chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)
This commit is contained in:
localizeflow[bot]
parent
c55d809b23
commit
7a9b37f3b1
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:23:56+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:05:49+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:19+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:19+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:12:52+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:10:41+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:02+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:25+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:13:36+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:31:51+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:18:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T02:59:25+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:55:12+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:39:06+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:40:42+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T02:59:45+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:09+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:01:55+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:39:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:01:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:02:17+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:50:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T09:57:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T09:56:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T09:56:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:46+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T09:56:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:27:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T09:58:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T09:59:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T09:57:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-28T19:33:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T09:58:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-28T19:36:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-28T19:23:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:05:19+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-28T20:09:46+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:04:58+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-28T20:08:21+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:03:10+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-28T20:00:35+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:04:31+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-28T20:07:05+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:02:43+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-28T19:59:38+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:03:21+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-28T20:02:35+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:04:10+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-28T20:04:56+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:03:49+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-28T19:56:47+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T09:54:15+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T09:55:16+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-28T19:18:37+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T09:54:34+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-28T19:16:56+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-28T19:41:27+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-28T19:13:56+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-28T19:21:33+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-28T19:52:34+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-28T19:51:12+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "fi"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:46:08+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:23:56+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Projektin yleiskatsaus
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T02:57:18+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -21,33 +12,34 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Tekoäly aloittelijoille - Opetussuunnitelma
|
||||
# Tekoäly Aloittelijoille - Opintokokonaisuus
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI Aloittelijoille - _Sketchnote tekijältä [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI Aloittelijoille - _Sketchnote kirjoittanut [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Tutustu **Tekoälyn** (AI) maailmaan 12 viikon ja 24 oppitunnin kurssikokonaisuudellamme! Se sisältää käytännön oppitunteja, tietovisat ja laboratoriotöitä. Kurssi on aloittelijaystävällinen ja kattaa työkaluja kuten TensorFlow ja PyTorch sekä tekoälyn eettiset kysymykset.
|
||||
|
||||
Tutustu **tekoälyn** (AI) maailmaan 12 viikon, 24 oppitunnin opetussuunnitelmamme avulla! Sisältää käytännön tehtäviä, tietovisoja ja laboratoriotöitä. Opetussuunnitelma on aloittelijaystävällinen ja kattaa työkalut kuten TensorFlow ja PyTorch sekä tekoälyn etiikan.
|
||||
|
||||
### 🌐 Monikielinen tuki
|
||||
|
||||
#### Tuettu GitHub Actionin avulla (automaattinen ja aina ajan tasalla)
|
||||
#### Tuettu GitHub Actionin kautta (Automaattinen & aina ajan tasalla)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabia](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burma (Myanmar)](../my/README.md) | [Kiina (yksinkertaistettu)](../zh/README.md) | [Kiina (perinteinen, Hong Kong)](../hk/README.md) | [Kiina (perinteinen, Macao)](../mo/README.md) | [Kiina (perinteinen, Taiwan)](../tw/README.md) | [Kroatia](../hr/README.md) | [Tšekki](../cs/README.md) | [Tanska](../da/README.md) | [Hollanti](../nl/README.md) | [Viro](../et/README.md) | [Suomi](./README.md) | [Ranska](../fr/README.md) | [Saksa](../de/README.md) | [Kreikka](../el/README.md) | [Heprea](../he/README.md) | [Hindi](../hi/README.md) | [Unkari](../hu/README.md) | [Indonesia](../id/README.md) | [Italia](../it/README.md) | [Japani](../ja/README.md) | [Kannada](../kn/README.md) | [Korea](../ko/README.md) | [Liettua](../lt/README.md) | [Malaiji](../ms/README.md) | [Malajalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norja](../no/README.md) | [Persia (Farsi)](../fa/README.md) | [Puola](../pl/README.md) | [Portugali (Brasilia)](../br/README.md) | [Portugali (Portugali)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romania](../ro/README.md) | [Venäjä](../ru/README.md) | [Serbia (kyrillinen)](../sr/README.md) | [Slovakki](../sk/README.md) | [Sloveeni](../sl/README.md) | [Espanja](../es/README.md) | [Swahili](../sw/README.md) | [Ruotsi](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamili](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkki](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md)
|
||||
[Arabia](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burma (Myanmar)](../my/README.md) | [Kiina (yksinkertaistettu)](../zh-CN/README.md) | [Kiina (perinteinen, Hong Kong)](../zh-HK/README.md) | [Kiina (perinteinen, Macau)](../zh-MO/README.md) | [Kiina (perinteinen, Taiwan)](../zh-TW/README.md) | [Kroatia](../hr/README.md) | [Tšekki](../cs/README.md) | [Tanska](../da/README.md) | [Hollanti](../nl/README.md) | [Viro](../et/README.md) | [Suomi](./README.md) | [Ranska](../fr/README.md) | [Saksa](../de/README.md) | [Kreikka](../el/README.md) | [Heprea](../he/README.md) | [Hindi](../hi/README.md) | [Unkari](../hu/README.md) | [Indonesia](../id/README.md) | [Italia](../it/README.md) | [Japani](../ja/README.md) | [Kannada](../kn/README.md) | [Korea](../ko/README.md) | [Liettua](../lt/README.md) | [Malaiji](../ms/README.md) | [Malajalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norja](../no/README.md) | [Persia (Farsi)](../fa/README.md) | [Puola](../pl/README.md) | [Portugali (Brasilia)](../pt-BR/README.md) | [Portugali (Portugali)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romania](../ro/README.md) | [Venäjä](../ru/README.md) | [Serbia (kyrillinen)](../sr/README.md) | [Slovakki](../sk/README.md) | [Sloveeni](../sl/README.md) | [Espanja](../es/README.md) | [Swahili](../sw/README.md) | [Ruotsi](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkki](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md)
|
||||
|
||||
> **Haluatko mieluummin kloonata paikallisesti?**
|
||||
> **Haluatko kloonata paikallisesti?**
|
||||
|
||||
> Tässä arkistossa on yli 50 kielen käännökset, jotka kasvattavat merkittävästi latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkoutia:
|
||||
> Tämä arkisto sisältää 50+ käännöskieltä, mikä lisää merkittävästi latauskokoa. Kloonaa ilman käännöksiä käyttämällä sparse checkout -ominaisuutta:
|
||||
> ```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'
|
||||
> ```
|
||||
> Tämä antaa sinulle kaiken, mitä tarvitset kurssin suorittamiseen paljon nopeammalla latauksella.
|
||||
> Tämä tarjoaa kaiken tarvittavan kurssin suorittamiseen huomattavasti nopeammalla latauksella.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Jos haluat lisäkieliä käännöksiksi, tuetut kielet löytyvät [täältä](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Jos haluat lisää tuettuja käännöskieliä, ne on listattu [tässä](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Liity yhteisöön
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -56,177 +48,178 @@ Tutustu **tekoälyn** (AI) maailmaan 12 viikon, 24 oppitunnin opetussuunnitelmam
|
|||
|
||||
**[Kurssin miellekartta](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Tässä opetussuunnitelmassa opit:
|
||||
Tässä opintokokonaisuudessa opit:
|
||||
|
||||
* Eri lähestymistapoja tekoälyyn, mukaan lukien "hyvä vanha" symbolinen lähestymistapa **Tietämyksen esittämisen** ja päättelyn kanssa ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuroverkkoja** ja **Syväoppimista**, jotka ovat modernin tekoälyn ytimessä. Havainnollistamme näiden tärkeiden aiheiden taustalla olevia käsitteitä käyttämällä kahta suosittua kehystä - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org).
|
||||
* **Neuroarkkitehtuureja** kuvan ja tekstin käsittelyyn. Käymme läpi uusia malleja, mutta saatamme olla hieman jäljessä viimeisimmästä kehityksestä.
|
||||
* Vähemmän suosittuja tekoälyn lähestymistapoja, kuten **Geneettisiä algoritmeja** ja **Moni-agenttijärjestelmiä**.
|
||||
* Eri lähestymistapoja tekoälyyn, mukaan lukien "hyvä vanha" symbolinen lähestymistapa, joka käyttää **Tietojen esitystä** ja päättelyä ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neuroverkot** ja **Syväoppiminen**, jotka ovat nykyaikaisen tekoälyn ydintä. Käytämme kahta suosittua kehystä - [TensorFlow](http://Tensorflow.org) ja [PyTorch](http://pytorch.org) - havainnollistamaan näihin aiheisiin liittyviä käsitteitä koodin avulla.
|
||||
* **Neuroarkkitehtuurit** kuvan- ja tekstinkäsittelyyn. Käymme läpi viimeisimpiä malleja, vaikka ne eivät aina edusta aivan uusinta teknologiaa.
|
||||
* Vähemmän tunnettuja tekoälyn lähestymistapoja, kuten **Geneettisiä algoritmeja** ja **Moni-agenttijärjestelmiä**.
|
||||
|
||||
Mitä emme käsittele tässä opetussuunnitelmassa:
|
||||
Mitä emme käsittele tässä opintokokonaisuudessa:
|
||||
|
||||
> [Löydä kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Löydä kaikki tämän kurssin lisämateriaalit Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Liiketoiminnan käyttötapauksia, joissa hyödynnetään **tekoälyä liiketoiminnassa**. Suosittelemme tutustumaan Microsoft Learnin [Johdatus tekoälyyn liiketoiminnan käyttäjille](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) oppimispolkuun tai [AI Business Schooliin](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), joka on kehitetty yhteistyössä [INSEADin](https://www.insead.edu/) kanssa.
|
||||
* **Perinteistä koneoppimista**, joka on hyvin kuvattu opetussuunnitelmassamme [Machine Learning for Beginners](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Käytännön tekoälysovelluksia, jotka on rakennettu käyttäen **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** -palveluita. Tätä varten suosittelemme aloittamaan Microsoft Learnin moduuleista näköaistilla ([vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)), luonnollisen kielen prosessoinnilla ([natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)), **[Generatiivisella tekoälyllä Azure OpenAI -palvelulla](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ja muilla.
|
||||
* Tiettyjä ML **pilvikehyksiä**, kuten [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), tai [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Otamme huomioon [Rakenna ja hallinnoi koneoppimisratkaisuja Azure Machine Learningilla](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ja [Rakenna ja hallinnoi koneoppimisratkaisuja Azure Databricksilla](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) oppimispolut.
|
||||
* **Keskustelullista tekoälyä** ja **chatbotteja**. Näihin on oma [Luo keskustelullisia tekoälyratkaisuja](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) oppimispolkunsa, ja tarkempaa tietoa löydät myös [tästä blogikirjoituksesta](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Syvä matematiikka** syväoppimisen taustalla. Tätä varten suosittelemme Ian Goodfellow'n, Yoshua Bengion ja Aaron Courvillen teosta [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618), joka on myös saatavilla verkossa osoitteessa [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Liiketoimintatapauksia **tekoälyn käytöstä liiketoiminnassa**. Suosittelemme ottamaan [Johdanto tekoälyyn liiketoiminnan käyttäjille](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) -oppimispolun Microsoft Learnissa tai [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), joka on kehitetty yhteistyössä [INSEADin](https://www.insead.edu/) kanssa.
|
||||
* **Klassista koneoppimista**, jota käsitellään hyvin [Koneoppiminen aloittelijoille](http://github.com/Microsoft/ML-for-Beginners) -opintokokonaisuudessamme.
|
||||
* Käytännön tekoälysovelluksia, jotka on rakennettu käyttäen **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** -palveluita. Tässä suosittelemme aloittamaan Microsoft Learn -moduuleista [näköaistille](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [luonnollisen kielen käsittelyyn](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatiiviseen tekoälyyn Azure OpenAI -palvelulla](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** ja muihin.
|
||||
* Erityisiä ML **pilvikehyksiä**, kuten [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) tai [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Harkitse käyttäväsi oppimispolkuja [Machine Learning -ratkaisujen rakentaminen ja käyttöönotto Azure Machine Learningillä](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ja [Machine Learning -ratkaisujen rakentaminen ja toimintakuntoon Azure Databricksillä](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Keskusteluperusteinen tekoäly** ja **Chataobotit**. Niihin on oma [Luo keskusteluperusteisia tekoälyratkaisuja](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) -oppimispolkunsa, ja lisätietoa löydät myös [tästä blogikirjoituksesta](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Syvällinen matematiikka** syväoppimisen takana. Tässä suosittelemme teosta [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) kirjoittanut Ian Goodfellow, Yoshua Bengio ja Aaron Courville, joka on saatavilla myös netissä osoitteessa [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Matala-asteinen johdanto _tekoälyyn pilvessä_ -aiheisiin löytyy Microsoft Leanin [Aloita tekoälyn kanssa Azurella](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) - oppimispolulta.
|
||||
Hellävaraisemman johdannon _tekoälystä pilvessä_ aiheisiin saa ottamalla [Aloita tekoälyn kanssa Azurella](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) -oppimispolun.
|
||||
|
||||
# Sisältö
|
||||
|
||||
| | Oppitunnin linkki | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Oppitunnin linkki | PyTorch/Keras/TensorFlow | Labra |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Kurssin asetukset](./lessons/0-course-setup/setup.md) | [Ota kehitysympäristö käyttöön](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Kurssin aloitus](./lessons/0-course-setup/setup.md) | [Kehitysympäristön asennus](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Johdatus tekoälyyn**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Johdanto ja tekoälyn historia](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Sykolinen tekoäly** |
|
||||
| 02 | [Tietämyksen esittäminen ja asiantuntijajärjestelmät](./lessons/2-Symbolic/README.md) | [Asiantuntijajärjestelmät](./lessons/2-Symbolic/Animals.ipynb) / [Ontologia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Käsiteverkko](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| II | **Symbolinen tekoäly** |
|
||||
| 02 | [Tietojen esitys ja asiantuntijajärjestelmät](./lessons/2-Symbolic/README.md) | [Asiantuntijajärjestelmät](./lessons/2-Symbolic/Animals.ipynb) / [Ontologia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Käsitteiden verkko](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Johdatus neuroverkkoihin**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Monikerroksinen Perceptron ja Oman Kehyksen Luominen](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Johdanto kehyksiin (PyTorch/TensorFlow) ja Ylilyönti](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Tietokonenäkö**](./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)| [Tutustu tietokonenäköön Microsoft Azurella](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Johdanto tietokonenäköön. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvoluutioneuroverkot](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-arkkitehtuurit](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Esikoulutetut verkot ja siirto-oppiminen](./lessons/4-ComputerVision/08-TransferLearning/README.md) ja [Koulutusvinkit](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 03 | [Perceptroni](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Muistikirja](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Labra](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Monikerroksinen perceptroni ja oman kehyskirjaston luominen](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Muistikirja](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Labra](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Johdatus kehyksiin (PyTorch/TensorFlow) ja ylisovittaminen](./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) | [Labra](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Tietokonenäkö**](./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)| [Tutustu tietokonenäköön Microsoft Azuren avulla](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Johdatus tietokonenäköön. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Muistikirja](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Labra](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvoluutiohermoverkot](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-arkkitehtuurit](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Labra](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Esikoulutetut verkot ja siirtovaikuttaminen](./lessons/4-ComputerVision/08-TransferLearning/README.md) ja [Koulutusvinkit](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Labra](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkooderit ja VAE:t](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatiiviset vastakkainasettelumallit ja taiteellinen siirto](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Kohteen tunnistus](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 10 | [Generatiiviset vihollisverkot & taiteen tyylinsiirto](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Kohteiden tunnistus](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Labra](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semanttinen segmentointi. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Luonnollisen kielen käsittely**](./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) | [Tutustu luonnollisen kielen käsittelyyn Microsoft Azurella](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Luonnollisen kielen käsittely**](./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) | [Tutustu luonnollisen kielen käsittelyyn Microsoft Azuren avulla](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Tekstin esitys. 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 | [Semanttiset sanasijoitukset. Word2Vec ja 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 | [Kielimallinnus. Oman upotuksen kouluttaminen](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Toistuvat neuroverkot](./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 | [Generatiiviset toistuvat verkot](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Nimettyjen entiteettien tunnistus](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Laajat kielimallit, kehotteiden ohjelmointi ja vähäiset oppimistehtävät](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 14 | [Semanttiset sanansaadot. Word2Vec ja 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 | [Kielimallinnus. Omien upotusten harjoittaminen](./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) | [Labra](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Takaisinkytketyt neuroverkot](./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 | [Generatiiviset takaisinkytketyt verkot](./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) | [Labra](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformaattorit. 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 | [Nimettyjen entiteettien tunnistus](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Labra](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Suuret kielimallit, kehotusohjelmointi ja vähän.esimerkkitehtäviä](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Muut tekoälytekniikat** || |
|
||||
| 21 | [Geneettiset algoritmit](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Syvävahvistusoppiminen](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 21 | [Geneettiset algoritmit](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Muistikirja](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Syvä vahvistusoppiminen](./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) | [Labra](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Moniagenttijärjestelmät](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Tekoälyn etiikka** | | |
|
||||
| 24 | [Tekoälyn etiikka ja vastuullinen tekoäly](./lessons/7-Ethics/README.md) | [Microsoft Learn: Vastuullisen tekoälyn periaatteet](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Lisää** | | |
|
||||
| 25 | [Monimodaaliset verkot, CLIP ja VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| IX | **Lisäaineistot** | | |
|
||||
| 25 | [Monimodaaliset verkot, CLIP ja VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Muistikirja](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Jokainen oppitunti sisältää
|
||||
|
||||
* Ennakkolukemista materiaalia
|
||||
* Suoritettavia Jupyter-muistikirjoja, jotka ovat usein kehyspohjaisia (**PyTorch** tai **TensorFlow**). Suoritettava muistikirja sisältää myös paljon teoreettista materiaalia, joten aiheen ymmärtämiseksi sinun täytyy käydä läpi ainakin yksi versio muistikirjasta (PyTorch tai TensorFlow).
|
||||
* **Labroja** tarjolla joillekin aiheille, jotka antavat sinulle mahdollisuuden kokeilla oppimaasi käytännössä tietyn ongelman ratkaisemiseksi.
|
||||
* Joissakin osioissa on linkkejä [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -moduuleihin, jotka käsittelevät aiheeseen liittyviä aiheita.
|
||||
* Ennakko-lukemateriaalia
|
||||
* Suoritettavia Jupyter-muistikirjoja, jotka ovat usein spesifisiä kehykselle (**PyTorch** tai **TensorFlow**). Suoritettava muistikirja sisältää myös paljon teoreettista aineistoa, joten aiheen ymmärtämiseksi sinun tulee käydä läpi ainakin jokin muistikirjan versioista (joko PyTorch tai TensorFlow).
|
||||
* **Labroja** joihinkin aiheisiin, jotka antavat sinulle mahdollisuuden kokeilla oppimaasi käytännössä tietyn ongelman ratkaisemiseksi.
|
||||
* Joihinkin osioihin sisältyy linkkejä [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduuleihin, jotka käsittelevät aiheeseen liittyviä teemoja.
|
||||
|
||||
## Aloittaminen
|
||||
## Alkuun pääseminen
|
||||
|
||||
### 🎯 Uusi tekoälyssä? Aloita tästä!
|
||||
### 🎯 Uusi tekoälyn parissa? Aloita tästä!
|
||||
|
||||
Jos olet täysin uusi tekoälyssä ja haluat nopeita, käytännön esimerkkejä, tutustu [**Aloittelijaystävällisiin esimerkkeihin**](./examples/README.md)! Näihin sisältyy:
|
||||
Jos olet täysin uusi tekoälyn parissa ja haluat nopeita, käytännön esimerkkejä, tutustu [**aloittelijaystävällisiin esimerkkeihimme**](./examples/README.md)! Niihin sisältyy:
|
||||
|
||||
- 🌟 **Hei tekoälymaailma** - Ensimmäinen tekoälyohjelmasi (kuvion tunnistus)
|
||||
- 🧠 **Yksinkertainen neuroverkko** - Luo neuroverkko alusta alkaen
|
||||
- 🖼️ **Kuvien luokittelija** - Kuvien luokittelu yksityiskohtaisilla kommenteilla
|
||||
- 💬 **Tekstin tunnelma** - Analysoi positiivista/negatiivista tekstiä
|
||||
- 🌟 **Hei tekoälymaailma** - Ensimmäinen tekoälyohjelmasi (kuviotunnistus)
|
||||
- 🧠 **Yksinkertainen neuroverkko** - Rakenna neuroverkko alusta asti
|
||||
|
||||
Nämä esimerkit on suunniteltu auttamaan sinua ymmärtämään tekoälyn käsitteitä ennen kuin sukellat koko opetussuunnitelmaan.
|
||||
- 🖼️ **Kuvien luokittelija** - Luokittele kuvia yksityiskohtaisilla kommenteilla
|
||||
- 💬 **Tekstin tunnelma** - Analysoi tekstin positiivisuus/negatiivisuus
|
||||
|
||||
### 📚 Koko opetussuunnitelman asennus
|
||||
Nämä esimerkit on suunniteltu auttamaan sinua ymmärtämään tekoälyn käsitteitä ennen varsinaisen oppimateriaalin pariin sukeltamista.
|
||||
|
||||
- Olemme luoneet [asennustunnin](./lessons/0-course-setup/setup.md) auttamaan sinua kehitysympäristön perustamisessa. - Opettajille olemme myös luoneet [opetussuunnitelman asennustunnin](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kuinka [ajaa koodi VSCodeissa tai Codespacessa](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 Koko oppimateriaalin asennus
|
||||
|
||||
Noudata näitä ohjeita:
|
||||
- Olemme luoneet [asennustunnin](./lessons/0-course-setup/setup.md) auttamaan sinua kehitysympäristön asennuksessa. - Opettajille olemme luoneet myös [oppimateriaalin asennustunnin](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kuinka [suorittaa koodi VSCode- tai Codespace-ympäristössä](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Forkkaa repositorio: Klikkaa tämän sivun oikeasta yläkulmasta "Fork" -painiketta.
|
||||
Noudata näitä vaiheita:
|
||||
|
||||
Forkkaa repositorio: Klikkaa sivun oikeasta yläkulmasta "Fork"-painiketta.
|
||||
|
||||
Kloonaa repositorio: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Älä unohda tähdätä (🌟) tätä repoosi helpottaaksesi sen löytymistä myöhemmin.
|
||||
Älä unohda tähdittää (🌟) tätä repo:ta, jotta löydät sen helpommin myöhemmin.
|
||||
|
||||
## Tapaa muita oppijoita
|
||||
## Tapaa muut oppijat
|
||||
|
||||
Liity viralliseen [AI Discord -palvelimeemme](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) tavata ja verkostoitua kurssin muiden oppijoiden kanssa ja saadaksesi tukea.
|
||||
Liity [viralliselle AI Discord -palvelimellemme](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) tavata ja verkostoitua muiden kurssin kävijöiden kanssa sekä saada tukea.
|
||||
|
||||
Jos sinulla on palautetta tuotteesta tai kysymyksiä rakentamisen aikana, käy [Azure AI Foundry Developer Forumissa](https://aka.ms/foundry/forum)
|
||||
Jos sinulla on palautetta tuotteesta tai kysymyksiä rakennuksen aikana, käy [Azure AI Foundry Developer Forumissa](https://aka.ms/foundry/forum)
|
||||
|
||||
## Kyselyt
|
||||
## Testit
|
||||
|
||||
> **Huomautus kyselyistä**: Kaikki kyselyt löytyvät Quiz-app-kansiosta polusta etc\quiz-app, tai [online tässä](https://ff-quizzes.netlify.app/) Ne ovat linkitettynä tunneissa, kyselysovellusta voi ajaa paikallisesti tai ottaa käyttöön Azure:ssa; noudata ohjeita `quiz-app`-kansiossa. Ne ovat asteittain lokalisoitumassa.
|
||||
> **Muistutus testeistä**: Kaikki testit löytyvät Quiz-app-kansiosta sijainnissa etc\quiz-app tai [verkkoversio täällä](https://ff-quizzes.netlify.app/) Testit on linkitetty oppitunneilta; quiz-sovellusta voi ajaa paikallisesti tai ottaa käyttöön Azureen; seuraa `quiz-app`-kansion ohjeita. Testit on vähitellen lokalisoitu.
|
||||
|
||||
## Apua kaivataan
|
||||
|
||||
Onko sinulla ehdotuksia tai oletko löytänyt kirjoitus- tai koodivirheitä? Avaa issue tai tee pull request.
|
||||
Onko sinulla ehdotuksia tai oletko löytänyt kirjoitus- tai koodivirheitä? Tee issue tai tee pull request.
|
||||
|
||||
## Erityiskiitokset
|
||||
## Erityiskiitos
|
||||
|
||||
* **✍️ Päätekijä:** [Dmitry Soshnikov](http://soshnikov.com), tohtori
|
||||
* **🔥 Toimittaja:** [Jen Looper](https://twitter.com/jenlooper), tohtori
|
||||
* **🎨 Luonnostelija:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Kyselyjen tekijä:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Ydinosallistujat:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ Pääkirjoittaja:** [Dmitry Soshnikov](http://soshnikov.com), FT
|
||||
* **🔥 Toimittaja:** [Jen Looper](https://twitter.com/jenlooper), FT
|
||||
* **🎨 Sketchnote-kuvittaja:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Testin tekijä:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Ydintekijät:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Muut opetussuunnitelmat
|
||||
## Muut oppimateriaalit
|
||||
|
||||
Tiimimme tuottaa myös muita opetussuunnitelmia! Tutustu:
|
||||
Tiimimme tuottaa myös muita oppimateriaaleja! Tutustu:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agentit
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agentit
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Generatiivinen AI -sarja
|
||||
[](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)
|
||||
|
||||
### Generatiivinen AI -sarja
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Perusopetus
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
### Keskeinen oppiminen
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot-sarja
|
||||
[](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)
|
||||
|
||||
### Copilot-sarja
|
||||
[](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 -->
|
||||
|
||||
## Apua saatavilla
|
||||
|
||||
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kiinnostava yhteisö, jossa kysymyksiä saa esittää ja tietoa jaetaan vapaasti.
|
||||
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tietoa jaetaan vapaasti.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jos sinulla on palautetta tuotteesta tai löytämiesi virheiden vuoksi vieraile:
|
||||
Jos sinulla on tuotepalaute tai virheitä rakennusvaiheessa, käy:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Vastuuvapauslauseke**:
|
||||
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, ota huomioon, että automaattikäännöksissä voi esiintyä virheitä tai epätarkkuuksia. Asiakirjan alkuperäinen versio alkuperäisellä kielellä on virallinen ja sitova lähde. Tärkeissä asioissa suositellaan ammattilaisen tekemää käännöstä. Emme vastaa mahdollisista väärinymmärryksistä tai tulkinnoista, jotka johtuvat tämän käännöksen käytöstä.
|
||||
**Vastuuvapauslauseke**:
|
||||
Tämä asiakirja on käännetty tekoälypohjaisella käännöspalvelulla [Co-op Translator](https://github.com/Azure/co-op-translator). Pyrimme tarkkuuteen, mutta automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja omalla kielellään on virallinen lähde. Tärkeissä asioissa suositellaan ammattilaisen tekemää ihmiskäännöstä. Emme ole vastuussa tästä käännöksestä johtuvista väärinymmärryksistä tai tulkinnoista.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:19+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
## Tietoturva
|
||||
|
||||
Microsoft suhtautuu vakavasti ohjelmistotuotteidensa ja palveluidensa tietoturvaan, mukaan lukien kaikki lähdekoodivarastot, joita hallinnoidaan GitHub-organisaatioidemme kautta, kuten [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) ja [GitHub-organisaatiomme](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:19+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Microsoftin avoimen lähdekoodin toimintasäännöt
|
||||
|
||||
Tämä projekti on ottanut käyttöön [Microsoftin avoimen lähdekoodin toimintasäännöt](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:12:52+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Osallistuminen
|
||||
|
||||
Tämä projekti toivottaa tervetulleeksi panoksesi ja ehdotuksesi. Useimmat panokset edellyttävät, että hyväksyt Contributor License Agreementin (CLA), jossa vahvistat, että sinulla on oikeus antaa meille oikeudet käyttää panostasi. Lisätietoja löydät osoitteesta https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:10:41+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Johdatus tekoälyyn](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:02+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tuki
|
||||
|
||||
## Kuinka raportoida ongelmia ja saada apua
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:25+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Osallistu kääntämällä oppitunteja
|
||||
|
||||
Toivotamme tervetulleiksi käännökset tämän opetussuunnitelman oppitunneille!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:13:36+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Visailut
|
||||
|
||||
Nämä visailut ovat AI-opetussuunnitelman ennen ja jälkeen luentojen tehtäviä osoitteessa https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:31:51+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Aloittelijaystävällisiä AI-esimerkkejä
|
||||
|
||||
Tervetuloa! Tämä hakemisto sisältää yksinkertaisia, itsenäisiä esimerkkejä, jotka auttavat sinua pääsemään alkuun tekoälyn ja koneoppimisen parissa. Jokainen esimerkki on suunniteltu aloitteleville käyttäjille, ja niissä on yksityiskohtaiset kommentit sekä vaiheittaiset selitykset.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:18:56+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Opettajille
|
||||
|
||||
Haluaisitko käyttää tätä opetusohjelmaa luokassasi? Ole hyvä ja käytä vapaasti!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T02:59:25+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Kuinka Suorittaa Koodi
|
||||
|
||||
Tämä opetussuunnitelma sisältää paljon suoritettavia esimerkkejä ja labroja, joita haluat todennäköisesti suorittaa. Tätä varten sinun on pystyttävä suorittamaan Python-koodia Jupyter-muistikirjoissa, jotka kuuluvat osana tätä opetussuunnitelmaa. Koodin suorittamiseen on useita vaihtoehtoja:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:55:12+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Aloittaminen tämän opintosuunnitelman kanssa
|
||||
|
||||
## Oletko opiskelija?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:39:06+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto tekoälyyn
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:40:42+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Pelijamit
|
||||
|
||||
Pelit ovat alue, johon tekoälyn ja koneoppimisen kehitys on vaikuttanut merkittävästi. Tässä tehtävässä kirjoita lyhyt essee pelistä, josta pidät ja johon tekoälyn kehitys on vaikuttanut. Pelin tulisi olla tarpeeksi vanha, jotta siihen on voinut vaikuttaa useat erilaiset tietokoneprosessointijärjestelmät. Hyvä esimerkki on shakki tai Go, mutta tutustu myös videopeleihin kuten Pong tai Pac-Man. Kirjoita essee, joka käsittelee pelin menneisyyttä, nykyisyyttä ja tekoälyn tulevaisuutta.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T02:59:45+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tiedon esittäminen ja asiantuntijajärjestelmät
|
||||
|
||||
|
||||
|
||||
|
||||
> Luonnos [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Useimmiten emme määrittele tietoa tarkasti, vaan sovitamme sen muihin siihen l
|
|||
|
||||
Näin ollen **tiedon esittämisen** ongelmana on löytää jokin tehokas tapa edustaa tietoa tietokoneen sisällä datamuodossa, jotta se olisi automaattisesti hyödynnettävissä. Tätä voidaan tarkastella spektrinä:
|
||||
|
||||
|
||||
|
||||
|
||||
> Kuva: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Lohko-syntaksi | Sisennys | | |
|
|||
|
||||
Yksi symbolisen tekoälyn varhaisista menestyksistä olivat ns. **asiantuntijajärjestelmät** – tietokonejärjestelmät, jotka oli suunniteltu toimimaan asiantuntijana rajatussa ongelma-alueessa. Ne perustuivat **tietokantaan**, joka oli kerätty yhdeltä tai useammalta ihmisasiantuntijalta, ja ne sisälsivät **päätöksentekomoottorin**, joka suoritti jonkinlaista päättelyä sen päällä.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Ihmisen hermojärjestelmän yksinkertaistettu rakenne | Tietopohjaisen järjestelmän arkkitehtuuri
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Asiantuntijajärjestelmät rakennetaan kuten ihmisen päättelyjärjestelmä, jo
|
|||
|
||||
Esimerkkinä otetaan seuraava asiantuntijajärjestelmä eläimen tunnistamiseen sen fyysisten ominaisuuksien perusteella:
|
||||
|
||||
|
||||
|
||||
|
||||
> Kuva: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:09+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Rakenna ontologia
|
||||
|
||||
Tietopohjan rakentaminen tarkoittaa mallin luokittelua, joka edustaa faktoja tietystä aiheesta. Valitse aihe - kuten henkilö, paikka tai asia - ja rakenna sitten malli kyseisestä aiheesta. Käytä joitakin tässä oppitunnissa kuvattuja tekniikoita ja mallinrakennusstrategioita. Esimerkkinä voisi olla olohuoneen ontologian luominen, jossa on huonekaluja, valoja ja niin edelleen. Miten olohuone eroaa keittiöstä? Kylpyhuoneesta? Mistä tiedät, että kyseessä on olohuone eikä ruokasali? Käytä [Protégé](https://protege.stanford.edu/) -ohjelmaa ontologiasi rakentamiseen.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:01:55+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto neuroverkkoihin: Perceptron
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Yksi ensimmäisistä yrityksistä toteuttaa jotain modernin neuroverkon kaltaist
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/fi/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/fi/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Kuvat [Wikipedia](https://en.wikipedia.org/wiki/Perceptron)-sivustolta
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
missä f on askelaktivointifunktio
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/fi/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Perceptronin kouluttaminen
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:39:45+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Moniluokkainen luokittelu perceptronilla
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:01:32+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto neuroverkkoihin. Monikerroksinen perceptron
|
||||
|
||||
Edellisessä osiossa opit yksinkertaisimmasta neuroverkkonmallista – yksikerroksisesta perceptronista, joka on lineaarinen kahden luokan luokittelumalli.
|
||||
|
|
@ -65,7 +56,7 @@ Gradienttimenetelmä pysyy samana, mutta gradienttien laskeminen on monimutkaise
|
|||
|
||||
Huomaa, että kaikkien näiden lausekkeiden vasemmanpuoleinen osa on sama, ja näin voimme tehokkaasti laskea derivaatat aloittaen tappiofunktiosta ja kulkemalla "taaksepäin" laskentakaavion läpi. Siksi monikerroksisen perceptronin koulutusmenetelmää kutsutaan **takaisinkuljetukseksi** tai 'backpropiksi'.
|
||||
|
||||
<img alt="laskentakaavio" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="laskentakaavio" src="../../../../../translated_images/fi/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: kuvan lähde
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:36+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# MNIST-luokittelu omalla kehikollamme
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:02:17+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Neuroverkkojen Kehykset
|
||||
|
||||
Kuten olemme jo oppineet, tehokkaan neuroverkkojen kouluttamisen kannalta meidän täytyy tehdä kaksi asiaa:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:50:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Luokittelu PyTorchilla/TensorFlow'lla
|
||||
|
||||
Labraharjoitus [AI for Beginners -opetussuunnitelmasta](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto neuroverkkoihin
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T09:57:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Johdanto tietokonenäköön
|
||||
|
||||
[Tietokonenäkö](https://wikipedia.org/wiki/Computer_vision) on tieteenala, jonka tavoitteena on mahdollistaa tietokoneiden saavuttaa korkeatasoinen ymmärrys digitaalisista kuvista. Tämä on varsin laaja määritelmä, sillä *ymmärrys* voi tarkoittaa monia eri asioita, kuten esineen löytämistä kuvasta (**esineentunnistus**), tapahtuman ymmärtämistä (**tapahtumantunnistus**), kuvan kuvailemista tekstillä tai kohtauksen rekonstruointia 3D-muodossa. On myös erityisiä tehtäviä, jotka liittyvät ihmiskuvien käsittelyyn: iän ja tunteiden arviointi, kasvojen tunnistus ja identifiointi sekä 3D-asennon arviointi, muutamia mainitakseni.
|
||||
|
|
@ -115,7 +106,7 @@ Lue lisää optisesta virtauksesta [tästä erinomaisesta oppaasta](https://lear
|
|||
|
||||
Tässä laboratoriossa otat videon, jossa on yksinkertaisia eleitä, ja tavoitteesi on tunnistaa ylös/alas/vasen/oikea-liikkeet optisen virtauksen avulla.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Kämmenen liike"/>
|
||||
<img src="../../../../../translated_images/fi/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Kämmenen liike"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Liikkeiden havaitseminen optisella virtausmenetelmällä
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://aka.ms/ai-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T09:56:27+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tunnetut CNN-arkkitehtuurit
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Kuten näet, VGG noudattaa perinteistä pyramidirakennetta, joka koostuu konvolu
|
|||
|
||||
ResNet on Microsoft Researchin vuonna 2015 ehdottama malliperhe. ResNetin pääidea on käyttää **residuaalilohkoja**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/fi/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Kuva [tästä artikkelista](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Voit myös ajatella tätä verkkoa kykeneväksi mukauttamaan monimutkaisuutensa
|
|||
|
||||
Google Inception -arkkitehtuuri vie tämän idean askeleen pidemmälle ja rakentaa jokaisen verkon kerroksen useiden eri polkujen yhdistelmänä:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/fi/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Kuva [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) -sivustolta
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T09:56:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Konvoluutionaaliset neuroverkot
|
||||
|
||||
Olemme aiemmin nähneet, että neuroverkot ovat varsin hyviä käsittelemään kuvia, ja jopa yksikerroksinen perceptron pystyy tunnistamaan käsinkirjoitettuja numeroita MNIST-datasta kohtuullisella tarkkuudella. MNIST-datasetti on kuitenkin hyvin erityinen, sillä kaikki numerot on keskitetty kuvan sisälle, mikä tekee tehtävästä yksinkertaisemman.
|
||||
|
|
@ -24,7 +15,7 @@ Kuvioiden tunnistamiseen käytämme **konvoluutiokertoimia**. Kuten tiedät, kuv
|
|||
|
||||
Esimerkiksi, jos sovellamme 3x3 pystysuuntaista ja vaakasuuntaista reunasuodatinta MNIST-numeroihin, voimme saada korostuksia (esim. korkeita arvoja) kohtiin, joissa alkuperäisessä kuvassa on pystysuuntaisia ja vaakasuuntaisia reunoja. Näin ollen näitä kahta suodatinta voidaan käyttää "etsimään" reunoja. Samalla tavalla voimme suunnitella erilaisia suodattimia etsimään muita matalan tason kuvioita:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/fi/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Kuva [Leung-Malik-suodatinpankista](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:46+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Lemmikkien kasvojen luokittelu
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T09:56:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Esikoulutetut verkot ja siirtäminen oppiminen
|
||||
|
||||
CNN:ien kouluttaminen voi viedä paljon aikaa, ja siihen tarvitaan runsaasti dataa. Suuri osa ajasta kuluu kuitenkin parhaita matalan tason suodattimia oppiessa, joita verkko voi käyttää kuvioiden tunnistamiseen kuvista. Luonnollinen kysymys herää - voimmeko käyttää yhdellä datasetillä koulutettua neuroverkkoa ja mukauttaa sen luokittelemaan erilaisia kuvia ilman täydellistä koulutusprosessia?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:27:42+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Syväoppimisen koulutusvinkit
|
||||
|
||||
Kun neuroverkot syvenevät, niiden koulutusprosessi muuttuu yhä haastavammaksi. Yksi merkittävä ongelma on niin sanottu [häviävät gradientit](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) tai [räjähtävät gradientit](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Tämä artikkeli](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) tarjoaa hyvän johdannon näihin ongelmiin.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Oxfordin lemmikkien luokittelu siirtämällä oppimista hyödyntäen
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T09:58:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Autokooderit
|
||||
|
||||
Kun koulutetaan CNN-verkkoja, yksi ongelmista on, että tarvitsemme paljon merkittyä dataa. Kuvien luokittelussa meidän täytyy jakaa kuvat eri luokkiin, mikä vaatii manuaalista työtä.
|
||||
|
|
@ -46,7 +37,7 @@ Yhteenveto:
|
|||
* Otamme näytteen `sample` jakaumasta N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* Dekooderi yrittää dekoodata alkuperäisen kuvan käyttäen `sample`-vektoria syötteenä
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/fi/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> Kuva [tästä blogikirjoituksesta](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) kirjoittanut Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ Variatiiviset autokooderit käyttävät monimutkaista häviöfunktiota, joka koo
|
|||
|
||||
Yksi tärkeä etu VAE:ssa on, että niiden avulla voidaan luoda uusia kuvia suhteellisen helposti, koska tiedämme, mistä jakaumasta voimme ottaa näytteitä latenttivektoreille. Esimerkiksi, jos koulutamme VAE:n 2D-latenttivektorilla MNIST-datasetilla, voimme sitten muuttaa latenttivektorin komponentteja saadaksemme eri numeroita:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/fi/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> Kuva [Dmitry Soshnikovilta](http://soshnikov.com)
|
||||
|
||||
Huomaa, kuinka kuvat sulautuvat toisiinsa, kun alamme saada latenttivektoreita eri osista latenttiparametritilaa. Voimme myös visualisoida tämän tilan 2D-muodossa:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/fi/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> Kuva [Dmitry Soshnikovilta](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T09:59:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Generatiiviset vastakkaiset verkot
|
||||
|
||||
Edellisessä osiossa opimme **generatiivisista malleista**: malleista, jotka voivat luoda uusia kuvia, jotka muistuttavat koulutusdatan kuvia. VAE oli hyvä esimerkki generatiivisesta mallista.
|
||||
|
|
@ -17,7 +8,7 @@ Kuitenkin, jos yritämme luoda jotain todella merkityksellistä, kuten maalaukse
|
|||
|
||||
GANin pääidea on käyttää kahta neuroverkkoa, jotka koulutetaan toisiaan vastaan:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/fi/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> Kuva: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Generaattori on hieman monimutkaisempi. Voit ajatella sen olevan käänteinen di
|
|||
|
||||
> ✅ Koska konvoluutiokerros toteutetaan lineaarisena suodattimena, joka kulkee kuvan läpi, dekonvoluutio on pohjimmiltaan samanlainen kuin konvoluutio ja voidaan toteuttaa samalla kerroslogiikalla.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/fi/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> Kuva: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T09:57:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Objektien tunnistus
|
||||
|
||||
Kuvien luokittelumallit, joita olemme tähän mennessä käsitelleet, ottavat kuvan ja tuottavat kategorisen tuloksen, kuten luokan 'numero' MNIST-ongelmassa. Monissa tapauksissa emme kuitenkaan halua vain tietää, että kuva esittää objekteja – haluamme pystyä määrittämään niiden tarkka sijainti. Juuri tähän **objektien tunnistus** keskittyy.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-28T19:33:17+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Pään tunnistus Hollywood Heads -datastolla
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T09:58:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Segmentointi
|
||||
|
||||
Olemme aiemmin oppineet objektien tunnistamisesta, joka mahdollistaa objektien paikantamisen kuvassa ennustamalla niiden *rajauslaatikot*. Joissakin tehtävissä emme kuitenkaan tarvitse pelkästään rajauslaatikoita, vaan myös tarkempaa objektien paikantamista. Tätä tehtävää kutsutaan **segmentoinniksi**.
|
||||
|
|
@ -20,7 +11,7 @@ Segmentointi voidaan nähdä **pikseliluokitteluna**, jossa jokaiselle kuvan pik
|
|||
|
||||
Esimerkiksi instanssisegmentoinnissa nämä lampaat ovat eri objekteja, mutta semanttisessa segmentoinnissa kaikki lampaat kuuluvat yhteen luokkaan.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/fi/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> Kuva [tästä blogikirjoituksesta](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ Segmentointiin on olemassa erilaisia neuroverkkoarkkitehtuureja, mutta niillä k
|
|||
* **Kooderi** (Encoder) poimii piirteitä syötekuvasta.
|
||||
* **Dekooderi** (Decoder) muuntaa nämä piirteet **maskikuvaksi**, jonka koko ja kanavien määrä vastaavat luokkien määrää.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/fi/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> Kuva [tästä julkaisusta](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ Tässä oppitunnissa näemme segmentoinnin käytännössä kouluttamalla verkkoa
|
|||
|
||||
> ✅ Tämä tekniikka sopii erityisen hyvin tämän tyyppiseen lääketieteelliseen kuvantamiseen, mutta mitä muita tosielämän sovelluksia voisit kuvitella?
|
||||
|
||||
<img alt="luomet" src="images/navi.png"/>
|
||||
<img alt="luomet" src="../../../../../translated_images/fi/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> Kuva PH<sup>2</sup>-tietokannasta
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-28T19:36:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Ihmiskehon segmentointi
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-28T19:23:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tietokonenäkö
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:05:19+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tekstin esittäminen tensoreina
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ Tavoitteenamme on luokitella uutinen yhteen kategorioista tekstin perusteella.
|
|||
|
||||
Jos haluamme ratkaista luonnollisen kielen käsittelyn (NLP) tehtäviä neuroverkoilla, meidän täytyy löytää tapa esittää teksti tensoreina. Tietokoneet esittävät tekstimerkit jo numeroina, jotka vastaavat näytöllä näkyviä fontteja, käyttäen esimerkiksi ASCII- tai UTF-8-koodauksia.
|
||||
|
||||
<img alt="Kuva, joka näyttää kaavion, jossa merkki muunnetaan ASCII- ja binaarimuotoon" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="Kuva, joka näyttää kaavion, jossa merkki muunnetaan ASCII- ja binaarimuotoon" src="../../../../../translated_images/fi/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [Kuvan lähde](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ Joissakin tapauksissa voimme harkita tri-grammien - kolmen sanan yhdistelmien -
|
|||
|
||||
Kun ratkaistaan tehtäviä, kuten tekstin luokittelua, meidän täytyy pystyä esittämään teksti yhdellä kiinteän kokoisella vektorilla, jota käytämme syötteenä lopulliselle tiheälle luokittelijalle. Yksi yksinkertaisimmista tavoista tehdä tämä on yhdistää kaikki yksittäiset sanan esitykset, esimerkiksi lisäämällä ne yhteen. Jos lisäämme jokaisen sanan one-hot-koodaukset, päädymme frekvenssivektoriin, joka näyttää, kuinka monta kertaa kukin sana esiintyy tekstissä. Tällainen tekstin esitys kutsutaan **bag-of-words** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/fi/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> Kuva: kirjoittaja
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-28T20:09:46+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tehtävä: Muistikirjat
|
||||
|
||||
Käytä tämän oppitunnin muistikirjoja (joko PyTorch- tai TensorFlow-versiota) ja suorita ne uudelleen käyttäen omaa datasettiäsi, esimerkiksi Kagglesta löytyvää, ja muista mainita lähde. Muokkaa muistikirjaa korostaaksesi omia havaintojasi. Kokeile joitakin innovatiivisia datasettejä, jotka saattavat olla yllättäviä, kuten [tämä UFO-havaintoja käsittelevä datasetti](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) NUFORC:lta.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:04:58+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Upotukset
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-28T20:08:21+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tehtävä: Muistikirjat
|
||||
|
||||
Käytä tämän oppitunnin muistikirjoja (joko PyTorch- tai TensorFlow-versiota) ja suorita ne uudelleen käyttäen omaa datasettiäsi, esimerkiksi Kagglesta löytyvää, ja muista mainita lähde. Muokkaa muistikirjaa korostaaksesi omia havaintojasi. Kokeile erilaista datasettiä ja dokumentoi havaintosi, käyttäen esimerkiksi tekstiä kuten [nämä Beatlesin laulujen sanat](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:03:10+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Kielen mallintaminen
|
||||
|
||||
Semanttiset upotukset, kuten Word2Vec ja GloVe, ovat itse asiassa ensimmäinen askel kohti **kielen mallintamista** - mallien luomista, jotka jollain tavalla *ymmärtävät* (tai *edustavat*) kielen luonnetta.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-28T20:00:35+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Skip-Gram-mallin kouluttaminen
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:04:31+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Toistuvat Neuronaaliverkot
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ Katsotaan, miten yksinkertainen RNN-solu on järjestetty. Se ottaa syötteenä e
|
|||
|
||||
Yksinkertaisessa RNN-solussa on kaksi painomatriisia: yksi muuntaa syötesymbolin (kutsutaan sitä W:ksi) ja toinen muuntaa syötetilan (H). Tässä tapauksessa verkon ulostulo lasketaan kaavalla σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), missä σ on aktivointifunktio ja b on lisäbias.
|
||||
|
||||
<img alt="RNN-solun anatomia" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="RNN-solun anatomia" src="../../../../../translated_images/fi/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> Kuva: kirjoittaja
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-28T20:07:05+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tehtävä: Muistikirjat
|
||||
|
||||
Käytä tämän oppitunnin mukana olevia muistikirjoja (joko PyTorch- tai TensorFlow-versiota) ja suorita ne uudelleen käyttäen omaa datasettiäsi, esimerkiksi Kagglesta, ja muista mainita lähde. Muokkaa muistikirjaa korostaaksesi omia havaintojasi. Kokeile erilaista datasettiä ja dokumentoi havaintosi, käyttäen tekstiä kuten [tämä Kaggle-kilpailudata sääaiheisista twiiteistä](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:02:43+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Generatiiviset verkot
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ Koulutamme tämän RNN:n tuottamaan tekstiä askel askeleelta. Jokaisessa vaihee
|
|||
|
||||
Kun tuotamme tekstiä (inferenssin aikana), aloitamme jollain **aloitustekstillä**, joka syötetään RNN-soluihin tuottamaan sen välimuistin, ja sitten tästä tilasta alkaa generointi. Tuotamme yhden merkin kerrallaan ja syötämme tilan ja tuotetun merkin seuraavaan RNN-soluun tuottamaan seuraavan, kunnes olemme tuottaneet tarpeeksi merkkejä.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/fi/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> Kuva kirjoittajalta
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-28T19:59:38+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Sanatason tekstin generointi RNN:ien avulla
|
||||
|
||||
Laboraatiotehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:03:21+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Huomiomekanismit ja Transformerit
|
||||
|
||||
## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ Positionaalisen koodauksen idea on seuraava.
|
|||
* Koulutettava upotus, kuten token-upotus. Tämä on lähestymistapa, jota tarkastelemme tässä. Sovellamme upotuskerroksia sekä tokeneihin että niiden sijainteihin, jolloin saadaan samankokoiset upotusvektorit, jotka sitten lisätään yhteen.
|
||||
* Kiinteä positionaalinen koodausfunktio, kuten alkuperäisessä paperissa ehdotettiin.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/fi/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> Kuva kirjoittajalta
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-28T20:02:35+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Tehtävä: Transformers
|
||||
|
||||
Kokeile Transformers-kirjastoa HuggingFacessa! Testaa joitakin heidän tarjoamiaan skriptejä, joilla voit työskennellä heidän sivustollaan saatavilla olevien mallien kanssa: https://huggingface.co/docs/transformers/run_scripts. Kokeile jotakin heidän datakokonaisuuksistaan, tuo sitten yksi omista datakokonaisuuksistasi tästä kurssista tai Kagglesta ja katso, voitko luoda mielenkiintoisia tekstejä. Laadi muistikirja havainnoistasi.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:04:10+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Nimien tunnistus (Named Entity Recognition)
|
||||
|
||||
Tähän mennessä olemme keskittyneet pääasiassa yhteen NLP-tehtävään - luokitteluun. On kuitenkin olemassa myös muita NLP-tehtäviä, joita voidaan toteuttaa neuroverkoilla. Yksi näistä tehtävistä on **[nimien tunnistus](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), joka keskittyy tunnistamaan tekstistä tiettyjä entiteettejä, kuten paikkoja, henkilön nimiä, päivämäärä- ja aikavälejä, kemiallisia kaavoja ja niin edelleen.
|
||||
|
|
@ -17,7 +8,7 @@ Tähän mennessä olemme keskittyneet pääasiassa yhteen NLP-tehtävään - luo
|
|||
|
||||
Oletetaan, että haluat kehittää luonnollisen kielen chatbotin, joka on samanlainen kuin Amazon Alexa tai Google Assistant. Älykkäät chatbotit toimivat *ymmärtämällä* käyttäjän tarpeet tekemällä tekstiluokittelua syötteenä annettuun lauseeseen. Tämän luokittelun tuloksena saadaan niin sanottu **intentio**, joka määrittää, mitä chatbotin tulisi tehdä.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/fi/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> Kuva: kirjoittaja
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-28T20:04:56+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# NER
|
||||
|
||||
Lab-tehtävä [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) -materiaalista.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:03:49+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Esikoulutetut Suuret Kielenmallit
|
||||
|
||||
Kaikissa aiemmissa tehtävissämme olemme kouluttaneet neuroverkkoa suorittamaan tietyn tehtävän käyttäen merkittyä aineistoa. Suurten transformer-mallien, kuten BERT:n, kohdalla käytämme kielenmallinnusta itseohjautuvassa muodossa rakentaaksemme kielenmallin, joka sitten erikoistetaan tiettyyn jatkotehtävään lisäkoulutuksella, joka keskittyy tiettyyn alaan. On kuitenkin osoitettu, että suuret kielenmallit voivat ratkaista monia tehtäviä myös ilman mitään alakohtaista koulutusta. Malliperhe, joka pystyy tähän, tunnetaan nimellä **GPT**: Generative Pre-Trained Transformer.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-28T19:56:47+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Luonnollisen kielen käsittely
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T09:54:15+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Geneettiset algoritmit
|
||||
|
||||
## [Esiluentakysely](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T09:55:16+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Syvävahvistusoppiminen
|
||||
|
||||
Vahvistusoppiminen (RL) nähdään yhtenä koneoppimisen perusparadigmoista, yhdessä ohjatun oppimisen ja ohjaamattoman oppimisen kanssa. Siinä missä ohjatussa oppimisessa tukeudumme tunnettuja tuloksia sisältävään aineistoon, RL perustuu **oppimiseen tekemällä**. Esimerkiksi, kun näemme ensimmäistä kertaa tietokonepelin, alamme pelata sitä, vaikka emme tiedä sääntöjä, ja pian pystymme parantamaan taitojamme pelkästään pelaamalla ja mukauttamalla käyttäytymistämme.
|
||||
|
|
@ -34,7 +25,7 @@ Olette varmasti nähneet moderneja tasapainolaitteita, kuten *Segway* tai *Gyros
|
|||
|
||||
Yksinkertaistettu versio tasapainottamisesta tunnetaan nimellä **CartPole-ongelma**. CartPole-maailmassa meillä on vaakasuuntainen liukusäädin, joka voi liikkua vasemmalle tai oikealle, ja tavoitteena on tasapainottaa pystysuora tanko liukusäätimen päällä sen liikkuessa.
|
||||
|
||||
<img alt="cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="cartpole" src="../../../../../translated_images/fi/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
Tämän ympäristön luomiseen ja käyttämiseen tarvitsemme muutaman rivin Python-koodia:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-28T19:18:37+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
## Ympäristö
|
||||
|
||||
Mountain Car -ympäristö koostuu autosta, joka on jumissa laaksossa. Tavoitteesi on hypätä ulos laaksosta ja saavuttaa lippu. Voit suorittaa seuraavat toiminnot: kiihdyttää vasemmalle, kiihdyttää oikealle tai olla tekemättä mitään. Voit havainnoida auton sijaintia x-akselilla ja sen nopeutta.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T09:54:34+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Multi-agenttijärjestelmät
|
||||
|
||||
Yksi mahdollinen tapa saavuttaa älykkyyttä on niin sanottu **emergentti** (tai **synergeettinen**) lähestymistapa, joka perustuu siihen, että monien suhteellisen yksinkertaisten agenttien yhdistetty käyttäytyminen voi johtaa järjestelmän kokonaisvaltaisesti monimutkaisempaan (tai älykkäämpään) käyttäytymiseen. Teoreettisesti tämä perustuu [kollektiivisen älykkyyden](https://en.wikipedia.org/wiki/Collective_intelligence), [emergentismin](https://en.wikipedia.org/wiki/Global_brain) ja [evolutionaarisen kybernetiikan](https://en.wikipedia.org/wiki/Global_brain) periaatteisiin, jotka väittävät, että korkeamman tason järjestelmät saavat jonkinlaista lisäarvoa, kun ne yhdistetään asianmukaisesti alemman tason järjestelmistä (niin sanottu *metajärjestelmäsiirtymän periaate*).
|
||||
|
|
@ -60,7 +51,7 @@ Voit [ladata](https://ccl.northwestern.edu/netlogo/download.shtml) ja asentaa Ne
|
|||
|
||||
NetLogon hienous on siinä, että se sisältää kirjaston toimivia malleja, joita voit kokeilla. Siirry **File → Models Library**, ja sinulla on monia mallikategorioita, joista valita.
|
||||
|
||||
<img alt="NetLogo Models Library" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="NetLogo Models Library" src="../../../../../translated_images/fi/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> Kuvakaappaus mallikirjastosta Dmitry Soshnikovilta
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-28T19:16:56+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# NetLogo-tehtävä
|
||||
|
||||
Valitse yksi NetLogon kirjaston malleista ja käytä sitä simuloimaan todellista tilannetta mahdollisimman tarkasti. Hyvä esimerkki olisi muokata Virus-mallia Alternative Visualizations -kansiossa, jotta se näyttää, miten sitä voidaan käyttää COVID-19:n leviämisen mallintamiseen. Voitko rakentaa mallin, joka jäljittelee todellisen viruksen leviämistä?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-28T19:41:27+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Eettinen ja vastuullinen tekoäly
|
||||
|
||||
Olet melkein suorittanut tämän kurssin, ja toivon, että tähän mennessä näet selvästi, että tekoäly perustuu useisiin muodollisiin matemaattisiin menetelmiin, jotka mahdollistavat suhteiden löytämisen datasta ja mallien kouluttamisen jäljittelemään joitakin ihmisen käyttäytymisen piirteitä. Tässä historian vaiheessa pidämme tekoälyä erittäin voimakkaana työkaluna, joka auttaa meitä löytämään kaavoja datasta ja soveltamaan niitä uusien ongelmien ratkaisemiseen.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-28T19:13:56+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Yleiskatsaus
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-28T19:21:33+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# Monimodaaliset verkot
|
||||
|
||||
Transformer-mallien menestyksen jälkeen NLP-tehtävissä samoja tai samankaltaisia arkkitehtuureja on alettu soveltaa myös tietokonenäkötehtäviin. Kasvava kiinnostus kohdistuu mallien rakentamiseen, jotka *yhdistävät* näkö- ja luonnollisen kielen käsittelyn kyvyt. Yksi tällainen yritys on OpenAI:n kehittämä CLIP ja DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-28T19:52:34+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
Oikeudet, tämä Public License koskee sinua;
|
||||
|
||||
c. et voi tarjota tai asettaa lisäehtoja tai -rajoituksia, tai soveltaa tehokkaita teknologisia toimenpiteitä, jotka rajoittavat oikeuksien käyttöä, jotka on myönnetty tämän Public License -lisenssin nojalla.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-28T19:51:12+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
Kaikki opetussuunnitelman sketchnotet voi ladata täältä.
|
||||
|
||||
🎨 Luonut: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:46:08+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "fi"
|
||||
}
|
||||
-->
|
||||
# AI-For-Beginners Vianmääritysopas
|
||||
|
||||
Tämä opas auttaa ratkaisemaan yleisiä ongelmia, joita voi kohdata käyttäessäsi tai osallistuessasi [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) -repositoryyn. Jokainen ongelma sisältää taustatietoa, oireet, selitykset ja vaiheittaiset ratkaisut.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:24:27+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:07:23+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:31+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:26+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:13:02+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:11:05+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:08+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:34+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:13:53+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:01+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:19:04+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:04:55+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:56:46+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:41:38+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:42:25+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:06:29+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:16+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:12:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:41:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:11:46+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:42+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:12:23+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:50:57+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:21+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:07:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:07:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:06:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:07:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:28:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T10:08:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T10:09:35+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T10:08:15+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-28T19:33:30+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T10:09:20+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-28T19:36:35+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-28T19:23:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:14:53+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-28T20:09:52+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:14:33+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-28T20:08:27+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:13:09+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-28T20:00:42+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:14:12+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-28T20:07:11+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:12:50+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-28T19:59:44+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:13:18+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-28T20:02:41+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:13:54+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-28T20:05:10+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:13:37+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-28T19:57:15+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T10:05:41+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T10:06:24+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-28T19:18:44+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T10:05:54+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-28T19:17:02+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-28T19:41:44+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-28T19:14:01+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-28T19:22:03+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-28T19:54:16+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-28T19:51:18+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "nl"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:46:27+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:24:27+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Projectoverzicht
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T03:02:43+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
[](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/)
|
||||
|
|
@ -23,22 +14,23 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Kunstmatige Intelligentie voor Beginners - Een Curriculum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote door [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Verken de wereld van **Kunstmatige Intelligentie** (AI) met ons 12-weken durende curriculum met 24 lessen! Het bevat praktische lessen, quizzen en labs. Het curriculum is geschikt voor beginners en behandelt tools zoals TensorFlow en PyTorch, evenals ethiek in AI.
|
||||
Verken de wereld van **Kunstmatige Intelligentie** (AI) met ons 12-weken durend, 24-lessen curriculum! Het bevat praktische lessen, quizzen en labs. Het curriculum is geschikt voor beginners en behandelt tools zoals TensorFlow en PyTorch, evenals ethiek binnen AI.
|
||||
|
||||
|
||||
### 🌐 Meertalige Ondersteuning
|
||||
|
||||
#### Ondersteund via GitHub Action (Geautomatiseerd & Altijd Actueel)
|
||||
#### Ondersteund via GitHub Action (Geautomatiseerd & Altijd Up-to-Date)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabisch](../ar/README.md) | [Bengaals](../bn/README.md) | [Bulgaars](../bg/README.md) | [Birmaans (Myanmar)](../my/README.md) | [Chinees (Vereenvoudigd)](../zh/README.md) | [Chinees (Traditioneel, Hong Kong)](../hk/README.md) | [Chinees (Traditioneel, Macau)](../mo/README.md) | [Chinees (Traditioneel, Taiwan)](../tw/README.md) | [Kroatisch](../hr/README.md) | [Tsjechisch](../cs/README.md) | [Deens](../da/README.md) | [Nederlands](./README.md) | [Ests](../et/README.md) | [Fins](../fi/README.md) | [Frans](../fr/README.md) | [Duits](../de/README.md) | [Grieks](../el/README.md) | [Hebreeuws](../he/README.md) | [Hindi](../hi/README.md) | [Hongaars](../hu/README.md) | [Indonesisch](../id/README.md) | [Italiaans](../it/README.md) | [Japans](../ja/README.md) | [Kannada](../kn/README.md) | [Koreaans](../ko/README.md) | [Litouws](../lt/README.md) | [Maleis](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalees](../ne/README.md) | [Nigeriaans Pidgin](../pcm/README.md) | [Noors](../no/README.md) | [Perzisch (Farsi)](../fa/README.md) | [Pools](../pl/README.md) | [Portugees (Brazilië)](../br/README.md) | [Portugees (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Roemeens](../ro/README.md) | [Russisch](../ru/README.md) | [Servisch (Cyrillisch)](../sr/README.md) | [Slowaaks](../sk/README.md) | [Sloveens](../sl/README.md) | [Spaans](../es/README.md) | [Swahili](../sw/README.md) | [Zweeds](../sv/README.md) | [Tagalog (Filipijns)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thais](../th/README.md) | [Turks](../tr/README.md) | [Oekraïens](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamees](../vi/README.md)
|
||||
[Arabisch](../ar/README.md) | [Bengaals](../bn/README.md) | [Bulgaars](../bg/README.md) | [Birmaans (Myanmar)](../my/README.md) | [Chinees (Vereenvoudigd)](../zh-CN/README.md) | [Chinees (Traditioneel, Hong Kong)](../zh-HK/README.md) | [Chinees (Traditioneel, Macau)](../zh-MO/README.md) | [Chinees (Traditioneel, Taiwan)](../zh-TW/README.md) | [Kroatisch](../hr/README.md) | [Tsjechisch](../cs/README.md) | [Deens](../da/README.md) | [Nederlands](./README.md) | [Ests](../et/README.md) | [Fins](../fi/README.md) | [Frans](../fr/README.md) | [Duits](../de/README.md) | [Grieks](../el/README.md) | [Hebreeuws](../he/README.md) | [Hindi](../hi/README.md) | [Hongaars](../hu/README.md) | [Indonesisch](../id/README.md) | [Italiaans](../it/README.md) | [Japans](../ja/README.md) | [Kannada](../kn/README.md) | [Koreaans](../ko/README.md) | [Litouws](../lt/README.md) | [Maleis](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalees](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Noors](../no/README.md) | [Perzisch (Farsi)](../fa/README.md) | [Pools](../pl/README.md) | [Portugees (Brazilië)](../pt-BR/README.md) | [Portugees (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Roemeens](../ro/README.md) | [Russisch](../ru/README.md) | [Servisch (Cyrillisch)](../sr/README.md) | [Slowaaks](../sk/README.md) | [Sloveens](../sl/README.md) | [Spaans](../es/README.md) | [Swahili](../sw/README.md) | [Zweeds](../sv/README.md) | [Tagalog (Filipijns)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thais](../th/README.md) | [Turks](../tr/README.md) | [Oekraïens](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamees](../vi/README.md)
|
||||
|
||||
> **Lieber lokaal klonen?**
|
||||
|
||||
> Deze repository bevat 50+ vertalingen, wat de downloadgrootte aanzienlijk vergroot. Gebruik sparse checkout om zonder vertalingen te klonen:
|
||||
> Deze repository bevat meer dan 50 taalvertalingen wat de downloadgrootte aanzienlijk vergroot. Om te klonen zonder vertalingen, gebruik sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
|
|
@ -47,180 +39,180 @@ Verken de wereld van **Kunstmatige Intelligentie** (AI) met ons 12-weken durende
|
|||
> Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Als je extra vertalingen wilt laten ondersteunen, zijn de ondersteunde talen [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) vermeld**
|
||||
**Indien je extra vertaaltalen wenst te ondersteunen, zijn deze hier genoemd [hier](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Word lid van de Community
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Wat je zult leren
|
||||
## Wat je zal leren
|
||||
|
||||
**[Mindmap van de Cursus](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
In dit curriculum leer je:
|
||||
|
||||
* Verschillende benaderingen van Kunstmatige Intelligentie, inclusief de "goede oude" symbolische aanpak met **Kennisrepresentatie** en redeneren ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neurale Netwerken** en **Deep Learning**, die de kern vormen van moderne AI. We zullen de concepten achter deze belangrijke onderwerpen illustreren met code in twee van de populairste frameworks - [TensorFlow](http://Tensorflow.org) en [PyTorch](http://pytorch.org).
|
||||
* **Neurale Architecturen** voor het werken met afbeeldingen en tekst. We behandelen recente modellen maar misschien niet de allernieuwste.
|
||||
* Verschillende benaderingen van Kunstmatige Intelligentie, inclusief de "good old" symbolische benadering met **Kennisrepresentatie** en redeneren ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neurale Netwerken** en **Diep Leren**, die de kern vormen van moderne AI. We zullen de concepten achter deze belangrijke onderwerpen illustreren met code in twee van de populairste frameworks - [TensorFlow](http://Tensorflow.org) en [PyTorch](http://pytorch.org).
|
||||
* **Neurale Architecturen** voor het werken met afbeeldingen en tekst. We behandelen recente modellen maar het kan iets minder up-to-date zijn met de state-of-the-art.
|
||||
* Minder populaire AI-benaderingen, zoals **Genetische Algoritmen** en **Multi-Agent Systemen**.
|
||||
|
||||
Wat we niet behandelen in dit curriculum:
|
||||
|
||||
> [Vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn collectie](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Business cases voor het gebruik van **AI in Bedrijven**. Overweeg de leerlijn [Introductie tot AI voor zakelijke gebruikers](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) op Microsoft Learn, of [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ontwikkeld in samenwerking met [INSEAD](https://www.insead.edu/).
|
||||
* **Klassieke Machine Learning**, die goed wordt beschreven in ons [Machine Learning voor Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktische AI-toepassingen gebouwd met **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Hiervoor raden we aan te starten met Microsoft Learn modules voor [visie](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natuurlijke taalverwerking](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI met Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** en andere.
|
||||
* Specifieke ML **Cloud Frameworks**, zoals [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), of [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overweeg gebruik te maken van de leerlijnen [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) en [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Conversational AI** en **Chatbots**. Er is een aparte leerlijn [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), en je kunt ook verwijzen naar [deze blogpost](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) voor meer detail.
|
||||
* **Diepe Wiskunde** achter deep learning. Hiervoor raden we [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) aan van Ian Goodfellow, Yoshua Bengio en Aaron Courville, dat ook online beschikbaar is op [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Business cases voor het gebruik van **AI in Business**. Overweeg om de leerroute [Introductie tot AI voor zakelijke gebruikers](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) op Microsoft Learn te volgen, of de [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), ontwikkeld in samenwerking met [INSEAD](https://www.insead.edu/).
|
||||
* **Klassiek Machine Learning**, dat goed beschreven wordt in ons [Machine Learning voor Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktische AI-toepassingen gebouwd met **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Hiervoor raden we je aan te starten met modules op Microsoft Learn voor [visie](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natuurlijke taalverwerking](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generatieve AI met Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** en anderen.
|
||||
* Specifieke ML **Cloud Frameworks**, zoals [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), of [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overweeg het gebruik van de leerpaden [Bouw en beheer machine learning-oplossingen met Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) en [Bouw en beheer machine learning-oplossingen met Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Conversational AI** en **Chatbots**. Er is een aparte leerroute [Maak conversational AI-oplossingen](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), en je kunt ook verwijzen naar [deze blogpost](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) voor meer details.
|
||||
* **Diepe wiskunde** achter diep leren. Hiervoor raden we [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) aan van Ian Goodfellow, Yoshua Bengio en Aaron Courville, dat ook online beschikbaar is op [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Voor een zachte introductie tot _AI in de Cloud_-onderwerpen kun je overwegen de leerlijn [Starten met kunstmatige intelligentie op Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) te volgen.
|
||||
Voor een zachte introductie tot _AI in de Cloud_ onderwerpen kun je overwegen om de leerroute [Begin met kunstmatige intelligentie op Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) te volgen.
|
||||
|
||||
# Inhoud
|
||||
|
||||
| | Leslink | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Les Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Cursusconfiguratie](./lessons/0-course-setup/setup.md) | [Stel je ontwikkelomgeving in](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Cursus Setup](./lessons/0-course-setup/setup.md) | [Stel je ontwikkelomgeving in](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Introductie tot AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Introductie en Geschiedenis van AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Symbolische AI** |
|
||||
| 02 | [Kennisrepresentatie en Expert Systemen](./lessons/2-Symbolic/README.md) | [Expert Systemen](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Conceptgrafiek](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Kennisrepresentatie en Expertsystemen](./lessons/2-Symbolic/README.md) | [Expertsystemen](./lessons/2-Symbolic/Animals.ipynb) / [Ontologie](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Conceptgrafiek](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Introductie tot Neurale Netwerken**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron en het maken van ons eigen Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron en het creëren van ons eigen Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Introductie tot Frameworks (PyTorch/TensorFlow) en Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./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)| [Verken Computer Vision op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Introductie tot Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Voorgetrainde Netwerken en Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) en [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Auto-encoders en VAE’s](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatieve Tegenstrijdige Netwerken & Artistieke Stijltransfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architecturen](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Voorgetrainde Netwerken en Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) en [Training Trucs](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders en VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks & Artistieke Stijltransfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Objectdetectie](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantische segmentatie. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| 12 | [Semantische Segmentatie. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Natuurlijke Taalverwerking**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Verken Natuurlijke Taalverwerking op Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Tekstreprentatie. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantische woordembeddings. Word2Vec en GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Taalmodellering. Train je eigen embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 13 | [Tekstrepresentatie. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantische woord-embeddings. Word2Vec en GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Taalkundige Modellering. Train je eigen embeddings](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./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 | [Generatieve Recurrente Netwerken](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Grote Taalmodellen, Prompt Programmeren en Few-Shot Taken](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Andere AI-technieken** || |
|
||||
| 20 | [Grote Taalmodellen, Promptprogrammering en Few-Shot Taken](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Andere AI-Technieken** || |
|
||||
| 21 | [Genetische Algoritmen](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multi-Agent Systemen](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI-ethiek** | | |
|
||||
| 24 | [AI-ethiek en Verantwoordelijke AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principes voor Verantwoordelijke AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extras** | | |
|
||||
| 24 | [AI-ethiek en Verantwoordelijke AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Verantwoordelijke AI Principes](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Extra's** | | |
|
||||
| 25 | [Multi-Modal Netwerken, CLIP en VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Elke les bevat
|
||||
|
||||
* Voorleesmateriaal
|
||||
* Uitvoerbare Jupyter Notebooks, die vaak specifiek zijn voor het framework (**PyTorch** of **TensorFlow**). Het uitvoerbare notebook bevat ook veel theoretisch materiaal, dus om het onderwerp te begrijpen moet je minstens één versie van het notebook doorlopen (ofwel PyTorch of TensorFlow).
|
||||
* **Labs** beschikbaar voor sommige onderwerpen, die je de mogelijkheid geven om het geleerde materiaal toe te passen op een specifiek probleem.
|
||||
* Uitvoerbare Jupyter Notebooks, die vaak specifiek zijn voor het framework (**PyTorch** of **TensorFlow**). Het uitvoerbare notebook bevat ook veel theoretisch materiaal, dus om het onderwerp te begrijpen moet je minstens één versie van het notebook doorlopen (PyTorch of TensorFlow).
|
||||
* **Labs** beschikbaar voor sommige onderwerpen, die je de kans geven om de geleerde stof toe te passen op een specifiek probleem.
|
||||
* Sommige secties bevatten links naar [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modules die gerelateerde onderwerpen behandelen.
|
||||
|
||||
## Aan de slag
|
||||
|
||||
### 🎯 Nieuw in AI? Begin hier!
|
||||
### 🎯 Nieuw met AI? Begin hier!
|
||||
|
||||
Als je helemaal nieuw bent in AI en snel praktische voorbeelden wilt, bekijk dan onze [**Beginnersvriendelijke Voorbeelden**](./examples/README.md)! Deze omvatten:
|
||||
Als je helemaal nieuw bent met AI en snel praktische voorbeelden wilt bekijken, bekijk dan onze [**Beginnervriendelijke Voorbeelden**](./examples/README.md)! Deze bevatten:
|
||||
|
||||
- 🌟 **Hallo AI Wereld** - Je eerste AI-programma (patroonherkenning)
|
||||
- 🧠 **Eenvoudig Neuraal Netwerk** - Bouw een neuraal netwerk vanaf nul
|
||||
- 🖼️ **Beeldclassificatie** - Beelden classificeren met gedetailleerde uitleg
|
||||
- 💬 **Tekst Sentiment** - Analyseer positieve/negatieve tekst
|
||||
- 🖼️ **Beeldclassificatie** - Classificeer afbeeldingen met gedetailleerde opmerkingen
|
||||
- 💬 **Tekstsentiment** - Analyseer positieve/negatieve tekst
|
||||
|
||||
Deze voorbeelden zijn ontworpen om je te helpen AI-concepten te begrijpen voordat je aan het volledige curriculum begint.
|
||||
Deze voorbeelden zijn ontworpen om je te helpen AI-concepten te begrijpen voordat je aan het volledige curriculum begint.
|
||||
|
||||
### 📚 Volledige Curriculum Setup
|
||||
### 📚 Volledige Curriculum Setup
|
||||
|
||||
- We hebben een [opstartles](./lessons/0-course-setup/setup.md) gemaakt om je te helpen met het opzetten van je ontwikkelomgeving. - Voor docenten hebben we ook een [curriculum setup-les](./lessons/0-course-setup/for-teachers.md) gemaakt!
|
||||
- Hoe je [de code draait in VSCode of een Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
- We hebben een [setup les](./lessons/0-course-setup/setup.md) gemaakt om je te helpen bij het instellen van je ontwikkelomgeving. - Voor docenten hebben we ook een [curricula setup les](./lessons/0-course-setup/for-teachers.md) gemaakt!
|
||||
- Hoe de [code uit te voeren in VSCode of een Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Volg deze stappen:
|
||||
Volg deze stappen:
|
||||
|
||||
Fork de Repository: Klik op de knop "Fork" rechtsboven op deze pagina.
|
||||
Fork de Repository: Klik op de knop "Fork" rechtsboven op deze pagina.
|
||||
|
||||
Clone de Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Clone de Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Vergeet niet deze repo te voorzien van een ster (🌟) zodat je hem later gemakkelijker terugvindt.
|
||||
Vergeet niet deze repo te voorzien van een ster (🌟) zodat je hem later gemakkelijker terugvindt.
|
||||
|
||||
## Ontmoet andere Leerlingen
|
||||
## Ontmoet andere Leerlingen
|
||||
|
||||
Word lid van onze [officiële AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) om andere leerlingen die deze cursus volgen te ontmoeten en netwerken en ondersteuning te krijgen.
|
||||
Doe mee met onze [officiële AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) om andere leerlingen die deze cursus volgen te ontmoeten en netwerk te bouwen en ondersteuning te krijgen.
|
||||
|
||||
Als je productfeedback of vragen hebt tijdens het bouwen, bezoek dan ons [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Als je productfeedback of vragen hebt tijdens het bouwen, bezoek dan ons [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Quizzen
|
||||
## Quizzen
|
||||
|
||||
> **Een opmerking over quizzen**: Alle quizzen bevinden zich in de Quiz-app map in etc\quiz-app, of [Online Hier](https://ff-quizzes.netlify.app/) Ze zijn gekoppeld vanuit de lessen; de quiz-app kan lokaal worden uitgevoerd of naar Azure worden gedeployed; volg de instructies in de `quiz-app` map. Ze worden geleidelijk gelokaliseerd.
|
||||
> **Een opmerking over quizzen**: Alle quizzen zitten in de Quiz-app map in etc\quiz-app, of [Online Hier](https://ff-quizzes.netlify.app/) Ze zijn gelinkt vanuit de lessen, de quiz-app kan lokaal worden uitgevoerd of op Azure worden gedeployed; volg de instructies in de `quiz-app` map. Ze worden geleidelijk gelokaliseerd.
|
||||
|
||||
## Hulp Gevraagd
|
||||
## Hulp Gezocht
|
||||
|
||||
Heb je suggesties of spelling- of codefouten gevonden? Maak een issue aan of doe een pull request.
|
||||
Heb je suggesties of spelling- of codefouten gevonden? Maak een issue aan of dien een pull request in.
|
||||
|
||||
## Speciale Dank
|
||||
## Speciale Dank
|
||||
|
||||
* **✍️ Hoofdauteur:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote illustrator:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Quiz Maker:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Kernbijdragers:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **✍️ Hoofdauteur:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Sketchnote illustrator:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Quiz Maker:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Kernbijdragers:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Andere Curricula
|
||||
## Andere Curricula
|
||||
|
||||
Ons team produceert andere curricula! Bekijk:
|
||||
Ons team maakt nog meer curricula! Bekijk:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generatieve AI Serie
|
||||
[](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)
|
||||
---
|
||||
|
||||
### Generatieve AI Serie
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Kernleren
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
---
|
||||
|
||||
### Kernleren
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot Serie
|
||||
[](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 -->
|
||||
---
|
||||
|
||||
### Copilot Serie
|
||||
[](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 -->
|
||||
|
||||
## Hulp Krijgen
|
||||
## Hulp Krijgen
|
||||
|
||||
Als je vastloopt of vragen hebt over het bouwen van AI-apps. Doe mee met mede-leerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende gemeenschap waar vragen welkom zijn en kennis vrij wordt gedeeld.
|
||||
Als je vastloopt of vragen hebt over het bouwen van AI-apps. Doe mee met mede-leerlingen en ervaren ontwikkelaars in discussies over MCP. Het is een ondersteunende community waar vragen welkom zijn en kennis vrij gedeeld wordt.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Als je productfeedback of fouten tegenkomt tijdens het bouwen, bezoek dan:
|
||||
Als je productfeedback of fouten hebt tijdens het bouwen, bezoek dan:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
|
|
@ -228,5 +220,5 @@ Als je productfeedback of fouten tegenkomt tijdens het bouwen, bezoek dan:
|
|||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Disclaimer**:
|
||||
Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel wij streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het oorspronkelijke document in de oorspronkelijke taal dient als de gezaghebbende bron te worden beschouwd. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor enige misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.
|
||||
Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onjuistheden kunnen bevatten. Het oorspronkelijke document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor enige misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:31+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
## Beveiliging
|
||||
|
||||
Microsoft neemt de beveiliging van onze softwareproducten en -diensten serieus, waaronder alle broncode-repositories die worden beheerd via onze GitHub-organisaties, zoals [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) en [onze GitHub-organisaties](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:26+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Microsoft Open Source Gedragscode
|
||||
|
||||
Dit project heeft de [Microsoft Open Source Gedragscode](https://opensource.microsoft.com/codeofconduct/) aangenomen.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:13:02+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Bijdragen
|
||||
|
||||
Dit project verwelkomt bijdragen en suggesties. Voor de meeste bijdragen moet je akkoord gaan met een Contributor License Agreement (CLA), waarin je verklaart dat je het recht hebt om, en daadwerkelijk doet, ons de rechten te geven om jouw bijdrage te gebruiken. Voor meer informatie, bezoek https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:11:05+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Introductie tot AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:08+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Ondersteuning
|
||||
|
||||
## Hoe problemen te melden en hulp te krijgen
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:34+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Draag bij door lessen te vertalen
|
||||
|
||||
We verwelkomen vertalingen van de lessen in dit curriculum!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:13:53+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Quizzen
|
||||
|
||||
Deze quizzen zijn de pre- en post-lezing quizzen voor het AI-curriculum op https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:01+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Beginner-Vriendelijke AI Voorbeelden
|
||||
|
||||
Welkom! Deze map bevat eenvoudige, zelfstandige voorbeelden om je te helpen beginnen met AI en machine learning. Elk voorbeeld is ontworpen om toegankelijk te zijn voor beginners, met gedetailleerde opmerkingen en stapsgewijze uitleg.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:19:04+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Voor Docenten
|
||||
|
||||
Wilt u deze lesstof in uw klas gebruiken? Voel u vrij om dat te doen!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:04:55+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Hoe de code uit te voeren
|
||||
|
||||
Dit curriculum bevat veel uitvoerbare voorbeelden en labs die je wilt uitvoeren. Om dit te doen, heb je de mogelijkheid nodig om Python-code uit te voeren in Jupyter Notebooks die als onderdeel van dit curriculum worden meegeleverd. Je hebt verschillende opties om de code uit te voeren:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:56:46+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Aan de slag met dit curriculum
|
||||
|
||||
## Ben je een student?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:41:38+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Introductie tot AI
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:42:25+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Games zijn een gebied dat sterk is beïnvloed door ontwikkelingen in AI en ML. In deze opdracht schrijf je een kort essay over een spel dat je leuk vindt en dat is beïnvloed door de evolutie van AI. Het moet een spel zijn dat oud genoeg is om beïnvloed te zijn door verschillende soorten computerverwerkende systemen. Een goed voorbeeld is schaken of Go, maar kijk ook eens naar videogames zoals Pong of Pac-Man. Schrijf een essay waarin je het verleden, heden en de AI-toekomst van het spel bespreekt.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:06:29+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Kennisrepresentatie en Expert Systemen
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote door [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Meestal definiëren we kennis niet strikt, maar stemmen het af met andere gerela
|
|||
|
||||
Dus, het probleem van **kennisrepresentatie** is het vinden van een effectieve manier om kennis binnen een computer te representeren in de vorm van data, om het automatisch bruikbaar te maken. Dit kan worden gezien als een spectrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Afbeelding door [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
Een van de vroege successen van symbolische AI waren zogenaamde **expert systemen** - computersystemen die ontworpen waren om als een expert te functioneren in een beperkt probleemdomein. Ze waren gebaseerd op een **kennisbasis** die werd geëxtraheerd van een of meerdere menselijke experts, en ze bevatten een **inference engine** die er bovenop redeneerde.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Vereenvoudigde structuur van een menselijk neuronensysteem | Architectuur van een kennisgebaseerd systeem
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Expert systemen zijn opgebouwd als het menselijke redeneringssysteem, dat een **
|
|||
|
||||
Als voorbeeld nemen we het volgende expertsysteem om een dier te bepalen op basis van zijn fysieke kenmerken:
|
||||
|
||||
|
||||
|
||||
|
||||
> Afbeelding door [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:16+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Bouw een Ontologie
|
||||
|
||||
Het bouwen van een kennisbank draait om het categoriseren van een model dat feiten over een onderwerp vertegenwoordigt. Kies een onderwerp - zoals een persoon, een plaats of een ding - en bouw vervolgens een model van dat onderwerp. Gebruik enkele van de technieken en strategieën voor modelbouw die in deze les worden beschreven. Een voorbeeld zou zijn het creëren van een ontologie van een woonkamer met meubels, verlichting, enzovoort. Hoe verschilt de woonkamer van de keuken? De badkamer? Hoe weet je dat het een woonkamer is en geen eetkamer? Gebruik [Protégé](https://protege.stanford.edu/) om je ontologie te bouwen.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:12:05+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Introductie tot Neurale Netwerken: Perceptron
|
||||
|
||||
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Een van de eerste pogingen om iets te implementeren dat lijkt op een modern neur
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/nl/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/nl/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Afbeeldingen [van Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
waarbij f een stap-activatiefunctie is
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/nl/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Het trainen van de Perceptron
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:41:19+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Multi-Classificatie met Perceptron
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:11:46+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Introductie tot Neurale Netwerken. Multi-Layered Perceptron
|
||||
|
||||
In de vorige sectie heb je geleerd over het eenvoudigste model van een neuraal netwerk: de éénlaagse perceptron, een lineair tweeklassen-classificatiemodel.
|
||||
|
|
@ -65,7 +56,7 @@ Het gradient descent-algoritme blijft hetzelfde, maar het wordt moeilijker om de
|
|||
|
||||
Merk op dat het meest linkse deel van al deze uitdrukkingen hetzelfde is, en dat we dus effectief de afgeleiden kunnen berekenen door te beginnen bij de verliesfunctie en "achterwaarts" door de computationele grafiek te gaan. Daarom wordt de methode voor het trainen van een multi-layered perceptron **backpropagation** genoemd, of 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/nl/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: afbeelding bronvermelding
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:42+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# MNIST-classificatie met ons eigen framework
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:12:23+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Neural Netwerk Frameworks
|
||||
|
||||
Zoals we al hebben geleerd, moeten we twee dingen doen om neurale netwerken efficiënt te kunnen trainen:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:50:57+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Classificatie met PyTorch/TensorFlow
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:21+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Introductie tot Neurale Netwerken
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:07:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Introductie tot Computer Vision
|
||||
|
||||
[Computer Vision](https://wikipedia.org/wiki/Computer_vision) is een vakgebied dat erop gericht is computers een hoog niveau van begrip van digitale afbeeldingen te geven. Dit is een vrij brede definitie, omdat *begrip* veel verschillende dingen kan betekenen, zoals het vinden van een object op een afbeelding (**objectdetectie**), begrijpen wat er gebeurt (**eventdetectie**), een afbeelding beschrijven in tekst, of een scène in 3D reconstrueren. Er zijn ook speciale taken die betrekking hebben op menselijke afbeeldingen: leeftijd- en emotie-inschatting, gezichtsdetectie en -identificatie, en 3D-houdingsinschatting, om er een paar te noemen.
|
||||
|
|
@ -115,7 +106,7 @@ Lees meer over optische stroom [in deze geweldige tutorial](https://learnopencv.
|
|||
|
||||
In deze lab ga je een video maken met eenvoudige gebaren, en jouw doel is om op/neer/links/rechts bewegingen te extraheren met behulp van optische stroom.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Palm Movement Frame"/>
|
||||
<img src="../../../../../translated_images/nl/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Palm Movement Frame"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Bewegingen detecteren met behulp van Optical Flow
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:07:06+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Bekende CNN-Architecturen
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Zoals je kunt zien, volgt VGG een traditionele piramide-architectuur, wat een op
|
|||
|
||||
ResNet is een familie van modellen die in 2015 werd voorgesteld door Microsoft Research. Het belangrijkste idee achter ResNet is het gebruik van **residuele blokken**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/nl/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Afbeelding uit [dit artikel](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Je kunt dit netwerk ook zien als een model dat zijn complexiteit aanpast aan de
|
|||
|
||||
De Google Inception-architectuur gaat nog een stap verder en bouwt elke netwerklaag als een combinatie van verschillende paden:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/nl/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Afbeelding van [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:06:48+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Convolutionele Neurale Netwerken
|
||||
|
||||
We hebben eerder gezien dat neurale netwerken behoorlijk goed zijn in het verwerken van afbeeldingen, en zelfs een perceptron met één laag kan handgeschreven cijfers uit de MNIST-dataset met redelijke nauwkeurigheid herkennen. De MNIST-dataset is echter heel bijzonder, omdat alle cijfers gecentreerd zijn in de afbeelding, wat de taak eenvoudiger maakt.
|
||||
|
|
@ -24,7 +15,7 @@ Om patronen te extraheren, maken we gebruik van het concept van **convolutionele
|
|||
|
||||
Als we bijvoorbeeld 3x3 verticale en horizontale randfilters toepassen op de MNIST-cijfers, kunnen we highlights (bijvoorbeeld hoge waarden) krijgen waar verticale en horizontale randen in onze originele afbeelding zijn. Deze twee filters kunnen dus worden gebruikt om "te zoeken naar" randen. Op dezelfde manier kunnen we verschillende filters ontwerpen om andere laag-niveau patronen te zoeken:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/nl/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Afbeelding van [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:55:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Classificatie van Huisdiergezichten
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:07:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Voorgetrainde Netwerken en Transfer Learning
|
||||
|
||||
Het trainen van CNN's kan veel tijd kosten en vereist een grote hoeveelheid data. Veel tijd wordt besteed aan het leren van de beste laag-niveau filters die een netwerk kan gebruiken om patronen uit afbeeldingen te halen. Een logische vraag is: kunnen we een neuraal netwerk dat op één dataset is getraind gebruiken en aanpassen om andere afbeeldingen te classificeren zonder een volledig trainingsproces?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:28:18+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Deep Learning Training Tricks
|
||||
|
||||
Naarmate neurale netwerken dieper worden, wordt het proces van hun training steeds uitdagender. Een groot probleem is het zogenaamde [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) of [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Deze post](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) geeft een goede introductie tot deze problemen.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "nl"
|
||||
}
|
||||
-->
|
||||
# Classificatie van Oxford Huisdieren met Transfer Learning
|
||||
|
||||
Labopdracht uit [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue