കോൺഫിഗർ ചെയ്യുക
|
||||
- അടിസ്ഥാനങ്ങൾ: സബ്സ്ക്രിപ്ഷൻ: നിങ്ങളുടെ Azure സബ്സ്ക്രിപ്ഷൻ തിരഞ്ഞെടുക്കുക
|
||||
- റിസോഴ്സ് ഗ്രൂപ്പ്: പുതിയ റിസോഴ്സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക അല്ലെങ്കിൽ നിലവിലുള്ളത് ഉപയോഗിക്കുക
|
||||
- പേര്: നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പിന് ഒരു പേര് നൽകുക
|
||||
- റീജിയൻ: നിങ്ങളുടെ ഉപയോക്താക്കൾക്ക് ഏറ്റവും അടുത്ത റീജിയൻ തിരഞ്ഞെടുക്കുക
|
||||
|
||||
- #### ഡിപ്ലോയ്മെന്റ് വിശദാംശങ്ങൾ:
|
||||
- സോഴ്സ്: “GitHub” തിരഞ്ഞെടുക്കുക
|
||||
- GitHub അക്കൗണ്ട്: Azure-ന് നിങ്ങളുടെ GitHub അക്കൗണ്ടിൽ പ്രവേശനം അനുവദിക്കുക
|
||||
- ഓർഗനൈസേഷൻ: നിങ്ങളുടെ GitHub ഓർഗനൈസേഷൻ തിരഞ്ഞെടുക്കുക
|
||||
- റിപോസിറ്ററി: നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് ഉള്ള റിപോസിറ്ററി തിരഞ്ഞെടുക്കുക
|
||||
- ബ്രാഞ്ച്: ഡിപ്ലോയ് ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ബ്രാഞ്ച് തിരഞ്ഞെടുക്കുക
|
||||
|
||||
- #### ബിൽഡ് വിശദാംശങ്ങൾ:
|
||||
- ബിൽഡ് പ്രീസെറ്റുകൾ: നിങ്ങളുടെ ആപ്പ് നിർമ്മിച്ച ഫ്രെയിംവർക്ക് തിരഞ്ഞെടുക്കുക (ഉദാ: React, Angular, Vue, മുതലായവ)
|
||||
- ആപ്പ് ലൊക്കേഷൻ: ആപ്പ് കോഡ് ഉള്ള ഫോൾഡർ വ്യക്തമാക്കുക (ഉദാ: റൂട്ട് ആണെങ്കിൽ /)
|
||||
- API ലൊക്കേഷൻ: API ഉണ്ടെങ്കിൽ അതിന്റെ സ്ഥലം വ്യക്തമാക്കുക (ഐച്ഛികം)
|
||||
- ഔട്ട്പുട്ട് ലൊക്കേഷൻ: ബിൽഡ് ഔട്ട്പുട്ട് ഉണ്ടാകുന്ന ഫോൾഡർ വ്യക്തമാക്കുക (ഉദാ: build അല്ലെങ്കിൽ dist)
|
||||
|
||||
4. അവലോകനം ചെയ്ത് സൃഷ്ടിക്കുക
|
||||
നിങ്ങളുടെ ക്രമീകരണങ്ങൾ പരിശോധിച്ച് “Create” ക്ലിക്ക് ചെയ്യുക. Azure ആവശ്യമായ റിസോഴ്സുകൾ സജ്ജമാക്കി GitHub Actions വർക്ക്ഫ്ലോ നിങ്ങളുടെ റിപോസിറ്ററിയിൽ സൃഷ്ടിക്കും.
|
||||
|
||||
5. GitHub Actions വർക്ക്ഫ്ലോ
|
||||
Azure സ്വയം GitHub Actions വർക്ക്ഫ്ലോ ഫയൽ (.github/workflows/azure-static-web-apps-<name>.yml) നിങ്ങളുടെ റിപോസിറ്ററിയിൽ സൃഷ്ടിക്കും. ഈ വർക്ക്ഫ്ലോ ബിൽഡ്, ഡിപ്ലോയ്മെന്റ് പ്രക്രിയ കൈകാര്യം ചെയ്യും.
|
||||
|
||||
6. ഡിപ്ലോയ്മെന്റ് നിരീക്ഷിക്കുക
|
||||
നിങ്ങളുടെ GitHub റിപോസിറ്ററിയിലെ “Actions” ടാബിലേക്ക് പോവുക.
|
||||
ഒരു വർക്ക്ഫ്ലോ പ്രവർത്തിക്കുന്നതായി കാണണം. ഈ വർക്ക്ഫ്ലോ നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് Azure-ലേക്ക് ബിൽഡ് ചെയ്ത് ഡിപ്ലോയ് ചെയ്യും.
|
||||
വർക്ക്ഫ്ലോ പൂർത്തിയായാൽ, നിങ്ങളുടെ ആപ്പ് നൽകിയ Azure URL-ൽ ലൈവ് ആയിരിക്കും.
|
||||
|
||||
### ഉദാഹരണ വർക്ക്ഫ്ലോ ഫയൽ
|
||||
|
||||
GitHub Actions വർക്ക്ഫ്ലോ ഫയൽ എങ്ങനെ കാണാമെന്ന് ഉദാഹരണം:
|
||||
name: Azure Static Web Apps CI/CD
|
||||
```
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
pull_request:
|
||||
types: [opened, synchronize, reopened, closed]
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
build_and_deploy_job:
|
||||
runs-on: ubuntu-latest
|
||||
name: Build and Deploy Job
|
||||
steps:
|
||||
- uses: actions/checkout@v2
|
||||
- name: Build And Deploy
|
||||
id: builddeploy
|
||||
uses: Azure/static-web-apps-deploy@v1
|
||||
with:
|
||||
azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
|
||||
repo_token: ${{ secrets.GITHUB_TOKEN }}
|
||||
action: "upload"
|
||||
app_location: "etc/quiz-app # App source code path"
|
||||
api_location: ""API source code path optional
|
||||
output_location: "dist" #Built app content directory - optional
|
||||
```
|
||||
|
||||
### അധിക വിഭവങ്ങൾ
|
||||
- [Azure Static Web Apps ഡോക്യുമെന്റേഷൻ](https://learn.microsoft.com/azure/static-web-apps/getting-started)
|
||||
- [GitHub Actions ഡോക്യുമെന്റേഷൻ](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ക്വിസുകൾ
|
||||
|
||||
ഈ ക്വിസുകൾ https://aka.ms/ai-beginners എന്ന AI പാഠ്യപദ്ധതിക്കുള്ള പ്രീ-ലക്ചർ, പോസ്റ്റ്-ലക്ചർ ക്വിസുകളാണ്.
|
||||
|
||||
## വിവർത്തനം ചെയ്ത ക്വിസ് സെറ്റ് ചേർക്കൽ
|
||||
|
||||
`assets/translations` ഫോൾഡറുകളിൽ പൊരുത്തപ്പെടുന്ന ക്വിസ് ഘടനകൾ സൃഷ്ടിച്ച് ക്വിസ് വിവർത്തനം ചേർക്കുക. കാനോണിക്കൽ ക്വിസുകൾ `assets/translations/en` ൽ ഉണ്ട്. പാഠഭാഗം അനുസരിച്ച് ക്വിസുകൾ വിവിധ ഗ്രൂപ്പുകളായി വിഭജിച്ചിരിക്കുന്നു. ക്വിസ് വിഭാഗത്തിന്റെ നമ്പറിംഗ് ശരിയായി പൊരുത്തപ്പെടുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക. ഈ പാഠ്യപദ്ധതിയിൽ മൊത്തം 40 ക്വിസുകൾ ഉണ്ട്, എണ്ണൽ 0 മുതൽ ആരംഭിക്കുന്നു.
|
||||
|
||||
വിവർത്തനങ്ങൾ എഡിറ്റ് ചെയ്ത ശേഷം, `en` ൽ ഉള്ള കൺവെൻഷനുകൾ അനുസരിച്ച് എല്ലാ ഫയലുകളും ഇറക്കുമതി ചെയ്യാൻ വിവർത്തന ഫോൾഡറിലെ index.js ഫയൽ എഡിറ്റ് ചെയ്യുക.
|
||||
|
||||
പിന്നീട്, `assets/translations` ൽ ഉള്ള `index.js` ഫയൽ എഡിറ്റ് ചെയ്ത് പുതിയ വിവർത്തനം ചെയ്ത ഫയലുകൾ ഇറക്കുമതി ചെയ്യുക.
|
||||
|
||||
അതിനുശേഷം, ഈ ആപ്പിലെ `App.vue` ൽ ഉള്ള ഡ്രോപ്പ്ഡൗണിൽ നിങ്ങളുടെ ഭാഷ ചേർക്കുക. ലൊക്കലൈസ്ഡ് ചുരുക്കപ്പേരും നിങ്ങളുടെ ഭാഷയുടെ ഫോൾഡർ നാമവും പൊരുത്തപ്പെടണം.
|
||||
|
||||
അവസാനമായി, വിവർത്തനം ചെയ്ത പാഠങ്ങളിൽ ഉള്ള എല്ലാ ക്വിസ് ലിങ്കുകളും, ഉണ്ടെങ്കിൽ, ഈ ലൊക്കലൈസേഷൻ ഒരു ക്വറി പാരാമീറ്ററായി ഉൾപ്പെടുത്തുക: ഉദാഹരണത്തിന് `?loc=fr`.
|
||||
|
||||
## പ്രോജക്ട് സജ്ജീകരണം
|
||||
|
||||
```
|
||||
npm install
|
||||
```
|
||||
|
||||
### വികസനത്തിനായി കോമ്പൈൽ ചെയ്ത് ഹോട്ട്-റീലോഡ് ചെയ്യുന്നു
|
||||
|
||||
```
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### ഉത്പാദനത്തിനായി കോമ്പൈൽ ചെയ്ത് മിനിഫൈ ചെയ്യുന്നു
|
||||
|
||||
```
|
||||
npm run build
|
||||
```
|
||||
|
||||
### ഫയലുകൾ ലിന്റ് ചെയ്ത് ശരിയാക്കുന്നു
|
||||
|
||||
```
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### കോൺഫിഗറേഷൻ ഇഷ്ടാനുസൃതമാക്കുക
|
||||
|
||||
കാണുക [Configuration Reference](https://cli.vuejs.org/config/) .
|
||||
|
||||
ക്രെഡിറ്റുകൾ: ഈ ക്വിസ് ആപ്പിന്റെ ഒറിജിനൽ വേർഷൻ: https://github.com/arpan45/simple-quiz-vue
|
||||
|
||||
## Azure-ലേക്ക് ഡിപ്ലോയ് ചെയ്യൽ
|
||||
|
||||
തുടങ്ങാൻ സഹായിക്കുന്ന ഘട്ടം-ഘട്ടം മാർഗ്ഗനിർദ്ദേശം:
|
||||
|
||||
1. GitHub റിപോസിറ്ററി ഫോർക്ക് ചെയ്യുക
|
||||
നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് കോഡ് നിങ്ങളുടെ GitHub റിപോസിറ്ററിയിൽ ഉണ്ടെന്ന് ഉറപ്പാക്കുക. ഈ റിപോസിറ്ററി ഫോർക്ക് ചെയ്യുക.
|
||||
|
||||
2. Azure സ്റ്റാറ്റിക് വെബ് ആപ്പ് സൃഷ്ടിക്കുക
|
||||
- ഒരു [Azure അക്കൗണ്ട്](http://azure.microsoft.com) സൃഷ്ടിക്കുക
|
||||
- [Azure പോർട്ടലിലേക്ക്](https://portal.azure.com) പോവുക
|
||||
- “Create a resource” ക്ലിക്ക് ചെയ്ത് “Static Web App” തിരയുക
|
||||
- “Create” ക്ലിക്ക് ചെയ്യുക
|
||||
|
||||
3. സ്റ്റാറ്റിക് വെബ് ആപ്പ് കോൺഫിഗർ ചെയ്യുക
|
||||
- അടിസ്ഥാനങ്ങൾ: സബ്സ്ക്രിപ്ഷൻ: നിങ്ങളുടെ Azure സബ്സ്ക്രിപ്ഷൻ തിരഞ്ഞെടുക്കുക
|
||||
- റിസോഴ്സ് ഗ്രൂപ്പ്: പുതിയ റിസോഴ്സ് ഗ്രൂപ്പ് സൃഷ്ടിക്കുക അല്ലെങ്കിൽ നിലവിലുള്ളത് ഉപയോഗിക്കുക
|
||||
- പേര്: നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പിന് ഒരു പേര് നൽകുക
|
||||
- റീജിയൻ: നിങ്ങളുടെ ഉപയോക്താക്കൾക്ക് ഏറ്റവും അടുത്ത റീജിയൻ തിരഞ്ഞെടുക്കുക
|
||||
|
||||
- #### ഡിപ്ലോയ്മെന്റ് വിശദാംശങ്ങൾ:
|
||||
- സോഴ്സ്: “GitHub” തിരഞ്ഞെടുക്കുക
|
||||
- GitHub അക്കൗണ്ട്: Azure-ന് നിങ്ങളുടെ GitHub അക്കൗണ്ടിൽ പ്രവേശനം അനുവദിക്കുക
|
||||
- ഓർഗനൈസേഷൻ: നിങ്ങളുടെ GitHub ഓർഗനൈസേഷൻ തിരഞ്ഞെടുക്കുക
|
||||
- റിപോസിറ്ററി: നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് ഉള്ള റിപോസിറ്ററി തിരഞ്ഞെടുക്കുക
|
||||
- ബ്രാഞ്ച്: ഡിപ്ലോയ് ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ബ്രാഞ്ച് തിരഞ്ഞെടുക്കുക
|
||||
|
||||
- #### ബിൽഡ് വിശദാംശങ്ങൾ:
|
||||
- ബിൽഡ് പ്രീസെറ്റുകൾ: നിങ്ങളുടെ ആപ്പ് നിർമ്മിച്ച ഫ്രെയിംവർക്ക് തിരഞ്ഞെടുക്കുക (ഉദാ: React, Angular, Vue, മുതലായവ)
|
||||
- ആപ്പ് ലൊക്കേഷൻ: ആപ്പ് കോഡ് ഉള്ള ഫോൾഡർ വ്യക്തമാക്കുക (ഉദാ: റൂട്ട് ആണെങ്കിൽ /)
|
||||
- API ലൊക്കേഷൻ: API ഉണ്ടെങ്കിൽ അതിന്റെ സ്ഥലം വ്യക്തമാക്കുക (ഐച്ഛികം)
|
||||
- ഔട്ട്പുട്ട് ലൊക്കേഷൻ: ബിൽഡ് ഔട്ട്പുട്ട് ഉണ്ടാകുന്ന ഫോൾഡർ വ്യക്തമാക്കുക (ഉദാ: build അല്ലെങ്കിൽ dist)
|
||||
|
||||
4. അവലോകനം ചെയ്ത് സൃഷ്ടിക്കുക
|
||||
നിങ്ങളുടെ ക്രമീകരണങ്ങൾ പരിശോധിച്ച് “Create” ക്ലിക്ക് ചെയ്യുക. Azure ആവശ്യമായ റിസോഴ്സുകൾ സജ്ജമാക്കി GitHub Actions വർക്ക്ഫ്ലോ നിങ്ങളുടെ റിപോസിറ്ററിയിൽ സൃഷ്ടിക്കും.
|
||||
|
||||
5. GitHub Actions വർക്ക്ഫ്ലോ
|
||||
Azure സ്വയം GitHub Actions വർക്ക്ഫ്ലോ ഫയൽ (.github/workflows/azure-static-web-apps-<name>.yml) നിങ്ങളുടെ റിപോസിറ്ററിയിൽ സൃഷ്ടിക്കും. ഈ വർക്ക്ഫ്ലോ ബിൽഡ്, ഡിപ്ലോയ്മെന്റ് പ്രക്രിയ കൈകാര്യം ചെയ്യും.
|
||||
|
||||
6. ഡിപ്ലോയ്മെന്റ് നിരീക്ഷിക്കുക
|
||||
നിങ്ങളുടെ GitHub റിപോസിറ്ററിയിലെ “Actions” ടാബിലേക്ക് പോവുക.
|
||||
ഒരു വർക്ക്ഫ്ലോ പ്രവർത്തിക്കുന്നതായി കാണണം. ഈ വർക്ക്ഫ്ലോ നിങ്ങളുടെ സ്റ്റാറ്റിക് വെബ് ആപ്പ് Azure-ലേക്ക് ബിൽഡ് ചെയ്ത് ഡിപ്ലോയ് ചെയ്യും.
|
||||
വർക്ക്ഫ്ലോ പൂർത്തിയായാൽ, നിങ്ങളുടെ ആപ്പ് നൽകിയ Azure URL-ൽ ലൈവ് ആയിരിക്കും.
|
||||
|
||||
### ഉദാഹരണ വർക്ക്ഫ്ലോ ഫയൽ
|
||||
|
||||
GitHub Actions വർക്ക്ഫ്ലോ ഫയൽ എങ്ങനെ കാണാമെന്ന് ഉദാഹരണം:
|
||||
name: Azure Static Web Apps CI/CD
|
||||
```
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
pull_request:
|
||||
types: [opened, synchronize, reopened, closed]
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
build_and_deploy_job:
|
||||
runs-on: ubuntu-latest
|
||||
name: Build and Deploy Job
|
||||
steps:
|
||||
- uses: actions/checkout@v2
|
||||
- name: Build And Deploy
|
||||
id: builddeploy
|
||||
uses: Azure/static-web-apps-deploy@v1
|
||||
with:
|
||||
azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
|
||||
repo_token: ${{ secrets.GITHUB_TOKEN }}
|
||||
action: "upload"
|
||||
app_location: "etc/quiz-app # App source code path"
|
||||
api_location: ""API source code path optional
|
||||
output_location: "dist" #Built app content directory - optional
|
||||
```
|
||||
|
||||
### അധിക വിഭവങ്ങൾ
|
||||
- [Azure Static Web Apps ഡോക്യുമെന്റേഷൻ](https://learn.microsoft.com/azure/static-web-apps/getting-started)
|
||||
- [GitHub Actions ഡോക്യുമെന്റേഷൻ](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,96 +1,87 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-11-25T20:34:04+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# തുടക്കക്കാർക്ക് അനുയോജ്യമായ AI ഉദാഹരണങ്ങൾ
|
||||
|
||||
സ്വാഗതം! ഈ ഡയറക്ടറിയിൽ AI-യും മെഷീൻ ലേണിംഗും ആരംഭിക്കാൻ സഹായിക്കുന്ന ലളിതവും സ്വതന്ത്രവുമായ ഉദാഹരണങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഓരോ ഉദാഹരണവും വിശദമായ കമന്റുകളും ഘട്ടം ഘട്ടമായ വിശദീകരണങ്ങളും ഉൾപ്പെടുത്തി തുടക്കക്കാർക്ക് സൗകര്യമാക്കിയാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.
|
||||
|
||||
## 📚 ഉദാഹരണങ്ങളുടെ അവലോകനം
|
||||
|
||||
| ഉദാഹരണം | വിവരണം | ബുദ്ധിമുട്ട് | മുൻപരിചയം |
|
||||
|---------|-------------|------------|---------------|
|
||||
| [Hello AI World](../../../examples/01-hello-ai-world.py) | നിങ്ങളുടെ ആദ്യ AI പ്രോഗ്രാം - ലളിതമായ പാറ്റേൺ തിരിച്ചറിയൽ | ⭐ തുടക്കക്കാർ | Python അടിസ്ഥാനങ്ങൾ |
|
||||
| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് തൊട്ടുതുടങ്ങി നിർമ്മിക്കുക | ⭐⭐ തുടക്കക്കാർ+ | Python, അടിസ്ഥാന ഗണിതം |
|
||||
| [Image Classifier](./03-image-classifier.ipynb) | മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലിലൂടെ ചിത്രങ്ങൾ വർഗ്ഗീകരിക്കുക | ⭐⭐ തുടക്കക്കാർ+ | Python, numpy |
|
||||
| [Text Sentiment](../../../examples/04-text-sentiment.py) | ടെക്സ്റ്റിന്റെ മനോഭാവം (സ pozitive/negative) വിശകലനം ചെയ്യുക | ⭐⭐ തുടക്കക്കാർ+ | Python |
|
||||
|
||||
## 🚀 ആരംഭിക്കുന്നത്
|
||||
|
||||
### മുൻപരിചയം
|
||||
|
||||
Python ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക (3.8 അല്ലെങ്കിൽ അതിനുമുകളിൽ ശുപാർശ ചെയ്യുന്നു). ആവശ്യമായ പാക്കേജുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക:
|
||||
|
||||
```bash
|
||||
# പൈത്തൺ സ്ക്രിപ്റ്റുകൾക്കായി
|
||||
pip install numpy
|
||||
|
||||
# ജൂപ്പിറ്റർ നോട്ട്ബുക്കുകൾക്കായി (ഇമേജ് ക്ലാസിഫയർ)
|
||||
pip install jupyter numpy pillow tensorflow
|
||||
```
|
||||
|
||||
അല്ലെങ്കിൽ പ്രധാന പാഠ്യപദ്ധതിയിൽ നിന്നുള്ള conda പരിസ്ഥിതി ഉപയോഗിക്കുക:
|
||||
|
||||
```bash
|
||||
conda env create --name ai4beg --file ../environment.yml
|
||||
conda activate ai4beg
|
||||
```
|
||||
|
||||
### ഉദാഹരണങ്ങൾ പ്രവർത്തിപ്പിക്കൽ
|
||||
|
||||
**Python സ്ക്രിപ്റ്റുകൾക്കായി (.py ഫയലുകൾ):**
|
||||
```bash
|
||||
python 01-hello-ai-world.py
|
||||
```
|
||||
|
||||
**Jupyter നോട്ട്ബുക്കുകൾക്കായി (.ipynb ഫയലുകൾ):**
|
||||
```bash
|
||||
jupyter notebook 03-image-classifier.ipynb
|
||||
```
|
||||
|
||||
## 📖 പഠന മാർഗ്ഗം
|
||||
|
||||
ഉദാഹരണങ്ങൾ ക്രമത്തിൽ പിന്തുടരാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു:
|
||||
|
||||
1. **"Hello AI World" -ൽ തുടങ്ങുക** - പാറ്റേൺ തിരിച്ചറിയലിന്റെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക
|
||||
2. **ഒരു ലളിതമായ ന്യൂറൽ നെറ്റ്വർക്ക് നിർമ്മിക്കുക** - ന്യൂറൽ നെറ്റ്വർക്ക് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസിലാക്കുക
|
||||
3. **ചിത്ര വർഗ്ഗീകരണം പരീക്ഷിക്കുക** - യഥാർത്ഥ ചിത്രങ്ങളുമായി AI പ്രവർത്തനം കാണുക
|
||||
4. **ടെക്സ്റ്റ് മനോഭാവം വിശകലനം ചെയ്യുക** - സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് അന്വേഷിക്കുക
|
||||
|
||||
## 💡 തുടക്കക്കാർക്ക് ഉപദേശങ്ങൾ
|
||||
|
||||
- **കോഡ് കമന്റുകൾ ശ്രദ്ധാപൂർവ്വം വായിക്കുക** - ഓരോ വരിയും എന്ത് ചെയ്യുന്നു എന്ന് വിശദീകരിക്കുന്നു
|
||||
- **പരീക്ഷണം നടത്തുക!** - മൂല്യങ്ങൾ മാറ്റി നോക്കൂ, എന്ത് സംഭവിക്കുന്നു എന്ന് കാണൂ
|
||||
- **എല്ലാം മനസിലാക്കാൻ പാടില്ലെന്ന് ഭയപ്പെടേണ്ട** - പഠനം സമയം എടുക്കും
|
||||
- **ചോദ്യങ്ങൾ ചോദിക്കുക** - [ചർച്ചാ ബോർഡ്](https://github.com/microsoft/AI-For-Beginners/discussions) ഉപയോഗിക്കുക
|
||||
|
||||
## 🔗 അടുത്ത ഘട്ടങ്ങൾ
|
||||
|
||||
ഈ ഉദാഹരണങ്ങൾ പൂർത്തിയാക്കിയ ശേഷം, പൂർണ്ണ പാഠ്യപദ്ധതി പരിശോധിക്കുക:
|
||||
- [AI-യിലേക്ക് പരിചയം](../lessons/1-Intro/README.md)
|
||||
- [ന്യൂറൽ നെറ്റ്വർക്ക്](../lessons/3-NeuralNetworks/README.md)
|
||||
- [കമ്പ്യൂട്ടർ വിഷൻ](../lessons/4-ComputerVision/README.md)
|
||||
- [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](../lessons/5-NLP/README.md)
|
||||
|
||||
## 🤝 സംഭാവനകൾ
|
||||
|
||||
ഈ ഉദാഹരണങ്ങൾ സഹായകമാണെന്ന് തോന്നുന്നുവോ? അവ മെച്ചപ്പെടുത്താൻ സഹായിക്കുക:
|
||||
- പ്രശ്നങ്ങൾ റിപ്പോർട്ട് ചെയ്യുക അല്ലെങ്കിൽ മെച്ചപ്പെടുത്തലുകൾ നിർദ്ദേശിക്കുക
|
||||
- തുടക്കക്കാർക്കായി കൂടുതൽ ഉദാഹരണങ്ങൾ ചേർക്കുക
|
||||
- ഡോക്യുമെന്റേഷൻ, കമന്റുകൾ മെച്ചപ്പെടുത്തുക
|
||||
|
||||
---
|
||||
|
||||
*ഓർക്കുക: ഓരോ വിദഗ്ധനും ഒരിക്കൽ തുടക്കക്കാരനായിരുന്നു. സന്തോഷകരമായ പഠനം! 🎓*
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരമുള്ള ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# തുടക്കക്കാർക്ക് അനുയോജ്യമായ AI ഉദാഹരണങ്ങൾ
|
||||
|
||||
സ്വാഗതം! ഈ ഡയറക്ടറിയിൽ AI-യും മെഷീൻ ലേണിംഗും ആരംഭിക്കാൻ സഹായിക്കുന്ന ലളിതവും സ്വതന്ത്രവുമായ ഉദാഹരണങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഓരോ ഉദാഹരണവും വിശദമായ കമന്റുകളും ഘട്ടം ഘട്ടമായ വിശദീകരണങ്ങളും ഉൾപ്പെടുത്തി തുടക്കക്കാർക്ക് സൗകര്യമാക്കിയാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.
|
||||
|
||||
## 📚 ഉദാഹരണങ്ങളുടെ അവലോകനം
|
||||
|
||||
| ഉദാഹരണം | വിവരണം | ബുദ്ധിമുട്ട് | മുൻപരിചയം |
|
||||
|---------|-------------|------------|---------------|
|
||||
| [Hello AI World](../../../examples/01-hello-ai-world.py) | നിങ്ങളുടെ ആദ്യ AI പ്രോഗ്രാം - ലളിതമായ പാറ്റേൺ തിരിച്ചറിയൽ | ⭐ തുടക്കക്കാർ | Python അടിസ്ഥാനങ്ങൾ |
|
||||
| [Simple Neural Network](../../../examples/02-simple-neural-network.py) | ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് തൊട്ടുതുടങ്ങി നിർമ്മിക്കുക | ⭐⭐ തുടക്കക്കാർ+ | Python, അടിസ്ഥാന ഗണിതം |
|
||||
| [Image Classifier](./03-image-classifier.ipynb) | മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലിലൂടെ ചിത്രങ്ങൾ വർഗ്ഗീകരിക്കുക | ⭐⭐ തുടക്കക്കാർ+ | Python, numpy |
|
||||
| [Text Sentiment](../../../examples/04-text-sentiment.py) | ടെക്സ്റ്റിന്റെ മനോഭാവം (സ pozitive/negative) വിശകലനം ചെയ്യുക | ⭐⭐ തുടക്കക്കാർ+ | Python |
|
||||
|
||||
## 🚀 ആരംഭിക്കുന്നത്
|
||||
|
||||
### മുൻപരിചയം
|
||||
|
||||
Python ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക (3.8 അല്ലെങ്കിൽ അതിനുമുകളിൽ ശുപാർശ ചെയ്യുന്നു). ആവശ്യമായ പാക്കേജുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക:
|
||||
|
||||
```bash
|
||||
# പൈത്തൺ സ്ക്രിപ്റ്റുകൾക്കായി
|
||||
pip install numpy
|
||||
|
||||
# ജൂപ്പിറ്റർ നോട്ട്ബുക്കുകൾക്കായി (ഇമേജ് ക്ലാസിഫയർ)
|
||||
pip install jupyter numpy pillow tensorflow
|
||||
```
|
||||
|
||||
അല്ലെങ്കിൽ പ്രധാന പാഠ്യപദ്ധതിയിൽ നിന്നുള്ള conda പരിസ്ഥിതി ഉപയോഗിക്കുക:
|
||||
|
||||
```bash
|
||||
conda env create --name ai4beg --file ../environment.yml
|
||||
conda activate ai4beg
|
||||
```
|
||||
|
||||
### ഉദാഹരണങ്ങൾ പ്രവർത്തിപ്പിക്കൽ
|
||||
|
||||
**Python സ്ക്രിപ്റ്റുകൾക്കായി (.py ഫയലുകൾ):**
|
||||
```bash
|
||||
python 01-hello-ai-world.py
|
||||
```
|
||||
|
||||
**Jupyter നോട്ട്ബുക്കുകൾക്കായി (.ipynb ഫയലുകൾ):**
|
||||
```bash
|
||||
jupyter notebook 03-image-classifier.ipynb
|
||||
```
|
||||
|
||||
## 📖 പഠന മാർഗ്ഗം
|
||||
|
||||
ഉദാഹരണങ്ങൾ ക്രമത്തിൽ പിന്തുടരാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു:
|
||||
|
||||
1. **"Hello AI World" -ൽ തുടങ്ങുക** - പാറ്റേൺ തിരിച്ചറിയലിന്റെ അടിസ്ഥാനങ്ങൾ പഠിക്കുക
|
||||
2. **ഒരു ലളിതമായ ന്യൂറൽ നെറ്റ്വർക്ക് നിർമ്മിക്കുക** - ന്യൂറൽ നെറ്റ്വർക്ക് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസിലാക്കുക
|
||||
3. **ചിത്ര വർഗ്ഗീകരണം പരീക്ഷിക്കുക** - യഥാർത്ഥ ചിത്രങ്ങളുമായി AI പ്രവർത്തനം കാണുക
|
||||
4. **ടെക്സ്റ്റ് മനോഭാവം വിശകലനം ചെയ്യുക** - സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് അന്വേഷിക്കുക
|
||||
|
||||
## 💡 തുടക്കക്കാർക്ക് ഉപദേശങ്ങൾ
|
||||
|
||||
- **കോഡ് കമന്റുകൾ ശ്രദ്ധാപൂർവ്വം വായിക്കുക** - ഓരോ വരിയും എന്ത് ചെയ്യുന്നു എന്ന് വിശദീകരിക്കുന്നു
|
||||
- **പരീക്ഷണം നടത്തുക!** - മൂല്യങ്ങൾ മാറ്റി നോക്കൂ, എന്ത് സംഭവിക്കുന്നു എന്ന് കാണൂ
|
||||
- **എല്ലാം മനസിലാക്കാൻ പാടില്ലെന്ന് ഭയപ്പെടേണ്ട** - പഠനം സമയം എടുക്കും
|
||||
- **ചോദ്യങ്ങൾ ചോദിക്കുക** - [ചർച്ചാ ബോർഡ്](https://github.com/microsoft/AI-For-Beginners/discussions) ഉപയോഗിക്കുക
|
||||
|
||||
## 🔗 അടുത്ത ഘട്ടങ്ങൾ
|
||||
|
||||
ഈ ഉദാഹരണങ്ങൾ പൂർത്തിയാക്കിയ ശേഷം, പൂർണ്ണ പാഠ്യപദ്ധതി പരിശോധിക്കുക:
|
||||
- [AI-യിലേക്ക് പരിചയം](../lessons/1-Intro/README.md)
|
||||
- [ന്യൂറൽ നെറ്റ്വർക്ക്](../lessons/3-NeuralNetworks/README.md)
|
||||
- [കമ്പ്യൂട്ടർ വിഷൻ](../lessons/4-ComputerVision/README.md)
|
||||
- [സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്](../lessons/5-NLP/README.md)
|
||||
|
||||
## 🤝 സംഭാവനകൾ
|
||||
|
||||
ഈ ഉദാഹരണങ്ങൾ സഹായകമാണെന്ന് തോന്നുന്നുവോ? അവ മെച്ചപ്പെടുത്താൻ സഹായിക്കുക:
|
||||
- പ്രശ്നങ്ങൾ റിപ്പോർട്ട് ചെയ്യുക അല്ലെങ്കിൽ മെച്ചപ്പെടുത്തലുകൾ നിർദ്ദേശിക്കുക
|
||||
- തുടക്കക്കാർക്കായി കൂടുതൽ ഉദാഹരണങ്ങൾ ചേർക്കുക
|
||||
- ഡോക്യുമെന്റേഷൻ, കമന്റുകൾ മെച്ചപ്പെടുത്തുക
|
||||
|
||||
---
|
||||
|
||||
*ഓർക്കുക: ഓരോ വിദഗ്ധനും ഒരിക്കൽ തുടക്കക്കാരനായിരുന്നു. സന്തോഷകരമായ പഠനം! 🎓*
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരമുള്ള ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,39 +1,30 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-11-25T20:41:55+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# അധ്യാപകര്ക്കായി
|
||||
|
||||
നിങ്ങളുടെ ക്ലാസ്സില് ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കണോ? ദയവായി സ്വതന്ത്രമായി ഉപയോഗിക്കൂ!
|
||||
|
||||
വാസ്തവത്തില്, GitHub Classroom ഉപയോഗിച്ച് GitHub-ലേയും ഇത് ഉപയോഗിക്കാം.
|
||||
|
||||
അതിനായി, ഈ റിപോ ഫോര്ക്ക് ചെയ്യുക. ഓരോ പാഠത്തിനും ഒരു റിപോ സൃഷ്ടിക്കേണ്ടതുണ്ട്, അതിനാല് ഓരോ ഫോള്ഡറിനെയും വേര്തിരിച്ച് ഒരു റിപോ ആയി മാറ്റേണ്ടതുണ്ട്. അങ്ങനെ, [GitHub Classroom](https://classroom.github.com/classrooms) ഓരോ പാഠവും പ്രത്യേകം കൈകാര്യം ചെയ്യാന് കഴിയും.
|
||||
|
||||
ഈ [പൂര്ണ്ണ നിര്ദ്ദേശങ്ങള്](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) നിങ്ങളുടെ ക്ലാസ്സ് എങ്ങനെ ക്രമീകരിക്കാമെന്ന് മനസ്സിലാക്കാന് സഹായിക്കും.
|
||||
|
||||
## നിലവിലുള്ള റിപോ അതുപോലെ ഉപയോഗിക്കുന്നത്
|
||||
|
||||
GitHub Classroom ഉപയോഗിക്കാതെ ഈ റിപോ നിലവിലുള്ള രൂപത്തില് ഉപയോഗിക്കണമെങ്കില് അത് സാധ്യമാണ്. ഏത് പാഠം ഒരുമിച്ച് പഠിക്കണമെന്ന് വിദ്യാര്ത്ഥികളോട് അറിയിക്കേണ്ടതുണ്ട്.
|
||||
|
||||
ഓണ്ലൈനില് (Zoom, Teams, അല്ലെങ്കില് മറ്റേതെങ്കിലും) ക്വിസുകള്ക്കായി ബ്രേക്ക്ഔട്ട് റൂമുകള് രൂപീകരിച്ച്, വിദ്യാര്ത്ഥികളെ പഠനത്തിന് തയ്യാറാക്കാന് സഹായിക്കാം. പിന്നീട് ക്വിസുകള്ക്കായി വിദ്യാര്ത്ഥികളെ ക്ഷണിച്ച്, അവരുടെ ഉത്തരം 'issues' ആയി ഒരു നിശ്ചിത സമയത്ത് സമര്പ്പിക്കാനായി പറയാം. സമാനമായി അസൈന്മെന്റുകള് കൂടി, വിദ്യാര്ത്ഥികള് തുറന്നിടത്ത് സഹകരിച്ച് പ്രവര്ത്തിക്കാന് ആഗ്രഹിക്കുന്നുവെങ്കില് ചെയ്യാം.
|
||||
|
||||
കൂടുതല് സ്വകാര്യമായ രീതിയിലാണെങ്കില്, വിദ്യാര്ത്ഥികളെ പാഠം പാഠം ഫോര്ക്ക് ചെയ്ത് അവരുടെ സ്വന്തം GitHub റിപോകളില് സ്വകാര്യ റിപോ ആയി സൃഷ്ടിച്ച് നിങ്ങള്ക്ക് ആക്സസ് നല്കാന് പറയാം. അങ്ങനെ അവർ ക്വിസുകളും അസൈന്മെന്റുകളും സ്വകാര്യമായി പൂര്ത്തിയാക്കി നിങ്ങളുടെ ക്ലാസ് റിപോയിലെ issues വഴി സമര്പ്പിക്കാം.
|
||||
|
||||
ഓണ്ലൈനില് ക്ലാസ്സ് ഫോര്മാറ്റില് ഇത് നടത്താനുള്ള നിരവധി മാര്ഗ്ഗങ്ങളുണ്ട്. നിങ്ങള്ക്ക് ഏറ്റവും അനുയോജ്യമായത് എന്താണെന്ന് ഞങ്ങളെ അറിയിക്കൂ!
|
||||
|
||||
## നിങ്ങളുടെ അഭിപ്രായങ്ങള് അറിയിക്കൂ
|
||||
|
||||
ഈ പാഠ്യപദ്ധതി നിങ്ങളുടെയും നിങ്ങളുടെ വിദ്യാര്ത്ഥികളുടെയും ആവശ്യങ്ങള്ക്ക് അനുയോജ്യമായതാക്കാനാണ് ഞങ്ങളുടെ ലക്ഷ്യം. ദയവായി ചര്ച്ചാ ഫോറങ്ങളില് നിങ്ങളുടെ അഭിപ്രായങ്ങള് പങ്കുവെക്കൂ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# അധ്യാപകര്ക്കായി
|
||||
|
||||
നിങ്ങളുടെ ക്ലാസ്സില് ഈ പാഠ്യപദ്ധതി ഉപയോഗിക്കണോ? ദയവായി സ്വതന്ത്രമായി ഉപയോഗിക്കൂ!
|
||||
|
||||
വാസ്തവത്തില്, GitHub Classroom ഉപയോഗിച്ച് GitHub-ലേയും ഇത് ഉപയോഗിക്കാം.
|
||||
|
||||
അതിനായി, ഈ റിപോ ഫോര്ക്ക് ചെയ്യുക. ഓരോ പാഠത്തിനും ഒരു റിപോ സൃഷ്ടിക്കേണ്ടതുണ്ട്, അതിനാല് ഓരോ ഫോള്ഡറിനെയും വേര്തിരിച്ച് ഒരു റിപോ ആയി മാറ്റേണ്ടതുണ്ട്. അങ്ങനെ, [GitHub Classroom](https://classroom.github.com/classrooms) ഓരോ പാഠവും പ്രത്യേകം കൈകാര്യം ചെയ്യാന് കഴിയും.
|
||||
|
||||
ഈ [പൂര്ണ്ണ നിര്ദ്ദേശങ്ങള്](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) നിങ്ങളുടെ ക്ലാസ്സ് എങ്ങനെ ക്രമീകരിക്കാമെന്ന് മനസ്സിലാക്കാന് സഹായിക്കും.
|
||||
|
||||
## നിലവിലുള്ള റിപോ അതുപോലെ ഉപയോഗിക്കുന്നത്
|
||||
|
||||
GitHub Classroom ഉപയോഗിക്കാതെ ഈ റിപോ നിലവിലുള്ള രൂപത്തില് ഉപയോഗിക്കണമെങ്കില് അത് സാധ്യമാണ്. ഏത് പാഠം ഒരുമിച്ച് പഠിക്കണമെന്ന് വിദ്യാര്ത്ഥികളോട് അറിയിക്കേണ്ടതുണ്ട്.
|
||||
|
||||
ഓണ്ലൈനില് (Zoom, Teams, അല്ലെങ്കില് മറ്റേതെങ്കിലും) ക്വിസുകള്ക്കായി ബ്രേക്ക്ഔട്ട് റൂമുകള് രൂപീകരിച്ച്, വിദ്യാര്ത്ഥികളെ പഠനത്തിന് തയ്യാറാക്കാന് സഹായിക്കാം. പിന്നീട് ക്വിസുകള്ക്കായി വിദ്യാര്ത്ഥികളെ ക്ഷണിച്ച്, അവരുടെ ഉത്തരം 'issues' ആയി ഒരു നിശ്ചിത സമയത്ത് സമര്പ്പിക്കാനായി പറയാം. സമാനമായി അസൈന്മെന്റുകള് കൂടി, വിദ്യാര്ത്ഥികള് തുറന്നിടത്ത് സഹകരിച്ച് പ്രവര്ത്തിക്കാന് ആഗ്രഹിക്കുന്നുവെങ്കില് ചെയ്യാം.
|
||||
|
||||
കൂടുതല് സ്വകാര്യമായ രീതിയിലാണെങ്കില്, വിദ്യാര്ത്ഥികളെ പാഠം പാഠം ഫോര്ക്ക് ചെയ്ത് അവരുടെ സ്വന്തം GitHub റിപോകളില് സ്വകാര്യ റിപോ ആയി സൃഷ്ടിച്ച് നിങ്ങള്ക്ക് ആക്സസ് നല്കാന് പറയാം. അങ്ങനെ അവർ ക്വിസുകളും അസൈന്മെന്റുകളും സ്വകാര്യമായി പൂര്ത്തിയാക്കി നിങ്ങളുടെ ക്ലാസ് റിപോയിലെ issues വഴി സമര്പ്പിക്കാം.
|
||||
|
||||
ഓണ്ലൈനില് ക്ലാസ്സ് ഫോര്മാറ്റില് ഇത് നടത്താനുള്ള നിരവധി മാര്ഗ്ഗങ്ങളുണ്ട്. നിങ്ങള്ക്ക് ഏറ്റവും അനുയോജ്യമായത് എന്താണെന്ന് ഞങ്ങളെ അറിയിക്കൂ!
|
||||
|
||||
## നിങ്ങളുടെ അഭിപ്രായങ്ങള് അറിയിക്കൂ
|
||||
|
||||
ഈ പാഠ്യപദ്ധതി നിങ്ങളുടെയും നിങ്ങളുടെ വിദ്യാര്ത്ഥികളുടെയും ആവശ്യങ്ങള്ക്ക് അനുയോജ്യമായതാക്കാനാണ് ഞങ്ങളുടെ ലക്ഷ്യം. ദയവായി ചര്ച്ചാ ഫോറങ്ങളില് നിങ്ങളുടെ അഭിപ്രായങ്ങള് പങ്കുവെക്കൂ!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-17T02:14:15+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# കോഡ് എങ്ങനെ പ്രവർത്തിപ്പിക്കാം
|
||||
|
||||
ഈ പാഠ്യപദ്ധതിയിൽ നിങ്ങൾ പ്രവർത്തിപ്പിക്കാൻ ആഗ്രഹിക്കുന്ന അനേകം പ്രവർത്തനക്ഷമമായ ഉദാഹരണങ്ങളും ലാബുകളും ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഇത് ചെയ്യാൻ, ഈ പാഠ്യപദ്ധതിയുടെ ഭാഗമായിട്ടുള്ള Jupyter നോട്ട്ബുക്കുകളിൽ Python കോഡ് പ്രവർത്തിപ്പിക്കുന്ന හැකിയുള്ളത് ആവശ്യമാണ്. കോഡ് പ്രവർത്തിപ്പിക്കുന്നതിന് നിങ്ങൾക്ക് വിവിധ വഴികൾ ലഭ്യമാണ്:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:40:04+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഈ പാഠ്യപദ്ധതിയുമായി ആരംഭിക്കുക
|
||||
|
||||
## നിങ്ങൾ ഒരു വിദ്യാർത്ഥിയാണോ?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-25T20:54:16+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# എഐയുടെ പരിചയം
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-25T20:51:52+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഗെയിം ജാം
|
||||
|
||||
ഗെയിമുകൾ എഐയും മെഷീൻ ലേണിംഗും വികസിച്ചതിന്റെ വലിയ സ്വാധീനത്തിൽപ്പെട്ട മേഖലയാണ്. ഈ അസൈൻമെന്റിൽ, എഐയുടെ പുരോഗതിയാൽ സ്വാധീനിക്കപ്പെട്ട ഒരു നിങ്ങൾ ഇഷ്ടപ്പെടുന്ന ഗെയിമിനെക്കുറിച്ച് ഒരു ചെറിയ പ്രബന്ധം എഴുതുക. അത് പല തരത്തിലുള്ള കമ്പ്യൂട്ടർ പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങളാൽ സ്വാധീനിക്കപ്പെട്ട പഴയ ഗെയിമായിരിക്കണം. ചെസ് അല്ലെങ്കിൽ ഗോ പോലുള്ള ഗെയിമുകൾ നല്ല ഉദാഹരണങ്ങളാണ്, കൂടാതെ പോങ് അല്ലെങ്കിൽ പാക്-മാൻ പോലുള്ള വീഡിയോ ഗെയിമുകളും പരിശോധിക്കാം. ഗെയിമിന്റെ ഭूतകാലം, ഇപ്പോഴത്തെ സ്ഥിതി, എഐയുടെ ഭാവി എന്നിവയെക്കുറിച്ച് ചർച്ച ചെയ്യുന്ന ഒരു പ്രബന്ധം എഴുതുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ഗെയിം ജാം
|
||||
|
||||
ഗെയിമുകൾ എഐയും മെഷീൻ ലേണിംഗും വികസിച്ചതിന്റെ വലിയ സ്വാധീനത്തിൽപ്പെട്ട മേഖലയാണ്. ഈ അസൈൻമെന്റിൽ, എഐയുടെ പുരോഗതിയാൽ സ്വാധീനിക്കപ്പെട്ട ഒരു നിങ്ങൾ ഇഷ്ടപ്പെടുന്ന ഗെയിമിനെക്കുറിച്ച് ഒരു ചെറിയ പ്രബന്ധം എഴുതുക. അത് പല തരത്തിലുള്ള കമ്പ്യൂട്ടർ പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങളാൽ സ്വാധീനിക്കപ്പെട്ട പഴയ ഗെയിമായിരിക്കണം. ചെസ് അല്ലെങ്കിൽ ഗോ പോലുള്ള ഗെയിമുകൾ നല്ല ഉദാഹരണങ്ങളാണ്, കൂടാതെ പോങ് അല്ലെങ്കിൽ പാക്-മാൻ പോലുള്ള വീഡിയോ ഗെയിമുകളും പരിശോധിക്കാം. ഗെയിമിന്റെ ഭूतകാലം, ഇപ്പോഴത്തെ സ്ഥിതി, എഐയുടെ ഭാവി എന്നിവയെക്കുറിച്ച് ചർച്ച ചെയ്യുന്ന ഒരു പ്രബന്ധം എഴുതുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-17T02:14:36+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# അറിവ് പ്രതിനിധാനവും വിദഗ്ധ സിസ്റ്റങ്ങളുമെന്താണ്
|
||||
|
||||
|
||||
|
||||
|
||||
> സ്കെച്ച്നോട്ട് [തൊമോമി ഇമുര](https://twitter.com/girlie_mac) ഇൽ നിന്നുള്ളത്
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ AIയുടെ പ്രാഥമിക കാലഘട്ടത്തിൽ,
|
|||
|
||||
അങ്ങനെ, **അറിയിപ്പ് പ്രതിനിധാനം** എന്ന പ്രശ്നം ഒരു കംപ്യൂട്ടറിൽ അറിവ് ഡേറ്റ രൂപത്തിൽ പ്രതിനിധീകരിക്കാൻ ഏതെങ്കിലും കാര്യക്ഷമമായ മാർഗം കണ്ടെത്തുക എന്നതാണ്, അത് സ്വയം പ്രവർത്തിക്കാവുന്നതാകുന്ന വിധം. ഇത് ഒരു സ്പെക്ട്രം ആയി കാണാം:
|
||||
|
||||
|
||||
|
||||
|
||||
> ചിത്രത്തിന്റെ ഉടമ [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
ചിഹ്നാത്മക AIയുടെ പ്രാരംഭ വിജയം ഇതു പോലെ വിളിപ്പെടുന്ന **വിദഗ്ധ സിസ്റ്റങ്ങൾ** ആയിരുന്നു - ഒരു പരിധിയുളള പ്രശ്ന മേഖലയിൽ വിദഗ്ധന്റെ പ്രഭവമായി പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്ത കമ്പ്യൂട്ടർ സിസ്റ്റങ്ങൾ. അവ മനുഷ്യ വിദഗ്ധരിൽ നിന്നു പിടിച്ചെടുത്ത **അറിവ് ആധാരം** അടിസ്ഥാനമാക്കിയായിരുന്നു, കൂടാതെ അവയിൽ ഒരു **നിഗമന എഞ്ചിൻ** ഉണ്ടായിരുന്നു, അത് അതിന്റെ മേൽ ചില തർക്കം നിർവഹിച്ചിരുന്നു.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
മനുഷ്യ ന്യൂറൽ സിസ്റ്റത്തിന്റെ ലളിതപ്പെടുത്തപ്പെട്ട ഘടന | അറിവ് അടിസ്ഥാന സിസ്റ്റത്തിന്റെ ഘടന
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
ഉദാഹരണമായി, ഒരു സസ്തനിയെ അതിന്റെ ഭൗതിക ഗുണങ്ങളുടെ അടിസ്ഥാനത്തിൽ തിരിച്ചറിയാനുള്ള വിദഗ്ധ സിസ്റ്റം പരിഗണിക്കാം:
|
||||
|
||||
|
||||
|
||||
|
||||
> ചിത്രം [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,19 +1,10 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-11-25T20:59:05+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഒരു ഓന്റോളജി നിർമ്മിക്കുക
|
||||
|
||||
ഒരു നോളജ് ബേസ് നിർമ്മിക്കുന്നത് ഒരു വിഷയം സംബന്ധിച്ച വാസ്തവങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഒരു മോഡൽ വർഗ്ഗീകരിക്കുന്നതിൽ ആണ്. ഒരു വിഷയം തിരഞ്ഞെടുക്കുക - ഒരു വ്യക്തി, ഒരു സ്ഥലം, അല്ലെങ്കിൽ ഒരു വസ്തു - പിന്നെ ആ വിഷയം പ്രതിനിധീകരിക്കുന്ന ഒരു മോഡൽ നിർമ്മിക്കുക. ഈ പാഠത്തിൽ വിവരിച്ച ചില സാങ്കേതിക വിദ്യകളും മോഡൽ-നിർമ്മാണ തന്ത്രങ്ങളും ഉപയോഗിക്കുക. ഉദാഹരണത്തിന്, ഫർണിച്ചർ, ലൈറ്റുകൾ എന്നിവയുള്ള ഒരു ലിവിംഗ് റൂമിന്റെ ഓന്റോളജി സൃഷ്ടിക്കുക. ലിവിംഗ് റൂം അടുക്കളയിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണ്? ബാത്ത്റൂമിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണ്? ഇത് ലിവിംഗ് റൂം ആണെന്ന് എങ്ങനെ അറിയാം, ഡൈനിംഗ് റൂം അല്ല? നിങ്ങളുടെ ഓന്റോളജി നിർമ്മിക്കാൻ [Protégé](https://protege.stanford.edu/) ഉപയോഗിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ഒരു ഓന്റോളജി നിർമ്മിക്കുക
|
||||
|
||||
ഒരു നോളജ് ബേസ് നിർമ്മിക്കുന്നത് ഒരു വിഷയം സംബന്ധിച്ച വാസ്തവങ്ങളെ പ്രതിനിധീകരിക്കുന്ന ഒരു മോഡൽ വർഗ്ഗീകരിക്കുന്നതിൽ ആണ്. ഒരു വിഷയം തിരഞ്ഞെടുക്കുക - ഒരു വ്യക്തി, ഒരു സ്ഥലം, അല്ലെങ്കിൽ ഒരു വസ്തു - പിന്നെ ആ വിഷയം പ്രതിനിധീകരിക്കുന്ന ഒരു മോഡൽ നിർമ്മിക്കുക. ഈ പാഠത്തിൽ വിവരിച്ച ചില സാങ്കേതിക വിദ്യകളും മോഡൽ-നിർമ്മാണ തന്ത്രങ്ങളും ഉപയോഗിക്കുക. ഉദാഹരണത്തിന്, ഫർണിച്ചർ, ലൈറ്റുകൾ എന്നിവയുള്ള ഒരു ലിവിംഗ് റൂമിന്റെ ഓന്റോളജി സൃഷ്ടിക്കുക. ലിവിംഗ് റൂം അടുക്കളയിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണ്? ബാത്ത്റൂമിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണ്? ഇത് ലിവിംഗ് റൂം ആണെന്ന് എങ്ങനെ അറിയാം, ഡൈനിംഗ് റൂം അല്ല? നിങ്ങളുടെ ഓന്റോളജി നിർമ്മിക്കാൻ [Protégé](https://protege.stanford.edu/) ഉപയോഗിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-11-25T21:36:59+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്ക് പരിചയം: പേഴ്സെപ്ട്രോൺ
|
||||
|
||||
## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
|
|||
|
|
@ -1,35 +1,26 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-11-25T21:51:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# പെർസെപ്ട്രോൺ ഉപയോഗിച്ച് മൾട്ടി-ക്ലാസ് ക്ലാസിഫിക്കേഷൻ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
ഈ പാഠത്തിൽ ഞങ്ങൾ വികസിപ്പിച്ചെടുത്ത MNIST ഹാൻഡ്റിറ്റൻ ഡിജിറ്റുകളുടെ ബൈനറി ക്ലാസിഫിക്കേഷൻ കോഡ് ഉപയോഗിച്ച്, ഏതെങ്കിലും ഡിജിറ്റ് തിരിച്ചറിയാൻ കഴിയുന്ന മൾട്ടി-ക്ലാസ് ക്ലാസിഫയർ സൃഷ്ടിക്കുക. ട്രെയിൻ, ടെസ്റ്റ് ഡാറ്റാസെറ്റുകളിൽ ക്ലാസിഫിക്കേഷൻ കൃത്യത കണക്കാക്കി, കൺഫ്യൂഷൻ മാട്രിക്സ് പ്രിന്റ് ചെയ്യുക.
|
||||
|
||||
## സൂചനകൾ
|
||||
|
||||
1. ഓരോ ഡിജിറ്റിനും "ഈ ഡിജിറ്റ് vs. മറ്റ് എല്ലാ ഡിജിറ്റുകളും" എന്ന ബൈനറി ക്ലാസിഫയർ ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കുക
|
||||
1. 10 വ്യത്യസ്ത പെർസെപ്ട്രോണുകൾ ബൈനറി ക്ലാസിഫിക്കേഷനായി ട്രെയിൻ ചെയ്യുക (ഓരോ ഡിജിറ്റിനും ഒന്ന്)
|
||||
1. ഒരു ഇൻപുട്ട് ഡിജിറ്റ് ക്ലാസിഫൈ ചെയ്യാനുള്ള ഫംഗ്ഷൻ നിർവചിക്കുക
|
||||
|
||||
> **സൂചന**: 10 പെർസെപ്ട്രോണുകളുടെ വെയ്റ്റുകൾ ഒരു മാട്രിക്സിൽ ചേർത്താൽ, ഒരു മാട്രിക്സ് ഗുണനത്തിലൂടെ എല്ലാ 10 പെർസെപ്ട്രോണുകളും ഇൻപുട്ട് ഡിജിറ്റുകളിൽ പ്രയോഗിക്കാം. ഏറ്റവും സാധ്യതയുള്ള ഡിജിറ്റ് `argmax` ഓപ്പറേഷൻ ഉപയോഗിച്ച് കണ്ടെത്താം.
|
||||
|
||||
## ആരംഭിക്കുന്ന നോട്ട്ബുക്ക്
|
||||
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# പെർസെപ്ട്രോൺ ഉപയോഗിച്ച് മൾട്ടി-ക്ലാസ് ക്ലാസിഫിക്കേഷൻ
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
ഈ പാഠത്തിൽ ഞങ്ങൾ വികസിപ്പിച്ചെടുത്ത MNIST ഹാൻഡ്റിറ്റൻ ഡിജിറ്റുകളുടെ ബൈനറി ക്ലാസിഫിക്കേഷൻ കോഡ് ഉപയോഗിച്ച്, ഏതെങ്കിലും ഡിജിറ്റ് തിരിച്ചറിയാൻ കഴിയുന്ന മൾട്ടി-ക്ലാസ് ക്ലാസിഫയർ സൃഷ്ടിക്കുക. ട്രെയിൻ, ടെസ്റ്റ് ഡാറ്റാസെറ്റുകളിൽ ക്ലാസിഫിക്കേഷൻ കൃത്യത കണക്കാക്കി, കൺഫ്യൂഷൻ മാട്രിക്സ് പ്രിന്റ് ചെയ്യുക.
|
||||
|
||||
## സൂചനകൾ
|
||||
|
||||
1. ഓരോ ഡിജിറ്റിനും "ഈ ഡിജിറ്റ് vs. മറ്റ് എല്ലാ ഡിജിറ്റുകളും" എന്ന ബൈനറി ക്ലാസിഫയർ ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കുക
|
||||
1. 10 വ്യത്യസ്ത പെർസെപ്ട്രോണുകൾ ബൈനറി ക്ലാസിഫിക്കേഷനായി ട്രെയിൻ ചെയ്യുക (ഓരോ ഡിജിറ്റിനും ഒന്ന്)
|
||||
1. ഒരു ഇൻപുട്ട് ഡിജിറ്റ് ക്ലാസിഫൈ ചെയ്യാനുള്ള ഫംഗ്ഷൻ നിർവചിക്കുക
|
||||
|
||||
> **സൂചന**: 10 പെർസെപ്ട്രോണുകളുടെ വെയ്റ്റുകൾ ഒരു മാട്രിക്സിൽ ചേർത്താൽ, ഒരു മാട്രിക്സ് ഗുണനത്തിലൂടെ എല്ലാ 10 പെർസെപ്ട്രോണുകളും ഇൻപുട്ട് ഡിജിറ്റുകളിൽ പ്രയോഗിക്കാം. ഏറ്റവും സാധ്യതയുള്ള ഡിജിറ്റ് `argmax` ഓപ്പറേഷൻ ഉപയോഗിച്ച് കണ്ടെത്താം.
|
||||
|
||||
## ആരംഭിക്കുന്ന നോട്ട്ബുക്ക്
|
||||
|
||||
[PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-11-25T21:41:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്ക് പരിചയം. മൾട്ടി-ലെയർഡ് പേഴ്സെപ്ട്രോൺ
|
||||
|
||||
മുൻവകുപ്പിൽ, നിങ്ങൾ ഏറ്റവും ലളിതമായ ന്യൂറൽ നെറ്റ്വർക്ക് മോഡൽ - ഒറ്റ ലെയർ പേഴ്സെപ്ട്രോൺ, ഒരു ലീനിയർ രണ്ട്-ക്ലാസ് ക്ലാസിഫിക്കേഷൻ മോഡൽ - പഠിച്ചു.
|
||||
|
|
|
|||
|
|
@ -1,36 +1,27 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-11-25T21:53:03+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഞങ്ങളുടെ സ്വന്തം ഫ്രെയിംവർക്കുമായി MNIST വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
1-, 2-, 3-ലെയർ പെർസെപ്ട്രോൺ ഉപയോഗിച്ച് MNIST കൈയെഴുത്ത് അക്കങ്ങൾ വർഗ്ഗീകരണ പ്രശ്നം പരിഹരിക്കുക. പാഠത്തിൽ വികസിപ്പിച്ച ന്യുറൽ നെറ്റ്വർക്ക് ഫ്രെയിംവർക്കാണ് ഉപയോഗിക്കുന്നത്.
|
||||
|
||||
## സ്റ്റേറ്റിംഗ് നോട്ട്ബുക്ക്
|
||||
|
||||
ലാബ് ആരംഭിക്കാൻ [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) തുറക്കുക
|
||||
|
||||
## ചോദ്യങ്ങൾ
|
||||
|
||||
ഈ ലാബിന്റെ ഫലമായി, താഴെപ്പറയുന്ന ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ശ്രമിക്കുക:
|
||||
|
||||
- ഇന്റർ-ലെയർ ആക്ടിവേഷൻ ഫംഗ്ഷൻ നെറ്റ്വർക്ക് പ്രകടനത്തെ ബാധിക്കുന്നുണ്ടോ?
|
||||
- ഈ ടാസ്കിനായി 2-അഥവാ 3-ലെയർ നെറ്റ്വർക്ക് ആവശ്യമുണ്ടോ?
|
||||
- നെറ്റ്വർക്ക് പരിശീലിപ്പിക്കുമ്പോൾ നിങ്ങൾക്ക് എന്തെങ്കിലും പ്രശ്നങ്ങൾ അനുഭവപ്പെട്ടോ? പ്രത്യേകിച്ച് ലെയറുകളുടെ എണ്ണം വർദ്ധിച്ചപ്പോൾ.
|
||||
- പരിശീലനത്തിനിടെ നെറ്റ്വർക്ക് വെയ്റ്റുകൾ എങ്ങനെ പെരുമാറുന്നു? ബന്ധം മനസിലാക്കാൻ വെയ്റ്റുകളുടെ പരമാവധി ആബ്സല്യൂട്ട് മൂല്യം എപ്പോക്കിനെതിരെ പ്ലോട്ട് ചെയ്യാവുന്നതാണ്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ഞങ്ങളുടെ സ്വന്തം ഫ്രെയിംവർക്കുമായി MNIST വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
1-, 2-, 3-ലെയർ പെർസെപ്ട്രോൺ ഉപയോഗിച്ച് MNIST കൈയെഴുത്ത് അക്കങ്ങൾ വർഗ്ഗീകരണ പ്രശ്നം പരിഹരിക്കുക. പാഠത്തിൽ വികസിപ്പിച്ച ന്യുറൽ നെറ്റ്വർക്ക് ഫ്രെയിംവർക്കാണ് ഉപയോഗിക്കുന്നത്.
|
||||
|
||||
## സ്റ്റേറ്റിംഗ് നോട്ട്ബുക്ക്
|
||||
|
||||
ലാബ് ആരംഭിക്കാൻ [MyFW_MNIST.ipynb](MyFW_MNIST.ipynb) തുറക്കുക
|
||||
|
||||
## ചോദ്യങ്ങൾ
|
||||
|
||||
ഈ ലാബിന്റെ ഫലമായി, താഴെപ്പറയുന്ന ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ശ്രമിക്കുക:
|
||||
|
||||
- ഇന്റർ-ലെയർ ആക്ടിവേഷൻ ഫംഗ്ഷൻ നെറ്റ്വർക്ക് പ്രകടനത്തെ ബാധിക്കുന്നുണ്ടോ?
|
||||
- ഈ ടാസ്കിനായി 2-അഥവാ 3-ലെയർ നെറ്റ്വർക്ക് ആവശ്യമുണ്ടോ?
|
||||
- നെറ്റ്വർക്ക് പരിശീലിപ്പിക്കുമ്പോൾ നിങ്ങൾക്ക് എന്തെങ്കിലും പ്രശ്നങ്ങൾ അനുഭവപ്പെട്ടോ? പ്രത്യേകിച്ച് ലെയറുകളുടെ എണ്ണം വർദ്ധിച്ചപ്പോൾ.
|
||||
- പരിശീലനത്തിനിടെ നെറ്റ്വർക്ക് വെയ്റ്റുകൾ എങ്ങനെ പെരുമാറുന്നു? ബന്ധം മനസിലാക്കാൻ വെയ്റ്റുകളുടെ പരമാവധി ആബ്സല്യൂട്ട് മൂല്യം എപ്പോക്കിനെതിരെ പ്ലോട്ട് ചെയ്യാവുന്നതാണ്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-11-25T21:47:34+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ന്യൂറൽ നെറ്റ്വർക്ക് ഫ്രെയിംവർക്കുകൾ
|
||||
|
||||
നാം ഇതിനകം പഠിച്ചതുപോലെ, ന്യൂറൽ നെറ്റ്വർക്ക് ഫലപ്രദമായി പരിശീലിപ്പിക്കാൻ രണ്ട് കാര്യങ്ങൾ ചെയ്യേണ്ടതുണ്ട്:
|
||||
|
|
|
|||
|
|
@ -1,32 +1,23 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-11-25T21:54:16+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# PyTorch/TensorFlow ഉപയോഗിച്ച് വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
PyTorch അല്ലെങ്കിൽ TensorFlow ഉപയോഗിച്ച് സിംഗിൾ ലെയർ, മൾട്ടി-ലെയർ ഫുൾ-കണക്ടഡ് നെറ്റ്വർക്കുകൾ ഉപയോഗിച്ച് രണ്ട് വർഗ്ഗീകരണ പ്രശ്നങ്ങൾ പരിഹരിക്കുക:
|
||||
|
||||
1. **[ഐറിസ് വർഗ്ഗീകരണം](https://en.wikipedia.org/wiki/Iris_flower_data_set)** പ്രശ്നം - ടാബുലാർ ഇൻപുട്ട് ഡാറ്റയുള്ള പ്രശ്നത്തിന്റെ ഉദാഹരണം, ക്ലാസിക്കൽ മെഷീൻ ലേണിങ്ങ് ഉപയോഗിച്ച് കൈകാര്യം ചെയ്യാവുന്നതാണ്. 4 സംഖ്യാത്മക പാരാമീറ്ററുകളുടെ അടിസ്ഥാനത്തിൽ ഐറിസുകളെ 3 ക്ലാസുകളായി വർഗ്ഗീകരിക്കുക എന്നതാണ് നിങ്ങളുടെ ലക്ഷ്യം.
|
||||
1. മുമ്പ് കണ്ട **MNIST** ഹാൻഡ്റിറ്റൻ ഡിജിറ്റ് വർഗ്ഗീകരണ പ്രശ്നം.
|
||||
|
||||
നിങ്ങൾക്ക് ലഭ്യമായ ഏറ്റവും മികച്ച കൃത്യത നേടാൻ വ്യത്യസ്ത നെറ്റ്വർക്ക് ആർക്കിടെക്ചറുകൾ പരീക്ഷിക്കുക.
|
||||
|
||||
## സ്റ്റാർട്ടിംഗ് നോട്ട്ബുക്ക്
|
||||
|
||||
[LabFrameworks.ipynb](LabFrameworks.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാപത്രം**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, യന്ത്രം ചെയ്ത വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് കരുതേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# PyTorch/TensorFlow ഉപയോഗിച്ച് വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
PyTorch അല്ലെങ്കിൽ TensorFlow ഉപയോഗിച്ച് സിംഗിൾ ലെയർ, മൾട്ടി-ലെയർ ഫുൾ-കണക്ടഡ് നെറ്റ്വർക്കുകൾ ഉപയോഗിച്ച് രണ്ട് വർഗ്ഗീകരണ പ്രശ്നങ്ങൾ പരിഹരിക്കുക:
|
||||
|
||||
1. **[ഐറിസ് വർഗ്ഗീകരണം](https://en.wikipedia.org/wiki/Iris_flower_data_set)** പ്രശ്നം - ടാബുലാർ ഇൻപുട്ട് ഡാറ്റയുള്ള പ്രശ്നത്തിന്റെ ഉദാഹരണം, ക്ലാസിക്കൽ മെഷീൻ ലേണിങ്ങ് ഉപയോഗിച്ച് കൈകാര്യം ചെയ്യാവുന്നതാണ്. 4 സംഖ്യാത്മക പാരാമീറ്ററുകളുടെ അടിസ്ഥാനത്തിൽ ഐറിസുകളെ 3 ക്ലാസുകളായി വർഗ്ഗീകരിക്കുക എന്നതാണ് നിങ്ങളുടെ ലക്ഷ്യം.
|
||||
1. മുമ്പ് കണ്ട **MNIST** ഹാൻഡ്റിറ്റൻ ഡിജിറ്റ് വർഗ്ഗീകരണ പ്രശ്നം.
|
||||
|
||||
നിങ്ങൾക്ക് ലഭ്യമായ ഏറ്റവും മികച്ച കൃത്യത നേടാൻ വ്യത്യസ്ത നെറ്റ്വർക്ക് ആർക്കിടെക്ചറുകൾ പരീക്ഷിക്കുക.
|
||||
|
||||
## സ്റ്റാർട്ടിംഗ് നോട്ട്ബുക്ക്
|
||||
|
||||
[LabFrameworks.ipynb](LabFrameworks.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാപത്രം**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, യന്ത്രം ചെയ്ത വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് കരുതേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കേടുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-11-25T21:08:13+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്ക് പരിചയം
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-11-25T21:57:58+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# കമ്പ്യൂട്ടർ വിഷൻ പരിചയം
|
||||
|
||||
[കമ്പ്യൂട്ടർ വിഷൻ](https://wikipedia.org/wiki/Computer_vision) എന്നത് ഡിജിറ്റൽ ചിത്രങ്ങളെക്കുറിച്ച് ഉയർന്ന തലത്തിലുള്ള ബോധം കമ്പ്യൂട്ടറുകൾക്ക് നൽകാനുള്ള ശാസ്ത്രശാഖയാണ്. ഇത് വളരെ വ്യാപകമായ ഒരു നിർവചനമാണ്, കാരണം *ബോധം* എന്നത് പലവിധം അർത്ഥമാക്കാം, ഉദാഹരണത്തിന് ഒരു ചിത്രത്തിൽ ഒരു വസ്തു കണ്ടെത്തൽ (**object detection**), സംഭവങ്ങൾ മനസ്സിലാക്കൽ (**event detection**), ചിത്രത്തെ വാചകത്തിൽ വിവരണം ചെയ്യൽ, അല്ലെങ്കിൽ ഒരു ദൃശ്യത്തെ 3D ആയി പുനർനിർമ്മാണം ചെയ്യൽ. മനുഷ്യ ചിത്രങ്ങളുമായി ബന്ധപ്പെട്ട പ്രത്യേക ജോലികളും ഉണ്ട്: പ്രായവും വികാരവും കണക്കാക്കൽ, മുഖം കണ്ടെത്തൽ, തിരിച്ചറിയൽ, 3D പൊസ് എസ്റ്റിമേഷൻ എന്നിവ.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-11-25T22:41:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഓപ്റ്റിക്കൽ ഫ്ലോ ഉപയോഗിച്ച് ചലനങ്ങൾ കണ്ടെത്തൽ
|
||||
|
||||
[AI for Beginners Curriculum](https://aka.ms/ai-beginners) ലാബ് അസൈൻമെന്റ്.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-11-25T22:03:30+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# പ്രശസ്തമായ CNN ആർക്കിടെക്ചറുകൾ
|
||||
|
||||
### VGG-16
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-11-25T22:06:14+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# കോൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ
|
||||
|
||||
നാം മുമ്പ് കണ്ടതുപോലെ, ന്യൂറൽ നെറ്റ്വർക്കുകൾ ചിത്രങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിൽ വളരെ നല്ലതാണ്, ഒറ്റ ലെയർ പെർസെപ്ട്രോൺ പോലും MNIST ഡാറ്റാസെറ്റിൽ നിന്നുള്ള കൈയെഴുത്ത് അക്കങ്ങൾ യുക്തിസഹമായ കൃത്യതയോടെ തിരിച്ചറിയാൻ കഴിയും. എന്നാൽ, MNIST ഡാറ്റാസെറ്റ് വളരെ പ്രത്യേകമാണ്, എല്ലാ അക്കങ്ങളും ചിത്രത്തിന്റെ മദ്ധ്യത്തിൽ സജ്ജീകരിച്ചിരിക്കുന്നു, ഇത് ജോലി എളുപ്പമാക്കുന്നു.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-11-25T22:42:24+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# മൃഗങ്ങളുടെ മുഖങ്ങളുടെ വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-11-25T22:10:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# മുൻപരിചയമുള്ള നെറ്റ്വർക്കുകളും ട്രാൻസ്ഫർ ലേണിംഗും
|
||||
|
||||
CNN-കൾ പരിശീലിപ്പിക്കാൻ വളരെ സമയം വേണ്ടിവരും, കൂടാതെ അതിനായി വലിയ ഡാറ്റ ആവശ്യമാണ്. എന്നാൽ, ഒരു നെറ്റ്വർക്ക് ചിത്രങ്ങളിൽ നിന്നുള്ള പാറ്റേണുകൾ എടുക്കാൻ ഉപയോഗിക്കുന്ന മികച്ച ലോ-ലെവൽ ഫിൽട്ടറുകൾ പഠിക്കുന്നതിൽ കൂടുതലായാണ് സമയം ചെലവഴിക്കുന്നത്. ഒരു സ്വാഭാവിക ചോദ്യമാണ് - ഒരു ഡാറ്റാസെറ്റിൽ പരിശീലിപ്പിച്ച ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് ഉപയോഗിച്ച്, പൂർണ്ണ പരിശീലന പ്രക്രിയ ആവശ്യമില്ലാതെ വ്യത്യസ്ത ചിത്രങ്ങൾ വർഗ്ഗീകരിക്കാൻ അതിനെ അനുയോജ്യമായി മാറ്റാമോ?
|
||||
|
|
|
|||
|
|
@ -1,121 +1,112 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-11-25T22:17:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ഡീപ് ലേണിംഗ് പരിശീലന തന്ത്രങ്ങൾ
|
||||
|
||||
ന്യൂറൽ നെറ്റ്വർക്കുകൾ കൂടുതൽ ആഴത്തിൽ പോകുമ്പോൾ, അവയുടെ പരിശീലന പ്രക്രിയ കൂടുതൽ വെല്ലുവിളികളായിരിക്കും. പ്രധാന പ്രശ്നങ്ങളിൽ ഒന്നാണ്所谓 [വാനിഷിംഗ് ഗ്രാഡിയന്റുകൾ](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) അല്ലെങ്കിൽ [എക്സ്പ്ലോഡിംഗ് ഗ്രാഡിയന്റുകൾ](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) എന്ന പ്രശ്നം. [ഈ പോസ്റ്റ്](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ഈ പ്രശ്നങ്ങളെ കുറിച്ച് നല്ല പരിചയം നൽകുന്നു.
|
||||
|
||||
ഡീപ് നെറ്റ്വർക്കുകൾ കൂടുതൽ ഫലപ്രദമായി പരിശീലിപ്പിക്കാൻ ചില സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കാം.
|
||||
|
||||
## മൂല്യങ്ങൾ യുക്തമായ പരിധിയിൽ സൂക്ഷിക്കുക
|
||||
|
||||
സംഖ്യാത്മക കണക്കുകൂട്ടലുകൾ കൂടുതൽ സ്ഥിരതയുള്ളതാക്കാൻ, നമ്മുടെ ന്യൂറൽ നെറ്റ്വർക്കിലെ എല്ലാ മൂല്യങ്ങളും യുക്തമായ സ്കെയിലിൽ (സാധാരണയായി [-1..1] അല്ലെങ്കിൽ [0..1]) ഉണ്ടാകണമെന്ന് ഉറപ്പാക്കണം. ഇത് കർശനമായ ആവശ്യകതയല്ല, പക്ഷേ ഫ്ലോട്ടിംഗ് പോയിന്റ് കണക്കുകൂട്ടലുകളുടെ സ്വഭാവം മൂലം വ്യത്യസ്ത വലുപ്പത്തിലുള്ള മൂല്യങ്ങൾ കൃത്യമായി ഒരുമിച്ച് കൈകാര്യം ചെയ്യാൻ കഴിയില്ല. ഉദാഹരണത്തിന്, 10<sup>-10</sup>നും 10<sup>10</sup>നും കൂട്ടിച്ചേർക്കുമ്പോൾ, സാധാരണയായി 10<sup>10</sup> ലഭിക്കും, കാരണം ചെറിയ മൂല്യം വലിയതിന്റെ ഓർഡറിലേക്ക് "പരിവർത്തനം" ചെയ്യപ്പെടുകയും mantissa നഷ്ടപ്പെടുകയും ചെയ്യും.
|
||||
|
||||
അധികഭാഗം ആക്ടിവേഷൻ ഫംഗ്ഷനുകൾ [-1..1] പരിധിയിലുണ്ടായുള്ള നോണ്ലിനിയാരിറ്റികൾ ഉള്ളതിനാൽ, എല്ലാ ഇൻപുട്ട് ഡാറ്റയും [-1..1] അല്ലെങ്കിൽ [0..1] പരിധിയിലേക്ക് സ്കെയിൽ ചെയ്യുന്നത് യുക്തിയുള്ളതാണ്.
|
||||
|
||||
## പ്രാരംഭ ഭാരങ്ങളുടെ ഇൻഷിയലൈസേഷൻ
|
||||
|
||||
സിദ്ധാന്തപരമായി, നെറ്റ്വർക്ക് ലെയറുകൾ കടന്നുപോകുമ്പോൾ മൂല്യങ്ങൾ ഒരേ പരിധിയിലായിരിക്കണം. അതിനാൽ, ഭാരങ്ങൾ ഇങ്ങനെ ഇൻഷിയലൈസ് ചെയ്യുന്നത് പ്രധാനമാണ്, മൂല്യങ്ങളുടെ വിതരണത്തെ സംരക്ഷിക്കാൻ.
|
||||
|
||||
സാധാരണ വിതരണമായ **N(0,1)** നല്ല ആശയമല്ല, കാരണം *n* ഇൻപുട്ടുകൾ ഉണ്ടെങ്കിൽ, ഔട്ട്പുട്ടിന്റെ സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ *n* ആയിരിക്കും, മൂല്യങ്ങൾ [0..1] പരിധി വിട്ട് പോകാൻ സാധ്യതയുണ്ട്.
|
||||
|
||||
താഴെ പറയുന്ന ഇൻഷിയലൈസേഷനുകൾ സാധാരണ ഉപയോഗിക്കുന്നു:
|
||||
|
||||
* യൂണിഫോം വിതരണം -- `uniform`
|
||||
* **N(0,1/n)** -- `gaussian`
|
||||
* **N(0,1/√n_in)** - ഇൻപുട്ടുകൾക്ക് സീറോ മീൻ, സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ 1 ആണെങ്കിൽ, അതേ മീൻ/സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ നിലനിർത്താൻ ഉറപ്പാക്കുന്നു
|
||||
* **N(0,√2/(n_in+n_out))** --所谓 **Xavier initialization** (`glorot`), ഇത് ഫോർവേഡ്, ബാക്ക്വേഡ് പ്രൊപ്പഗേഷനിൽ സിഗ്നലുകൾ പരിധിയിലാക്കാൻ സഹായിക്കുന്നു
|
||||
|
||||
## ബാച്ച് നോർമലൈസേഷൻ
|
||||
|
||||
ശരിയായ ഭാര ഇൻഷിയലൈസേഷനും ഉണ്ടായിട്ടും, പരിശീലനത്തിനിടെ ഭാരങ്ങൾ അനിയന്ത്രിതമായി വലുതോ ചെറുതോ ആകാം, ഇത് സിഗ്നലുകൾ ശരിയായ പരിധി വിട്ട് പോകാൻ ഇടയാക്കും. സിഗ്നലുകൾ തിരിച്ചെത്തിക്കാൻ **നോർമലൈസേഷൻ** സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കാം. പലതരം നോർമലൈസേഷനുകൾ ഉണ്ട് (Weight normalization, Layer Normalization), എന്നാൽ ഏറ്റവും സാധാരണമായി ഉപയോഗിക്കുന്നത് ബാച്ച് നോർമലൈസേഷനാണ്.
|
||||
|
||||
**ബാച്ച് നോർമലൈസേഷൻ** എന്ന ആശയം, മിനിബാച്ചിലെ എല്ലാ മൂല്യങ്ങളും പരിഗണിച്ച്, അവയുടെ അടിസ്ഥാനത്തിൽ (അർത്ഥം കുറയ്ക്കുകയും സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ കൊണ്ട് വിഭജിക്കുകയും ചെയ്യുക) നോർമലൈസ് ചെയ്യുക എന്നതാണ്. ഇത് ഒരു നെറ്റ്വർക്ക് ലെയർ ആയി നടപ്പിലാക്കുന്നു, ഭാരങ്ങൾ പ്രയോഗിച്ചതിന് ശേഷം, ആക്ടിവേഷൻ ഫംഗ്ഷൻ മുൻപ് ഈ നോർമലൈസേഷൻ നടത്തുന്നു. ഇതിന്റെ ഫലമായി, ഉയർന്ന അന്തിമ കൃത്യതയും വേഗത്തിലുള്ള പരിശീലനവും സാധ്യമാണ്.
|
||||
|
||||
ഇവിടെ ബാച്ച് നോർമലൈസേഷനിലെ [അസൽ പേപ്പർ](https://arxiv.org/pdf/1502.03167.pdf), [വിക്കിപീഡിയയിലെ വിശദീകരണം](https://en.wikipedia.org/wiki/Batch_normalization), കൂടാതെ [ഒരു നല്ല പരിചയപ്പെടുത്തൽ ബ്ലോഗ് പോസ്റ്റ്](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (റഷ്യൻ ഭാഷയിൽ [ഇവിടെ](https://habrahabr.ru/post/309302/)) കാണാം.
|
||||
|
||||
## ഡ്രോപ്പ്ഔട്ട്
|
||||
|
||||
**ഡ്രോപ്പ്ഔട്ട്** ഒരു രസകരമായ സാങ്കേതിക വിദ്യയാണ്, പരിശീലനത്തിനിടെ ഒരു നിശ്ചിത ശതമാനം റാൻഡം ന്യൂറോണുകൾ നീക്കം ചെയ്യുന്നത്. ഇത് ഒരു ലെയർ ആയി നടപ്പിലാക്കുന്നു, ഒരു പാരാമീറ്റർ (നീക്കം ചെയ്യേണ്ട ന്യൂറോണുകളുടെ ശതമാനം, സാധാരണയായി 10%-50%) ഉപയോഗിച്ച്, പരിശീലന സമയത്ത് ഇൻപുട്ട് വെക്ടറിലെ റാൻഡം ഘടകങ്ങൾ സീറോ ആക്കുന്നു, തുടർന്ന് അടുത്ത ലെയറിലേക്ക് അയയ്ക്കുന്നു.
|
||||
|
||||
ഇത് ഒരു വിചിത്രമായ ആശയമായിരിക്കാം, പക്ഷേ [`Dropout.ipynb`](Dropout.ipynb) നോട്ട്ബുക്കിൽ MNIST ഡിജിറ്റ് ക്ലാസിഫയറിന്റെ പരിശീലനത്തിൽ ഡ്രോപ്പ്ഔട്ടിന്റെ ഫലങ്ങൾ കാണാം. ഇത് പരിശീലനം വേഗത്തിലാക്കുകയും കുറവ് എപ്പോക്കുകളിൽ ഉയർന്ന കൃത്യത നേടാൻ സഹായിക്കുകയും ചെയ്യുന്നു.
|
||||
|
||||
ഈ ഫലം പലവിധം വിശദീകരിക്കാം:
|
||||
|
||||
* ഇത് മോഡലിന് ഒരു റാൻഡം ഷോക്കിംഗ് ഫാക്ടറായി കണക്കാക്കാം, ഇത് ഓപ്റ്റിമൈസേഷൻ ലോക്കൽ മിനിമത്തിൽ നിന്ന് പുറത്തെടുക്കുന്നു
|
||||
* ഇത് *അപ്രത്യക്ഷ മോഡൽ ശരാശരി* ആയി കണക്കാക്കാം, കാരണം ഡ്രോപ്പ്ഔട്ടിൽ നാം ചെറിയ വ്യത്യാസമുള്ള മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതാണ്
|
||||
|
||||
> *ചിലർ പറയുന്നു, മദ്യപിച്ച ഒരാൾ എന്തെങ്കിലും പഠിക്കാൻ ശ്രമിക്കുമ്പോൾ, അവൻ അടുത്ത ദിവസം അതു കൂടുതൽ നന്നായി ഓർക്കും, കാരണം ചില ന്യൂറോണുകൾ malfunction ചെയ്യുന്നതുകൊണ്ട് മസ്തിഷ്കം അർത്ഥം പിടികൂടാൻ കൂടുതൽ ശ്രമിക്കുന്നു. ഇത് ശരിയാണോ എന്ന് ഞങ്ങൾ പരീക്ഷിച്ചിട്ടില്ല.*
|
||||
|
||||
## ഓവർഫിറ്റിംഗ് തടയൽ
|
||||
|
||||
ഡീപ് ലേണിംഗിലെ വളരെ പ്രധാനപ്പെട്ട ഒരു ഭാഗമാണ് [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) തടയാൻ കഴിയുക. വളരെ ശക്തമായ ന്യൂറൽ നെറ്റ്വർക്ക് മോഡൽ ഉപയോഗിക്കാൻ ആഗ്രഹിച്ചാലും, മോഡൽ പാരാമീറ്ററുകളുടെ എണ്ണം പരിശീലന സാമ്പിളുകളുടെ എണ്ണത്തോടൊപ്പം ബാലൻസ് ചെയ്യണം.
|
||||
|
||||
> മുമ്പ് പരിചയപ്പെടുത്തിയ [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ആശയം നിങ്ങൾ മനസ്സിലാക്കിയത് ഉറപ്പാക്കുക!
|
||||
|
||||
ഓവർഫിറ്റിംഗ് തടയാനുള്ള ചില മാർഗങ്ങൾ:
|
||||
|
||||
* എർലി സ്റ്റോപ്പിംഗ് -- വാലിഡേഷൻ സെറ്റിലെ പിശക് നിരന്തരം നിരീക്ഷിച്ച്, വാലിഡേഷൻ പിശക് വർദ്ധിക്കുമ്പോൾ പരിശീലനം നിർത്തുക
|
||||
* എക്സ്പ്ലിസിറ്റ് വെയ്റ്റ് ഡികേ / റെഗുലറൈസേഷൻ -- ഭാരങ്ങളുടെ വലിയ മൂല്യങ്ങൾക്ക് നഷ്ടഫല ഫംഗ്ഷനിൽ അധിക ശിക്ഷ നൽകുക, ഇത് മോഡൽ അനിയന്ത്രിതമായ ഫലങ്ങൾ നൽകുന്നത് തടയുന്നു
|
||||
* മോഡൽ ശരാശരി -- പല മോഡലുകളും പരിശീലിപ്പിച്ച് ഫലങ്ങൾ ശരാശരി ചെയ്യുക. ഇത് വ്യത്യാസം കുറയ്ക്കാൻ സഹായിക്കുന്നു
|
||||
* ഡ്രോപ്പ്ഔട്ട് (അപ്രത്യക്ഷ മോഡൽ ശരാശരി)
|
||||
|
||||
## ഓപ്റ്റിമൈസറുകൾ / പരിശീലന ആൽഗോരിതങ്ങൾ
|
||||
|
||||
പരിശീലനത്തിലെ മറ്റൊരു പ്രധാന ഘടകം നല്ല പരിശീലന ആൽഗോരിതം തിരഞ്ഞെടുക്കലാണ്. പരമ്പരാഗത **ഗ്രാഡിയന്റ് ഡിസെന്റ്** ഒരു യുക്തമായ തിരഞ്ഞെടുപ്പാണ്, പക്ഷേ ചിലപ്പോൾ ഇത് വളരെ മന്ദഗതിയിലായിരിക്കാം അല്ലെങ്കിൽ മറ്റ് പ്രശ്നങ്ങൾ ഉണ്ടാകാം.
|
||||
|
||||
ഡീപ് ലേണിംഗിൽ, നാം **സ്റ്റോക്കാസ്റ്റിക് ഗ്രാഡിയന്റ് ഡിസെന്റ്** (SGD) ഉപയോഗിക്കുന്നു, ഇത് ട്രെയിനിംഗ് സെറ്റിൽ നിന്നുള്ള മിനിബാച്ചുകൾക്ക് പ്രയോഗിക്കുന്ന ഗ്രാഡിയന്റ് ഡിസെന്റാണ്. ഭാരങ്ങൾ ഈ ഫോർമുല ഉപയോഗിച്ച് ക്രമീകരിക്കുന്നു:
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η∇ℒ
|
||||
|
||||
### മൊമെന്റം
|
||||
|
||||
**മൊമെന്റം SGD**-യിൽ, നാം മുൻപത്തെ ഘട്ടങ്ങളിൽ നിന്നുള്ള ഗ്രാഡിയന്റിന്റെ ഒരു ഭാഗം സൂക്ഷിക്കുന്നു. ഇത് inertia ഉപയോഗിച്ച് എവിടെയോ നീങ്ങുമ്പോൾ, വ്യത്യസ്ത ദിശയിൽ ഒരു പഞ്ച് കിട്ടിയാലും, ട്രാജക്ടറി ഉടൻ മാറാതെ ആദ്യ ചലനത്തിന്റെ ഒരു ഭാഗം നിലനിർത്തുന്നതുപോലെയാണ്. ഇവിടെ മറ്റൊരു വെക്ടർ v പരിചയപ്പെടുത്തുന്നു, ഇത് *വേഗം* പ്രതിനിധീകരിക്കുന്നു:
|
||||
|
||||
* v<sup>t+1</sup> = γ v<sup>t</sup> - η∇ℒ
|
||||
* w<sup>t+1</sup> = w<sup>t</sup>+v<sup>t+1</sup>
|
||||
|
||||
ഇവിടെ γ പാരാമീറ്റർ inertia എത്രമാത്രം പരിഗണിക്കണമെന്ന് സൂചിപ്പിക്കുന്നു: γ=0 എന്നത് പരമ്പരാഗത SGD-നാണ്; γ=1 ശുദ്ധമായ ചലന സമവാക്യമാണ്.
|
||||
|
||||
### Adam, Adagrad, മുതലായവ
|
||||
|
||||
ഓരോ ലെയറിലും നാം സിഗ്നലുകൾ ഒരു മാട്രിക്സ് W<sub>i</sub> ഉപയോഗിച്ച് ഗുണിക്കുന്നു, ||W<sub>i</sub>|| അനുസരിച്ച്, ഗ്രാഡിയന്റ് കുറയുകയും 0-നോട് അടുത്ത് പോകുകയും, അല്ലെങ്കിൽ അനന്തമായി ഉയരുകയും ചെയ്യാം. ഇത് Exploding/Vanishing Gradients പ്രശ്നത്തിന്റെ സാരാംശമാണ്.
|
||||
|
||||
ഈ പ്രശ്നത്തിന് ഒരു പരിഹാരമായി, ഗ്രാഡിയന്റിന്റെ ദിശ മാത്രം ഉപയോഗിച്ച്, അതിന്റെ ആബ്സല്യൂട്ട് മൂല്യം അവഗണിക്കുക എന്നതാണ്, അഥവാ
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η(∇ℒ/||∇ℒ||), ഇവിടെ ||∇ℒ|| = √∑(∇ℒ)<sup>2</sup>
|
||||
|
||||
ഈ ആൽഗോരിതം **Adagrad** എന്നാണ് അറിയപ്പെടുന്നത്. ഇതേ ആശയം ഉപയോഗിക്കുന്ന മറ്റ് ആൽഗോരിതങ്ങൾ: **RMSProp**, **Adam**
|
||||
|
||||
> **Adam** പല ആപ്ലിക്കേഷനുകൾക്കും വളരെ ഫലപ്രദമായ ആൽഗോരിതമായി കണക്കാക്കപ്പെടുന്നു, അതിനാൽ ഏത് ഉപയോഗിക്കണമെന്ന് ഉറപ്പില്ലെങ്കിൽ Adam ഉപയോഗിക്കുക.
|
||||
|
||||
### ഗ്രാഡിയന്റ് ക്ലിപ്പിംഗ്
|
||||
|
||||
ഗ്രാഡിയന്റ് ക്ലിപ്പിംഗ് മുകളിൽ പറഞ്ഞ ആശയത്തിന്റെ വിപുലീകരണമാണ്. ||∇ℒ|| ≤ θ ആണെങ്കിൽ, നാം യഥാർത്ഥ ഗ്രാഡിയന്റ് ഉപയോഗിച്ച് ഭാരങ്ങൾ അപ്ഡേറ്റ് ചെയ്യുന്നു, എന്നാൽ ||∇ℒ|| > θ ആണെങ്കിൽ, ഗ്രാഡിയന്റിനെ അതിന്റെ നോർമിൽ വിഭജിക്കുന്നു. ഇവിടെ θ ഒരു പാരാമീറ്ററാണ്, സാധാരണയായി θ=1 അല്ലെങ്കിൽ θ=10 എടുക്കാം.
|
||||
|
||||
### ലേണിംഗ് റേറ്റ് ഡികേ
|
||||
|
||||
പരിശീലന വിജയത്തിന് ലേണിംഗ് റേറ്റ് പാരാമീറ്റർ η വളരെ പ്രധാനമാണ്. വലിയ η മൂല്യങ്ങൾ വേഗത്തിലുള്ള പരിശീലനത്തിന് കാരണമാകുമെന്ന് നാം കരുതുന്നു, ഇത് പരിശീലനത്തിന്റെ തുടക്കത്തിൽ സാധാരണ ആഗ്രഹിക്കുന്നതാണ്, പിന്നീട് ചെറിയ η മൂല്യം നെറ്റ്വർക്ക് ഫൈൻ-ട്യൂൺ ചെയ്യാൻ സഹായിക്കും. അതിനാൽ, പലപ്പോഴും പരിശീലനത്തിനിടെ η കുറയ്ക്കാൻ ആഗ്രഹിക്കുന്നു.
|
||||
|
||||
ഇത് ഓരോ എപ്പോക്കിനും ശേഷം η-യെ ഒരു സംഖ്യ (ഉദാ. 0.98) കൊണ്ട് ഗുണിക്കുന്നതിലൂടെ, അല്ലെങ്കിൽ കൂടുതൽ സങ്കീർണ്ണമായ **learning rate schedule** ഉപയോഗിച്ച് ചെയ്യാം.
|
||||
|
||||
## വ്യത്യസ്ത നെറ്റ്വർക്ക് ആർക്കിടെക്ചറുകൾ
|
||||
|
||||
നിങ്ങളുടെ പ്രശ്നത്തിന് അനുയോജ്യമായ നെറ്റ്വർക്ക് ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കുന്നത് ബുദ്ധിമുട്ടുള്ള കാര്യം ആകാം. സാധാരണയായി, നമുക്ക് പ്രത്യേക ടാസ്കിനോ അതിനോട് സമാനമായ ടാസ്കിനോ ഫലപ്രദമായതായി തെളിയിച്ച ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കും. കംപ്യൂട്ടർ വിഷൻ ആവശ്യങ്ങൾക്ക് [ഒരു നല്ല അവലോകനം](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ഇവിടെ കാണാം.
|
||||
|
||||
> നമുക്ക് ഉള്ള പരിശീലന സാമ്പിളുകളുടെ എണ്ണത്തിന് അനുയോജ്യമായ ശക്തിയുള്ള ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കുന്നത് പ്രധാനമാണ്. വളരെ ശക്തമായ മോഡൽ തിരഞ്ഞെടുക്കുന്നത് [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ഉണ്ടാക്കാം.
|
||||
|
||||
മറ്റൊരു നല്ല മാർഗം ആവശ്യമായ സങ്കീർണ്ണതയ്ക്ക് സ്വയം ക്രമീകരിക്കുന്ന ആർക്കിടെക്ചർ ഉപയോഗിക്കുകയാണ്. ചില അളവിൽ, **ResNet** ആർക്കിടെക്ചറും **Inception** ആർക്കിടെക്ചറും സ്വയം ക്രമീകരിക്കുന്നവയാണ്. [കമ്പ്യൂട്ടർ വിഷൻ ആർക്കിടെക്ചറുകൾക്കുറിച്ച് കൂടുതൽ](../07-ConvNets/CNN_Architectures.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ഡീപ് ലേണിംഗ് പരിശീലന തന്ത്രങ്ങൾ
|
||||
|
||||
ന്യൂറൽ നെറ്റ്വർക്കുകൾ കൂടുതൽ ആഴത്തിൽ പോകുമ്പോൾ, അവയുടെ പരിശീലന പ്രക്രിയ കൂടുതൽ വെല്ലുവിളികളായിരിക്കും. പ്രധാന പ്രശ്നങ്ങളിൽ ഒന്നാണ്所谓 [വാനിഷിംഗ് ഗ്രാഡിയന്റുകൾ](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) അല്ലെങ്കിൽ [എക്സ്പ്ലോഡിംഗ് ഗ്രാഡിയന്റുകൾ](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) എന്ന പ്രശ്നം. [ഈ പോസ്റ്റ്](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ഈ പ്രശ്നങ്ങളെ കുറിച്ച് നല്ല പരിചയം നൽകുന്നു.
|
||||
|
||||
ഡീപ് നെറ്റ്വർക്കുകൾ കൂടുതൽ ഫലപ്രദമായി പരിശീലിപ്പിക്കാൻ ചില സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കാം.
|
||||
|
||||
## മൂല്യങ്ങൾ യുക്തമായ പരിധിയിൽ സൂക്ഷിക്കുക
|
||||
|
||||
സംഖ്യാത്മക കണക്കുകൂട്ടലുകൾ കൂടുതൽ സ്ഥിരതയുള്ളതാക്കാൻ, നമ്മുടെ ന്യൂറൽ നെറ്റ്വർക്കിലെ എല്ലാ മൂല്യങ്ങളും യുക്തമായ സ്കെയിലിൽ (സാധാരണയായി [-1..1] അല്ലെങ്കിൽ [0..1]) ഉണ്ടാകണമെന്ന് ഉറപ്പാക്കണം. ഇത് കർശനമായ ആവശ്യകതയല്ല, പക്ഷേ ഫ്ലോട്ടിംഗ് പോയിന്റ് കണക്കുകൂട്ടലുകളുടെ സ്വഭാവം മൂലം വ്യത്യസ്ത വലുപ്പത്തിലുള്ള മൂല്യങ്ങൾ കൃത്യമായി ഒരുമിച്ച് കൈകാര്യം ചെയ്യാൻ കഴിയില്ല. ഉദാഹരണത്തിന്, 10<sup>-10</sup>നും 10<sup>10</sup>നും കൂട്ടിച്ചേർക്കുമ്പോൾ, സാധാരണയായി 10<sup>10</sup> ലഭിക്കും, കാരണം ചെറിയ മൂല്യം വലിയതിന്റെ ഓർഡറിലേക്ക് "പരിവർത്തനം" ചെയ്യപ്പെടുകയും mantissa നഷ്ടപ്പെടുകയും ചെയ്യും.
|
||||
|
||||
അധികഭാഗം ആക്ടിവേഷൻ ഫംഗ്ഷനുകൾ [-1..1] പരിധിയിലുണ്ടായുള്ള നോണ്ലിനിയാരിറ്റികൾ ഉള്ളതിനാൽ, എല്ലാ ഇൻപുട്ട് ഡാറ്റയും [-1..1] അല്ലെങ്കിൽ [0..1] പരിധിയിലേക്ക് സ്കെയിൽ ചെയ്യുന്നത് യുക്തിയുള്ളതാണ്.
|
||||
|
||||
## പ്രാരംഭ ഭാരങ്ങളുടെ ഇൻഷിയലൈസേഷൻ
|
||||
|
||||
സിദ്ധാന്തപരമായി, നെറ്റ്വർക്ക് ലെയറുകൾ കടന്നുപോകുമ്പോൾ മൂല്യങ്ങൾ ഒരേ പരിധിയിലായിരിക്കണം. അതിനാൽ, ഭാരങ്ങൾ ഇങ്ങനെ ഇൻഷിയലൈസ് ചെയ്യുന്നത് പ്രധാനമാണ്, മൂല്യങ്ങളുടെ വിതരണത്തെ സംരക്ഷിക്കാൻ.
|
||||
|
||||
സാധാരണ വിതരണമായ **N(0,1)** നല്ല ആശയമല്ല, കാരണം *n* ഇൻപുട്ടുകൾ ഉണ്ടെങ്കിൽ, ഔട്ട്പുട്ടിന്റെ സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ *n* ആയിരിക്കും, മൂല്യങ്ങൾ [0..1] പരിധി വിട്ട് പോകാൻ സാധ്യതയുണ്ട്.
|
||||
|
||||
താഴെ പറയുന്ന ഇൻഷിയലൈസേഷനുകൾ സാധാരണ ഉപയോഗിക്കുന്നു:
|
||||
|
||||
* യൂണിഫോം വിതരണം -- `uniform`
|
||||
* **N(0,1/n)** -- `gaussian`
|
||||
* **N(0,1/√n_in)** - ഇൻപുട്ടുകൾക്ക് സീറോ മീൻ, സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ 1 ആണെങ്കിൽ, അതേ മീൻ/സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ നിലനിർത്താൻ ഉറപ്പാക്കുന്നു
|
||||
* **N(0,√2/(n_in+n_out))** --所谓 **Xavier initialization** (`glorot`), ഇത് ഫോർവേഡ്, ബാക്ക്വേഡ് പ്രൊപ്പഗേഷനിൽ സിഗ്നലുകൾ പരിധിയിലാക്കാൻ സഹായിക്കുന്നു
|
||||
|
||||
## ബാച്ച് നോർമലൈസേഷൻ
|
||||
|
||||
ശരിയായ ഭാര ഇൻഷിയലൈസേഷനും ഉണ്ടായിട്ടും, പരിശീലനത്തിനിടെ ഭാരങ്ങൾ അനിയന്ത്രിതമായി വലുതോ ചെറുതോ ആകാം, ഇത് സിഗ്നലുകൾ ശരിയായ പരിധി വിട്ട് പോകാൻ ഇടയാക്കും. സിഗ്നലുകൾ തിരിച്ചെത്തിക്കാൻ **നോർമലൈസേഷൻ** സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കാം. പലതരം നോർമലൈസേഷനുകൾ ഉണ്ട് (Weight normalization, Layer Normalization), എന്നാൽ ഏറ്റവും സാധാരണമായി ഉപയോഗിക്കുന്നത് ബാച്ച് നോർമലൈസേഷനാണ്.
|
||||
|
||||
**ബാച്ച് നോർമലൈസേഷൻ** എന്ന ആശയം, മിനിബാച്ചിലെ എല്ലാ മൂല്യങ്ങളും പരിഗണിച്ച്, അവയുടെ അടിസ്ഥാനത്തിൽ (അർത്ഥം കുറയ്ക്കുകയും സ്റ്റാൻഡേർഡ് ഡിവിയേഷൻ കൊണ്ട് വിഭജിക്കുകയും ചെയ്യുക) നോർമലൈസ് ചെയ്യുക എന്നതാണ്. ഇത് ഒരു നെറ്റ്വർക്ക് ലെയർ ആയി നടപ്പിലാക്കുന്നു, ഭാരങ്ങൾ പ്രയോഗിച്ചതിന് ശേഷം, ആക്ടിവേഷൻ ഫംഗ്ഷൻ മുൻപ് ഈ നോർമലൈസേഷൻ നടത്തുന്നു. ഇതിന്റെ ഫലമായി, ഉയർന്ന അന്തിമ കൃത്യതയും വേഗത്തിലുള്ള പരിശീലനവും സാധ്യമാണ്.
|
||||
|
||||
ഇവിടെ ബാച്ച് നോർമലൈസേഷനിലെ [അസൽ പേപ്പർ](https://arxiv.org/pdf/1502.03167.pdf), [വിക്കിപീഡിയയിലെ വിശദീകരണം](https://en.wikipedia.org/wiki/Batch_normalization), കൂടാതെ [ഒരു നല്ല പരിചയപ്പെടുത്തൽ ബ്ലോഗ് പോസ്റ്റ്](https://towardsdatascience.com/batch-normalization-in-3-levels-of-understanding-14c2da90a338) (റഷ്യൻ ഭാഷയിൽ [ഇവിടെ](https://habrahabr.ru/post/309302/)) കാണാം.
|
||||
|
||||
## ഡ്രോപ്പ്ഔട്ട്
|
||||
|
||||
**ഡ്രോപ്പ്ഔട്ട്** ഒരു രസകരമായ സാങ്കേതിക വിദ്യയാണ്, പരിശീലനത്തിനിടെ ഒരു നിശ്ചിത ശതമാനം റാൻഡം ന്യൂറോണുകൾ നീക്കം ചെയ്യുന്നത്. ഇത് ഒരു ലെയർ ആയി നടപ്പിലാക്കുന്നു, ഒരു പാരാമീറ്റർ (നീക്കം ചെയ്യേണ്ട ന്യൂറോണുകളുടെ ശതമാനം, സാധാരണയായി 10%-50%) ഉപയോഗിച്ച്, പരിശീലന സമയത്ത് ഇൻപുട്ട് വെക്ടറിലെ റാൻഡം ഘടകങ്ങൾ സീറോ ആക്കുന്നു, തുടർന്ന് അടുത്ത ലെയറിലേക്ക് അയയ്ക്കുന്നു.
|
||||
|
||||
ഇത് ഒരു വിചിത്രമായ ആശയമായിരിക്കാം, പക്ഷേ [`Dropout.ipynb`](Dropout.ipynb) നോട്ട്ബുക്കിൽ MNIST ഡിജിറ്റ് ക്ലാസിഫയറിന്റെ പരിശീലനത്തിൽ ഡ്രോപ്പ്ഔട്ടിന്റെ ഫലങ്ങൾ കാണാം. ഇത് പരിശീലനം വേഗത്തിലാക്കുകയും കുറവ് എപ്പോക്കുകളിൽ ഉയർന്ന കൃത്യത നേടാൻ സഹായിക്കുകയും ചെയ്യുന്നു.
|
||||
|
||||
ഈ ഫലം പലവിധം വിശദീകരിക്കാം:
|
||||
|
||||
* ഇത് മോഡലിന് ഒരു റാൻഡം ഷോക്കിംഗ് ഫാക്ടറായി കണക്കാക്കാം, ഇത് ഓപ്റ്റിമൈസേഷൻ ലോക്കൽ മിനിമത്തിൽ നിന്ന് പുറത്തെടുക്കുന്നു
|
||||
* ഇത് *അപ്രത്യക്ഷ മോഡൽ ശരാശരി* ആയി കണക്കാക്കാം, കാരണം ഡ്രോപ്പ്ഔട്ടിൽ നാം ചെറിയ വ്യത്യാസമുള്ള മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതാണ്
|
||||
|
||||
> *ചിലർ പറയുന്നു, മദ്യപിച്ച ഒരാൾ എന്തെങ്കിലും പഠിക്കാൻ ശ്രമിക്കുമ്പോൾ, അവൻ അടുത്ത ദിവസം അതു കൂടുതൽ നന്നായി ഓർക്കും, കാരണം ചില ന്യൂറോണുകൾ malfunction ചെയ്യുന്നതുകൊണ്ട് മസ്തിഷ്കം അർത്ഥം പിടികൂടാൻ കൂടുതൽ ശ്രമിക്കുന്നു. ഇത് ശരിയാണോ എന്ന് ഞങ്ങൾ പരീക്ഷിച്ചിട്ടില്ല.*
|
||||
|
||||
## ഓവർഫിറ്റിംഗ് തടയൽ
|
||||
|
||||
ഡീപ് ലേണിംഗിലെ വളരെ പ്രധാനപ്പെട്ട ഒരു ഭാഗമാണ് [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) തടയാൻ കഴിയുക. വളരെ ശക്തമായ ന്യൂറൽ നെറ്റ്വർക്ക് മോഡൽ ഉപയോഗിക്കാൻ ആഗ്രഹിച്ചാലും, മോഡൽ പാരാമീറ്ററുകളുടെ എണ്ണം പരിശീലന സാമ്പിളുകളുടെ എണ്ണത്തോടൊപ്പം ബാലൻസ് ചെയ്യണം.
|
||||
|
||||
> മുമ്പ് പരിചയപ്പെടുത്തിയ [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ആശയം നിങ്ങൾ മനസ്സിലാക്കിയത് ഉറപ്പാക്കുക!
|
||||
|
||||
ഓവർഫിറ്റിംഗ് തടയാനുള്ള ചില മാർഗങ്ങൾ:
|
||||
|
||||
* എർലി സ്റ്റോപ്പിംഗ് -- വാലിഡേഷൻ സെറ്റിലെ പിശക് നിരന്തരം നിരീക്ഷിച്ച്, വാലിഡേഷൻ പിശക് വർദ്ധിക്കുമ്പോൾ പരിശീലനം നിർത്തുക
|
||||
* എക്സ്പ്ലിസിറ്റ് വെയ്റ്റ് ഡികേ / റെഗുലറൈസേഷൻ -- ഭാരങ്ങളുടെ വലിയ മൂല്യങ്ങൾക്ക് നഷ്ടഫല ഫംഗ്ഷനിൽ അധിക ശിക്ഷ നൽകുക, ഇത് മോഡൽ അനിയന്ത്രിതമായ ഫലങ്ങൾ നൽകുന്നത് തടയുന്നു
|
||||
* മോഡൽ ശരാശരി -- പല മോഡലുകളും പരിശീലിപ്പിച്ച് ഫലങ്ങൾ ശരാശരി ചെയ്യുക. ഇത് വ്യത്യാസം കുറയ്ക്കാൻ സഹായിക്കുന്നു
|
||||
* ഡ്രോപ്പ്ഔട്ട് (അപ്രത്യക്ഷ മോഡൽ ശരാശരി)
|
||||
|
||||
## ഓപ്റ്റിമൈസറുകൾ / പരിശീലന ആൽഗോരിതങ്ങൾ
|
||||
|
||||
പരിശീലനത്തിലെ മറ്റൊരു പ്രധാന ഘടകം നല്ല പരിശീലന ആൽഗോരിതം തിരഞ്ഞെടുക്കലാണ്. പരമ്പരാഗത **ഗ്രാഡിയന്റ് ഡിസെന്റ്** ഒരു യുക്തമായ തിരഞ്ഞെടുപ്പാണ്, പക്ഷേ ചിലപ്പോൾ ഇത് വളരെ മന്ദഗതിയിലായിരിക്കാം അല്ലെങ്കിൽ മറ്റ് പ്രശ്നങ്ങൾ ഉണ്ടാകാം.
|
||||
|
||||
ഡീപ് ലേണിംഗിൽ, നാം **സ്റ്റോക്കാസ്റ്റിക് ഗ്രാഡിയന്റ് ഡിസെന്റ്** (SGD) ഉപയോഗിക്കുന്നു, ഇത് ട്രെയിനിംഗ് സെറ്റിൽ നിന്നുള്ള മിനിബാച്ചുകൾക്ക് പ്രയോഗിക്കുന്ന ഗ്രാഡിയന്റ് ഡിസെന്റാണ്. ഭാരങ്ങൾ ഈ ഫോർമുല ഉപയോഗിച്ച് ക്രമീകരിക്കുന്നു:
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η∇ℒ
|
||||
|
||||
### മൊമെന്റം
|
||||
|
||||
**മൊമെന്റം SGD**-യിൽ, നാം മുൻപത്തെ ഘട്ടങ്ങളിൽ നിന്നുള്ള ഗ്രാഡിയന്റിന്റെ ഒരു ഭാഗം സൂക്ഷിക്കുന്നു. ഇത് inertia ഉപയോഗിച്ച് എവിടെയോ നീങ്ങുമ്പോൾ, വ്യത്യസ്ത ദിശയിൽ ഒരു പഞ്ച് കിട്ടിയാലും, ട്രാജക്ടറി ഉടൻ മാറാതെ ആദ്യ ചലനത്തിന്റെ ഒരു ഭാഗം നിലനിർത്തുന്നതുപോലെയാണ്. ഇവിടെ മറ്റൊരു വെക്ടർ v പരിചയപ്പെടുത്തുന്നു, ഇത് *വേഗം* പ്രതിനിധീകരിക്കുന്നു:
|
||||
|
||||
* v<sup>t+1</sup> = γ v<sup>t</sup> - η∇ℒ
|
||||
* w<sup>t+1</sup> = w<sup>t</sup>+v<sup>t+1</sup>
|
||||
|
||||
ഇവിടെ γ പാരാമീറ്റർ inertia എത്രമാത്രം പരിഗണിക്കണമെന്ന് സൂചിപ്പിക്കുന്നു: γ=0 എന്നത് പരമ്പരാഗത SGD-നാണ്; γ=1 ശുദ്ധമായ ചലന സമവാക്യമാണ്.
|
||||
|
||||
### Adam, Adagrad, മുതലായവ
|
||||
|
||||
ഓരോ ലെയറിലും നാം സിഗ്നലുകൾ ഒരു മാട്രിക്സ് W<sub>i</sub> ഉപയോഗിച്ച് ഗുണിക്കുന്നു, ||W<sub>i</sub>|| അനുസരിച്ച്, ഗ്രാഡിയന്റ് കുറയുകയും 0-നോട് അടുത്ത് പോകുകയും, അല്ലെങ്കിൽ അനന്തമായി ഉയരുകയും ചെയ്യാം. ഇത് Exploding/Vanishing Gradients പ്രശ്നത്തിന്റെ സാരാംശമാണ്.
|
||||
|
||||
ഈ പ്രശ്നത്തിന് ഒരു പരിഹാരമായി, ഗ്രാഡിയന്റിന്റെ ദിശ മാത്രം ഉപയോഗിച്ച്, അതിന്റെ ആബ്സല്യൂട്ട് മൂല്യം അവഗണിക്കുക എന്നതാണ്, അഥവാ
|
||||
|
||||
w<sup>t+1</sup> = w<sup>t</sup> - η(∇ℒ/||∇ℒ||), ഇവിടെ ||∇ℒ|| = √∑(∇ℒ)<sup>2</sup>
|
||||
|
||||
ഈ ആൽഗോരിതം **Adagrad** എന്നാണ് അറിയപ്പെടുന്നത്. ഇതേ ആശയം ഉപയോഗിക്കുന്ന മറ്റ് ആൽഗോരിതങ്ങൾ: **RMSProp**, **Adam**
|
||||
|
||||
> **Adam** പല ആപ്ലിക്കേഷനുകൾക്കും വളരെ ഫലപ്രദമായ ആൽഗോരിതമായി കണക്കാക്കപ്പെടുന്നു, അതിനാൽ ഏത് ഉപയോഗിക്കണമെന്ന് ഉറപ്പില്ലെങ്കിൽ Adam ഉപയോഗിക്കുക.
|
||||
|
||||
### ഗ്രാഡിയന്റ് ക്ലിപ്പിംഗ്
|
||||
|
||||
ഗ്രാഡിയന്റ് ക്ലിപ്പിംഗ് മുകളിൽ പറഞ്ഞ ആശയത്തിന്റെ വിപുലീകരണമാണ്. ||∇ℒ|| ≤ θ ആണെങ്കിൽ, നാം യഥാർത്ഥ ഗ്രാഡിയന്റ് ഉപയോഗിച്ച് ഭാരങ്ങൾ അപ്ഡേറ്റ് ചെയ്യുന്നു, എന്നാൽ ||∇ℒ|| > θ ആണെങ്കിൽ, ഗ്രാഡിയന്റിനെ അതിന്റെ നോർമിൽ വിഭജിക്കുന്നു. ഇവിടെ θ ഒരു പാരാമീറ്ററാണ്, സാധാരണയായി θ=1 അല്ലെങ്കിൽ θ=10 എടുക്കാം.
|
||||
|
||||
### ലേണിംഗ് റേറ്റ് ഡികേ
|
||||
|
||||
പരിശീലന വിജയത്തിന് ലേണിംഗ് റേറ്റ് പാരാമീറ്റർ η വളരെ പ്രധാനമാണ്. വലിയ η മൂല്യങ്ങൾ വേഗത്തിലുള്ള പരിശീലനത്തിന് കാരണമാകുമെന്ന് നാം കരുതുന്നു, ഇത് പരിശീലനത്തിന്റെ തുടക്കത്തിൽ സാധാരണ ആഗ്രഹിക്കുന്നതാണ്, പിന്നീട് ചെറിയ η മൂല്യം നെറ്റ്വർക്ക് ഫൈൻ-ട്യൂൺ ചെയ്യാൻ സഹായിക്കും. അതിനാൽ, പലപ്പോഴും പരിശീലനത്തിനിടെ η കുറയ്ക്കാൻ ആഗ്രഹിക്കുന്നു.
|
||||
|
||||
ഇത് ഓരോ എപ്പോക്കിനും ശേഷം η-യെ ഒരു സംഖ്യ (ഉദാ. 0.98) കൊണ്ട് ഗുണിക്കുന്നതിലൂടെ, അല്ലെങ്കിൽ കൂടുതൽ സങ്കീർണ്ണമായ **learning rate schedule** ഉപയോഗിച്ച് ചെയ്യാം.
|
||||
|
||||
## വ്യത്യസ്ത നെറ്റ്വർക്ക് ആർക്കിടെക്ചറുകൾ
|
||||
|
||||
നിങ്ങളുടെ പ്രശ്നത്തിന് അനുയോജ്യമായ നെറ്റ്വർക്ക് ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കുന്നത് ബുദ്ധിമുട്ടുള്ള കാര്യം ആകാം. സാധാരണയായി, നമുക്ക് പ്രത്യേക ടാസ്കിനോ അതിനോട് സമാനമായ ടാസ്കിനോ ഫലപ്രദമായതായി തെളിയിച്ച ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കും. കംപ്യൂട്ടർ വിഷൻ ആവശ്യങ്ങൾക്ക് [ഒരു നല്ല അവലോകനം](https://www.topbots.com/a-brief-history-of-neural-network-architectures/) ഇവിടെ കാണാം.
|
||||
|
||||
> നമുക്ക് ഉള്ള പരിശീലന സാമ്പിളുകളുടെ എണ്ണത്തിന് അനുയോജ്യമായ ശക്തിയുള്ള ആർക്കിടെക്ചർ തിരഞ്ഞെടുക്കുന്നത് പ്രധാനമാണ്. വളരെ ശക്തമായ മോഡൽ തിരഞ്ഞെടുക്കുന്നത് [ഓവർഫിറ്റിംഗ്](../../3-NeuralNetworks/05-Frameworks/Overfitting.md) ഉണ്ടാക്കാം.
|
||||
|
||||
മറ്റൊരു നല്ല മാർഗം ആവശ്യമായ സങ്കീർണ്ണതയ്ക്ക് സ്വയം ക്രമീകരിക്കുന്ന ആർക്കിടെക്ചർ ഉപയോഗിക്കുകയാണ്. ചില അളവിൽ, **ResNet** ആർക്കിടെക്ചറും **Inception** ആർക്കിടെക്ചറും സ്വയം ക്രമീകരിക്കുന്നവയാണ്. [കമ്പ്യൂട്ടർ വിഷൻ ആർക്കിടെക്ചറുകൾക്കുറിച്ച് കൂടുതൽ](../07-ConvNets/CNN_Architectures.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,43 +1,34 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-11-25T22:43:57+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "ml"
|
||||
}
|
||||
-->
|
||||
# ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിച്ച് ഓക്സ്ഫോർഡ് പെട്ടുകളുടെ വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
ഒരു പെട്ട് നഴ്സറിയുടെ എല്ലാ പെട്ടുകളെയും കാറ്റലോഗ് ചെയ്യാനുള്ള ഒരു ആപ്ലിക്കേഷൻ വികസിപ്പിക്കേണ്ടതായി നിങ്ങൾക്ക് കരുതുക. അത്തരത്തിലുള്ള ഒരു ആപ്ലിക്കേഷന്റെ മികച്ച സവിശേഷതകളിൽ ഒന്ന് ഫോട്ടോഗ്രാഫിൽ നിന്ന് സ്വയം ജാതി കണ്ടെത്തുക എന്നതാണ്. ഈ അസൈൻമെന്റിൽ, നാം ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിച്ച് [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) പെട്ട് ഡാറ്റാസെറ്റിൽ നിന്നുള്ള യഥാർത്ഥ ജീവിത പെട്ട് ചിത്രങ്ങളെ വർഗ്ഗീകരിക്കും.
|
||||
|
||||
## ഡാറ്റാസെറ്റ്
|
||||
|
||||
നാം 35 വ്യത്യസ്ത ജാതികളുടെ നായകളും പൂച്ചകളും ഉൾക്കൊള്ളുന്ന ഒറിജിനൽ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) പെട്ട് ഡാറ്റാസെറ്റ് ഉപയോഗിക്കും.
|
||||
|
||||
ഡാറ്റാസെറ്റ് ഡൗൺലോഡ് ചെയ്യാൻ, ഈ കോഡ് സ്നിപ്പെറ്റ് ഉപയോഗിക്കുക:
|
||||
|
||||
```python
|
||||
!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
|
||||
!tar xfz images.tar.gz
|
||||
!rm images.tar.gz
|
||||
```
|
||||
|
||||
## നോട്ട്ബുക്ക് ആരംഭിക്കൽ
|
||||
|
||||
[OxfordPets.ipynb](OxfordPets.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക
|
||||
|
||||
## പ്രധാനപ്പെട്ട കാര്യങ്ങൾ
|
||||
|
||||
ട്രാൻസ്ഫർ ലേണിംഗ്, പ്രീ-ട്രെയിൻ ചെയ്ത നെറ്റ്വർക്കുകൾ എന്നിവ ഉപയോഗിച്ച് നാം യഥാർത്ഥ ലോകത്തിലെ ചിത്ര വർഗ്ഗീകരണ പ്രശ്നങ്ങൾ എളുപ്പത്തിൽ പരിഹരിക്കാം. എന്നാൽ, പ്രീ-ട്രെയിൻ ചെയ്ത നെറ്റ്വർക്കുകൾ സമാന തരം ചിത്രങ്ങളിൽ മാത്രമേ നല്ല ഫലം നൽകൂ. വളരെ വ്യത്യസ്തമായ ചിത്രങ്ങൾ (ഉദാ: മെഡിക്കൽ ചിത്രങ്ങൾ) വർഗ്ഗീകരിക്കാൻ തുടങ്ങുമ്പോൾ ഫലങ്ങൾ വളരെ മോശമാകാൻ സാധ്യതയുണ്ട്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
# ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിച്ച് ഓക്സ്ഫോർഡ് പെട്ടുകളുടെ വർഗ്ഗീകരണം
|
||||
|
||||
[AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) ലെ ലാബ് അസൈൻമെന്റ്.
|
||||
|
||||
## ടാസ്ക്
|
||||
|
||||
ഒരു പെട്ട് നഴ്സറിയുടെ എല്ലാ പെട്ടുകളെയും കാറ്റലോഗ് ചെയ്യാനുള്ള ഒരു ആപ്ലിക്കേഷൻ വികസിപ്പിക്കേണ്ടതായി നിങ്ങൾക്ക് കരുതുക. അത്തരത്തിലുള്ള ഒരു ആപ്ലിക്കേഷന്റെ മികച്ച സവിശേഷതകളിൽ ഒന്ന് ഫോട്ടോഗ്രാഫിൽ നിന്ന് സ്വയം ജാതി കണ്ടെത്തുക എന്നതാണ്. ഈ അസൈൻമെന്റിൽ, നാം ട്രാൻസ്ഫർ ലേണിംഗ് ഉപയോഗിച്ച് [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) പെട്ട് ഡാറ്റാസെറ്റിൽ നിന്നുള്ള യഥാർത്ഥ ജീവിത പെട്ട് ചിത്രങ്ങളെ വർഗ്ഗീകരിക്കും.
|
||||
|
||||
## ഡാറ്റാസെറ്റ്
|
||||
|
||||
നാം 35 വ്യത്യസ്ത ജാതികളുടെ നായകളും പൂച്ചകളും ഉൾക്കൊള്ളുന്ന ഒറിജിനൽ [Oxford-IIIT](https://www.robots.ox.ac.uk/~vgg/data/pets/) പെട്ട് ഡാറ്റാസെറ്റ് ഉപയോഗിക്കും.
|
||||
|
||||
ഡാറ്റാസെറ്റ് ഡൗൺലോഡ് ചെയ്യാൻ, ഈ കോഡ് സ്നിപ്പെറ്റ് ഉപയോഗിക്കുക:
|
||||
|
||||
```python
|
||||
!wget https://www.robots.ox.ac.uk/~vgg/data/pets/data/images.tar.gz
|
||||
!tar xfz images.tar.gz
|
||||
!rm images.tar.gz
|
||||
```
|
||||
|
||||
## നോട്ട്ബുക്ക് ആരംഭിക്കൽ
|
||||
|
||||
[OxfordPets.ipynb](OxfordPets.ipynb) തുറന്ന് ലാബ് ആരംഭിക്കുക
|
||||
|
||||
## പ്രധാനപ്പെട്ട കാര്യങ്ങൾ
|
||||
|
||||
ട്രാൻസ്ഫർ ലേണിംഗ്, പ്രീ-ട്രെയിൻ ചെയ്ത നെറ്റ്വർക്കുകൾ എന്നിവ ഉപയോഗിച്ച് നാം യഥാർത്ഥ ലോകത്തിലെ ചിത്ര വർഗ്ഗീകരണ പ്രശ്നങ്ങൾ എളുപ്പത്തിൽ പരിഹരിക്കാം. എന്നാൽ, പ്രീ-ട്രെയിൻ ചെയ്ത നെറ്റ്വർക്കുകൾ സമാന തരം ചിത്രങ്ങളിൽ മാത്രമേ നല്ല ഫലം നൽകൂ. വളരെ വ്യത്യസ്തമായ ചിത്രങ്ങൾ (ഉദാ: മെഡിക്കൽ ചിത്രങ്ങൾ) വർഗ്ഗീകരിക്കാൻ തുടങ്ങുമ്പോൾ ഫലങ്ങൾ വളരെ മോശമാകാൻ സാധ്യതയുണ്ട്.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**അസൂയാ**:
|
||||
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue