Merge pull request #545 from microsoft/update-translations

🌐 Update translations via Co-op Translator

translations/ar/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:27:51+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:42:08+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ar"
 }
@@ -13,47 +13,47 @@ CO_OP_TRANSLATOR_METADATA:
 
 كما ناقشنا في المقدمة، إحدى الطرق لتحقيق الذكاء هي تدريب **نموذج حاسوبي** أو **دماغ اصطناعي**. منذ منتصف القرن العشرين، حاول الباحثون استخدام نماذج رياضية مختلفة، حتى أثبت هذا الاتجاه نجاحًا كبيرًا في السنوات الأخيرة. تُعرف هذه النماذج الرياضية للدماغ باسم **الشبكات العصبية**.
 
-> أحيانًا تُسمى الشبكات العصبية *الشبكات العصبية الاصطناعية* (ANNs) للإشارة إلى أننا نتحدث عن نماذج، وليس شبكات حقيقية من الخلايا العصبية.
+> أحيانًا تُطلق على الشبكات العصبية اسم *الشبكات العصبية الاصطناعية* (Artificial Neural Networks - ANNs)، للإشارة إلى أننا نتحدث عن نماذج وليس عن شبكات حقيقية من الخلايا العصبية.
 
 ## التعلم الآلي
 
 الشبكات العصبية هي جزء من مجال أكبر يُسمى **التعلم الآلي**، والذي يهدف إلى استخدام البيانات لتدريب نماذج حاسوبية قادرة على حل المشكلات. يشكل التعلم الآلي جزءًا كبيرًا من الذكاء الاصطناعي، ومع ذلك، لن نتناول التعلم الآلي التقليدي في هذه المناهج.
 
-> قم بزيارة منهجنا المنفصل **[التعلم الآلي للمبتدئين](http://github.com/microsoft/ml-for-beginners)** لتتعرف أكثر على التعلم الآلي التقليدي.
+> قم بزيارة منهجنا المنفصل **[التعلم الآلي للمبتدئين](http://github.com/microsoft/ml-for-beginners)** لتتعرف على المزيد حول التعلم الآلي التقليدي.
 
-في التعلم الآلي، نفترض أن لدينا مجموعة بيانات من الأمثلة **X**، والقيم الناتجة المقابلة **Y**. غالبًا ما تكون الأمثلة متجهات متعددة الأبعاد تتكون من **ميزات**، وتُسمى القيم الناتجة **التسميات**.
+في التعلم الآلي، نفترض أن لدينا مجموعة بيانات من الأمثلة **X**، وقيم مخرجات مقابلة **Y**. غالبًا ما تكون الأمثلة عبارة عن متجهات متعددة الأبعاد تتكون من **ميزات**، وتُسمى المخرجات **التسميات**.
 
 سنناقش أكثر مشكلتين شيوعًا في التعلم الآلي:
 
 * **التصنيف**، حيث نحتاج إلى تصنيف كائن الإدخال إلى فئتين أو أكثر.
-* **الانحدار**، حيث نحتاج إلى التنبؤ بقيمة رقمية لكل عينة من عينات الإدخال.
+* **الانحدار**، حيث نحتاج إلى التنبؤ بقيمة رقمية لكل عينة إدخال.
 
-> عند تمثيل المدخلات والمخرجات كموترات، تكون مجموعة بيانات الإدخال مصفوفة بحجم M×N، حيث M هو عدد العينات وN هو عدد الميزات. أما تسميات المخرجات Y فهي متجه بحجم M.
+> عند تمثيل المدخلات والمخرجات كموترات، تكون مجموعة بيانات الإدخال عبارة عن مصفوفة بحجم M&times;N، حيث M هو عدد العينات وN هو عدد الميزات. أما تسميات المخرجات Y فهي متجه بحجم M.
 
 في هذا المنهج، سنركز فقط على نماذج الشبكات العصبية.
 
 ## نموذج الخلية العصبية
 
-من علم الأحياء، نعلم أن دماغنا يتكون من خلايا عصبية، لكل منها عدة "مدخلات" (محاور عصبية)، ومخرج واحد (شجرة شجيرية). يمكن للمحاور العصبية والأشجار الشجيرية نقل إشارات كهربائية، ويمكن للوصلات بين المحاور والأشجار الشجيرية أن تظهر درجات مختلفة من التوصيل (تُتحكم بها النواقل العصبية).
+من علم الأحياء، نعلم أن دماغنا يتكون من خلايا عصبية (الخلايا العصبية)، لكل منها عدة "مدخلات" (التشعبات) ومخرج واحد (المحور العصبي). يمكن لكل من التشعبات والمحاور العصبية نقل إشارات كهربائية، والروابط بينها — المعروفة باسم المشابك العصبية — يمكن أن تظهر درجات متفاوتة من التوصيل، والتي يتم تنظيمها بواسطة الناقلات العصبية.
 
 ![نموذج الخلية العصبية](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ar.jpg) | ![نموذج الخلية العصبية](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ar.png)
 ----|----
 خلية عصبية حقيقية *([الصورة](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) من ويكيبيديا)* | خلية عصبية اصطناعية *(الصورة بواسطة المؤلف)*
 
-لذلك، أبسط نموذج رياضي للخلية العصبية يحتوي على عدة مدخلات X<sub>1</sub>, ..., X<sub>N</sub> ومخرج Y، وسلسلة من الأوزان W<sub>1</sub>, ..., W<sub>N</sub>. يتم حساب المخرج كالتالي:
+لذلك، فإن أبسط نموذج رياضي للخلية العصبية يحتوي على عدة مدخلات X<sub>1</sub>, ..., X<sub>N</sub> ومخرج Y، وسلسلة من الأوزان W<sub>1</sub>, ..., W<sub>N</sub>. يتم حساب المخرج كالتالي:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ar.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 حيث f هي **دالة التنشيط** غير الخطية.
 
-> تم وصف النماذج المبكرة للخلية العصبية في الورقة الكلاسيكية [حساب منطقي للأفكار الكامنة في النشاط العصبي](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) بواسطة وارين مكولك ووالتر بيتس عام 1943. واقترح دونالد هيب في كتابه "[تنظيم السلوك: نظرية نفسية عصبية](https://books.google.com/books?id=VNetYrB8EBoC)" طريقة تدريب هذه الشبكات.
+> تم وصف النماذج المبكرة للخلية العصبية في الورقة الكلاسيكية [حساب منطقي للأفكار الكامنة في النشاط العصبي](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) بواسطة وارين مكولوتش ووالتر بيتس في عام 1943. واقترح دونالد هيب في كتابه "[تنظيم السلوك: نظرية نفسية عصبية](https://books.google.com/books?id=VNetYrB8EBoC)" الطريقة التي يمكن بها تدريب تلك الشبكات.
 
 ## في هذا القسم
 
 في هذا القسم سنتعلم عن:
-* [بيرسيبترون](03-Perceptron/README.md)، أحد أقدم نماذج الشبكات العصبية لتصنيف الفئتين
+* [Perceptron](03-Perceptron/README.md)، أحد أقدم نماذج الشبكات العصبية لتصنيف الفئتين
 * [الشبكات متعددة الطبقات](04-OwnFramework/README.md) مع دفتر ملاحظات مرفق [كيفية بناء إطار عمل خاص بنا](04-OwnFramework/OwnFramework.ipynb)
-* [أطر عمل الشبكات العصبية](05-Frameworks/README.md)، مع دفاتر الملاحظات التالية: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [إطارات عمل الشبكات العصبية](05-Frameworks/README.md)، مع دفاتر الملاحظات التالية: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [الإفراط في التكيف](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---

translations/bg/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:36:36+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:53:19+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "bg"
 }
@@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Обобщение на съдържанието за въведение в невронните мрежи в рисунка](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.bg.png)
 
-Както обсъдихме във въведението, един от начините за постигане на интелигентност е чрез обучение на **компютърен модел** или **изкуствен мозък**. От средата на 20-ти век изследователите опитват различни математически модели, докато през последните години този подход се оказа изключително успешен. Такива математически модели на мозъка се наричат **невронни мрежи**.
+Както обсъдихме във въведението, един от начините за постигане на интелигентност е чрез обучение на **компютърен модел** или **изкуствен мозък**. От средата на 20-ти век изследователите опитват различни математически модели, докато в последните години този подход не се оказа изключително успешен. Тези математически модели на мозъка се наричат **невронни мрежи**.
 
 > Понякога невронните мрежи се наричат *Изкуствени невронни мрежи* (Artificial Neural Networks, ANNs), за да се подчертае, че става въпрос за модели, а не за реални мрежи от неврони.
 
 ## Машинно обучение
 
-Невронните мрежи са част от по-голяма дисциплина, наречена **Машинно обучение**, чиято цел е да използва данни за обучение на компютърни модели, способни да решават проблеми. Машинното обучение представлява значителна част от изкуствения интелект, но в тази учебна програма няма да разглеждаме класическо машинно обучение.
+Невронните мрежи са част от по-голяма дисциплина, наречена **Машинно обучение**, чиято цел е да използва данни за обучение на компютърни модели, способни да решават проблеми. Машинното обучение представлява значителна част от Изкуствения интелект, но в тази учебна програма няма да разглеждаме класическо машинно обучение.
 
 > Посетете нашата отделна учебна програма **[Машинно обучение за начинаещи](http://github.com/microsoft/ml-for-beginners)**, за да научите повече за класическото машинно обучение.
 
-В машинното обучение приемаме, че разполагаме с някакъв набор от примери **X** и съответстващи изходни стойности **Y**. Примерите често са N-мерни вектори, състоящи се от **характеристики**, а изходите се наричат **етикети**.
+В машинното обучение приемаме, че разполагаме с набор от примери **X** и съответстващи изходни стойности **Y**. Примерите често са N-измерни вектори, съставени от **характеристики**, а изходите се наричат **етикети**.
 
 Ще разгледаме двата най-често срещани проблема в машинното обучение:
 
 * **Класификация**, при която трябва да класифицираме входен обект в две или повече категории.
-* **Регресия**, при която трябва да предвидим числова стойност за всеки от входните примери.
+* **Регресия**, при която трябва да предскажем числова стойност за всеки от входните примери.
 
-> Когато представяме входовете и изходите като тензори, входният набор от данни е матрица с размер M×N, където M е броят на примерите, а N е броят на характеристиките. Изходните етикети Y са вектор с размер M.
+> Когато представяме входовете и изходите като тензори, входният набор от данни е матрица с размер M&times;N, където M е броят на примерите, а N е броят на характеристиките. Изходните етикети Y са вектор с размер M.
 
 В тази учебна програма ще се фокусираме само върху модели на невронни мрежи.
 
 ## Модел на неврон
 
-От биологията знаем, че нашият мозък се състои от невронни клетки, всяка от които има множество "входове" (аксони) и един изход (дендрит). Аксоните и дендритите могат да провеждат електрически сигнали, а връзките между тях могат да имат различна степен на проводимост (контролирана от невромедиатори).
+От биологията знаем, че нашият мозък се състои от нервни клетки (неврони), всяка от които има множество "входове" (дендрити) и един "изход" (аксон). Както дендритите, така и аксоните могат да провеждат електрически сигнали, а връзките между тях — известни като синапси — могат да имат различна степен на проводимост, която се регулира от невротрансмитери.
 
 ![Модел на неврон](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.bg.jpg) | ![Модел на неврон](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.bg.png)
 ----|----
@@ -42,19 +42,19 @@ CO_OP_TRANSLATOR_METADATA:
 
 Следователно, най-простият математически модел на неврон съдържа няколко входа X<sub>1</sub>, ..., X<sub>N</sub> и един изход Y, както и серия от тегла W<sub>1</sub>, ..., W<sub>N</sub>. Изходът се изчислява като:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.bg.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 където f е някаква нелинейна **активационна функция**.
 
-> Ранните модели на неврон са описани в класическата статия [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) от Уорън Маккълок и Уолтър Питс през 1943 г. Доналд Хеб в своята книга "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предлага начин за обучение на тези мрежи.
+> Ранните модели на неврон са описани в класическата статия [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) от Уорън Маккълок и Уолтър Питс през 1943 г. Доналд Хеб в книгата си "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предлага начин, по който тези мрежи могат да бъдат обучавани.
 
 ## В тази секция
 
 В тази секция ще научим за:
-* [Перцептрон](03-Perceptron/README.md), един от най-ранните модели на невронни мрежи за класификация с две категории
-* [Многослойни мрежи](04-OwnFramework/README.md) с придружаващ бележник [как да изградим собствена рамка](04-OwnFramework/OwnFramework.ipynb)
-* [Рамки за невронни мрежи](05-Frameworks/README.md), с тези бележници: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Пренасищане](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Перцептрон](03-Perceptron/README.md), един от най-ранните модели на невронни мрежи за двукласова класификация
+* [Многослойни мрежи](04-OwnFramework/README.md) с придружаващия тетраден файл [как да изградим собствена рамка](04-OwnFramework/OwnFramework.ipynb)
+* [Рамки за невронни мрежи](05-Frameworks/README.md), с тези тетрадки: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Преобучение](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 

translations/bn/lessons/3-NeuralNetworks/README.md

@@ -1,50 +1,50 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:30:17+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:44:54+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "bn"
 }
 -->
 # নিউরাল নেটওয়ার্কের পরিচিতি
 
-![নিউরাল নেটওয়ার্কের বিষয়বস্তুর সারাংশ একটি ডুডলে](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.bn.png)
+![নিউরাল নেটওয়ার্ক বিষয়বস্তুর সারাংশ একটি ডুডলে](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.bn.png)
 
-যেমনটি আমরা পরিচিতিতে আলোচনা করেছি, বুদ্ধিমত্তা অর্জনের একটি উপায় হল একটি **কম্পিউটার মডেল** বা একটি **কৃত্রিম মস্তিষ্ক** প্রশিক্ষণ দেওয়া। ২০শ শতকের মাঝামাঝি থেকে গবেষকরা বিভিন্ন গাণিতিক মডেল চেষ্টা করেছেন, এবং সাম্প্রতিক বছরগুলোতে এই দিকটি অত্যন্ত সফল প্রমাণিত হয়েছে। মস্তিষ্কের এই ধরনের গাণিতিক মডেলকে **নিউরাল নেটওয়ার্ক** বলা হয়।
+যেমনটি আমরা পরিচিতিতে আলোচনা করেছি, বুদ্ধিমত্তা অর্জনের একটি উপায় হল একটি **কম্পিউটার মডেল** বা একটি **কৃত্রিম মস্তিষ্ক** প্রশিক্ষণ দেওয়া। ২০শ শতাব্দীর মাঝামাঝি থেকে গবেষকরা বিভিন্ন গাণিতিক মডেল চেষ্টা করেছেন, এবং সাম্প্রতিক বছরগুলোতে এই দিকটি অত্যন্ত সফল প্রমাণিত হয়েছে। মস্তিষ্কের এই ধরনের গাণিতিক মডেলগুলোকে **নিউরাল নেটওয়ার্ক** বলা হয়।
 
-> কখনও কখনও নিউরাল নেটওয়ার্ককে *Artificial Neural Networks*, ANNs বলা হয়, যাতে বোঝানো যায় যে আমরা মডেল নিয়ে কথা বলছি, বাস্তব নিউরনের নেটওয়ার্ক নয়।
+> কখনও কখনও নিউরাল নেটওয়ার্ককে *কৃত্রিম নিউরাল নেটওয়ার্ক*, ANNs বলা হয়, যাতে বোঝানো যায় যে আমরা মডেল নিয়ে কথা বলছি, আসল নিউরনের নেটওয়ার্ক নয়।
 
 ## মেশিন লার্নিং
 
-নিউরাল নেটওয়ার্ক একটি বৃহত্তর শাখার অংশ, যাকে **মেশিন লার্নিং** বলা হয়। এর লক্ষ্য হল ডেটা ব্যবহার করে কম্পিউটার মডেল প্রশিক্ষণ দেওয়া যা সমস্যার সমাধান করতে সক্ষম। মেশিন লার্নিং কৃত্রিম বুদ্ধিমত্তার একটি বড় অংশ গঠন করে, তবে আমরা এই পাঠ্যক্রমে ক্লাসিক্যাল মেশিন লার্নিং কভার করব না।
+নিউরাল নেটওয়ার্ক একটি বৃহত্তর শাখার অংশ, যাকে **মেশিন লার্নিং** বলা হয়। এর লক্ষ্য হল ডেটা ব্যবহার করে এমন কম্পিউটার মডেল তৈরি করা যা সমস্যার সমাধান করতে সক্ষম। মেশিন লার্নিং কৃত্রিম বুদ্ধিমত্তার একটি বড় অংশ গঠন করে, তবে আমরা এই পাঠ্যক্রমে ক্লাসিক্যাল মেশিন লার্নিং কভার করব না।
 
-> ক্লাসিক্যাল মেশিন লার্নিং সম্পর্কে আরও জানতে আমাদের আলাদা **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** পাঠ্যক্রমটি দেখুন।
+> ক্লাসিক্যাল মেশিন লার্নিং সম্পর্কে আরও জানতে আমাদের আলাদা **[মেশিন লার্নিং ফর বিগিনারস](http://github.com/microsoft/ml-for-beginners)** পাঠ্যক্রমটি দেখুন।
 
-মেশিন লার্নিং-এ আমরা ধরে নিই যে আমাদের কাছে কিছু উদাহরণ **X** এবং সংশ্লিষ্ট আউটপুট মান **Y** সহ একটি ডেটাসেট রয়েছে। উদাহরণগুলো প্রায়শই N-ডাইমেনশনাল ভেক্টর হয় যা **ফিচার** নিয়ে গঠিত, এবং আউটপুটগুলোকে **লেবেল** বলা হয়।
+মেশিন লার্নিং-এ আমরা ধরে নিই যে আমাদের কাছে কিছু উদাহরণ ডেটাসেট **X** এবং সংশ্লিষ্ট আউটপুট মান **Y** রয়েছে। উদাহরণগুলো প্রায়শই N-মাত্রিক ভেক্টর যা **ফিচার** নিয়ে গঠিত, এবং আউটপুটগুলোকে **লেবেল** বলা হয়।
 
-আমরা দুটি সবচেয়ে সাধারণ মেশিন লার্নিং সমস্যার কথা বিবেচনা করব:
+আমরা মেশিন লার্নিংয়ের দুটি সবচেয়ে সাধারণ সমস্যা বিবেচনা করব:
 
-* **ক্লাসিফিকেশন**, যেখানে আমাদের একটি ইনপুট অবজেক্টকে দুই বা ততোধিক শ্রেণিতে শ্রেণিবদ্ধ করতে হবে।
-* **রিগ্রেশন**, যেখানে আমাদের প্রতিটি ইনপুট নমুনার জন্য একটি সংখ্যাসূচক মান পূর্বাভাস দিতে হবে।
+* **ক্লাসিফিকেশন**, যেখানে আমাদের একটি ইনপুট অবজেক্টকে দুই বা তার বেশি শ্রেণিতে শ্রেণিবদ্ধ করতে হবে।
+* **রিগ্রেশন**, যেখানে আমাদের প্রতিটি ইনপুট নমুনার জন্য একটি সংখ্যাসূচক মান পূর্বানুমান করতে হবে।
 
-> ইনপুট এবং আউটপুটকে টেনসর হিসেবে উপস্থাপন করার সময়, ইনপুট ডেটাসেটটি M×N আকারের একটি ম্যাট্রিক্স, যেখানে M হল নমুনার সংখ্যা এবং N হল ফিচারের সংখ্যা। আউটপুট লেবেল **Y** হল M আকারের একটি ভেক্টর।
+> ইনপুট এবং আউটপুটকে টেনসর হিসেবে উপস্থাপন করার সময়, ইনপুট ডেটাসেটটি M&times;N আকারের একটি ম্যাট্রিক্স, যেখানে M হল নমুনার সংখ্যা এবং N হল ফিচারের সংখ্যা। আউটপুট লেবেল Y হল M আকারের একটি ভেক্টর।
 
 এই পাঠ্যক্রমে, আমরা শুধুমাত্র নিউরাল নেটওয়ার্ক মডেলগুলোর উপর ফোকাস করব।
 
 ## একটি নিউরনের মডেল
 
-জীববিজ্ঞানের মাধ্যমে আমরা জানি যে আমাদের মস্তিষ্ক নিউরাল কোষ নিয়ে গঠিত, প্রতিটি কোষের একাধিক "ইনপুট" (অ্যাক্সন) এবং একটি আউটপুট (ডেনড্রাইট) থাকে। অ্যাক্সন এবং ডেনড্রাইট বৈদ্যুতিক সংকেত পরিবহন করতে পারে, এবং অ্যাক্সন এবং ডেনড্রাইটের মধ্যে সংযোগ বিভিন্ন মাত্রার পরিবাহিতা প্রদর্শন করতে পারে (যা নিউরোমিডিয়েটর দ্বারা নিয়ন্ত্রিত হয়)।
+জীববিজ্ঞান থেকে আমরা জানি যে আমাদের মস্তিষ্ক নিউরাল কোষ (নিউরন) নিয়ে গঠিত, প্রতিটি কোষের একাধিক "ইনপুট" (ডেনড্রাইট) এবং একটি "আউটপুট" (অ্যাক্সন) থাকে। ডেনড্রাইট এবং অ্যাক্সন উভয়ই বৈদ্যুতিক সংকেত পরিচালনা করতে পারে, এবং তাদের মধ্যে সংযোগগুলো — যেগুলো সিন্যাপস নামে পরিচিত — বিভিন্ন মাত্রার পরিবাহিতা প্রদর্শন করতে পারে, যা নিউরোট্রান্সমিটার দ্বারা নিয়ন্ত্রিত হয়।
 
-![একটি নিউরনের মডেল](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.bn.jpg) | ![একটি নিউরনের মডেল](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.bn.png)
+![একটি নিউরনের মডেল](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.bn.jpg) | ![একটি কৃত্রিম নিউরনের মডেল](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.bn.png)
 ----|----
-বাস্তব নিউরন *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) থেকে ইমেজ)* | কৃত্রিম নিউরন *(লেখকের তৈরি ইমেজ)*
+আসল নিউরন *([উইকিপিডিয়া থেকে ইমেজ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | কৃত্রিম নিউরন *(লেখকের তৈরি ইমেজ)*
 
-তাই, একটি নিউরনের সবচেয়ে সহজ গাণিতিক মডেলটি কয়েকটি ইনপুট **X<sub>1</sub>, ..., X<sub>N</sub>** এবং একটি আউটপুট **Y**, এবং একটি সিরিজের ওজন **W<sub>1</sub>, ..., W<sub>N</sub>** নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়:
+তাই, একটি নিউরনের সবচেয়ে সহজ গাণিতিক মডেলটি কয়েকটি ইনপুট X<sub>1</sub>, ..., X<sub>N</sub> এবং একটি আউটপুট Y, এবং একটি সিরিজ ওজন W<sub>1</sub>, ..., W<sub>N</sub> নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.bn.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-যেখানে **f** হল কিছু অ-রৈখিক **অ্যাক্টিভেশন ফাংশন**।
+যেখানে f হল কিছু অরৈখিক **অ্যাক্টিভেশন ফাংশন**।
 
 > নিউরনের প্রাথমিক মডেলগুলো ১৯৪৩ সালে ওয়ারেন ম্যাককালক এবং ওয়াল্টার পিটসের ক্লাসিক্যাল পেপার [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)-এ বর্ণনা করা হয়েছিল। ডোনাল্ড হেব তার বই "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"-এ এই নেটওয়ার্কগুলো কীভাবে প্রশিক্ষণ দেওয়া যায় তা প্রস্তাব করেছিলেন।
 
@@ -52,11 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
 
 এই অধ্যায়ে আমরা শিখব:
 * [পারসেপট্রন](03-Perceptron/README.md), দুই-শ্রেণির ক্লাসিফিকেশনের জন্য প্রাথমিক নিউরাল নেটওয়ার্ক মডেলগুলোর একটি
-* [মাল্টি-লেয়ারড নেটওয়ার্ক](04-OwnFramework/README.md) এবং একটি সংযুক্ত নোটবুক [আমাদের নিজস্ব ফ্রেমওয়ার্ক তৈরি করা](04-OwnFramework/OwnFramework.ipynb)
+* [মাল্টি-লেয়ারড নেটওয়ার্ক](04-OwnFramework/README.md) এবং এর সাথে একটি নোটবুক [কীভাবে আমাদের নিজস্ব ফ্রেমওয়ার্ক তৈরি করা যায়](04-OwnFramework/OwnFramework.ipynb)
 * [নিউরাল নেটওয়ার্ক ফ্রেমওয়ার্ক](05-Frameworks/README.md), এই নোটবুকগুলো সহ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) এবং [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [ওভারফিটিং](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **অস্বীকৃতি**:  
-এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদ প্রদানের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।
+এই নথিটি AI অনুবাদ পরিষেবা [Co-op Translator](https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতার জন্য চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। এর মূল ভাষায় থাকা নথিটিকে প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদ ব্যবহারের ফলে কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যা হলে আমরা দায়বদ্ধ থাকব না।

translations/br/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:31:39+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:47:05+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "br"
 }
@@ -11,38 +11,38 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Resumo do conteúdo de Introdução às Redes Neurais em um desenho](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.br.png)
 
-Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo de computador** ou um **cérebro artificial**. Desde meados do século XX, pesquisadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, essa abordagem se mostrou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**.
+Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, pesquisadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, essa abordagem se mostrou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neurais**.
 
 > Às vezes, redes neurais são chamadas de *Redes Neurais Artificiais*, ou ANNs, para indicar que estamos falando de modelos, e não de redes reais de neurônios.
 
 ## Aprendizado de Máquina
 
-Redes Neurais fazem parte de uma disciplina maior chamada **Aprendizado de Máquina**, cujo objetivo é usar dados para treinar modelos de computador capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial, no entanto, não abordamos o aprendizado de máquina clássico neste currículo.
+Redes Neurais fazem parte de uma disciplina maior chamada **Aprendizado de Máquina**, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial, porém, não abordamos o aprendizado de máquina clássico neste currículo.
 
 > Visite nosso currículo separado **[Aprendizado de Máquina para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre Aprendizado de Máquina clássico.
 
-No Aprendizado de Máquina, assumimos que temos algum conjunto de dados de exemplos **X**, e valores de saída correspondentes **Y**. Os exemplos geralmente são vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
+No Aprendizado de Máquina, assumimos que temos algum conjunto de dados de exemplos **X** e valores de saída correspondentes **Y**. Os exemplos geralmente são vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
 
 Consideraremos os dois problemas mais comuns de aprendizado de máquina:
 
 * **Classificação**, onde precisamos classificar um objeto de entrada em duas ou mais classes.
-* **Regressão**, onde precisamos prever um valor numérico para cada uma das amostras de entrada.
+* **Regressão**, onde precisamos prever um número numérico para cada uma das amostras de entrada.
 
-> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são o vetor de tamanho M.
+> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M&times;N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são o vetor de tamanho M.
 
 Neste currículo, focaremos apenas em modelos de redes neurais.
 
 ## Um Modelo de Neurônio
 
-Na biologia, sabemos que nosso cérebro é composto por células neurais, cada uma delas tendo múltiplas "entradas" (axônios) e uma saída (dendrito). Axônios e dendritos podem conduzir sinais elétricos, e as conexões entre axônios e dendritos podem apresentar diferentes graus de condutividade (controlados por neurotransmissores).
+Na biologia, sabemos que nosso cérebro é composto por células neurais (neurônios), cada uma delas tendo múltiplas "entradas" (dendritos) e uma única "saída" (axônio). Tanto os dendritos quanto os axônios podem conduzir sinais elétricos, e as conexões entre eles — conhecidas como sinapses — podem apresentar diferentes graus de condutividade, que são regulados por neurotransmissores.
 
 ![Modelo de um Neurônio](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.br.jpg) | ![Modelo de um Neurônio](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.br.png)
 ----|----
 Neurônio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurônio Artificial *(Imagem do Autor)*
 
-Assim, o modelo matemático mais simples de um neurônio contém várias entradas X<sub>1</sub>, ..., X<sub>N</sub> e uma saída Y, além de uma série de pesos W<sub>1</sub>, ..., W<sub>N</sub>. A saída é calculada como:
+Assim, o modelo matemático mais simples de um neurônio contém várias entradas X<sub>1</sub>, ..., X<sub>N</sub> e uma saída Y, e uma série de pesos W<sub>1</sub>, ..., W<sub>N</sub>. A saída é calculada como:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.br.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 onde f é alguma **função de ativação** não linear.
 
@@ -59,4 +59,4 @@ Nesta seção, aprenderemos sobre:
 ---
 
 **Aviso Legal**:  
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.

translations/cs/lessons/3-NeuralNetworks/README.md

@@ -1,57 +1,57 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:35:52+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:52:28+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "cs"
 }
 -->
 # Úvod do neuronových sítí
 
-![Shrnutí obsahu Úvodu do neuronových sítí ve sketchnotu](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.cs.png)
+![Shrnutí obsahu Úvodu do neuronových sítí v kresbě](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.cs.png)
 
-Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech tento směr ukázal jako velmi úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**.
+Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat **počítačový model** nebo **umělý mozek**. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech ukázalo, že tento směr je velmi úspěšný. Tyto matematické modely mozku se nazývají **neuronové sítě**.
 
-> Někdy se neuronové sítě označují jako *umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů.
+> Neuronové sítě se někdy nazývají *Umělé neuronové sítě* (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů.
 
 ## Strojové učení
 
-Neuronové sítě jsou součástí širší disciplíny nazývané **strojové učení**, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, avšak v tomto kurikulu se klasickým strojovým učením nezabýváme.
+Neuronové sítě jsou součástí širší disciplíny nazvané **Strojové učení**, jejímž cílem je využít data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, avšak klasické strojové učení v tomto kurzu neprobíráme.
 
-> Navštivte náš samostatný **[kurikulum Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)**, kde se dozvíte více o klasickém strojovém učení.
+> Navštivte náš samostatný **[Strojové učení pro začátečníky](http://github.com/microsoft/ml-for-beginners)** kurz, kde se dozvíte více o klasickém strojovém učení.
 
-Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-rozměrné vektory, které se skládají z **příznaků**, a výstupy se nazývají **štítky**.
+Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů **X** a odpovídající výstupní hodnoty **Y**. Příklady jsou často N-dimenzionální vektory, které se skládají z **atributů**, a výstupy se nazývají **štítky**.
 
 Budeme se zabývat dvěma nejběžnějšími problémy strojového učení:
 
 * **Klasifikace**, kde je třeba zařadit vstupní objekt do dvou nebo více tříd.
-* **Regrese**, kde je třeba předpovědět číselnou hodnotu pro každý ze vstupních vzorků.
+* **Regrese**, kde je třeba předpovědět číselnou hodnotu pro každý z vstupních vzorků.
 
-> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada maticí o velikosti M×N, kde M je počet vzorků a N je počet příznaků. Výstupní štítky Y jsou vektorem o velikosti M.
+> Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada matice o velikosti M&times;N, kde M je počet vzorků a N je počet atributů. Výstupní štítky Y jsou vektor o velikosti M.
 
-V tomto kurikulu se zaměříme pouze na modely neuronových sítí.
+V tomto kurzu se zaměříme pouze na modely neuronových sítí.
 
 ## Model neuronu
 
-Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má více "vstupů" (axonů) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory).
+Z biologie víme, že náš mozek se skládá z nervových buněk (neuronů), z nichž každá má několik "vstupů" (dendritů) a jeden "výstup" (axon). Dendrity i axony mohou vést elektrické signály a spojení mezi nimi — známá jako synapse — mohou vykazovat různé stupně vodivosti, které jsou regulovány neurotransmitery.
 
 ![Model neuronu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.cs.jpg) | ![Model neuronu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.cs.png)
 ----|----
 Skutečný neuron *([Obrázek](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedie)* | Umělý neuron *(Obrázek od autora)*
 
-Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y a řadu vah W<sub>1</sub>, ..., W<sub>N</sub>. Výstup se vypočítá jako:
+Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y, a řadu vah W<sub>1</sub>, ..., W<sub>N</sub>. Výstup se vypočítá jako:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.cs.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 kde f je nějaká nelineární **aktivační funkce**.
 
-> První modely neuronu byly popsány v klasickém článku [Logický kalkulus idejí imanentních nervové aktivitě](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocha a Waltera Pittse v roce 1943. Donald Hebb ve své knize "[Organizace chování: Neuropsychologická teorie](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak lze tyto sítě trénovat.
+> Rané modely neuronu byly popsány v klasickém článku [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) od Warrena McCullocka a Waltera Pittse z roku 1943. Donald Hebb ve své knize "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" navrhl způsob, jak tyto sítě trénovat.
 
 ## V této sekci
 
 V této sekci se naučíme:
-* [Perceptron](03-Perceptron/README.md), jeden z nejstarších modelů neuronových sítí pro klasifikaci do dvou tříd
+* [Perceptron](03-Perceptron/README.md), jeden z nejstarších modelů neuronových sítí pro dvoutřídovou klasifikaci
 * [Vícevrstvé sítě](04-OwnFramework/README.md) s doprovodným notebookem [jak vytvořit vlastní framework](04-OwnFramework/OwnFramework.ipynb)
 * [Frameworky neuronových sítí](05-Frameworks/README.md), s těmito notebooky: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Přeučení](../../../../lessons/3-NeuralNetworks/05-Frameworks)
@@ -59,4 +59,4 @@ V této sekci se naučíme:
 ---
 
 **Prohlášení**:  
-Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
+Tento dokument byl přeložen pomocí služby AI pro překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme zodpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.

translations/da/lessons/3-NeuralNetworks/README.md

@@ -1,19 +1,19 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:33:21+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:49:32+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "da"
 }
 -->
 # Introduktion til Neurale Netværk
 
-![Oversigt over Intro Neural Networks indhold i en doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.da.png)
+![Oversigt over indholdet i Intro Neural Networks i en doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.da.png)
 
-Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne retning i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**.
+Som vi diskuterede i introduktionen, er en af måderne at opnå intelligens på at træne en **computermodel** eller en **kunstig hjerne**. Siden midten af det 20. århundrede har forskere prøvet forskellige matematiske modeller, indtil denne tilgang i de seneste år har vist sig at være enormt succesfuld. Sådanne matematiske modeller af hjernen kaldes **neurale netværk**.
 
-> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke rigtige netværk af neuroner.
+> Nogle gange kaldes neurale netværk for *Artificial Neural Networks*, ANNs, for at indikere, at vi taler om modeller og ikke om rigtige netværk af neuroner.
 
 ## Maskinlæring
 
@@ -26,37 +26,37 @@ I maskinlæring antager vi, at vi har et datasæt med eksempler **X** og tilsvar
 Vi vil se på de to mest almindelige maskinlæringsproblemer:
 
 * **Klassifikation**, hvor vi skal klassificere et inputobjekt i to eller flere klasser.
-* **Regression**, hvor vi skal forudsige et numerisk tal for hver af inputprøverne.
+* **Regression**, hvor vi skal forudsige en numerisk værdi for hver af inputprøverne.
 
-> Når inputs og outputs repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M×N, hvor M er antallet af prøver, og N er antallet af features. Output labels Y er vektoren af størrelse M.
+> Når inputs og outputs repræsenteres som tensorer, er inputdatasættet en matrix af størrelse M&times;N, hvor M er antallet af prøver, og N er antallet af features. Outputlabels Y er en vektor af størrelse M.
 
 I dette pensum vil vi kun fokusere på neurale netværksmodeller.
 
 ## En model af en neuron
 
-Fra biologien ved vi, at vores hjerne består af nerveceller, som hver har flere "inputs" (axoner) og et output (dendrit). Axoner og dendritter kan lede elektriske signaler, og forbindelserne mellem axoner og dendritter kan udvise forskellige grader af ledningsevne (kontrolleret af neuromediatorer).
+Fra biologien ved vi, at vores hjerne består af nerveceller (neuroner), som hver har flere "inputs" (dendritter) og en enkelt "output" (axon). Både dendritter og axoner kan lede elektriske signaler, og forbindelserne mellem dem — kendt som synapser — kan udvise varierende grader af ledningsevne, som reguleres af neurotransmittere.
 
 ![Model af en neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.da.jpg) | ![Model af en neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.da.png)
 ----|----
-Rigtig neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig neuron *(Billede af forfatter)*
+Ægte neuron *([Billede](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig neuron *(Billede af forfatteren)*
 
-Den simpleste matematiske model af en neuron indeholder derfor flere inputs X<sub>1</sub>, ..., X<sub>N</sub> og et output Y samt en række vægte W<sub>1</sub>, ..., W<sub>N</sub>. Output beregnes som:
+Den simpleste matematiske model af en neuron indeholder således flere inputs X<sub>1</sub>, ..., X<sub>N</sub> og et output Y samt en række vægte W<sub>1</sub>, ..., W<sub>N</sub>. Et output beregnes som:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.da.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 hvor f er en ikke-lineær **aktiveringsfunktion**.
 
-> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" hvordan disse netværk kan trænes.
+> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" en måde, hvorpå disse netværk kan trænes.
 
 ## I denne sektion
 
 I denne sektion vil vi lære om:
 * [Perceptron](03-Perceptron/README.md), en af de tidligste neurale netværksmodeller til to-klasse klassifikation
-* [Multi-lags netværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger vores eget framework](04-OwnFramework/OwnFramework.ipynb)
+* [Flerlagede netværk](04-OwnFramework/README.md) med en tilhørende notebook [hvordan man bygger vores eget framework](04-OwnFramework/OwnFramework.ipynb)
 * [Neurale netværksframeworks](05-Frameworks/README.md), med disse notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) og [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Ansvarsfraskrivelse**:  
-Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi er ikke ansvarlige for eventuelle misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.
+Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på at sikre nøjagtighed, skal det bemærkes, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os ikke ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.

translations/de/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:27:25+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:41:36+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "de"
 }
@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Zusammenfassung des Inhalts zu neuronalen Netzwerken in einer Skizze](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.de.png)
 
-Wie wir in der Einführung besprochen haben, ist eine Möglichkeit, Intelligenz zu erreichen, das Training eines **Computermodells** oder eines **künstlichen Gehirns**. Seit Mitte des 20. Jahrhunderts haben Forscher verschiedene mathematische Modelle ausprobiert, bis sich in den letzten Jahren dieser Ansatz als äußerst erfolgreich erwiesen hat. Solche mathematischen Modelle des Gehirns werden als **neuronale Netzwerke** bezeichnet.
+Wie wir in der Einführung besprochen haben, besteht eine Möglichkeit, Intelligenz zu erreichen, darin, ein **Computermodell** oder ein **künstliches Gehirn** zu trainieren. Seit Mitte des 20. Jahrhunderts haben Forscher verschiedene mathematische Modelle ausprobiert, bis sich in den letzten Jahren dieser Ansatz als äußerst erfolgreich erwiesen hat. Solche mathematischen Modelle des Gehirns werden als **neuronale Netzwerke** bezeichnet.
 
 > Manchmal werden neuronale Netzwerke als *Künstliche Neuronale Netzwerke* (Artificial Neural Networks, ANNs) bezeichnet, um klarzustellen, dass es sich um Modelle handelt und nicht um echte Netzwerke von Neuronen.
 
@@ -28,21 +28,21 @@ Wir betrachten die zwei häufigsten Probleme des Maschinellen Lernens:
 * **Klassifikation**, bei der wir ein Eingabeobjekt in zwei oder mehr Klassen einordnen müssen.
 * **Regression**, bei der wir für jede Eingabeprobe eine numerische Zahl vorhersagen müssen.
 
-> Wenn Eingaben und Ausgaben als Tensoren dargestellt werden, ist der Eingabedatensatz eine Matrix der Größe M×N, wobei M die Anzahl der Proben und N die Anzahl der Merkmale ist. Die Ausgabelabels **Y** sind ein Vektor der Größe M.
+> Wenn Eingaben und Ausgaben als Tensoren dargestellt werden, ist der Eingabedatensatz eine Matrix der Größe M&times;N, wobei M die Anzahl der Proben und N die Anzahl der Merkmale ist. Die Ausgabelabels **Y** sind ein Vektor der Größe M.
 
 In diesem Lehrplan konzentrieren wir uns ausschließlich auf Modelle neuronaler Netzwerke.
 
 ## Ein Modell eines Neurons
 
-Aus der Biologie wissen wir, dass unser Gehirn aus Nervenzellen besteht, von denen jede mehrere "Eingänge" (Axone) und einen Ausgang (Dendrit) hat. Axone und Dendriten können elektrische Signale leiten, und die Verbindungen zwischen Axonen und Dendriten können unterschiedliche Leitfähigkeitsgrade aufweisen (gesteuert durch Neurotransmitter).
+Aus der Biologie wissen wir, dass unser Gehirn aus Nervenzellen (Neuronen) besteht, von denen jede mehrere "Eingänge" (Dendriten) und einen einzigen "Ausgang" (Axon) hat. Sowohl Dendriten als auch Axone können elektrische Signale leiten, und die Verbindungen zwischen ihnen — bekannt als Synapsen — können unterschiedliche Grade der Leitfähigkeit aufweisen, die durch Neurotransmitter reguliert werden.
 
 ![Modell eines Neurons](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.de.jpg) | ![Modell eines Neurons](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.de.png)
 ----|----
 Echtes Neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) von Wikipedia)* | Künstliches Neuron *(Bild vom Autor)*
 
-Das einfachste mathematische Modell eines Neurons enthält also mehrere Eingänge X<sub>1</sub>, ..., X<sub>N</sub> und einen Ausgang Y sowie eine Reihe von Gewichten W<sub>1</sub>, ..., W<sub>N</sub>. Der Ausgang wird berechnet als:
+Das einfachste mathematische Modell eines Neurons enthält daher mehrere Eingänge X<sub>1</sub>, ..., X<sub>N</sub> und einen Ausgang Y sowie eine Reihe von Gewichten W<sub>1</sub>, ..., W<sub>N</sub>. Der Ausgang wird berechnet als:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.de.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 wobei **f** eine nichtlineare **Aktivierungsfunktion** ist.
 
@@ -51,7 +51,7 @@ wobei **f** eine nichtlineare **Aktivierungsfunktion** ist.
 ## In diesem Abschnitt
 
 In diesem Abschnitt lernen wir:
-* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für die Zwei-Klassen-Klassifikation
+* [Perceptron](03-Perceptron/README.md), eines der frühesten neuronalen Netzwerkmodelle für Zwei-Klassen-Klassifikation
 * [Mehrschichtige Netzwerke](04-OwnFramework/README.md) mit einem zugehörigen Notebook [wie man unser eigenes Framework erstellt](04-OwnFramework/OwnFramework.ipynb)
 * [Frameworks für neuronale Netzwerke](05-Frameworks/README.md), mit diesen Notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) und [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)

translations/el/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:32:35+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:48:39+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "el"
 }
@@ -11,9 +11,9 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Περίληψη του περιεχομένου της Εισαγωγής στα Νευρωνικά Δίκτυα σε ένα σκίτσο](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.el.png)
 
-Όπως συζητήσαμε στην εισαγωγή, ένας από τους τρόπους για να επιτύχουμε νοημοσύνη είναι να εκπαιδεύσουμε ένα **μοντέλο υπολογιστή** ή έναν **τεχνητό εγκέφαλο**. Από τα μέσα του 20ού αιώνα, οι ερευνητές δοκίμασαν διάφορα μαθηματικά μοντέλα, μέχρι που τα τελευταία χρόνια αυτή η κατεύθυνση αποδείχθηκε εξαιρετικά επιτυχημένη. Αυτά τα μαθηματικά μοντέλα του εγκεφάλου ονομάζονται **νευρωνικά δίκτυα**.
+Όπως συζητήσαμε στην εισαγωγή, ένας από τους τρόπους για να επιτευχθεί η νοημοσύνη είναι η εκπαίδευση ενός **μοντέλου υπολογιστή** ή ενός **τεχνητού εγκεφάλου**. Από τα μέσα του 20ού αιώνα, οι ερευνητές δοκίμασαν διάφορα μαθηματικά μοντέλα, μέχρι που τα τελευταία χρόνια αυτή η κατεύθυνση αποδείχθηκε εξαιρετικά επιτυχημένη. Αυτά τα μαθηματικά μοντέλα του εγκεφάλου ονομάζονται **νευρωνικά δίκτυα**.
 
-> Μερικές φορές τα νευρωνικά δίκτυα ονομάζονται *Τεχνητά Νευρωνικά Δίκτυα*, ANNs, για να υποδηλώσουμε ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων.
+> Μερικές φορές τα νευρωνικά δίκτυα ονομάζονται *Τεχνητά Νευρωνικά Δίκτυα*, ANNs, για να διευκρινιστεί ότι μιλάμε για μοντέλα και όχι για πραγματικά δίκτυα νευρώνων.
 
 ## Μηχανική Μάθηση
 
@@ -21,20 +21,20 @@ CO_OP_TRANSLATOR_METADATA:
 
 > Επισκεφθείτε το ξεχωριστό πρόγραμμα σπουδών **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** για να μάθετε περισσότερα σχετικά με την κλασική Μηχανική Μάθηση.
 
-Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X**, και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**.
+Στη Μηχανική Μάθηση, υποθέτουμε ότι έχουμε κάποιο σύνολο δεδομένων παραδειγμάτων **X** και αντίστοιχες τιμές εξόδου **Y**. Τα παραδείγματα είναι συχνά N-διάστατοι διανύσματα που αποτελούνται από **χαρακτηριστικά**, και οι έξοδοι ονομάζονται **ετικέτες**.
 
-Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της Μηχανικής Μάθησης:
+Θα εξετάσουμε τα δύο πιο κοινά προβλήματα της μηχανικής μάθησης:
 
 * **Ταξινόμηση**, όπου πρέπει να ταξινομήσουμε ένα αντικείμενο εισόδου σε δύο ή περισσότερες κατηγορίες.
 * **Παλινδρόμηση**, όπου πρέπει να προβλέψουμε έναν αριθμητικό αριθμό για κάθε δείγμα εισόδου.
 
-> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M×N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου Y είναι το διάνυσμα μεγέθους M.
+> Όταν αναπαριστούμε τις εισόδους και τις εξόδους ως τανυστές, το σύνολο δεδομένων εισόδου είναι ένας πίνακας μεγέθους M&times;N, όπου M είναι ο αριθμός των δειγμάτων και N είναι ο αριθμός των χαρακτηριστικών. Οι ετικέτες εξόδου Y είναι ο διάνυσμα μεγέθους M.
 
 Σε αυτό το πρόγραμμα σπουδών, θα επικεντρωθούμε μόνο σε μοντέλα νευρωνικών δικτύων.
 
 ## Ένα Μοντέλο Νευρώνα
 
-Από τη βιολογία γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα, καθένα από τα οποία έχει πολλαπλές "εισόδους" (άξονες) και μία έξοδο (δενδρίτη). Οι άξονες και οι δενδρίτες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ των αξόνων και των δενδριτών μπορούν να εμφανίζουν διαφορετικούς βαθμούς αγωγιμότητας (ελεγχόμενους από νευρομεταβιβαστές).
+Από τη βιολογία, γνωρίζουμε ότι ο εγκέφαλός μας αποτελείται από νευρικά κύτταρα (νευρώνες), καθένα από τα οποία έχει πολλαπλές "εισόδους" (δενδρίτες) και μία "έξοδο" (άξονα). Τόσο οι δενδρίτες όσο και οι άξονες μπορούν να μεταφέρουν ηλεκτρικά σήματα, και οι συνδέσεις μεταξύ τους — γνωστές ως συνάψεις — μπορούν να παρουσιάζουν διαφορετικούς βαθμούς αγωγιμότητας, οι οποίοι ρυθμίζονται από νευροδιαβιβαστές.
 
 ![Μοντέλο Νευρώνα](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.el.jpg) | ![Μοντέλο Νευρώνα](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.el.png)
 ----|----
@@ -42,21 +42,21 @@ CO_OP_TRANSLATOR_METADATA:
 
 Έτσι, το απλούστερο μαθηματικό μοντέλο ενός νευρώνα περιέχει αρκετές εισόδους X<sub>1</sub>, ..., X<sub>N</sub> και μία έξοδο Y, καθώς και μια σειρά από βάρη W<sub>1</sub>, ..., W<sub>N</sub>. Η έξοδος υπολογίζεται ως:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.el.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 όπου f είναι κάποια μη γραμμική **συνάρτηση ενεργοποίησης**.
 
-> Τα πρώιμα μοντέλα νευρώνα περιγράφηκαν στο κλασικό άρθρο [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) από τους Warren McCullock και Walter Pitts το 1943. Ο Donald Hebb στο βιβλίο του "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" πρότεινε τον τρόπο με τον οποίο αυτά τα δίκτυα μπορούν να εκπαιδευτούν.
+> Τα πρώτα μοντέλα νευρώνα περιγράφηκαν στο κλασικό άρθρο [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) από τους Warren McCullock και Walter Pitts το 1943. Ο Donald Hebb στο βιβλίο του "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" πρότεινε τον τρόπο με τον οποίο αυτά τα δίκτυα μπορούν να εκπαιδευτούν.
 
 ## Σε αυτή την Ενότητα
 
 Σε αυτή την ενότητα θα μάθουμε για:
 * [Perceptron](03-Perceptron/README.md), ένα από τα πρώτα μοντέλα νευρωνικών δικτύων για ταξινόμηση δύο κατηγοριών
-* [Δίκτυα πολλαπλών στρωμάτων](04-OwnFramework/README.md) με ένα συνοδευτικό notebook [πώς να δημιουργήσουμε το δικό μας framework](04-OwnFramework/OwnFramework.ipynb)
-* [Frameworks Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Δίκτυα πολλαπλών επιπέδων](04-OwnFramework/README.md) με ένα συνδεδεμένο σημειωματάριο [πώς να δημιουργήσουμε το δικό μας πλαίσιο](04-OwnFramework/OwnFramework.ipynb)
+* [Πλαίσια Νευρωνικών Δικτύων](05-Frameworks/README.md), με αυτά τα σημειωματάρια: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) και [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Υπερπροσαρμογή](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Αποποίηση ευθύνης**:  
-Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.
+Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

translations/en/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:26:47+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:40:53+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "en"
 }
@@ -11,9 +11,9 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Summary of Intro Neural Networks content in a doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.en.png)
 
-As we discussed in the introduction, one way to achieve intelligence is by training a **computer model** or an **artificial brain**. Since the mid-20th century, researchers have experimented with various mathematical models, and in recent years, this approach has proven to be highly successful. These mathematical models of the brain are called **neural networks**.
+As discussed in the introduction, one way to achieve intelligence is by training a **computer model** or an **artificial brain**. Since the mid-20th century, researchers have experimented with various mathematical models, and in recent years, this approach has proven to be highly successful. These mathematical models of the brain are known as **neural networks**.
 
-> Neural networks are sometimes referred to as *Artificial Neural Networks* (ANNs) to clarify that we are discussing models, not actual networks of neurons.
+> Neural networks are sometimes referred to as *Artificial Neural Networks* (ANNs) to clarify that we are discussing models, not actual networks of biological neurons.
 
 ## Machine Learning
 
@@ -28,35 +28,35 @@ We will explore the two most common types of machine learning problems:
 * **Classification**, where the goal is to categorize an input object into two or more classes.
 * **Regression**, where the goal is to predict a numerical value for each input sample.
 
-> When inputs and outputs are represented as tensors, the input dataset is a matrix of size M×N, where M is the number of samples and N is the number of features. Output labels **Y** form a vector of size M.
+> When inputs and outputs are represented as tensors, the input dataset is a matrix of size M&times;N, where M is the number of samples and N is the number of features. Output labels **Y** form a vector of size M.
 
-In this curriculum, we will focus exclusively on neural network models.
+This curriculum focuses exclusively on neural network models.
 
 ## A Model of a Neuron
 
-From biology, we know that the brain is composed of neural cells, each with multiple "inputs" (axons) and an "output" (dendrite). Axons and dendrites transmit electrical signals, and the connections between them can vary in conductivity (regulated by neurotransmitters).
+Biologically, we know that the brain is composed of neural cells (neurons), each with multiple "inputs" (dendrites) and a single "output" (axon). Both dendrites and axons transmit electrical signals, and the connections between them — called synapses — can vary in conductivity, regulated by neurotransmitters.
 
 ![Model of a Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.en.jpg) | ![Model of a Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.en.png)
 ----|----
 Real Neuron *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) from Wikipedia)* | Artificial Neuron *(Image by Author)*
 
-The simplest mathematical model of a neuron includes several inputs X<sub>1</sub>, ..., X<sub>N</sub>, an output **Y**, and a set of weights W<sub>1</sub>, ..., W<sub>N</sub>. The output is calculated as:
+The simplest mathematical model of a neuron includes several inputs X<sub>1</sub>, ..., X<sub>N</sub>, an output Y, and a set of weights W<sub>1</sub>, ..., W<sub>N</sub>. The output is calculated as:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.en.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 where **f** is a non-linear **activation function**.
 
-> Early neuron models were introduced in the seminal paper [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) by Warren McCullock and Walter Pitts in 1943. Donald Hebb, in his book "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)," proposed methods for training these networks.
+> Early neuron models were described in the seminal paper [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) by Warren McCullock and Walter Pitts in 1943. Donald Hebb, in his book "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)," proposed methods for training such networks.
 
 ## In this Section
 
 In this section, we will explore:
 * [Perceptron](03-Perceptron/README.md), one of the earliest neural network models for two-class classification
 * [Multi-layered networks](04-OwnFramework/README.md) along with a notebook on [how to build our own framework](04-OwnFramework/OwnFramework.ipynb)
-* [Neural Network Frameworks](05-Frameworks/README.md), including notebooks on [PyTorch](05-Frameworks/IntroPyTorch.ipynb) and [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Neural Network Frameworks](05-Frameworks/README.md), accompanied by these notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) and [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Disclaimer**:  
-This document has been translated using the AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). While we aim for accuracy, please note that automated translations may include errors or inaccuracies. The original document in its native language should be regarded as the authoritative source. For critical information, professional human translation is advised. We are not responsible for any misunderstandings or misinterpretations resulting from the use of this translation.
+This document has been translated using the AI translation service [Co-op Translator](https://github.com/Azure/co-op-translator). While we strive for accuracy, please note that automated translations may contain errors or inaccuracies. The original document in its native language should be considered the authoritative source. For critical information, professional human translation is recommended. We are not liable for any misunderstandings or misinterpretations resulting from the use of this translation.

translations/es/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:27:13+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:41:21+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "es"
 }
@@ -13,50 +13,50 @@ CO_OP_TRANSLATOR_METADATA:
 
 Como discutimos en la introducción, una de las formas de lograr inteligencia es entrenar un **modelo computacional** o un **cerebro artificial**. Desde mediados del siglo XX, los investigadores han probado diferentes modelos matemáticos, hasta que en los últimos años esta dirección demostró ser enormemente exitosa. Estos modelos matemáticos del cerebro se llaman **redes neuronales**.
 
-> A veces las redes neuronales se llaman *Redes Neuronales Artificiales*, ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas.
+> A veces, las redes neuronales se llaman *Redes Neuronales Artificiales* o ANNs, para indicar que estamos hablando de modelos, no de redes reales de neuronas.
 
 ## Aprendizaje Automático
 
-Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático**, cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial, sin embargo, no cubrimos el aprendizaje automático clásico en este currículo.
+Las Redes Neuronales forman parte de una disciplina más amplia llamada **Aprendizaje Automático** (Machine Learning), cuyo objetivo es usar datos para entrenar modelos computacionales capaces de resolver problemas. El Aprendizaje Automático constituye una gran parte de la Inteligencia Artificial; sin embargo, no cubrimos el aprendizaje automático clásico en este plan de estudios.
 
-> Visita nuestro currículo separado **[Aprendizaje Automático para Principiantes](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico.
+> Visita nuestro plan de estudios separado **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** para aprender más sobre el Aprendizaje Automático clásico.
 
-En el Aprendizaje Automático, asumimos que tenemos algún conjunto de datos de ejemplos **X**, y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**.
+En el Aprendizaje Automático, asumimos que tenemos un conjunto de datos de ejemplos **X** y valores de salida correspondientes **Y**. Los ejemplos suelen ser vectores N-dimensionales que consisten en **características**, y las salidas se llaman **etiquetas**.
 
 Consideraremos los dos problemas más comunes del aprendizaje automático:
 
 * **Clasificación**, donde necesitamos clasificar un objeto de entrada en dos o más clases.
 * **Regresión**, donde necesitamos predecir un valor numérico para cada una de las muestras de entrada.
 
-> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M×N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son el vector de tamaño M.
+> Al representar entradas y salidas como tensores, el conjunto de datos de entrada es una matriz de tamaño M&times;N, donde M es el número de muestras y N es el número de características. Las etiquetas de salida Y son un vector de tamaño M.
 
-En este currículo, nos enfocaremos únicamente en modelos de redes neuronales.
+En este plan de estudios, nos centraremos únicamente en modelos de redes neuronales.
 
 ## Un Modelo de Neurona
 
-Desde la biología sabemos que nuestro cerebro está compuesto por células neuronales, cada una de ellas con múltiples "entradas" (axones) y una salida (dendrita). Los axones y dendritas pueden conducir señales eléctricas, y las conexiones entre axones y dendritas pueden exhibir diferentes grados de conductividad (controlados por neuromediadores).
+De la biología, sabemos que nuestro cerebro está compuesto por células neuronales (neuronas), cada una de las cuales tiene múltiples "entradas" (dendritas) y una única "salida" (axón). Tanto las dendritas como los axones pueden conducir señales eléctricas, y las conexiones entre ellos — conocidas como sinapsis — pueden mostrar diferentes grados de conductividad, que son regulados por neurotransmisores.
 
 ![Modelo de una Neurona](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.es.jpg) | ![Modelo de una Neurona](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.es.png)
 ----|----
 Neurona Real *([Imagen](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipedia)* | Neurona Artificial *(Imagen del Autor)*
 
-Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X<sub>1</sub>, ..., X<sub>N</sub> y una salida Y, y una serie de pesos W<sub>1</sub>, ..., W<sub>N</sub>. La salida se calcula como:
+Por lo tanto, el modelo matemático más simple de una neurona contiene varias entradas X<sub>1</sub>, ..., X<sub>N</sub> y una salida Y, junto con una serie de pesos W<sub>1</sub>, ..., W<sub>N</sub>. La salida se calcula como:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.es.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 donde f es alguna **función de activación** no lineal.
 
-> Los primeros modelos de neurona fueron descritos en el artículo clásico [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) por Warren McCullock y Walter Pitts en 1943. Donald Hebb, en su libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propuso la forma en que estas redes pueden ser entrenadas.
+> Los primeros modelos de neuronas fueron descritos en el artículo clásico [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) por Warren McCullock y Walter Pitts en 1943. Donald Hebb, en su libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propuso la forma en que estas redes pueden ser entrenadas.
 
 ## En esta Sección
 
 En esta sección aprenderemos sobre:
-* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación de dos clases
-* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](04-OwnFramework/OwnFramework.ipynb)
-* [Marcos de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Perceptrón](03-Perceptron/README.md), uno de los primeros modelos de redes neuronales para clasificación binaria.
+* [Redes multicapa](04-OwnFramework/README.md) con un cuaderno asociado [cómo construir nuestro propio marco](04-OwnFramework/OwnFramework.ipynb).
+* [Frameworks de Redes Neuronales](05-Frameworks/README.md), con estos cuadernos: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) y [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb).
+* [Sobreajuste](../../../../lessons/3-NeuralNetworks/05-Frameworks).
 
 ---
 
 **Descargo de responsabilidad**:  
-Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Si bien nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.
+Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.

translations/fa/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:28:04+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:42:25+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "fa"
 }
@@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![خلاصه‌ای از محتوای مقدمه شبکه‌های عصبی در یک طرح](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fa.png)
 
-همان‌طور که در مقدمه بحث کردیم، یکی از راه‌های دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدل‌های ریاضی مختلفی را امتحان کردند، تا اینکه در سال‌های اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدل‌های ریاضی مغز به نام **شبکه‌های عصبی** شناخته می‌شوند.
+همان‌طور که در مقدمه بحث کردیم، یکی از راه‌های دستیابی به هوش، آموزش یک **مدل کامپیوتری** یا یک **مغز مصنوعی** است. از اواسط قرن بیستم، پژوهشگران مدل‌های ریاضی مختلفی را امتحان کردند تا اینکه در سال‌های اخیر این مسیر به موفقیت چشمگیری دست یافت. این مدل‌های ریاضی مغز را **شبکه‌های عصبی** می‌نامند.
 
 > گاهی شبکه‌های عصبی را *شبکه‌های عصبی مصنوعی* یا ANNs می‌نامند تا مشخص شود که درباره مدل‌ها صحبت می‌کنیم، نه شبکه‌های واقعی نورون‌ها.
 
 ## یادگیری ماشین
 
-شبکه‌های عصبی بخشی از یک حوزه بزرگ‌تر به نام **یادگیری ماشین** هستند که هدف آن استفاده از داده‌ها برای آموزش مدل‌های کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل می‌دهد، اما ما در این برنامه آموزشی به یادگیری ماشین کلاسیک نمی‌پردازیم.
+شبکه‌های عصبی بخشی از یک حوزه بزرگ‌تر به نام **یادگیری ماشین** هستند که هدف آن استفاده از داده‌ها برای آموزش مدل‌های کامپیوتری است که قادر به حل مسائل باشند. یادگیری ماشین بخش بزرگی از هوش مصنوعی را تشکیل می‌دهد، اما در این دوره آموزشی به یادگیری ماشین کلاسیک نمی‌پردازیم.
 
-> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به برنامه آموزشی جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید.
+> برای یادگیری بیشتر درباره یادگیری ماشین کلاسیک، به دوره آموزشی جداگانه **[یادگیری ماشین برای مبتدیان](http://github.com/microsoft/ml-for-beginners)** مراجعه کنید.
 
-در یادگیری ماشین، فرض می‌کنیم که یک مجموعه داده از نمونه‌ها **X** و مقادیر خروجی متناظر **Y** داریم. نمونه‌ها اغلب بردارهای N-بعدی هستند که شامل **ویژگی‌ها** می‌شوند، و خروجی‌ها به نام **برچسب‌ها** شناخته می‌شوند.
+در یادگیری ماشین، فرض می‌کنیم که یک مجموعه داده از نمونه‌ها **X** و مقادیر خروجی متناظر **Y** داریم. نمونه‌ها اغلب بردارهای N-بعدی هستند که شامل **ویژگی‌ها** می‌شوند و خروجی‌ها **برچسب‌ها** نامیده می‌شوند.
 
 ما به دو مسئله رایج یادگیری ماشین می‌پردازیم:
 
-* **طبقه‌بندی**، که در آن باید یک شی ورودی را به دو یا چند کلاس دسته‌بندی کنیم.
+* **طبقه‌بندی**، که در آن باید یک شیء ورودی را به دو یا چند کلاس دسته‌بندی کنیم.
 * **رگرسیون**، که در آن باید یک عدد عددی را برای هر یک از نمونه‌های ورودی پیش‌بینی کنیم.
 
-> هنگام نمایش ورودی‌ها و خروجی‌ها به صورت تنسورها، مجموعه داده ورودی یک ماتریس با ابعاد M×N است، که M تعداد نمونه‌ها و N تعداد ویژگی‌ها است. برچسب‌های خروجی **Y** یک بردار با اندازه M است.
+> هنگامی که ورودی‌ها و خروجی‌ها به صورت تنسورها نمایش داده می‌شوند، مجموعه داده ورودی یک ماتریس با اندازه M&times;N است، که M تعداد نمونه‌ها و N تعداد ویژگی‌ها است. برچسب‌های خروجی Y یک بردار با اندازه M است.
 
-در این برنامه آموزشی، ما فقط بر مدل‌های شبکه عصبی تمرکز خواهیم کرد.
+در این دوره آموزشی، فقط بر مدل‌های شبکه عصبی تمرکز خواهیم کرد.
 
 ## مدل یک نورون
 
-از زیست‌شناسی می‌دانیم که مغز ما از سلول‌های عصبی تشکیل شده است، که هر کدام دارای چندین "ورودی" (آکسون‌ها) و یک خروجی (دندریت) هستند. آکسون‌ها و دندریت‌ها می‌توانند سیگنال‌های الکتریکی را منتقل کنند، و اتصالات بین آکسون‌ها و دندریت‌ها می‌توانند درجات مختلفی از رسانایی را نشان دهند (که توسط نوروترانسمیترها کنترل می‌شود).
+از زیست‌شناسی می‌دانیم که مغز ما از سلول‌های عصبی (نورون‌ها) تشکیل شده است، که هر کدام دارای چندین "ورودی" (دندریت‌ها) و یک "خروجی" (آکسون) هستند. هم دندریت‌ها و هم آکسون‌ها می‌توانند سیگنال‌های الکتریکی را منتقل کنند، و اتصالات بین آن‌ها — که به عنوان سیناپس شناخته می‌شوند — می‌توانند درجات مختلفی از رسانایی را نشان دهند که توسط انتقال‌دهنده‌های عصبی تنظیم می‌شوند.
 
 ![مدل یک نورون](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fa.jpg) | ![مدل یک نورون](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fa.png)
 ----|----
@@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 بنابراین، ساده‌ترین مدل ریاضی یک نورون شامل چندین ورودی X<sub>1</sub>, ..., X<sub>N</sub> و یک خروجی Y، و مجموعه‌ای از وزن‌ها W<sub>1</sub>, ..., W<sub>N</sub> است. خروجی به صورت زیر محاسبه می‌شود:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.fa.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 که در آن f یک **تابع فعال‌سازی** غیرخطی است.
 
@@ -52,11 +52,11 @@ CO_OP_TRANSLATOR_METADATA:
 
 در این بخش درباره موارد زیر یاد خواهیم گرفت:
 * [پرسیپترون](03-Perceptron/README.md)، یکی از اولین مدل‌های شبکه عصبی برای طبقه‌بندی دوکلاسه
-* [شبکه‌های چندلایه](04-OwnFramework/README.md) همراه با دفترچه‌ای برای [ساخت چارچوب خودمان](04-OwnFramework/OwnFramework.ipynb)
+* [شبکه‌های چندلایه](04-OwnFramework/README.md) همراه با دفترچه [چگونه چارچوب خودمان را بسازیم](04-OwnFramework/OwnFramework.ipynb)
 * [چارچوب‌های شبکه عصبی](05-Frameworks/README.md)، همراه با این دفترچه‌ها: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) و [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [بیش‌برازش](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **سلب مسئولیت**:  
-این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.
+این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه انسانی حرفه‌ای استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.

translations/fi/lessons/3-NeuralNetworks/README.md

@@ -1,17 +1,17 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:33:48+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:50:05+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "fi"
 }
 -->
-# Johdatus neuroverkkoihin
+# Johdanto neuroverkkoihin
 
-![Yhteenveto neuroverkkojen johdannosta doodle-kuvana](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fi.png)
+![Yhteenveto neuroverkkojen sisällöstä piirroksena](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fi.png)
 
-Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivo**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Tällaisia aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**.
+Kuten keskustelimme johdannossa, yksi tapa saavuttaa älykkyyttä on kouluttaa **tietokonemalli** tai **keinotekoinen aivot**. 1900-luvun puolivälistä lähtien tutkijat kokeilivat erilaisia matemaattisia malleja, kunnes viime vuosina tämä suunta osoittautui erittäin menestyksekkääksi. Näitä aivojen matemaattisia malleja kutsutaan **neuroverkoiksi**.
 
 > Neuroverkkoja kutsutaan joskus *keinotekoisiksi neuroverkoiksi* (Artificial Neural Networks, ANNs) korostaakseen, että kyseessä ovat mallit, eivät oikeat neuroniverkot.
 
@@ -21,20 +21,20 @@ Neuroverkot ovat osa laajempaa tieteenalaa nimeltä **koneoppiminen**, jonka tav
 
 > Tutustu erilliseen **[Koneoppiminen aloittelijoille](http://github.com/microsoft/ml-for-beginners)** -oppimateriaaliimme oppiaksesi lisää perinteisestä koneoppimisesta.
 
-Koneoppimisessa oletamme, että meillä on jokin esimerkkidatasetti **X** ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **ominaisuuksista**, ja tulokset kutsutaan **luokiksi**.
+Koneoppimisessa oletamme, että meillä on jokin esimerkkien **X** datasetti ja vastaavat tulosarvot **Y**. Esimerkit ovat usein N-ulotteisia vektoreita, jotka koostuvat **ominaisuuksista**, ja tulokset kutsutaan **luokiksi**.
 
 Käsittelemme kahta yleisintä koneoppimisongelmaa:
 
 * **Luokittelu**, jossa meidän täytyy luokitella syöteobjekti kahteen tai useampaan luokkaan.
-* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo kullekin syöte-esimerkille.
+* **Regressio**, jossa meidän täytyy ennustaa numeerinen arvo jokaiselle syötteen näytteelle.
 
-> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M×N-kokoinen matriisi, jossa M on esimerkkien lukumäärä ja N on ominaisuuksien lukumäärä. Tulosluokat Y ovat M-kokoinen vektori.
+> Kun syötteet ja tulokset esitetään tensoreina, syötedatasetti on M&times;N-kokoinen matriisi, jossa M on näytteiden lukumäärä ja N on ominaisuuksien lukumäärä. Tulosluokat Y ovat M-kokoinen vektori.
 
 Tässä oppimateriaalissa keskitymme vain neuroverkkopohjaisiin malleihin.
 
 ## Neuronin malli
 
-Biologiasta tiedämme, että aivomme koostuvat hermosoluista, joilla jokaisella on useita "syötteitä" (aksonit) ja yksi "tulos" (dendriitti). Aksonit ja dendriitit voivat johtaa sähköisiä signaaleja, ja aksonien ja dendriittien väliset yhteydet voivat osoittaa erilaisia johtavuusasteita (neuromediaattoreiden sääteleminä).
+Biologiasta tiedämme, että aivomme koostuvat hermosoluista (neuroneista), joilla jokaisella on useita "syötteitä" (dendriittejä) ja yksi "tulos" (aksoni). Sekä dendriitit että aksonit voivat johtaa sähköisiä signaaleja, ja niiden väliset yhteydet — synapsit — voivat osoittaa vaihtelevaa johtavuutta, jota säätelevät välittäjäaineet.
 
 ![Neuronin malli](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fi.jpg) | ![Neuronin malli](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fi.png)
 ----|----
@@ -42,7 +42,7 @@ Oikea neuroni *([Kuva](https://en.wikipedia.org/wiki/Synapse#/media/File:Synapse
 
 Näin ollen yksinkertaisin matemaattinen malli neuronista sisältää useita syötteitä X<sub>1</sub>, ..., X<sub>N</sub> ja yhden tuloksen Y sekä joukon painoja W<sub>1</sub>, ..., W<sub>N</sub>. Tulos lasketaan seuraavasti:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.fi.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 missä f on jokin epälineaarinen **aktivointifunktio**.
 
@@ -51,10 +51,10 @@ missä f on jokin epälineaarinen **aktivointifunktio**.
 ## Tässä osiossa
 
 Tässä osiossa opimme seuraavista aiheista:
-* [Perceptron](03-Perceptron/README.md), yksi varhaisimmista neuroverkkopohjaisista malleista kaksiluokkaluokitteluun
+* [Perceptron](03-Perceptron/README.md), yksi varhaisimmista neuroverkkopohjaisista malleista kahden luokan luokitteluun
 * [Monikerroksiset verkot](04-OwnFramework/README.md) ja niihin liittyvä muistikirja [kuinka rakentaa oma kehys](04-OwnFramework/OwnFramework.ipynb)
 * [Neuroverkkokehykset](05-Frameworks/README.md), ja näihin liittyvät muistikirjat: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ja [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Ylisuorittaminen](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Ylilajittelu](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 

translations/fr/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:26:59+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:41:07+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "fr"
 }
@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Résumé du contenu d'introduction aux réseaux neuronaux sous forme de dessin](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.fr.png)
 
-Comme nous l'avons vu dans l'introduction, l'une des façons d'atteindre l'intelligence est d'entraîner un **modèle informatique** ou un **cerveau artificiel**. Depuis le milieu du 20ᵉ siècle, les chercheurs ont expérimenté différents modèles mathématiques, jusqu'à ce que cette approche s'avère extrêmement fructueuse ces dernières années. Ces modèles mathématiques du cerveau sont appelés **réseaux neuronaux**.
+Comme nous l'avons vu dans l'introduction, l'une des façons d'atteindre l'intelligence est d'entraîner un **modèle informatique** ou un **cerveau artificiel**. Depuis le milieu du XXe siècle, les chercheurs ont expérimenté différents modèles mathématiques, jusqu'à ce que cette approche s'avère extrêmement fructueuse ces dernières années. Ces modèles mathématiques du cerveau sont appelés **réseaux neuronaux**.
 
 > Parfois, les réseaux neuronaux sont appelés *Réseaux Neuronaux Artificiels* (ANNs), pour indiquer qu'il s'agit de modèles et non de réseaux réels de neurones.
 
@@ -23,26 +23,26 @@ Les réseaux neuronaux font partie d'une discipline plus large appelée **Appren
 
 En apprentissage automatique, nous supposons que nous disposons d'un ensemble de données d'exemples **X**, et de valeurs de sortie correspondantes **Y**. Les exemples sont souvent des vecteurs N-dimensionnels composés de **caractéristiques**, et les sorties sont appelées **étiquettes**.
 
-Nous examinerons les deux problèmes d'apprentissage automatique les plus courants :
+Nous examinerons les deux problèmes les plus courants en apprentissage automatique :
 
 * **Classification**, où nous devons classer un objet d'entrée dans deux classes ou plus.
-* **Régression**, où nous devons prédire une valeur numérique pour chaque échantillon d'entrée.
+* **Régression**, où nous devons prédire une valeur numérique pour chacun des échantillons d'entrée.
 
-> Lorsqu'on représente les entrées et les sorties sous forme de tenseurs, l'ensemble de données d'entrée est une matrice de taille M×N, où M est le nombre d'échantillons et N est le nombre de caractéristiques. Les étiquettes de sortie **Y** sont un vecteur de taille M.
+> Lorsqu'on représente les entrées et les sorties sous forme de tenseurs, l'ensemble de données d'entrée est une matrice de taille M&times;N, où M est le nombre d'échantillons et N est le nombre de caractéristiques. Les étiquettes de sortie **Y** sont un vecteur de taille M.
 
 Dans ce programme, nous nous concentrerons uniquement sur les modèles de réseaux neuronaux.
 
 ## Un modèle de neurone
 
-En biologie, nous savons que notre cerveau est constitué de cellules neuronales, chacune ayant plusieurs "entrées" (axones) et une sortie (dendrite). Les axones et les dendrites peuvent conduire des signaux électriques, et les connexions entre axones et dendrites peuvent présenter différents degrés de conductivité (contrôlés par des neuromédiateurs).
+En biologie, nous savons que notre cerveau est constitué de cellules neuronales (neurones), chacune ayant plusieurs "entrées" (dendrites) et une seule "sortie" (axone). Les dendrites et les axones peuvent conduire des signaux électriques, et les connexions entre eux — appelées synapses — peuvent présenter des degrés de conductivité variables, régulés par des neurotransmetteurs.
 
 ![Modèle d'un neurone](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.fr.jpg) | ![Modèle d'un neurone](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.fr.png)
 ----|----
 Neurone réel *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de Wikipédia)* | Neurone artificiel *(Image par l'auteur)*
 
-Ainsi, le modèle mathématique le plus simple d'un neurone contient plusieurs entrées X<sub>1</sub>, ..., X<sub>N</sub> et une sortie Y, ainsi qu'une série de poids W<sub>1</sub>, ..., W<sub>N</sub>. La sortie est calculée comme suit :
+Ainsi, le modèle mathématique le plus simple d'un neurone contient plusieurs entrées X<sub>1</sub>, ..., X<sub>N</sub> et une sortie Y, ainsi qu'une série de poids W<sub>1</sub>, ..., W<sub>N</sub>. Une sortie est calculée comme suit :
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.fr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 où **f** est une **fonction d'activation** non linéaire.
 
@@ -59,4 +59,4 @@ Dans cette section, nous allons apprendre :
 ---
 
 **Avertissement** :  
-Ce document a été traduit à l'aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.
+Ce document a été traduit à l'aide du service de traduction automatique [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.

translations/he/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:34:16+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:50:35+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "he"
 }
@@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות עצביות**.
 
-> לעיתים רשתות עצביות נקראות *רשתות עצביות מלאכותיות*, ANNs, כדי להבהיר שמדובר במודלים ולא ברשתות אמיתיות של נוירונים.
+> לעיתים רשתות עצביות נקראות *רשתות עצביות מלאכותיות*, ANNs, כדי להבהיר שמדובר במודלים ולא ברשתות עצבים אמיתיות.
 
 ## למידת מכונה
 
@@ -28,21 +28,21 @@ CO_OP_TRANSLATOR_METADATA:
 * **סיווג**, שבו אנו צריכים לסווג אובייקט קלט לשתי קטגוריות או יותר.
 * **רגרסיה**, שבה אנו צריכים לחזות מספר נומרי עבור כל אחת מדוגמאות הקלט.
 
-> כאשר מייצגים קלטים ופלטים כטנזורים, מערך הקלט הוא מטריצה בגודל M×N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M.
+> כאשר מייצגים קלטים ופלטים כטנזורים, מערך הקלט הוא מטריצה בגודל M&times;N, כאשר M הוא מספר הדוגמאות ו-N הוא מספר המאפיינים. תוויות הפלט Y הן וקטור בגודל M.
 
 בתוכנית לימודים זו, נתמקד רק במודלים של רשתות עצביות.
 
 ## מודל של נוירון
 
-מביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב, שלכל אחד מהם יש מספר "קלטים" (אקסונים) ופלט (דנדריט). אקסונים ודנדריטים יכולים להוליך אותות חשמליים, והחיבורים בין אקסונים לדנדריטים יכולים להציג דרגות שונות של מוליכות (נשלטות על ידי נוירומדיאטורים).
+מהביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב (נוירונים), שלכל אחד מהם יש מספר "קלטים" (דנדריטים) ו"פלט" אחד (אקסון). הן הדנדריטים והן האקסונים יכולים להוליך אותות חשמליים, והחיבורים ביניהם — הידועים כסינפסות — יכולים להציג דרגות שונות של מוליכות, שמוסדרות על ידי נוירוטרנסמיטורים.
 
 ![מודל של נוירון](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.he.jpg) | ![מודל של נוירון](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.he.png)
 ----|----
 נוירון אמיתי *([תמונה](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) מוויקיפדיה)* | נוירון מלאכותי *(תמונה מאת המחבר)*
 
-לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X<sub>1</sub>, ..., X<sub>N</sub> ופלט Y, וסדרה של משקלים W<sub>1</sub>, ..., W<sub>N</sub>. הפלט מחושב כ:
+לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X<sub>1</sub>, ..., X<sub>N</sub> ופלט Y, וסדרה של משקלים W<sub>1</sub>, ..., W<sub>N</sub>. הפלט מחושב כך:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.he.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 כאשר f היא **פונקציית הפעלה** לא ליניארית.
 
@@ -54,9 +54,9 @@ CO_OP_TRANSLATOR_METADATA:
 * [פרספטרון](03-Perceptron/README.md), אחד המודלים הראשונים של רשתות עצביות לסיווג דו-קטגורי
 * [רשתות רב-שכבתיות](04-OwnFramework/README.md) עם מחברת מצורפת [איך לבנות את המסגרת שלנו](04-OwnFramework/OwnFramework.ipynb)
 * [מסגרות רשתות עצביות](05-Frameworks/README.md), עם המחברות הבאות: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ו-[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [אוברפיטינג](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [התאמת יתר](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **כתב ויתור**:  
-מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.
+מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.

translations/hi/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:30:00+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:44:34+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "hi"
 }
 -->
 # न्यूरल नेटवर्क्स का परिचय
 
-![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक चित्र में](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hi.png)
+![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक डूडल में](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hi.png)
 
-जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है **कंप्यूटर मॉडल** या **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों को आजमाया, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है।
+जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है **कंप्यूटर मॉडल** या **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों की कोशिश की, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है।
 
-> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks या ANNs) कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन नेटवर्क्स की।
+> कभी-कभी न्यूरल नेटवर्क्स को *कृत्रिम न्यूरल नेटवर्क्स* (Artificial Neural Networks), ANNs कहा जाता है, ताकि यह स्पष्ट हो सके कि हम मॉडलों की बात कर रहे हैं, न कि असली न्यूरॉन्स के नेटवर्क की।
 
 ## मशीन लर्निंग
 
-न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है जो समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता (Artificial Intelligence) का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करते हैं।
+न्यूरल नेटवर्क्स एक बड़े क्षेत्र का हिस्सा हैं जिसे **मशीन लर्निंग** कहा जाता है, जिसका उद्देश्य डेटा का उपयोग करके कंप्यूटर मॉडलों को प्रशिक्षित करना है ताकि वे समस्याओं को हल कर सकें। मशीन लर्निंग कृत्रिम बुद्धिमत्ता का एक बड़ा हिस्सा है, हालांकि, हम इस पाठ्यक्रम में पारंपरिक मशीन लर्निंग को कवर नहीं करेंगे।
 
 > पारंपरिक मशीन लर्निंग के बारे में अधिक जानने के लिए हमारे अलग **[मशीन लर्निंग फॉर बिगिनर्स](http://github.com/microsoft/ml-for-beginners)** पाठ्यक्रम पर जाएं।
 
-मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटा सेट **X** और उनके संबंधित आउटपुट मान **Y** है। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **विशेषताओं** (features) से बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है।
+मशीन लर्निंग में, हम मानते हैं कि हमारे पास कुछ उदाहरणों का डेटासेट **X** और उनके संबंधित आउटपुट मान **Y** हैं। उदाहरण अक्सर N-आयामी वेक्टर होते हैं जो **फीचर्स** से मिलकर बने होते हैं, और आउटपुट को **लेबल्स** कहा जाता है।
 
 हम मशीन लर्निंग की दो सबसे सामान्य समस्याओं पर विचार करेंगे:
 
-* **वर्गीकरण (Classification)**, जहां हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है।
-* **प्रतिगमन (Regression)**, जहां हमें प्रत्येक इनपुट नमूने के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है।
+* **वर्गीकरण (Classification)**, जिसमें हमें इनपुट ऑब्जेक्ट को दो या अधिक वर्गों में वर्गीकृत करना होता है।
+* **प्रतिगमन (Regression)**, जिसमें हमें प्रत्येक इनपुट नमूने के लिए एक संख्यात्मक मान की भविष्यवाणी करनी होती है।
 
-> जब इनपुट और आउटपुट को टेन्सर्स के रूप में प्रस्तुत किया जाता है, तो इनपुट डेटा सेट M×N आकार का मैट्रिक्स होता है, जहां M नमूनों की संख्या है और N विशेषताओं की संख्या है। आउटपुट लेबल्स **Y** M आकार का वेक्टर होता है।
+> जब इनपुट और आउटपुट को टेन्सर्स के रूप में दर्शाया जाता है, तो इनपुट डेटासेट M&times;N आकार का एक मैट्रिक्स होता है, जहां M नमूनों की संख्या है और N फीचर्स की संख्या है। आउटपुट लेबल्स Y M आकार का एक वेक्टर होता है।
 
 इस पाठ्यक्रम में, हम केवल न्यूरल नेटवर्क मॉडलों पर ध्यान केंद्रित करेंगे।
 
-## न्यूरॉन का मॉडल
+## न्यूरॉन का एक मॉडल
 
-जीवविज्ञान से हमें पता चलता है कि हमारा मस्तिष्क न्यूरल कोशिकाओं से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (axons) और एक आउटपुट (dendrite) होता है। Axons और dendrites विद्युत संकेतों को संचालित कर सकते हैं, और axons और dendrites के बीच के कनेक्शन विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं (neuromediators द्वारा नियंत्रित)।
+जीवविज्ञान से, हम जानते हैं कि हमारा मस्तिष्क न्यूरल कोशिकाओं (न्यूरॉन्स) से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (डेंड्राइट्स) और एक "आउटपुट" (एक्सॉन) होता है। डेंड्राइट्स और एक्सॉन दोनों विद्युत संकेतों का संचालन कर सकते हैं, और उनके बीच के कनेक्शन — जिन्हें सिनैप्स कहा जाता है — विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं, जो न्यूरोट्रांसमीटर द्वारा नियंत्रित होती है।
 
 ![न्यूरॉन का मॉडल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hi.jpg) | ![न्यूरॉन का मॉडल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hi.png)
 ----|----
 वास्तविक न्यूरॉन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडिया से)* | कृत्रिम न्यूरॉन *(लेखक द्वारा बनाई गई छवि)*
 
-इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> और एक आउटपुट Y, और कई वेट्स W<sub>1</sub>, ..., W<sub>N</sub> को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है:
+इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> और एक आउटपुट Y, और वज़नों की एक श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.hi.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-जहां f एक गैर-रेखीय **सक्रियता फ़ंक्शन** (activation function) है।
+जहां f एक गैर-रेखीय **सक्रियण फ़ंक्शन** (activation function) है।
 
-> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में यह प्रस्तावित किया कि इन नेटवर्क्स को कैसे प्रशिक्षित किया जा सकता है।
+> न्यूरॉन के प्रारंभिक मॉडलों का वर्णन 1943 में वॉरेन मैककुलॉक और वॉल्टर पिट्स द्वारा लिखे गए क्लासिकल पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) में किया गया था। डोनाल्ड हेब ने अपनी पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" में इन नेटवर्क्स को प्रशिक्षित करने का तरीका प्रस्तावित किया।
 
-## इस अनुभाग में
+## इस खंड में
 
-इस अनुभाग में हम निम्नलिखित के बारे में जानेंगे:
+इस खंड में हम निम्नलिखित के बारे में जानेंगे:
 * [परसेप्ट्रॉन](03-Perceptron/README.md), दो-वर्ग वर्गीकरण के लिए सबसे प्रारंभिक न्यूरल नेटवर्क मॉडलों में से एक
-* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना फ्रेमवर्क कैसे बनाएं](04-OwnFramework/OwnFramework.ipynb)
-* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), और ये नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) और एक संबंधित नोटबुक [अपना खुद का फ्रेमवर्क कैसे बनाएं](04-OwnFramework/OwnFramework.ipynb)
+* [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), इन नोटबुक्स के साथ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) और [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [ओवरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **अस्वीकरण**:  
-यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता सुनिश्चित करने का प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को प्रामाणिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम जिम्मेदार नहीं हैं।
+यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को आधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।

translations/hk/lessons/3-NeuralNetworks/README.md

@@ -1,40 +1,40 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:29:02+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:43:27+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "hk"
 }
 -->
 # 神經網絡簡介
 
-![神經網絡簡介內容的手繪摘要](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hk.png)
+![神經網絡簡介內容的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hk.png)
 
-正如我們在介紹中討論過的，實現智能的一種方法是訓練一個**計算機模型**或一個**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近，這一方向被證明是非常成功的。這些模仿大腦的數學模型被稱為**神經網絡**。
+正如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到近年來這一方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網絡**。
 
-> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。
+> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是真正的神經元網絡。
 
 ## 機器學習
 
-神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型來解決問題。機器學習構成了人工智能的重要部分，但我們在這個課程中不會涵蓋傳統的機器學習。
+神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型來解決問題。機器學習是人工智能的重要組成部分，但我們在這個課程中不會涵蓋傳統的機器學習。
 
-> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
+> 請參閱我們的獨立課程 **[機器學習初學者](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
 
-在機器學習中，我們假設有一些樣本數據集 **X**，以及對應的輸出值 **Y**。樣本通常是由**特徵**組成的N維向量，而輸出則稱為**標籤**。
+在機器學習中，我們假設有一些例子數據集 **X**，以及相應的輸出值 **Y**。例子通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。
 
 我們將考慮兩種最常見的機器學習問題：
 
-* **分類**，我們需要將輸入對象分類到兩個或多個類別中。
+* **分類**，我們需要將輸入對象分類為兩個或多個類別。
 * **回歸**，我們需要為每個輸入樣本預測一個數值。
 
-> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。
+> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M&times;N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 Y 是大小為 M 的向量。
 
 在這個課程中，我們將只專注於神經網絡模型。
 
 ## 神經元的模型
 
-從生物學中我們知道，大腦由神經細胞組成，每個神經細胞都有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
+從生物學中我們知道，大腦由神經細胞（神經元）組成，每個神經元有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都可以傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這由神經遞質調節。
 
 ![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hk.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hk.png)
 ----|----
@@ -42,11 +42,11 @@ CO_OP_TRANSLATOR_METADATA:
 
 因此，神經元的最簡單數學模型包含若干輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.hk.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 其中 f 是某種非線性的**激活函數**。
 
-> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的著作《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了訓練這些網絡的方法。
+> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的書籍《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了這些網絡的訓練方法。
 
 ## 本節內容
 
@@ -59,4 +59,4 @@ CO_OP_TRANSLATOR_METADATA:
 ---
 
 **免責聲明**：  
-本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。
+本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。

translations/hr/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:37:08+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:53:55+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "hr"
 }
@@ -11,13 +11,13 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Sažetak sadržaja o uvodu u neuronske mreže u obliku crteža](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hr.png)
 
-Kao što smo raspravili u uvodu, jedan od načina za postizanje inteligencije je treniranje **računalnog modela** ili **umjetnog mozga**. Od sredine 20. stoljeća, istraživači su isprobavali različite matematičke modele, sve dok se u posljednjim godinama ovaj smjer nije pokazao iznimno uspješnim. Takvi matematički modeli mozga nazivaju se **neuronske mreže**.
+Kao što smo raspravili u uvodu, jedan od načina za postizanje inteligencije je treniranje **računalnog modela** ili **umjetnog mozga**. Od sredine 20. stoljeća, istraživači su isprobavali različite matematičke modele, sve dok se u posljednjim godinama ovaj smjer nije pokazao izuzetno uspješnim. Takvi matematički modeli mozga nazivaju se **neuronske mreže**.
 
 > Ponekad se neuronske mreže nazivaju *Umjetne neuronske mreže* (Artificial Neural Networks, ANNs) kako bi se naglasilo da govorimo o modelima, a ne o stvarnim mrežama neurona.
 
 ## Strojno učenje
 
-Neuronske mreže dio su šire discipline zvane **Strojno učenje**, čiji je cilj koristiti podatke za treniranje računalnih modela koji mogu rješavati probleme. Strojno učenje čini velik dio umjetne inteligencije, no klasično strojno učenje ne pokrivamo u ovom kurikulumu.
+Neuronske mreže dio su šire discipline zvane **Strojno učenje**, čiji je cilj koristiti podatke za treniranje računalnih modela koji mogu rješavati probleme. Strojno učenje čini velik dio umjetne inteligencije, no u ovom kurikulumu ne pokrivamo klasično strojno učenje.
 
 > Posjetite naš zasebni kurikulum **[Strojno učenje za početnike](http://github.com/microsoft/ml-for-beginners)** kako biste saznali više o klasičnom strojnome učenju.
 
@@ -28,29 +28,29 @@ Razmotrit ćemo dva najčešća problema strojnog učenja:
 * **Klasifikacija**, gdje trebamo klasificirati ulazni objekt u dvije ili više klasa.
 * **Regresija**, gdje trebamo predvidjeti numeričku vrijednost za svaki od ulaznih uzoraka.
 
-> Kada predstavljamo ulaze i izlaze kao tenzore, ulazni skup podataka je matrica veličine M×N, gdje je M broj uzoraka, a N broj značajki. Izlazne oznake Y su vektor veličine M.
+> Kada predstavljamo ulaze i izlaze kao tenzore, ulazni skup podataka je matrica veličine M&times;N, gdje je M broj uzoraka, a N broj značajki. Izlazne oznake Y su vektor veličine M.
 
-U ovom kurikulumu fokusirat ćemo se samo na modele neuronskih mreža.
+U ovom kurikulumu fokusirat ćemo se isključivo na modele neuronskih mreža.
 
 ## Model neurona
 
-Iz biologije znamo da naš mozak sastoji se od neuronskih stanica, od kojih svaka ima više "ulaza" (aksona) i jedan izlaz (dendrit). Aksoni i dendriti mogu provoditi električne signale, a veze između aksona i dendrita mogu pokazivati različite stupnjeve provodljivosti (kontrolirane neurotransmiterima).
+Iz biologije znamo da naš mozak sastoji se od neuralnih stanica (neurona), od kojih svaka ima više "ulaza" (dendrita) i jedan "izlaz" (akson). I dendriti i aksoni mogu provoditi električne signale, a veze između njih — poznate kao sinapse — mogu pokazivati različite stupnjeve provodljivosti, koje reguliraju neurotransmiteri.
 
 ![Model neurona](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hr.jpg) | ![Model neurona](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hr.png)
 ----|----
 Stvarni neuron *([Slika](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) s Wikipedije)* | Umjetni neuron *(Slika autora)*
 
-Dakle, najjednostavniji matematički model neurona sadrži nekoliko ulaza X<sub>1</sub>, ..., X<sub>N</sub> i jedan izlaz Y, te niz težinskih vrijednosti W<sub>1</sub>, ..., W<sub>N</sub>. Izlaz se računa kao:
+Dakle, najjednostavniji matematički model neurona sadrži nekoliko ulaza X<sub>1</sub>, ..., X<sub>N</sub> i jedan izlaz Y, te niz težina W<sub>1</sub>, ..., W<sub>N</sub>. Izlaz se računa kao:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.hr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 gdje je f neka nelinearna **funkcija aktivacije**.
 
-> Rani modeli neurona opisani su u klasičnom radu [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Warrena McCullocka i Waltera Pittsa iz 1943. godine. Donald Hebb u svojoj knjizi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predložio je način na koji se te mreže mogu trenirati.
+> Rani modeli neurona opisani su u klasičnom radu [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) autora Warrena McCullocka i Waltera Pittsa iz 1943. Donald Hebb u svojoj knjizi "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" predložio je način na koji se te mreže mogu trenirati.
 
-## U ovom odjeljku
+## U ovom dijelu
 
-U ovom odjeljku naučit ćemo o:
+U ovom dijelu naučit ćemo o:
 * [Perceptronu](03-Perceptron/README.md), jednom od najranijih modela neuronskih mreža za klasifikaciju s dvije klase
 * [Višeslojnim mrežama](04-OwnFramework/README.md) uz prateću bilježnicu [kako izgraditi vlastiti okvir](04-OwnFramework/OwnFramework.ipynb)
 * [Okvirima za neuronske mreže](05-Frameworks/README.md), uz ove bilježnice: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
@@ -59,4 +59,4 @@ U ovom odjeljku naučit ćemo o:
 ---
 
 **Odricanje od odgovornosti**:  
-Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva pogrešna tumačenja ili nesporazume koji proizlaze iz korištenja ovog prijevoda.
+Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.

translations/hu/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:35:37+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:52:09+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "hu"
 }
 -->
-# Bevezetés a Neurális Hálózatokba
+# Bevezetés a neurális hálózatokba
 
-![Összefoglaló a Neurális Hálózatok bevezetőjéről egy rajzban](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hu.png)
+![Összefoglaló a neurális hálózatok bevezetőjének tartalmáról egy rajzban](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hu.png)
 
-Ahogy az előzőekben már említettük, az intelligencia egyik elérési módja az, hogy egy **számítógépes modellt** vagy egy **mesterséges agyat** tanítunk. A 20. század közepétől kezdve a kutatók különböző matematikai modelleket próbáltak ki, míg az utóbbi években ez az irány rendkívül sikeresnek bizonyult. Az agy ilyen matematikai modelljeit **neurális hálózatoknak** nevezzük.
+Ahogy a bevezetőben tárgyaltuk, az intelligencia egyik elérési módja egy **számítógépes modell** vagy egy **mesterséges agy** tanítása. A 20. század közepe óta a kutatók különböző matematikai modelleket próbáltak ki, míg az utóbbi években ez az irány rendkívül sikeresnek bizonyult. Az agy ilyen matematikai modelljeit **neurális hálózatoknak** nevezzük.
 
-> Néha a neurális hálózatokat *Mesterséges Neurális Hálózatoknak* (Artificial Neural Networks, ANNs) hívják, hogy jelezzék, hogy modellekről van szó, nem valódi neuronhálózatokról.
+> Néha a neurális hálózatokat *Mesterséges Neurális Hálózatoknak* (Artificial Neural Networks, ANNs) nevezik, hogy jelezzék, modellekről van szó, nem valódi neuronhálózatokról.
 
-## Gépi Tanulás
+## Gépi tanulás
 
-A neurális hálózatok egy nagyobb tudományterület, a **Gépi Tanulás** részei, amelynek célja, hogy adatokat használva olyan számítógépes modelleket tanítsunk, amelyek képesek problémákat megoldani. A Gépi Tanulás az egyik fő része a Mesterséges Intelligenciának, azonban ebben a tananyagban nem foglalkozunk a klasszikus gépi tanulással.
+A neurális hálózatok egy nagyobb tudományterület, a **gépi tanulás** részét képezik, amelynek célja, hogy adatokat használva olyan számítógépes modelleket tanítsunk, amelyek képesek problémák megoldására. A gépi tanulás az egyik fő része a mesterséges intelligenciának, azonban ebben a tananyagban nem foglalkozunk a klasszikus gépi tanulással.
 
-> Látogasd meg különálló **[Gépi Tanulás Kezdőknek](http://github.com/microsoft/ml-for-beginners)** tananyagunkat, hogy többet megtudj a klasszikus gépi tanulásról.
+> Látogasd meg különálló **[Gépi tanulás kezdőknek](http://github.com/microsoft/ml-for-beginners)** tananyagunkat, hogy többet megtudj a klasszikus gépi tanulásról.
 
-A Gépi Tanulásban feltételezzük, hogy van egy példákból álló adathalmazunk **X**, és a hozzájuk tartozó kimeneti értékek **Y**. A példák gyakran N-dimenziós vektorok, amelyek **jellemzőkből** állnak, míg a kimeneteket **címkéknek** nevezzük.
+A gépi tanulásban feltételezzük, hogy van egy példákból álló **X** adathalmazunk és a hozzájuk tartozó kimeneti értékek **Y**. A példák gyakran N-dimenziós vektorok, amelyek **jellemzőkből** állnak, míg a kimeneteket **címkéknek** nevezzük.
 
 A két leggyakoribb gépi tanulási problémát fogjuk megvizsgálni:
 
 * **Osztályozás**, ahol egy bemeneti objektumot kell két vagy több osztályba sorolni.
-* **Regresszió**, ahol egy numerikus értéket kell előre jelezni minden bemeneti mintára.
+* **Regresszió**, ahol minden bemeneti mintához egy numerikus értéket kell előre jelezni.
 
-> Ha a bemeneteket és kimeneteket tenzorként ábrázoljuk, a bemeneti adathalmaz egy M×N méretű mátrix, ahol M a minták száma, N pedig a jellemzők száma. A kimeneti címkék **Y** egy M méretű vektor.
+> Ha a bemeneteket és kimeneteket tenzorként ábrázoljuk, a bemeneti adathalmaz egy M&times;N méretű mátrix, ahol M a minták száma, N pedig a jellemzők száma. A kimeneti címkék Y egy M méretű vektor.
 
-Ebben a tananyagban kizárólag neurális hálózati modellekre fogunk koncentrálni.
+Ebben a tananyagban kizárólag neurális hálózati modellekre fogunk összpontosítani.
 
-## Egy Neuron Modellje
+## Egy neuron modellje
 
-A biológiából tudjuk, hogy az agyunk neurális sejtekből áll, amelyek mindegyike több "bemenettel" (axonok) és egy kimenettel (dendrit) rendelkezik. Az axonok és dendritek elektromos jeleket tudnak továbbítani, és az axonok és dendritek közötti kapcsolatok különböző vezetőképességi szinteket mutathatnak (amelyeket neuromediátorok szabályoznak).
+A biológiából tudjuk, hogy az agyunk neurális sejtekből (neuronokból) áll, amelyek mindegyike több "bemenettel" (dendritek) és egyetlen "kimenettel" (axon) rendelkezik. Mind a dendritek, mind az axonok képesek elektromos jeleket vezetni, és a köztük lévő kapcsolatok — szinapszisok — különböző vezetőképességet mutathatnak, amelyeket neurotranszmitterek szabályoznak.
 
 ![Neuron modellje](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hu.jpg) | ![Neuron modellje](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hu.png)
 ----|----
 Valódi neuron *([Kép](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) a Wikipédiáról)* | Mesterséges neuron *(Kép a szerzőtől)*
 
-Így a neuron legegyszerűbb matematikai modellje több bemenetet tartalmaz **X<sub>1</sub>, ..., X<sub>N</sub>**, egy kimenetet **Y**, valamint egy sor súlyt **W<sub>1</sub>, ..., W<sub>N</sub>**. A kimenet a következőképpen számítható ki:
+Így a neuron legegyszerűbb matematikai modellje több bemenetet tartalmaz X<sub>1</sub>, ..., X<sub>N</sub>, egy kimenetet Y, valamint egy sor súlyt W<sub>1</sub>, ..., W<sub>N</sub>. A kimenet a következőképpen számítható:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.hu.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-ahol **f** egy nemlineáris **aktivációs függvény**.
+ahol f egy nemlineáris **aktivációs függvény**.
 
-> A neuron korai modelljeit Warren McCullock és Walter Pitts 1943-ban írt klasszikus tanulmányában [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) írták le. Donald Hebb "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" című könyvében javasolta, hogyan lehet ezeket a hálózatokat tanítani.
+> A neuron korai modelljeit Warren McCullock és Walter Pitts 1943-as klasszikus cikkében [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) írták le. Donald Hebb "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" című könyvében javasolta, hogyan lehet ezeket a hálózatokat tanítani.
 
 ## Ebben a szakaszban
 
-Ebben a szakaszban megtanuljuk:
+Ebben a szakaszban a következőkről fogunk tanulni:
 * [Perceptron](03-Perceptron/README.md), az egyik legkorábbi neurális hálózati modell kétosztályos osztályozáshoz
 * [Többrétegű hálózatok](04-OwnFramework/README.md) egy párosított jegyzetfüzettel [hogyan építsünk saját keretrendszert](04-OwnFramework/OwnFramework.ipynb)
-* [Neurális Hálózati Keretrendszerek](05-Frameworks/README.md), ezekkel a jegyzetfüzetekkel: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) és [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Túlillesztés](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Neurális hálózati keretrendszerek](05-Frameworks/README.md), ezekkel a jegyzetfüzetekkel: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) és [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Túltanulás](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Felelősség kizárása**:  
-Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
+Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.

translations/id/lessons/3-NeuralNetworks/README.md

@@ -1,17 +1,17 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:34:44+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:51:08+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "id"
 }
 -->
 # Pengantar Jaringan Neural
 
-![Ringkasan konten Pengantar Jaringan Neural dalam bentuk doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.id.png)
+![Ringkasan konten pengantar Jaringan Neural dalam bentuk doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.id.png)
 
-Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir arah ini terbukti sangat berhasil. Model matematika otak semacam ini disebut **jaringan neural**.
+Seperti yang telah kita bahas dalam pengantar, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak buatan**. Sejak pertengahan abad ke-20, para peneliti mencoba berbagai model matematika, hingga beberapa tahun terakhir arah ini terbukti sangat berhasil. Model matematika otak ini disebut **jaringan neural**.
 
 > Kadang-kadang jaringan neural disebut *Artificial Neural Networks* atau ANNs, untuk menunjukkan bahwa kita sedang berbicara tentang model, bukan jaringan neuron yang sebenarnya.
 
@@ -21,20 +21,20 @@ Jaringan Neural adalah bagian dari disiplin yang lebih besar yang disebut **Pemb
 
 > Kunjungi kurikulum terpisah kami **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
 
-Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai keluaran yang sesuai **Y**. Contoh sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan keluaran disebut **label**.
+Dalam Pembelajaran Mesin, kita mengasumsikan bahwa kita memiliki beberapa dataset contoh **X**, dan nilai output yang sesuai **Y**. Contoh sering kali berupa vektor N-dimensi yang terdiri dari **fitur**, dan output disebut **label**.
 
 Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling umum:
 
 * **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input ke dalam dua atau lebih kelas.
 * **Regresi**, di mana kita perlu memprediksi angka numerik untuk setiap sampel input.
 
-> Saat merepresentasikan input dan output sebagai tensor, dataset input adalah matriks berukuran M×N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label keluaran Y adalah vektor berukuran M.
+> Saat merepresentasikan input dan output sebagai tensor, dataset input adalah matriks berukuran M&times;N, di mana M adalah jumlah sampel dan N adalah jumlah fitur. Label output Y adalah vektor berukuran M.
 
 Dalam kurikulum ini, kita hanya akan fokus pada model jaringan neural.
 
 ## Model Neuron
 
-Dari biologi kita tahu bahwa otak kita terdiri dari sel-sel neural, masing-masing memiliki banyak "input" (akson), dan satu output (dendrit). Akson dan dendrit dapat menghantarkan sinyal listrik, dan koneksi antara akson dan dendrit dapat menunjukkan tingkat konduktivitas yang berbeda (dikendalikan oleh neurotransmiter).
+Dari biologi, kita tahu bahwa otak kita terdiri dari sel-sel neural (neuron), masing-masing memiliki beberapa "input" (dendrit) dan satu "output" (akson). Baik dendrit maupun akson dapat menghantarkan sinyal listrik, dan koneksi di antara mereka — yang dikenal sebagai sinaps — dapat menunjukkan tingkat konduktivitas yang bervariasi, yang diatur oleh neurotransmiter.
 
 ![Model Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.id.jpg) | ![Model Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.id.png)
 ----|----
@@ -42,7 +42,7 @@ Neuron Asli *([Gambar](https://en.wikipedia.org/wiki/Synapse#/media/File:Synapse
 
 Dengan demikian, model matematika paling sederhana dari neuron memiliki beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta serangkaian bobot W<sub>1</sub>, ..., W<sub>N</sub>. Output dihitung sebagai:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.id.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 di mana f adalah beberapa **fungsi aktivasi** non-linear.
 
@@ -59,4 +59,4 @@ Dalam bagian ini kita akan mempelajari tentang:
 ---
 
 **Penafian**:  
-Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa terjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.
+Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk memberikan hasil yang akurat, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau interpretasi yang keliru yang timbul dari penggunaan terjemahan ini.

translations/it/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:31:52+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:47:29+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "it"
 }
@@ -11,42 +11,42 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Riassunto del contenuto di Introduzione alle Reti Neurali in uno schizzo](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.it.png)
 
-Come discusso nell'introduzione, uno dei modi per raggiungere l'intelligenza è addestrare un **modello informatico** o un **cervello artificiale**. Dalla metà del XX secolo, i ricercatori hanno sperimentato diversi modelli matematici, fino a quando, negli ultimi anni, questa direzione si è rivelata estremamente efficace. Questi modelli matematici del cervello sono chiamati **reti neurali**.
+Come discusso nell'introduzione, uno dei modi per raggiungere l'intelligenza è addestrare un **modello informatico** o un **cervello artificiale**. Dalla metà del XX secolo, i ricercatori hanno sperimentato diversi modelli matematici, finché negli ultimi anni questa direzione si è dimostrata estremamente promettente. Questi modelli matematici del cervello sono chiamati **reti neurali**.
 
 > A volte le reti neurali sono chiamate *Reti Neurali Artificiali*, ANNs, per indicare che stiamo parlando di modelli, non di reti reali di neuroni.
 
 ## Machine Learning
 
-Le Reti Neurali fanno parte di una disciplina più ampia chiamata **Machine Learning**, il cui obiettivo è utilizzare i dati per addestrare modelli informatici in grado di risolvere problemi. Il Machine Learning costituisce una parte importante dell'Intelligenza Artificiale, tuttavia, in questo curriculum non trattiamo il ML classico.
+Le Reti Neurali fanno parte di una disciplina più ampia chiamata **Machine Learning**, il cui obiettivo è utilizzare i dati per addestrare modelli informatici capaci di risolvere problemi. Il Machine Learning costituisce una grande parte dell'Intelligenza Artificiale, tuttavia, non trattiamo il ML classico in questo curriculum.
 
-> Visita il nostro curriculum separato **[Machine Learning per Principianti](http://github.com/microsoft/ml-for-beginners)** per saperne di più sul Machine Learning classico.
+> Visita il nostro curriculum separato **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** per saperne di più sul Machine Learning classico.
 
-Nel Machine Learning, assumiamo di avere un dataset di esempi **X** e i corrispondenti valori di output **Y**. Gli esempi sono spesso vettori N-dimensionali composti da **caratteristiche**, mentre gli output sono chiamati **etichette**.
+Nel Machine Learning, assumiamo di avere un dataset di esempi **X** e i corrispondenti valori di output **Y**. Gli esempi sono spesso vettori N-dimensionali che consistono in **caratteristiche**, e gli output sono chiamati **etichette**.
 
 Considereremo i due problemi di machine learning più comuni:
 
 * **Classificazione**, dove dobbiamo classificare un oggetto di input in due o più classi.
 * **Regressione**, dove dobbiamo prevedere un valore numerico per ciascun campione di input.
 
-> Quando rappresentiamo input e output come tensori, il dataset di input è una matrice di dimensioni M×N, dove M è il numero di campioni e N è il numero di caratteristiche. Le etichette di output Y sono un vettore di dimensioni M.
+> Quando rappresentiamo gli input e gli output come tensori, il dataset di input è una matrice di dimensioni M&times;N, dove M è il numero di campioni e N è il numero di caratteristiche. Le etichette di output Y sono il vettore di dimensioni M.
 
 In questo curriculum, ci concentreremo solo sui modelli di reti neurali.
 
 ## Un Modello di Neurone
 
-Dalla biologia sappiamo che il nostro cervello è composto da cellule neurali, ognuna delle quali ha molteplici "input" (assoni) e un output (dendrite). Gli assoni e i dendriti possono condurre segnali elettrici, e le connessioni tra assoni e dendriti possono mostrare diversi gradi di conduttività (controllati dai neuromediatori).
+Dalla biologia, sappiamo che il nostro cervello è composto da cellule neurali (neuroni), ciascuna delle quali ha molteplici "input" (dendriti) e un singolo "output" (assone). Sia i dendriti che gli assoni possono condurre segnali elettrici, e le connessioni tra di loro — note come sinapsi — possono mostrare diversi gradi di conduttività, regolati dai neurotrasmettitori.
 
 ![Modello di un Neurone](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.it.jpg) | ![Modello di un Neurone](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.it.png)
 ----|----
 Neurone Reale *([Immagine](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurone Artificiale *(Immagine dell'autore)*
 
-Pertanto, il modello matematico più semplice di un neurone contiene diversi input X<sub>1</sub>, ..., X<sub>N</sub> e un output Y, e una serie di pesi W<sub>1</sub>, ..., W<sub>N</sub>. L'output è calcolato come:
+Pertanto, il modello matematico più semplice di un neurone contiene diversi input X<sub>1</sub>, ..., X<sub>N</sub> e un output Y, e una serie di pesi W<sub>1</sub>, ..., W<sub>N</sub>. L'output viene calcolato come:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.it.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 dove f è una **funzione di attivazione** non lineare.
 
-> I primi modelli di neurone sono stati descritti nel classico articolo [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) di Warren McCullock e Walter Pitts nel 1943. Donald Hebb, nel suo libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propose il modo in cui queste reti possono essere addestrate.
+> I primi modelli di neurone sono stati descritti nel classico articolo [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) di Warren McCullock e Walter Pitts nel 1943. Donald Hebb, nel suo libro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", ha proposto il modo in cui queste reti possono essere addestrate.
 
 ## In questa Sezione
 
@@ -58,5 +58,5 @@ In questa sezione impareremo:
 
 ---
 
-**Disclaimer**:  
-Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione.
+**Avvertenza**:  
+Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.

translations/ja/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:29:31+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:44:00+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ja"
 }
@@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![ニューラルネットワーク入門の内容をまとめたイラスト](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ja.png)
 
-序章で述べたように、知能を実現する方法の一つは、**コンピュータモデル**や**人工の脳**を訓練することです。20世紀中頃から研究者たちは様々な数学的モデルを試みてきましたが、近年になってこの方向性が非常に成功を収めるようになりました。このような脳の数学的モデルは**ニューラルネットワーク**と呼ばれます。
+序章で述べたように、知能を実現する方法の一つは、**コンピュータモデル**や**人工の脳**を訓練することです。20世紀中頃から研究者たちはさまざまな数学的モデルを試みてきましたが、近年になってこの方向性が非常に成功を収めることが証明されました。このような脳の数学的モデルは**ニューラルネットワーク**と呼ばれます。
 
 > ニューラルネットワークは時折、*人工ニューラルネットワーク*（Artificial Neural Networks、ANNs）と呼ばれることがあります。これは、実際のニューロンのネットワークではなく、モデルについて話していることを示すためです。
 
@@ -21,32 +21,32 @@ CO_OP_TRANSLATOR_METADATA:
 
 > 古典的な機械学習について学びたい場合は、別の**[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)**カリキュラムをご覧ください。
 
-機械学習では、例のデータセット**X**と、それに対応する出力値**Y**があると仮定します。例はしばしば**特徴量**で構成されるN次元ベクトルであり、出力は**ラベル**と呼ばれます。
+機械学習では、例のデータセット**X**と対応する出力値**Y**があると仮定します。例は通常、**特徴**からなるN次元ベクトルであり、出力は**ラベル**と呼ばれます。
 
 機械学習の最も一般的な問題を2つ考えます：
 
 * **分類**：入力オブジェクトを2つ以上のクラスに分類する必要がある場合。
-* **回帰**：入力サンプルごとに数値を予測する必要がある場合。
+* **回帰**：各入力サンプルに対して数値を予測する必要がある場合。
 
-> 入力と出力をテンソルとして表現する場合、入力データセットはM×Nのサイズの行列であり、Mはサンプル数、Nは特徴量の数です。出力ラベル**Y**はサイズMのベクトルです。
+> 入力と出力をテンソルとして表現する場合、入力データセットはM&times;Nのサイズの行列であり、Mはサンプル数、Nは特徴数です。出力ラベルYはサイズMのベクトルです。
 
 このカリキュラムでは、ニューラルネットワークモデルにのみ焦点を当てます。
 
 ## ニューロンのモデル
 
-生物学から、私たちの脳はニューロン細胞で構成されており、それぞれが複数の「入力」（軸索）と1つの出力（樹状突起）を持つことが知られています。軸索と樹状突起は電気信号を伝達することができ、軸索と樹状突起の間の接続は異なる伝導度を示すことがあります（神経伝達物質によって制御されます）。
+生物学から、私たちの脳はニューロン（神経細胞）で構成されており、それぞれが複数の「入力」（樹状突起）と1つの「出力」（軸索）を持っていることがわかっています。樹状突起と軸索は電気信号を伝達することができ、これらの間の接続—シナプスとして知られる—は、神経伝達物質によって調節されるさまざまな伝導度を示すことができます。
 
 ![ニューロンのモデル](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ja.jpg) | ![ニューロンのモデル](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ja.png)
 ----|----
-実際のニューロン *（[画像](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediaより）* | 人工ニューロン *（著者による画像）*
+実際のニューロン *([画像](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipediaより)* | 人工ニューロン *(著者による画像)*
 
-したがって、ニューロンの最も単純な数学的モデルは、いくつかの入力**X<sub>1</sub>, ..., X<sub>N</sub>**と出力**Y**、そして一連の重み**W<sub>1</sub>, ..., W<sub>N</sub>**を含みます。出力は次のように計算されます：
+したがって、ニューロンの最も単純な数学的モデルは、いくつかの入力X<sub>1</sub>, ..., X<sub>N</sub>と出力Y、および一連の重みW<sub>1</sub>, ..., W<sub>N</sub>を含みます。出力は次のように計算されます：
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ja.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-ここで、**f**は何らかの非線形な**活性化関数**です。
+ここで、fは非線形の**活性化関数**です。
 
-> 初期のニューロンモデルは、1943年にWarren McCullockとWalter Pittsによる古典的な論文「[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)」で記述されました。Donald Hebbは著書「[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)」で、それらのネットワークを訓練する方法を提案しました。
+> ニューロンの初期モデルは、1943年にWarren McCullockとWalter Pittsによる古典的な論文[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)で記述されました。Donald Hebbは著書"[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"で、これらのネットワークを訓練する方法を提案しました。
 
 ## このセクションで学ぶこと
 
@@ -59,4 +59,4 @@ CO_OP_TRANSLATOR_METADATA:
 ---
 
 **免責事項**:  
-この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知ください。元の言語で記載された文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤った解釈について、当方は責任を負いません。
+この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知ください。元の言語で記載された文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤解釈について、当方は責任を負いません。

translations/ko/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:29:47+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:44:17+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ko"
 }
 -->
 # 신경망 소개
 
-![신경망 소개 내용 요약 그림](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ko.png)
+![신경망 소개 내용 요약을 담은 그림](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ko.png)
 
-소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다.
+소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년간 이 방향이 큰 성공을 거두었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다.
 
-> 때때로 신경망은 *인공 신경망* 또는 ANNs라고 불리며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미합니다.
+> 때로는 신경망을 *인공 신경망* 또는 ANNs라고 부르며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미한다는 점을 나타냅니다.
 
-## 머신 러닝
+## 머신러닝
 
-신경망은 **머신 러닝**이라는 더 큰 학문 분야의 일부로, 데이터로 컴퓨터 모델을 훈련시켜 문제를 해결하는 것을 목표로 합니다. 머신 러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신 러닝을 다루지 않습니다.
+신경망은 **머신러닝**이라는 더 큰 학문 분야의 일부로, 이 분야의 목표는 데이터를 사용하여 문제를 해결할 수 있는 컴퓨터 모델을 훈련시키는 것입니다. 머신러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신러닝은 다루지 않습니다.
 
-> 고전적인 머신 러닝에 대해 더 배우고 싶다면 별도의 **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요.
+> 고전적인 머신러닝에 대해 더 배우고 싶다면, 별도의 **[초보자를 위한 머신러닝](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요.
 
-머신 러닝에서는 예제 데이터셋 **X**와 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터이며, 출력은 **레이블**이라고 합니다.
+머신러닝에서는 **X**라는 예제 데이터셋과 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터로 표현되며, 출력은 **레이블**이라고 불립니다.
 
-우리는 가장 일반적인 두 가지 머신 러닝 문제를 고려할 것입니다:
+우리는 가장 일반적인 두 가지 머신러닝 문제를 고려할 것입니다:
 
 * **분류**: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 경우.
-* **회귀**: 각 입력 샘플에 대해 숫자를 예측해야 하는 경우.
+* **회귀**: 각 입력 샘플에 대해 숫자 값을 예측해야 하는 경우.
 
-> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 **Y**는 크기가 M인 벡터입니다.
+> 입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M&times;N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수를 나타냅니다. 출력 레이블 Y는 크기가 M인 벡터입니다.
 
-이 커리큘럼에서는 신경망 모델에만 집중할 것입니다.
+이 커리큘럼에서는 신경망 모델에만 초점을 맞출 것입니다.
 
-## 뉴런 모델
+## 뉴런의 모델
 
-생물학적으로 우리의 뇌는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가진 신경 세포로 구성되어 있다는 것을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 다양한 전도성을 나타낼 수 있습니다(신경전달물질에 의해 제어됨).
+생물학적으로 우리의 뇌는 신경 세포(뉴런)로 구성되어 있으며, 각 뉴런은 여러 개의 "입력"(수상돌기)과 하나의 "출력"(축삭)을 가지고 있습니다. 수상돌기와 축삭은 모두 전기 신호를 전달할 수 있으며, 이들 간의 연결(시냅스)은 신경전달물질에 의해 전도도가 조절될 수 있습니다.
 
 ![뉴런 모델](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ko.jpg) | ![뉴런 모델](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ko.png)
 ----|----
-실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 출처: Wikipedia)* | 인공 뉴런 *(저자 제공 이미지)*
+실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 출처: 위키피디아)* | 인공 뉴런 *(이미지 제공: 저자)*
 
 따라서 뉴런의 가장 간단한 수학적 모델은 여러 입력 X<sub>1</sub>, ..., X<sub>N</sub>과 출력 Y, 그리고 일련의 가중치 W<sub>1</sub>, ..., W<sub>N</sub>을 포함합니다. 출력은 다음과 같이 계산됩니다:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ko.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 여기서 f는 비선형 **활성화 함수**입니다.
 
-> 초기 뉴런 모델은 Warren McCullock과 Walter Pitts가 1943년에 발표한 고전 논문 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)에서 설명되었습니다. Donald Hebb는 그의 책 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다.
+> 뉴런의 초기 모델은 1943년 Warren McCullock과 Walter Pitts가 작성한 고전 논문 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)에서 설명되었습니다. Donald Hebb는 그의 책 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다.
 
 ## 이 섹션에서
 
-이 섹션에서는 다음을 배울 것입니다:
-* [퍼셉트론](03-Perceptron/README.md): 두 클래스 분류를 위한 초기 신경망 모델 중 하나
-* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크를 구축하는 방법](04-OwnFramework/OwnFramework.ipynb)과 함께 제공되는 노트북
-* [신경망 프레임워크](05-Frameworks/README.md): 다음 노트북 포함 [PyTorch](05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [오버피팅](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+이 섹션에서는 다음 내용을 배웁니다:
+* [퍼셉트론](03-Perceptron/README.md): 이진 분류를 위한 초기 신경망 모델 중 하나
+* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크 구축](04-OwnFramework/OwnFramework.ipynb)과 함께
+* [신경망 프레임워크](05-Frameworks/README.md): [PyTorch](05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) 노트북 포함
+* [과적합](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **면책 조항**:  
-이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다.
+이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 신뢰할 수 있는 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.

translations/lt/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:38:11+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:55:16+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "lt"
 }
@@ -11,52 +11,52 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Santrauka apie neuroninių tinklų įvadą piešinyje](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.lt.png)
 
-Kaip aptarėme įvade, vienas iš būdų pasiekti intelektą yra treniruoti **kompiuterinį modelį** arba **dirbtines smegenis**. Nuo XX a. vidurio mokslininkai bandė įvairius matematinius modelius, kol pastaraisiais metais ši kryptis tapo itin sėkminga. Tokie smegenų matematiniai modeliai vadinami **neuroniniais tinklais**.
+Kaip aptarėme įvade, vienas iš būdų pasiekti intelektą yra treniruoti **kompiuterinį modelį** arba **dirbtinį smegenų modelį**. Nuo XX amžiaus vidurio mokslininkai bandė įvairius matematinius modelius, kol pastaraisiais metais šis metodas pasirodė itin sėkmingas. Tokie smegenų matematiniai modeliai vadinami **neuroniniais tinklais**.
 
-> Kartais neuroniniai tinklai vadinami *Dirbtiniais neuroniniais tinklais* (angl. Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne apie tikrus neuronų tinklus.
+> Kartais neuroniniai tinklai vadinami *Dirbtiniais Neuroniniais Tinklais* (ANN), siekiant pabrėžti, kad kalbame apie modelius, o ne tikrus neuronų tinklus.
 
 ## Mašininis mokymasis
 
-Neuroniniai tinklai yra platesnės disciplinos, vadinamos **Mašininiu mokymusi**, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime.
+Neuroniniai tinklai yra didesnės disciplinos, vadinamos **Mašininiu mokymusi**, dalis, kurios tikslas yra naudoti duomenis kompiuterinių modelių mokymui, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dirbtinio intelekto dalį, tačiau šioje mokymo programoje klasikinio mašininio mokymosi neaptariame.
 
-> Apsilankykite mūsų atskirame kurse **[Mašininis mokymasis pradedantiesiems](http://github.com/microsoft/ml-for-beginners)**, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi.
+> Apsilankykite mūsų atskiroje **[Mašininio mokymosi pradedantiesiems](http://github.com/microsoft/ml-for-beginners)** mokymo programoje, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi.
 
-Mašininiame mokymesi daroma prielaida, kad turime tam tikrą pavyzdžių duomenų rinkinį **X** ir atitinkamas išėjimo reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensijų vektoriai, sudaryti iš **savybių**, o išėjimai vadinami **žymėmis**.
+Mašininiame mokymesi daroma prielaida, kad turime tam tikrą pavyzdžių duomenų rinkinį **X** ir atitinkamas išvesties reikšmes **Y**. Pavyzdžiai dažnai yra N-dimensiniai vektoriai, sudaryti iš **savybių**, o išvestys vadinamos **etiketėmis**.
 
-Mes nagrinėsime dvi dažniausiai pasitaikančias mašininio mokymosi problemas:
+Mes apsvarstysime dvi dažniausiai pasitaikančias mašininio mokymosi problemas:
 
-* **Klasifikacija**, kai reikia priskirti įvesties objektą vienai iš dviejų ar daugiau klasių.
-* **Regresija**, kai reikia prognozuoti skaitinę reikšmę kiekvienam įvesties pavyzdžiui.
+* **Klasifikacija**, kur reikia klasifikuoti įvesties objektą į dvi ar daugiau klasių.
+* **Regresija**, kur reikia numatyti skaitinę reikšmę kiekvienam įvesties pavyzdžiui.
 
-> Kai įvestys ir išėjimai pateikiami kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išėjimo žymės Y yra M dydžio vektorius.
+> Kai įvestys ir išvestys pateikiamos kaip tensoriai, įvesties duomenų rinkinys yra M&times;N dydžio matrica, kur M yra pavyzdžių skaičius, o N yra savybių skaičius. Išvesties etiketės Y yra M dydžio vektorius.
 
-Šiame kurse dėmesį sutelksime tik į neuroninių tinklų modelius.
+Šioje mokymo programoje mes sutelksime dėmesį tik į neuroninių tinklų modelius.
 
 ## Neurono modelis
 
-Iš biologijos žinome, kad mūsų smegenys sudarytos iš neuroninių ląstelių, kurių kiekviena turi kelis „įėjimus“ (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumą (kontroliuojamą neuromediatoriais).
+Iš biologijos žinome, kad mūsų smegenys susideda iš neuroninių ląstelių (neuronų), kiekviena iš jų turi kelis "įėjimus" (dendritus) ir vieną "išėjimą" (aksoną). Tiek dendritai, tiek aksonai gali perduoti elektrinius signalus, o jungtys tarp jų — vadinamos sinapsėmis — gali turėti skirtingą laidumą, kurį reguliuoja neurotransmiteriai.
 
 ![Neurono modelis](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.lt.jpg) | ![Neurono modelis](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.lt.png)
 ----|----
-Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Autoriaus vaizdas)*
+Tikras neuronas *([Vaizdas](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iš Vikipedijos)* | Dirbtinis neuronas *(Vaizdas autoriaus)*
 
-Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X<sub>1</sub>, ..., X<sub>N</sub>, vieną išėjimą Y ir svorių rinkinį W<sub>1</sub>, ..., W<sub>N</sub>. Išėjimas apskaičiuojamas taip:
+Taigi, paprasčiausias matematinis neurono modelis turi kelis įėjimus X<sub>1</sub>, ..., X<sub>N</sub> ir vieną išėjimą Y, bei svorių seriją W<sub>1</sub>, ..., W<sub>N</sub>. Išėjimas apskaičiuojamas taip:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.lt.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 kur f yra tam tikra nelinijinė **aktyvavimo funkcija**.
 
-> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė, kaip šiuos tinklus galima treniruoti.
+> Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf), kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" pasiūlė būdą, kaip šiuos tinklus galima treniruoti.
 
 ## Šiame skyriuje
 
 Šiame skyriuje sužinosime apie:
-* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių neuroninių tinklų modelių, skirtų dviejų klasių klasifikacijai
-* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygele [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb)
+* [Perceptroną](03-Perceptron/README.md), vieną iš ankstyviausių dviejų klasių klasifikacijos neuroninių tinklų modelių
+* [Daugiasluoksnius tinklus](04-OwnFramework/README.md) su susietu užrašų knygeliu [kaip sukurti savo sistemą](04-OwnFramework/OwnFramework.ipynb)
 * [Neuroninių tinklų sistemas](05-Frameworks/README.md), su šiomis užrašų knygelėmis: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ir [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Perdidelį pritaikymą](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Perteklinio mokymosi problemą](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
-**Atsakomybės apribojimas**:  
-Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.
+**Atsakomybės atsisakymas**:  
+Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar neteisingus aiškinimus, kylančius dėl šio vertimo naudojimo.

translations/mo/lessons/3-NeuralNetworks/README.md

@@ -1,40 +1,40 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:28:48+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:43:12+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "mo"
 }
 -->
-# 神經網路簡介
+# 神經網絡簡介
 
-![神經網路簡介內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mo.png)
+![神經網絡簡介內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mo.png)
 
-如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
+如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這一方向取得了巨大成功。這些模仿大腦的數學模型被稱為**神經網絡**。
 
-> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。
+> 有時神經網絡被稱為*人工神經網絡*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網絡。
 
 ## 機器學習
 
-神經網路屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。
+神經網絡屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型以解決問題。機器學習是人工智能的重要組成部分，但我們在本課程中不涉及傳統的機器學習。
 
-> 請參考我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
+> 請訪問我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，了解更多關於傳統機器學習的內容。
 
-在機器學習中，我們假設有一些例子數據集 **X**，以及相應的輸出值 **Y**。例子通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。
+在機器學習中，我們假設有一些示例數據集 **X** 和相應的輸出值 **Y**。示例通常是由**特徵**組成的N維向量，而輸出被稱為**標籤**。
 
 我們將探討兩種最常見的機器學習問題：
 
-* **分類**：需要將輸入對象分類到兩個或多個類別中。
-* **回歸**：需要為每個輸入樣本預測一個數值。
+* **分類**，即需要將輸入對象分類到兩個或多個類別中。
+* **回歸**，即需要為每個輸入樣本預測一個數值。
 
-> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。
+> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M&times;N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 Y 是大小為 M 的向量。
 
-在這份課程中，我們將專注於神經網路模型。
+在本課程中，我們將僅專注於神經網絡模型。
 
 ## 神經元的模型
 
-從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
+從生物學中，我們知道大腦由神經細胞（神經元）組成，每個神經元都有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都可以傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這些導電性由神經遞質調節。
 
 ![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.mo.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.mo.png)
 ----|----
@@ -42,21 +42,21 @@ CO_OP_TRANSLATOR_METADATA:
 
 因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.mo.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 其中 f 是某種非線性的**激活函數**。
 
-> 早期的神經元模型在1943年由 Warren McCullock 和 Walter Pitts 在經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網路的訓練方法。
+> 早期的神經元模型在1943年由 Warren McCullock 和 Walter Pitts 在經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網絡的訓練方法。
 
-## 本章內容
+## 本章節內容
 
-在本章中，我們將學習以下內容：
-* [感知器](03-Perceptron/README.md)：最早的二分類神經網路模型之一
-* [多層網路](04-OwnFramework/README.md)：以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
-* [神經網路框架](05-Frameworks/README.md)：包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+在本章節中，我們將學習以下內容：
+* [感知器](03-Perceptron/README.md)，一種最早的用於二類分類的神經網絡模型
+* [多層網絡](04-OwnFramework/README.md)，以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
+* [神經網絡框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **免責聲明**：  
-本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
+本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。

translations/mr/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:30:34+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:45:12+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "mr"
 }
 -->
 # न्यूरल नेटवर्क्सची ओळख
 
-![न्यूरल नेटवर्क्सची ओळख याचा सारांश एका चित्रात](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mr.png)
+![न्यूरल नेटवर्क्सच्या परिचयाचा सारांश एका चित्रात](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.mr.png)
 
-जसे आपण परिचयात चर्चा केली, बुद्धिमत्ता मिळवण्याचा एक मार्ग म्हणजे **कंप्यूटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्स वापरून पाहिले, आणि अलीकडच्या वर्षांत या दिशेने मोठे यश मिळाले. मेंदूचे असे गणितीय मॉडेल्स **न्यूरल नेटवर्क्स** म्हणून ओळखले जातात.
+जसे आपण परिचयात चर्चा केली, बुद्धिमत्ता मिळवण्याचा एक मार्ग म्हणजे **कंप्यूटर मॉडेल** किंवा **कृत्रिम मेंदू** तयार करणे. विसाव्या शतकाच्या मध्यापासून संशोधकांनी विविध गणितीय मॉडेल्स वापरून पाहिले, आणि अलीकडच्या वर्षांत हा दृष्टिकोन अत्यंत यशस्वी ठरला. मेंदूचे असे गणितीय मॉडेल्स **न्यूरल नेटवर्क्स** म्हणून ओळखले जातात.
 
-> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स* किंवा ANNs म्हणतात, जेणेकरून आपण मॉडेल्सबद्दल बोलत आहोत, वास्तविक न्यूरॉन्सच्या नेटवर्क्सबद्दल नाही.
+> कधी कधी न्यूरल नेटवर्क्सना *कृत्रिम न्यूरल नेटवर्क्स*, ANNs असे म्हणतात, जेणेकरून आपण मॉडेल्सबद्दल बोलत आहोत, वास्तविक न्यूरॉन्सच्या नेटवर्क्सबद्दल नाही हे स्पष्ट होईल.
 
 ## मशीन लर्निंग
 
-न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या क्षेत्राचा एक भाग आहे, ज्याचा उद्देश डेटा वापरून कंप्यूटर मॉडेल्स तयार करणे आहे जे समस्यांचे निराकरण करू शकतात. मशीन लर्निंग कृत्रिम बुद्धिमत्तेचा मोठा भाग आहे, परंतु या अभ्यासक्रमात आम्ही पारंपरिक मशीन लर्निंग कव्हर करत नाही.
+न्यूरल नेटवर्क्स ही **मशीन लर्निंग** नावाच्या मोठ्या शाखेचा भाग आहे, ज्याचा उद्देश डेटा वापरून समस्यांचे निराकरण करणारे कंप्यूटर मॉडेल्स तयार करणे आहे. मशीन लर्निंग कृत्रिम बुद्धिमत्तेचा मोठा भाग आहे, परंतु या अभ्यासक्रमात आम्ही पारंपरिक मशीन लर्निंग कव्हर करत नाही.
 
 > पारंपरिक मशीन लर्निंगबद्दल अधिक जाणून घेण्यासाठी आमचा स्वतंत्र **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** अभ्यासक्रम भेट द्या.
 
-मशीन लर्निंगमध्ये, आपण गृहीत धरतो की आपल्याकडे काही उदाहरणांचा डेटा संच **X** आहे, आणि त्यासोबतचे आउटपुट मूल्ये **Y** आहेत. उदाहरणे अनेकदा N-आयामी व्हेक्टर असतात ज्यामध्ये **वैशिष्ट्ये** असतात, आणि आउटपुट्सना **लेबल्स** म्हणतात.
+मशीन लर्निंगमध्ये, आपण मानतो की आपल्याकडे काही उदाहरणांचा डेटा संच **X** आहे आणि त्यासोबत संबंधित आउटपुट मूल्ये **Y** आहेत. उदाहरणे अनेक वेळा N-डायमेंशनल व्हेक्टर असतात ज्यामध्ये **वैशिष्ट्ये** असतात, आणि आउटपुट्स **लेबल्स** म्हणून ओळखले जातात.
 
 आपण मशीन लर्निंगमधील दोन सर्वसामान्य समस्या विचारात घेऊ:
 
-* **वर्गीकरण**, जिथे आपल्याला इनपुट ऑब्जेक्टला दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे.
+* **वर्गीकरण**, जिथे आपल्याला इनपुट ऑब्जेक्ट दोन किंवा अधिक वर्गांमध्ये वर्गीकृत करायचे आहे.
 * **रेग्रेशन**, जिथे आपल्याला प्रत्येक इनपुट नमुन्यासाठी एक संख्यात्मक संख्या अंदाज करायची आहे.
 
-> इनपुट्स आणि आउटपुट्सना टेन्सर्स म्हणून दर्शवताना, इनपुट डेटा संच M×N आकाराच्या मॅट्रिक्समध्ये असतो, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा व्हेक्टर असतो.
+> इनपुट्स आणि आउटपुट्स टेन्सर्स म्हणून दर्शवताना, इनपुट डेटा संच M&times;N आकाराच्या मॅट्रिक्समध्ये असतो, जिथे M म्हणजे नमुन्यांची संख्या आणि N म्हणजे वैशिष्ट्यांची संख्या. आउटपुट लेबल्स Y हा M आकाराचा व्हेक्टर असतो.
 
 या अभ्यासक्रमात, आपण फक्त न्यूरल नेटवर्क मॉडेल्सवर लक्ष केंद्रित करू.
 
 ## न्यूरॉनचे मॉडेल
 
-जीवशास्त्रातून आपल्याला माहित आहे की आपला मेंदू न्यूरल पेशींनी बनलेला आहे, ज्यामध्ये प्रत्येक पेशीला अनेक "इनपुट्स" (अॅक्सॉन्स) आणि एक आउटपुट (डेंड्राइट) असतो. अॅक्सॉन्स आणि डेंड्राइट्स विद्युत संकेत वाहून नेऊ शकतात, आणि अॅक्सॉन्स आणि डेंड्राइट्समधील कनेक्शन वेगवेगळ्या प्रवाहक्षमतेचे प्रदर्शन करू शकतात (न्यूरोमेडिएटर्सद्वारे नियंत्रित).
+जीवशास्त्रानुसार, आपला मेंदू न्यूरल पेशींनी (न्यूरॉन्स) बनलेला असतो, ज्यामध्ये अनेक "इनपुट्स" (डेंड्राइट्स) आणि एक "आउटपुट" (अॅक्सॉन) असतो. डेंड्राइट्स आणि अॅक्सॉन्स दोन्ही विद्युत संकेत वाहून नेऊ शकतात, आणि त्यांच्यातील कनेक्शन्स — ज्यांना सायनॅप्स म्हणतात — विविध प्रकारच्या चालकतेचे प्रदर्शन करू शकतात, जे न्यूरोट्रान्समीटरद्वारे नियंत्रित केले जातात.
 
 ![न्यूरॉनचे मॉडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.mr.jpg) | ![न्यूरॉनचे मॉडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.mr.png)
 ----|----
 वास्तविक न्यूरॉन *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) मधील प्रतिमा)* | कृत्रिम न्यूरॉन *(लेखकाने तयार केलेली प्रतिमा)*
 
-म्हणूनच, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> आणि एक आउटपुट Y, तसेच वजनांची मालिका W<sub>1</sub>, ..., W<sub>N</sub> असते. आउटपुटची गणना खालीलप्रमाणे केली जाते:
+त्यामुळे, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X<sub>1</sub>, ..., X<sub>N</sub> आणि एक आउटपुट Y, तसेच वजनांची मालिका W<sub>1</sub>, ..., W<sub>N</sub> असते. आउटपुट खालीलप्रमाणे गणना केली जाते:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.mr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-जिथे f ही काही नॉन-लिनियर **सक्रियता फंक्शन** आहे.
+जिथे f ही काही नॉन-लिनियर **अॅक्टिवेशन फंक्शन** आहे.
 
 > न्यूरॉनचे सुरुवातीचे मॉडेल्स 1943 मध्ये वॉरेन मॅककुलॉक आणि वॉल्टर पिट्स यांनी लिहिलेल्या [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) या क्लासिकल पेपरमध्ये वर्णन केले होते. डोनाल्ड हेब यांनी त्यांच्या "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" या पुस्तकात या नेटवर्क्सना प्रशिक्षण देण्याचा मार्ग प्रस्तावित केला.
 
 ## या विभागात
 
 या विभागात आपण शिकू:
-* [Perceptron](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्स
-* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि संबंधित नोटबुक [आपले स्वतःचे फ्रेमवर्क कसे तयार करावे](04-OwnFramework/OwnFramework.ipynb)
+* [पर्सेप्ट्रॉन](03-Perceptron/README.md), दोन-वर्ग वर्गीकरणासाठी सर्वात जुने न्यूरल नेटवर्क मॉडेल्स
+* [मल्टी-लेयर्ड नेटवर्क्स](04-OwnFramework/README.md) आणि त्यासोबतचा नोटबुक [आपले स्वतःचे फ्रेमवर्क कसे तयार करावे](04-OwnFramework/OwnFramework.ipynb)
 * [न्यूरल नेटवर्क फ्रेमवर्क्स](05-Frameworks/README.md), यासह नोटबुक्स: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) आणि [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [ओव्हरफिटिंग](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **अस्वीकरण**:  
-हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.

translations/ms/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:34:56+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:51:21+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ms"
 }
@@ -13,50 +13,50 @@ CO_OP_TRANSLATOR_METADATA:
 
 Seperti yang telah kita bincangkan dalam pengenalan, salah satu cara untuk mencapai kecerdasan adalah dengan melatih **model komputer** atau **otak tiruan**. Sejak pertengahan abad ke-20, para penyelidik telah mencuba pelbagai model matematik, sehingga beberapa tahun kebelakangan ini arah ini terbukti sangat berjaya. Model matematik otak seperti ini dipanggil **rangkaian neural**.
 
-> Kadangkala rangkaian neural dipanggil *Rangkaian Neural Tiruan* atau ANNs, untuk menunjukkan bahawa kita bercakap tentang model, bukan rangkaian neuron sebenar.
+> Kadang-kadang rangkaian neural dipanggil *Rangkaian Neural Tiruan* atau ANNs, untuk menunjukkan bahawa kita bercakap tentang model, bukan rangkaian sebenar neuron.
 
 ## Pembelajaran Mesin
 
 Rangkaian Neural adalah sebahagian daripada disiplin yang lebih besar yang dipanggil **Pembelajaran Mesin**, yang bertujuan menggunakan data untuk melatih model komputer yang mampu menyelesaikan masalah. Pembelajaran Mesin merupakan sebahagian besar daripada Kecerdasan Buatan, namun, kita tidak akan membincangkan Pembelajaran Mesin klasik dalam kurikulum ini.
 
-> Lawati kurikulum **[Pembelajaran Mesin untuk Pemula](http://github.com/microsoft/ml-for-beginners)** kami untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
+> Lawati kurikulum **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** kami untuk mempelajari lebih lanjut tentang Pembelajaran Mesin klasik.
 
-Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai satu set data contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**.
+Dalam Pembelajaran Mesin, kita mengandaikan bahawa kita mempunyai beberapa set data contoh **X**, dan nilai output yang sepadan **Y**. Contoh-contoh ini sering kali merupakan vektor N-dimensi yang terdiri daripada **ciri-ciri**, dan output dipanggil **label**.
 
 Kita akan mempertimbangkan dua masalah pembelajaran mesin yang paling biasa:
 
-* **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input kepada dua atau lebih kelas.
+* **Klasifikasi**, di mana kita perlu mengklasifikasikan objek input ke dalam dua atau lebih kelas.
 * **Regresi**, di mana kita perlu meramalkan nilai berangka untuk setiap sampel input.
 
-> Apabila mewakili input dan output sebagai tensor, set data input adalah matriks bersaiz M×N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M.
+> Apabila mewakili input dan output sebagai tensor, set data input adalah matriks bersaiz M&times;N, di mana M adalah bilangan sampel dan N adalah bilangan ciri. Label output Y adalah vektor bersaiz M.
 
 Dalam kurikulum ini, kita hanya akan memberi tumpuan kepada model rangkaian neural.
 
 ## Model Neuron
 
-Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel-sel neural, setiap satunya mempunyai pelbagai "input" (akson), dan satu output (dendrit). Akson dan dendrit boleh menghantar isyarat elektrik, dan sambungan antara akson dan dendrit boleh menunjukkan tahap kekonduksian yang berbeza (dikawal oleh neuromediator).
+Daripada biologi, kita tahu bahawa otak kita terdiri daripada sel-sel neural (neuron), setiap satunya mempunyai pelbagai "input" (dendrit) dan satu "output" (akson). Kedua-dua dendrit dan akson boleh menghantar isyarat elektrik, dan sambungan di antara mereka — dikenali sebagai sinaps — boleh menunjukkan tahap kekonduksian yang berbeza-beza, yang dikawal oleh neurotransmitter.
 
 ![Model Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ms.jpg) | ![Model Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ms.png)
 ----|----
-Neuron Sebenar *([Imej](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Tiruan *(Imej oleh Pengarang)*
+Neuron Sebenar *([Imej](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) dari Wikipedia)* | Neuron Tiruan *(Imej oleh Penulis)*
 
 Oleh itu, model matematik paling mudah bagi neuron mengandungi beberapa input X<sub>1</sub>, ..., X<sub>N</sub> dan satu output Y, serta satu siri pemberat W<sub>1</sub>, ..., W<sub>N</sub>. Output dikira sebagai:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ms.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 di mana f adalah beberapa **fungsi pengaktifan** bukan linear.
 
-> Model awal neuron telah diterangkan dalam kertas klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mencadangkan cara rangkaian tersebut boleh dilatih.
+> Model awal neuron telah diterangkan dalam kertas klasik [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) oleh Warren McCullock dan Walter Pitts pada tahun 1943. Donald Hebb dalam bukunya "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" mencadangkan cara rangkaian ini boleh dilatih.
 
 ## Dalam Bahagian Ini
 
 Dalam bahagian ini kita akan mempelajari tentang:
 * [Perceptron](03-Perceptron/README.md), salah satu model rangkaian neural terawal untuk klasifikasi dua kelas
 * [Rangkaian berlapis-lapis](04-OwnFramework/README.md) dengan buku nota berpasangan [cara membina rangka kerja kita sendiri](04-OwnFramework/OwnFramework.ipynb)
-* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan buku nota berikut: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Rangka Kerja Rangkaian Neural](05-Frameworks/README.md), dengan buku nota ini: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) dan [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Penafian**:  
-Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.
+Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.

translations/my/lessons/3-NeuralNetworks/README.md

@@ -1,63 +1,63 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:37:36+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:54:28+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "my"
 }
 -->
-# နာရုံကွန်ရက်များအကြောင်းမိတ်ဆက်
+# နယူးရယ်နက်ဝါ့ခ်များအကြောင်း အကျဉ်းချုပ်
 
-![နာရုံကွန်ရက်များအကြောင်းအကျဉ်းချုပ်ကို ရေးဆွဲထားသောပုံ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.my.png)
+![နယူးရယ်နက်ဝါ့ခ်များအကြောင်း အကျဉ်းချုပ်ကို ရေးဆွဲထားသော ပုံ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.my.png)
 
-မိတ်ဆက်အပိုင်းတွင် ဆွေးနွေးခဲ့သလို၊ ဉာဏ်ရည်ရရှိရန်နည်းလမ်းတစ်ခုမှာ **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဉာဏ်ရည်** ကိုလေ့ကျင့်ခြင်းဖြစ်သည်။ ၂၀ ရာစုအလယ်ပိုင်းမှစ၍ သုတေသနများသည် သင်္ချာမော်ဒယ်အမျိုးမျိုးကို စမ်းသပ်ခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်မှုရရှိခဲ့သည်။ ဉာဏ်ရည်၏ သင်္ချာမော်ဒယ်များကို **နာရုံကွန်ရက်များ** ဟုခေါ်သည်။
+ကျွန်ုပ်တို့ အကျဉ်းချုပ်တွင် ဆွေးနွေးခဲ့သည့်အတိုင်း၊ ဉာဏ်ရည်ကို ရရှိစေရန် နည်းလမ်းတစ်ခုမှာ **ကွန်ပျူတာမော်ဒယ်** သို့မဟုတ် **အတုဉာဏ်ရည်** တစ်ခုကို လေ့ကျင့်ခြင်းဖြစ်သည်။ ၂၀ ရာစု အလယ်ပိုင်းမှစ၍ သုတေသနပြုသူများသည် သင်္ချာမော်ဒယ်အမျိုးမျိုးကို စမ်းသပ်ခဲ့ကြပြီး၊ မကြာသေးမီနှစ်များတွင် ဤလမ်းကြောင်းသည် အလွန်အောင်မြင်ကြောင်း သက်သေပြခဲ့သည်။ ဉာဏ်ရည်၏ သင်္ချာမော်ဒယ်များကို **နယူးရယ်နက်ဝါ့ခ်များ** ဟု ခေါ်သည်။
 
-> တစ်ခါတစ်ရံ နာရုံကွန်ရက်များကို *Artificial Neural Networks* (ANNs) ဟုခေါ်ပြီး၊ ဤသည်မှာ အမှန်တကယ်သောနာရုံကွန်ရက်များမဟုတ်ပဲ မော်ဒယ်များအကြောင်းကို ပြောဆိုနေသည်ကို ဖော်ပြရန်ဖြစ်သည်။
+> တခါတရံတွင် နယူးရယ်နက်ဝါ့ခ်များကို *Artificial Neural Networks* (ANNs) ဟု ခေါ်ကြပြီး၊ ၎င်းသည် အမှန်တကယ်သော နယူးရွန်များ၏ နက်ဝါ့ခ်မဟုတ်ဘဲ မော်ဒယ်များသာဖြစ်ကြောင်း ဖော်ပြရန်ဖြစ်သည်။
 
-## စက်လေ့ကျင့်မှု
+## မက်ရှင်းလေန်နင်း
 
-နာရုံကွန်ရက်များသည် **စက်လေ့ကျင့်မှု** ဟုခေါ်သော အကြီးမားဆုံးဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်ရွယ်ချက်မှာ ဒေတာကို အသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ စက်လေ့ကျင့်မှုသည် အတုဉာဏ်ရည်၏ အကြီးမားဆုံးအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ခန်းစာတွင် ရိုးရာစက်လေ့ကျင့်မှုကို မဖုံးအုပ်ပါ။
+နယူးရယ်နက်ဝါ့ခ်များသည် **မက်ရှင်းလေန်နင်း** ဟုခေါ်သော အကြီးမားဆုံးဘာသာရပ်တစ်ခု၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး၊ ၎င်း၏ရည်မှန်းချက်မှာ ဒေတာကို အသုံးပြု၍ ပြဿနာများကို ဖြေရှင်းနိုင်သော ကွန်ပျူတာမော်ဒယ်များကို လေ့ကျင့်ခြင်းဖြစ်သည်။ မက်ရှင်းလေန်နင်းသည် အတုဉာဏ်ရည်၏ အကြီးမားဆုံးအစိတ်အပိုင်းတစ်ခုဖြစ်သော်လည်း၊ ဤသင်ရိုး၌ ရိုးရာမက်ရှင်းလေန်နင်းကို မဖော်ပြပါ။
 
-> ရိုးရာစက်လေ့ကျင့်မှုအကြောင်းပိုမိုလေ့လာရန် **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ခန်းစာကို သွားရောက်ကြည့်ရှုပါ။
+> ရိုးရာမက်ရှင်းလေန်နင်းအကြောင်း ပိုမိုလေ့လာရန် ကျွန်ုပ်တို့၏ **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** သင်ရိုးကို ကြည့်ပါ။
 
-စက်လေ့ကျင့်မှုတွင်၊ ငါတို့တွင် **X** ဟုခေါ်သော နမူနာများ၏ ဒေတာစုစည်းမှုတစ်ခုနှင့် **Y** ဟုခေါ်သော အထွက်တန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ နမူနာများသည် **အင်္ဂါရပ်များ** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ အထွက်များကို **တံဆိပ်များ** ဟုခေါ်သည်။
+မက်ရှင်းလေန်နင်းတွင်၊ ကျွန်ုပ်တို့တွင် **X** ဟုခေါ်သော ဥပမာဒေတာစနစ်တစ်ခုနှင့် **Y** ဟုခေါ်သော ဆက်စပ်ထွက်ရှိမှုတန်ဖိုးများရှိသည်ဟု သတ်မှတ်သည်။ ဥပမာများသည် အများအားဖြင့် **အင်္ဂါရပ်များ** ပါဝင်သော N-အတိုင်းအတာဗက်တာများဖြစ်ပြီး၊ ထွက်ရှိမှုများကို **တံဆိပ်များ** ဟုခေါ်သည်။
 
-စက်လေ့ကျင့်မှု၏ အများဆုံးတွေ့ရသော ပြဿနာနှစ်ခုကို ကျွန်ုပ်တို့ဆွေးနွေးမည်။
+ကျွန်ုပ်တို့သည် မက်ရှင်းလေန်နင်းပြဿနာများအနက် အများဆုံးတွေ့ရသော နှစ်ခုကို စဉ်းစားပါမည်-
 
-* **အမျိုးအစားခွဲခြားမှု** - အဝင်အရာဝတ္ထုကို အမျိုးအစားနှစ်မျိုး သို့မဟုတ် အမျိုးအစားများစွာသို့ ခွဲခြားရန်လိုအပ်သည်။
-* **ပြန်လည်သုံးသပ်မှု** - အဝင်နမူနာတစ်ခုစီအတွက် ကိန်းဂဏန်းတစ်ခုကို ခန့်မှန်းရန်လိုအပ်သည်။
+* **ခွဲခြားခြင်း** (Classification) - ထည့်သွင်းထားသော အရာဝတ္ထုကို အတန်းနှစ်ခု သို့မဟုတ် အတန်းများစွာအတွင်း ခွဲခြားရမည်။
+* **ပြန်လည်ခန့်မှန်းခြင်း** (Regression) - ထည့်သွင်းထားသော ဥပမာတစ်ခုစီအတွက် ကိန်းဂဏန်းတစ်ခုကို ခန့်မှန်းရမည်။
 
-> အဝင်နှင့်အထွက်များကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ အဝင်ဒေတာစုစည်းမှုသည် M×N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် နမူနာအရေအတွက်၊ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ အထွက်တံဆိပ်များ **Y** သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။
+> ထည့်သွင်းမှုများနှင့် ထွက်ရှိမှုများကို တန်ဆာများအဖြစ် ကိုယ်စားပြုသောအခါ၊ ထည့်သွင်းဒေတာစနစ်သည် M&times;N အရွယ်အစားရှိသော မက်ထရစ်ဖြစ်ပြီး၊ M သည် ဥပမာအရေအတွက်ဖြစ်ကာ N သည် အင်္ဂါရပ်အရေအတွက်ဖြစ်သည်။ ထွက်ရှိမှုတံဆိပ်များ Y သည် M အရွယ်အစားရှိသော ဗက်တာဖြစ်သည်။
 
-ဤသင်ခန်းစာတွင် နာရုံကွန်ရက်မော်ဒယ်များကိုသာ အာရုံစိုက်မည်။
+ဤသင်ရိုး၌၊ ကျွန်ုပ်တို့သည် နယူးရယ်နက်ဝါ့ခ်မော်ဒယ်များကိုသာ အာရုံစိုက်ပါမည်။
 
-## နာရုံ၏မော်ဒယ်
+## နယူးရွန်၏ မော်ဒယ်
 
-ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိသည်မှာ၊ ကျွန်ုပ်တို့၏ ဦးနှောက်သည် နာရုံဆဲလ်များဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "အဝင်" (axons) များစွာနှင့် "အထွက်" (dendrite) တစ်ခုရှိသည်။ Axons နှင့် dendrites သည် လျှပ်စစ် signal များကို သယ်ဆောင်နိုင်ပြီး၊ axons နှင့် dendrites အကြားရှိ ချိတ်ဆက်မှုများသည် conductivity အဆင့်အတန်းများကို (neuromediators မှတစ်ဆင့်) ထိန်းချုပ်နိုင်သည်။
+ဇီဝဗေဒမှ ကျွန်ုပ်တို့သိရှိထားသည်မှာ၊ ကျွန်ုပ်တို့၏ ဦးနှောက်သည် နယူးရွန်ဆဲလ်များ (neurons) ဖြင့် ဖွဲ့စည်းထားပြီး၊ ၎င်းတို့တွင် "ထည့်သွင်းမှုများ" (dendrites) အများအပြားနှင့် "ထွက်ရှိမှု" (axon) တစ်ခုရှိသည်။ Dendrites နှင့် Axons နှစ်ခုစလုံးသည် လျှပ်စစ်သံကို သယ်ဆောင်နိုင်ပြီး၊ ၎င်းတို့အကြားရှိ ဆက်သွယ်မှုများ — synapses ဟုခေါ်သည် — သည် လျှပ်စစ်သံသယ်ဆောင်နိုင်စွမ်းအမျိုးမျိုးကို ပြသနိုင်ပြီး၊ ၎င်းတို့ကို neurotransmitters များက ထိန်းညှိသည်။
 
-![နာရုံ၏မော်ဒယ်](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.my.jpg) | ![နာရုံ၏မော်ဒယ်](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.my.png)
+![နယူးရွန်၏ မော်ဒယ်](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.my.jpg) | ![နယူးရွန်၏ မော်ဒယ်](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.my.png)
 ----|----
-အမှန်တကယ်နာရုံ *([Wikipedia မှပုံ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | အတုနာရုံ *(ရေးသားသူမှပုံ)*
+အမှန်တကယ် နယူးရွန် *([ပုံ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia မှ)* | အတုနယူးရွန် *(ရေးသားသူမှ ပုံဆွဲသည်)*
 
-ထို့ကြောင့်၊ နာရုံ၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်သည် အဝင်များ **X<sub>1</sub>, ..., X<sub>N</sub>** နှင့် အထွက် **Y** တစ်ခု၊ အလေးချိန်များ **W<sub>1</sub>, ..., W<sub>N</sub>** တစ်စုံပါဝင်သည်။ အထွက်ကို အောက်ပါအတိုင်းတွက်ချက်သည်။
+ထို့ကြောင့်၊ နယူးရွန်၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်တွင် ထည့်သွင်းမှုများ X<sub>1</sub>, ..., X<sub>N</sub> နှင့် ထွက်ရှိမှု Y တို့နှင့် အလေးချိန်များ W<sub>1</sub>, ..., W<sub>N</sub> တို့ပါဝင်သည်။ ထွက်ရှိမှုကို အောက်ပါအတိုင်းတွက်ချက်သည်-
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.my.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-ဤတွင် **f** သည် **activation function** ဟုခေါ်သော အနည်းငယ်လိုင်နီယာမဟုတ်သော function တစ်ခုဖြစ်သည်။
+ဤတွင် f သည် အချို့သော မလိုက်လျောသော **activation function** ဖြစ်သည်။
 
-> နာရုံ၏အစောပိုင်းမော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts ရေးသားသော [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော စာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ဟုခေါ်သော ၎င်း၏စာအုပ်တွင် ဤကွန်ရက်များကို လေ့ကျင့်နိုင်သောနည်းလမ်းကို အဆိုပြုခဲ့သည်။
+> နယူးရွန်၏ စောင့်ရှောက်မော်ဒယ်များကို 1943 ခုနှစ်တွင် Warren McCullock နှင့် Walter Pitts တို့၏ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ဟုခေါ်သော ရှေးဟောင်းစာတမ်းတွင် ဖော်ပြခဲ့သည်။ Donald Hebb သည် ၎င်း၏စာအုပ် "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" တွင် ဤနက်ဝါ့ခ်များကို လေ့ကျင့်နိုင်သော နည်းလမ်းကို အကြံပြုခဲ့သည်။
 
 ## ဤအပိုင်းတွင်
 
-ဤအပိုင်းတွင် ကျွန်ုပ်တို့လေ့လာမည်မှာ-
+ဤအပိုင်းတွင် ကျွန်ုပ်တို့သည် အောက်ပါအကြောင်းအရာများကို လေ့လာမည်-
 
-* [Perceptron](03-Perceptron/README.md) - နှစ်မျိုးအမျိုးအစားခွဲခြားမှုအတွက် အစောပိုင်းနာရုံကွန်ရက်မော်ဒယ်တစ်ခု
-* [Multi-layered networks](04-OwnFramework/README.md) - notebook တစ်ခုနှင့်တွဲဖက်ထားသော [ကျွန်ုပ်တို့၏ framework ကိုတည်ဆောက်နည်း](04-OwnFramework/OwnFramework.ipynb)
-* [Neural Network Frameworks](05-Frameworks/README.md) - PyTorch [notebook](05-Frameworks/IntroPyTorch.ipynb) နှင့် Keras/Tensorflow [notebook](05-Frameworks/IntroKerasTF.ipynb)
+* [Perceptron](03-Perceptron/README.md) - နှစ်တန်းခွဲခြားမှုအတွက် အစောဆုံးနယူးရယ်နက်ဝါ့ခ်မော်ဒယ်များထဲမှ တစ်ခု
+* [Multi-layered networks](04-OwnFramework/README.md) နှင့် [ကျွန်ုပ်တို့၏ကိုယ်ပိုင် framework တည်ဆောက်နည်း](04-OwnFramework/OwnFramework.ipynb) အတွက် notebook တစ်ခု
+* [Neural Network Frameworks](05-Frameworks/README.md) - [PyTorch](05-Frameworks/IntroPyTorch.ipynb) နှင့် [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) အတွက် notebooks များ
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **အကြောင်းကြားချက်**:  
-ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။
+ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲသုံးစားမှု သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။

translations/ne/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:30:51+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:45:53+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ne"
 }
@@ -11,9 +11,9 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![न्युरल नेटवर्कको सामग्रीको सारांश एक चित्रमा](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ne.png)
 
-जसरी हामीले परिचयमा चर्चा गर्यौं, बुद्धिमत्ता प्राप्त गर्ने एक तरिका भनेको **कम्प्युटर मोडेल** वा **कृत्रिम मस्तिष्क**लाई प्रशिक्षण दिनु हो। २०औं शताब्दीको मध्यदेखि, अनुसन्धानकर्ताहरूले विभिन्न गणितीय मोडेलहरू प्रयास गरे, जबसम्म पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भयो। मस्तिष्कका यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ।
+जसरी हामीले परिचयमा चर्चा गर्यौं, बुद्धिमत्ता प्राप्त गर्ने एक तरिका भनेको **कम्प्युटर मोडेल** वा **कृत्रिम मस्तिष्क**लाई प्रशिक्षण दिनु हो। २०औं शताब्दीको मध्यदेखि, अनुसन्धानकर्ताहरूले विभिन्न गणितीय मोडेलहरू प्रयास गरे, र पछिल्लो केही वर्षमा यो दिशा अत्यन्त सफल साबित भयो। मस्तिष्कको यस्ता गणितीय मोडेलहरूलाई **न्युरल नेटवर्क** भनिन्छ।
 
-> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क* (Artificial Neural Networks), ANNs भनिन्छ, ताकि हामी मोडेलको कुरा गरिरहेका छौं, वास्तविक न्युरोनहरूको नेटवर्कको होइन।
+> कहिलेकाहीं न्युरल नेटवर्कलाई *कृत्रिम न्युरल नेटवर्क* (Artificial Neural Networks, ANNs) भनिन्छ, जसले मोडेलको कुरा गरिरहेको संकेत गर्दछ, वास्तविक न्युरोनहरूको नेटवर्क होइन।
 
 ## मेशिन लर्निङ
 
@@ -28,35 +28,35 @@ CO_OP_TRANSLATOR_METADATA:
 * **वर्गीकरण (Classification)**, जहाँ हामीले इनपुट वस्तुलाई दुई वा बढी वर्गहरूमा वर्गीकृत गर्नुपर्छ।
 * **रेग्रेशन (Regression)**, जहाँ हामीले प्रत्येक इनपुट नमूनाको लागि संख्यात्मक मान भविष्यवाणी गर्नुपर्छ।
 
-> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M×N आकारको म्याट्रिक्स हो, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू **Y** M आकारको भेक्टर हो।
+> इनपुट र आउटपुटलाई टेन्सरको रूपमा प्रतिनिधित्व गर्दा, इनपुट डाटासेट M&times;N आकारको म्याट्रिक्स हुन्छ, जहाँ M नमूनाहरूको संख्या हो र N फिचरहरूको संख्या हो। आउटपुट लेबलहरू Y भनेको M आकारको भेक्टर हो।
 
-यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा केन्द्रित हुनेछौं।
+यस पाठ्यक्रममा, हामी केवल न्युरल नेटवर्क मोडेलहरूमा ध्यान केन्द्रित गर्नेछौं।
 
 ## न्युरोनको मोडेल
 
-जैविक रूपमा हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरूबाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (एक्सनहरू) र एक आउटपुट (डेंड्राइट) हुन्छ। एक्सनहरू र डेंड्राइटहरूले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र एक्सन र डेंड्राइटहरू बीचको जडानले विभिन्न स्तरको प्रवाह क्षमता देखाउन सक्छ (न्युरोमेडिएटरद्वारा नियन्त्रित)।
+जैविक विज्ञानबाट, हामीलाई थाहा छ कि हाम्रो मस्तिष्क न्युरल कोषहरू (न्युरोनहरू) बाट बनेको छ, जसको प्रत्येकमा धेरै "इनपुट" (डेंड्राइटहरू) र एक "आउटपुट" (एक्सन) हुन्छ। डेंड्राइटहरू र एक्सनहरू दुवैले विद्युतीय संकेतहरू प्रवाह गर्न सक्छन्, र तिनीहरू बीचको जडानहरू — जसलाई सिन्याप्स भनिन्छ — विभिन्न स्तरको प्रवाहशीलता देखाउन सक्छन्, जुन न्युरोट्रान्समिटरहरूले नियमन गर्छन्।
 
 ![न्युरोनको मोडेल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ne.jpg) | ![न्युरोनको मोडेल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ne.png)
 ----|----
-वास्तविक न्युरोन *([Image](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा बनाइएको चित्र)*
+वास्तविक न्युरोन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडियाबाट)* | कृत्रिम न्युरोन *(लेखकद्वारा बनाइएको छवि)*
 
-त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X<sub>1</sub>, ..., X<sub>N</sub> र एक आउटपुट Y हुन्छ, र वेटहरूको श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> हुन्छ। आउटपुट यसरी गणना गरिन्छ:
+त्यसैले, न्युरोनको सबैभन्दा सरल गणितीय मोडेलमा धेरै इनपुटहरू X<sub>1</sub>, ..., X<sub>N</sub> र एक आउटपुट Y हुन्छ, र तौलहरूको श्रृंखला W<sub>1</sub>, ..., W<sub>N</sub> हुन्छ। आउटपुट यसरी गणना गरिन्छ:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ne.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-जहाँ f केही गैर-रेखीय **सक्रियता फलन (activation function)** हो।
+जहाँ f भनेको केही गैर-रेखीय **सक्रियता फलन** हो।
 
-> न्युरोनको प्रारम्भिक मोडेलहरू १९४३ मा वारेन म्याककुलक र वाल्टर पिट्सद्वारा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे।
+> न्युरोनको प्रारम्भिक मोडेलहरू वारेन म्याकुलक र वाल्टर पिट्सद्वारा १९४३ मा लेखिएको शास्त्रीय पेपर [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) मा वर्णन गरिएको थियो। डोनाल्ड हेबले आफ्नो पुस्तक "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" मा ती नेटवर्कहरू कसरी प्रशिक्षण गर्न सकिन्छ भन्ने तरिका प्रस्ताव गरे।
 
 ## यस खण्डमा
 
 यस खण्डमा हामी निम्न विषयहरू सिक्नेछौं:
-* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि सबैभन्दा प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक
-* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र एक सम्बन्धित नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](04-OwnFramework/OwnFramework.ipynb)
+* [पर्सेप्ट्रोन](03-Perceptron/README.md), दुई-वर्ग वर्गीकरणको लागि प्रारम्भिक न्युरल नेटवर्क मोडेलहरू मध्ये एक
+* [बहु-स्तरीय नेटवर्कहरू](04-OwnFramework/README.md) र यससँग सम्बन्धित नोटबुक [हाम्रो आफ्नै फ्रेमवर्क कसरी निर्माण गर्ने](04-OwnFramework/OwnFramework.ipynb)
 * [न्युरल नेटवर्क फ्रेमवर्कहरू](05-Frameworks/README.md), यी नोटबुकहरूसहित: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) र [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [ओभरफिटिङ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **अस्वीकरण**:  
-यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया जानकार रहनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुनेछैनौं।

translations/nl/lessons/3-NeuralNetworks/README.md

@@ -1,48 +1,48 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:34:02+00:00",
+  "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
 
-![Samenvatting van Intro Neural Networks inhoud in een schets](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.nl.png)
+![Samenvatting van de inhoud van Intro Neural Networks in een schets](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.nl.png)
 
-Zoals we in de introductie hebben besproken, is een van de manieren om intelligentie te bereiken het trainen van een **computermodel** of een **kunstmatig brein**. Sinds het midden van de 20e eeuw hebben onderzoekers verschillende wiskundige modellen geprobeerd, totdat deze richting de afgelopen jaren enorm succesvol bleek te zijn. Dergelijke wiskundige modellen van het brein worden **neurale netwerken** genoemd.
+Zoals we in de introductie hebben besproken, is een van de manieren om intelligentie te bereiken het trainen van een **computermodel** of een **kunstmatig brein**. Sinds het midden van de 20e eeuw hebben onderzoekers verschillende wiskundige modellen geprobeerd, totdat deze richting in de afgelopen jaren enorm succesvol bleek te zijn. Dergelijke wiskundige modellen van het brein worden **neurale netwerken** genoemd.
 
-> Soms worden neurale netwerken *Artificial Neural Networks*, ANNs, genoemd om aan te geven dat we het hebben over modellen en niet over echte netwerken van neuronen.
+> Soms worden neurale netwerken *Kunstmatige Neurale Netwerken* (Artificial Neural Networks, ANNs) genoemd, om aan te geven dat we het hebben over modellen en niet over echte netwerken van neuronen.
 
 ## Machine Learning
 
-Neurale netwerken maken deel uit van een bredere discipline genaamd **Machine Learning**, waarvan het doel is om data te gebruiken om computermodellen te trainen die problemen kunnen oplossen. Machine Learning vormt een groot deel van Kunstmatige Intelligentie, maar we behandelen klassieke ML niet in deze leerstof.
+Neurale netwerken maken deel uit van een bredere discipline genaamd **Machine Learning**, waarvan het doel is om gegevens te gebruiken om computermodellen te trainen die problemen kunnen oplossen. Machine Learning vormt een groot deel van Kunstmatige Intelligentie, maar we behandelen klassieke ML niet in dit curriculum.
 
 > Bezoek ons aparte **[Machine Learning voor Beginners](http://github.com/microsoft/ml-for-beginners)** curriculum om meer te leren over klassieke Machine Learning.
 
-In Machine Learning gaan we ervan uit dat we een dataset hebben met voorbeelden **X** en bijbehorende uitvoerwaarden **Y**. Voorbeelden zijn vaak N-dimensionale vectoren die bestaan uit **kenmerken**, en uitvoerwaarden worden **labels** genoemd.
+In Machine Learning gaan we ervan uit dat we een dataset van voorbeelden **X** hebben, en bijbehorende uitvoerwaarden **Y**. Voorbeelden zijn vaak N-dimensionale vectoren die bestaan uit **kenmerken**, en uitvoerwaarden worden **labels** genoemd.
 
-We zullen de twee meest voorkomende problemen in Machine Learning bekijken:
+We zullen de twee meest voorkomende machine learning-problemen bekijken:
 
-* **Classificatie**, waarbij we een invoerobject moeten indelen in twee of meer klassen.
-* **Regressie**, waarbij we een numerieke waarde moeten voorspellen voor elk van de invoerobjecten.
+* **Classificatie**, waarbij we een invoerobject moeten classificeren in twee of meer klassen.
+* **Regressie**, waarbij we een numerieke waarde moeten voorspellen voor elk van de invoermonsters.
 
-> Bij het representeren van invoer en uitvoer als tensors is de invoerdataset een matrix van grootte M×N, waarbij M het aantal voorbeelden is en N het aantal kenmerken. Uitvoerlabels Y zijn de vector van grootte M.
+> Bij het weergeven van invoer en uitvoer als tensors is de invoerdataset een matrix van grootte M&times;N, waarbij M het aantal monsters is en N het aantal kenmerken. Uitvoerlabels Y is de vector van grootte M.
 
-In dit curriculum richten we ons uitsluitend op modellen van neurale netwerken.
+In dit curriculum richten we ons uitsluitend op neurale netwerkmodellen.
 
 ## Een Model van een Neuron
 
-Uit de biologie weten we dat ons brein bestaat uit neurale cellen, die elk meerdere "inputs" (axonen) en een output (dendriet) hebben. Axonen en dendrieten kunnen elektrische signalen geleiden, en verbindingen tussen axonen en dendrieten kunnen verschillende graden van geleiding vertonen (gereguleerd door neurotransmitters).
+Uit de biologie weten we dat ons brein bestaat uit neurale cellen (neuronen), die elk meerdere "inputs" (dendrieten) en een enkele "output" (axon) hebben. Zowel dendrieten als axonen kunnen elektrische signalen geleiden, en de verbindingen daartussen — bekend als synapsen — kunnen verschillende graden van geleiding vertonen, die worden gereguleerd door neurotransmitters.
 
 ![Model van een Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.nl.jpg) | ![Model van een Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.nl.png)
 ----|----
-Echte Neuron *([Afbeelding](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) van Wikipedia)* | Kunstmatige Neuron *(Afbeelding door Auteur)*
+Echt Neuron *([Afbeelding](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) van Wikipedia)* | Kunstmatig Neuron *(Afbeelding door Auteur)*
 
 Het eenvoudigste wiskundige model van een neuron bevat dus meerdere inputs X<sub>1</sub>, ..., X<sub>N</sub> en een output Y, en een reeks gewichten W<sub>1</sub>, ..., W<sub>N</sub>. Een output wordt berekend als:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.nl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 waarbij f een niet-lineaire **activatiefunctie** is.
 
@@ -52,11 +52,11 @@ waarbij f een niet-lineaire **activatiefunctie** is.
 
 In deze sectie leren we over:
 * [Perceptron](03-Perceptron/README.md), een van de vroegste neurale netwerkmodellen voor tweeklassenclassificatie
-* [Multi-layered netwerken](04-OwnFramework/README.md) met een bijbehorend notebook [hoe we ons eigen framework kunnen bouwen](04-OwnFramework/OwnFramework.ipynb)
-* [Neurale Netwerk Frameworks](05-Frameworks/README.md), met deze notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) en [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Meerlagige netwerken](04-OwnFramework/README.md) met een bijbehorend notitieboekje [hoe we ons eigen framework kunnen bouwen](04-OwnFramework/OwnFramework.ipynb)
+* [Neurale Netwerk Frameworks](05-Frameworks/README.md), met deze notitieboekjes: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) en [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Disclaimer**:  
-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 zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele 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 zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.

translations/no/lessons/3-NeuralNetworks/README.md

@@ -1,48 +1,48 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:33:34+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:49:48+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "no"
 }
 -->
-# Introduksjon til Nevrale Nettverk
+# Introduksjon til nevrale nettverk
 
-![Oppsummering av innholdet i Intro Neural Networks i en skisse](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.no.png)
+![Oppsummering av innholdet i Intro Neural Networks i en tegning](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.no.png)
 
-Som vi diskuterte i introduksjonen, er en av måtene å oppnå intelligens på å trene en **datamodell** eller en **kunstig hjerne**. Siden midten av det 20. århundre har forskere prøvd ulike matematiske modeller, og i de senere år har denne retningen vist seg å være svært vellykket. Slike matematiske modeller av hjernen kalles **nevrale nettverk**.
+Som vi diskuterte i introduksjonen, er en av måtene å oppnå intelligens på å trene en **datamodell** eller en **kunstig hjerne**. Siden midten av 1900-tallet har forskere prøvd ulike matematiske modeller, og i de senere år har denne retningen vist seg å være svært vellykket. Slike matematiske modeller av hjernen kalles **nevrale nettverk**.
 
-> Noen ganger kalles nevrale nettverk *Artificial Neural Networks*, ANNs, for å indikere at vi snakker om modeller, ikke ekte nettverk av nevroner.
+> Noen ganger kalles nevrale nettverk for *Artificial Neural Networks*, ANNs, for å indikere at vi snakker om modeller, ikke ekte nettverk av nevroner.
 
 ## Maskinlæring
 
-Nevrale nettverk er en del av en større disiplin kalt **Maskinlæring**, som har som mål å bruke data til å trene datamodeller som kan løse problemer. Maskinlæring utgjør en stor del av Kunstig Intelligens, men vi dekker ikke klassisk ML i dette pensumet.
+Nevrale nettverk er en del av en større disiplin kalt **maskinlæring**, som har som mål å bruke data til å trene datamodeller som kan løse problemer. Maskinlæring utgjør en stor del av kunstig intelligens, men vi dekker ikke klassisk maskinlæring i dette pensumet.
 
 > Besøk vårt separate **[Maskinlæring for nybegynnere](http://github.com/microsoft/ml-for-beginners)** pensum for å lære mer om klassisk maskinlæring.
 
-I maskinlæring antar vi at vi har et datasett med eksempler **X**, og tilsvarende utgangsverdier **Y**. Eksempler er ofte N-dimensjonale vektorer som består av **egenskaper**, og utgangsverdiene kalles **etiketter**.
+I maskinlæring antar vi at vi har et datasett med eksempler **X**, og tilsvarende utgangsverdier **Y**. Eksempler er ofte N-dimensjonale vektorer som består av **funksjoner**, og utganger kalles **etiketter**.
 
 Vi vil se på de to vanligste problemene innen maskinlæring:
 
-* **Klassifisering**, der vi må klassifisere et innobjekt i to eller flere klasser.
-* **Regresjon**, der vi må forutsi et numerisk tall for hver av inngangsprøvene.
+* **Klassifisering**, der vi må klassifisere et inngangsobjekt i to eller flere klasser.
+* **Regresjon**, der vi må forutsi en numerisk verdi for hver av inngangsprøvene.
 
-> Når vi representerer innganger og utganger som tensorer, er inngangsdataene en matrise av størrelse M×N, der M er antall prøver og N er antall egenskaper. Utgangsetiketter Y er en vektor av størrelse M.
+> Når vi representerer innganger og utganger som tensorer, er inngangsdataene en matrise av størrelse M&times;N, der M er antall prøver og N er antall funksjoner. Utgangsetiketter Y er en vektor av størrelse M.
 
 I dette pensumet vil vi kun fokusere på modeller for nevrale nettverk.
 
 ## En modell av et nevron
 
-Fra biologien vet vi at hjernen vår består av nerveceller, hver av dem har flere "innganger" (aksoner) og en utgang (dendritt). Aksoner og dendritter kan lede elektriske signaler, og forbindelser mellom aksoner og dendritter kan ha ulike grader av ledningsevne (styrt av nevromediatorer).
+Fra biologien vet vi at hjernen vår består av nerveceller (nevroner), som hver har flere "innganger" (dendritter) og en enkelt "utgang" (akson). Både dendritter og aksoner kan lede elektriske signaler, og forbindelsene mellom dem — kjent som synapser — kan ha varierende grad av ledningsevne, som reguleres av nevrotransmittere.
 
 ![Modell av et nevron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.no.jpg) | ![Modell av et nevron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.no.png)
 ----|----
-Ekte nevron *([Bilde](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig nevron *(Bilde av forfatter)*
+Ekte nevron *([Bilde](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) fra Wikipedia)* | Kunstig nevron *(Bilde av forfatteren)*
 
 Dermed inneholder den enkleste matematiske modellen av et nevron flere innganger X<sub>1</sub>, ..., X<sub>N</sub> og en utgang Y, samt en serie vekter W<sub>1</sub>, ..., W<sub>N</sub>. En utgang beregnes som:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.no.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 der f er en ikke-lineær **aktiveringsfunksjon**.
 
@@ -59,4 +59,4 @@ I denne seksjonen skal vi lære om:
 ---
 
 **Ansvarsfraskrivelse**:  
-Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.
+Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi tilstreber nøyaktighet, vennligst vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på dets opprinnelige språk bør betraktes som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.

translations/pa/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:31:06+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:46:10+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "pa"
 }
 -->
-# ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਪਰਚੇ
+# ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਦਾ ਪਰਿਚਯ
 
-![ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pa.png)
+![ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਸਮੱਗਰੀ ਦਾ ਸਾਰ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pa.png)
 
-ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਚੇ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਰਿਚਯ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਸੀ, ਬੁੱਧੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਤਰੀਕਾ **ਕੰਪਿਊਟਰ ਮਾਡਲ** ਜਾਂ ਇੱਕ **ਕ੍ਰਿਤ੍ਰਿਮ ਦਿਮਾਗ** ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਹੈ। 20ਵੀਂ ਸਦੀ ਦੇ ਮੱਧ ਤੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੱਖ-ਵੱਖ ਗਣਿਤ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਜਦੋਂ ਤੱਕ ਕਿ ਹਾਲੀਆ ਸਾਲਾਂ ਵਿੱਚ ਇਹ ਦਿਸ਼ਾ ਬਹੁਤ ਸਫਲ ਸਾਬਤ ਨਹੀਂ ਹੋਈ। ਦਿਮਾਗ ਦੇ ਅਜਿਹੇ ਗਣਿਤ ਮਾਡਲਾਂ ਨੂੰ **ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
 
-> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈਟਵਰਕਸ* (ANNs) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਦਰਸਾਇਆ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈਟਵਰਕਸ ਦੀ।
+> ਕਈ ਵਾਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਨੂੰ *ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ* ਜਾਂ ANNs ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਸਪਸ਼ਟ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਅਸੀਂ ਮਾਡਲਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਨਾ ਕਿ ਅਸਲ ਨਿਊਰੋਨ ਨੈੱਟਵਰਕਸ ਦੀ।
 
 ## ਮਸ਼ੀਨ ਲਰਨਿੰਗ
 
-ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਹੈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਹਾਲਾਂਕਿ, ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ।
+ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ ਇੱਕ ਵੱਡੇ ਵਿਭਾਗ ਦਾ ਹਿੱਸਾ ਹਨ ਜਿਸਨੂੰ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸਦਾ ਮਕਸਦ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟਰ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਹੈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਣ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਹੈ, ਪਰ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਅਸੀਂ ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ।
 
-> ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡਾ ਵੱਖਰਾ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਵੇਖੋ।
+> ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡਾ ਵੱਖਰਾ **[ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਿਗਿਨਰਜ਼ ਲਈ](http://github.com/microsoft/ml-for-beginners)** ਪਾਠਕ੍ਰਮ ਵੇਖੋ।
 
-ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y**। ਉਦਾਹਰਣ ਅਕਸਰ N-ਡਾਇਮੈਂਸ਼ਨਲ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਮੂਲਕ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਕੋਲ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਡਾਟਾਸੈੱਟ **X** ਹੈ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਆਉਟਪੁੱਟ ਮੁੱਲ **Y** ਹਨ। ਉਦਾਹਰਣ ਅਕਸਰ N-ਡਾਈਮੇਂਸ਼ਨਲ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ ਜੋ **ਫੀਚਰਜ਼** 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ **ਲੇਬਲਜ਼** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
 
 ਅਸੀਂ ਦੋ ਸਭ ਤੋਂ ਆਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਵੇਖਾਂਗੇ:
 
-* **ਕਲਾਸੀਫਿਕੇਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਇਨਪੁੱਟ ਵਸਤੂ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਕਲਾਸਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੁੰਦਾ ਹੈ।
-* **ਰਿਗ੍ਰੈਸ਼ਨ**, ਜਿੱਥੇ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਗਿਣਤੀ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ।
+* **ਕਲਾਸੀਫਿਕੇਸ਼ਨ**, ਜਿਸ ਵਿੱਚ ਸਾਨੂੰ ਇੱਕ ਇਨਪੁੱਟ ਆਬਜੈਕਟ ਨੂੰ ਦੋ ਜਾਂ ਵੱਧ ਕਲਾਸਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੁੰਦਾ ਹੈ।
+* **ਰਿਗ੍ਰੈਸ਼ਨ**, ਜਿਸ ਵਿੱਚ ਸਾਨੂੰ ਹਰ ਇਨਪੁੱਟ ਨਮੂਨੇ ਲਈ ਇੱਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ।
 
-> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰਜ਼ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈਟ M×N ਆਕਾਰ ਦਾ ਮੈਟ੍ਰਿਕਸ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ Y M ਆਕਾਰ ਦਾ ਵੇਕਟਰ ਹੁੰਦਾ ਹੈ।
+> ਜਦੋਂ ਇਨਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਟੈਂਸਰਜ਼ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਨਪੁੱਟ ਡਾਟਾਸੈੱਟ M&times;N ਆਕਾਰ ਦੇ ਮੈਟ੍ਰਿਕਸ ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ M ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ ਅਤੇ N ਫੀਚਰਜ਼ ਦੀ ਗਿਣਤੀ ਹੈ। ਆਉਟਪੁੱਟ ਲੇਬਲ Y M ਆਕਾਰ ਦੇ ਵੇਕਟਰ ਹੁੰਦੇ ਹਨ।
 
-ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ।
+ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਅਸੀਂ ਸਿਰਫ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ।
 
 ## ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ
 
-ਜੈਵਿਕ ਵਿਗਿਆਨ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲਾਂ ਤੋਂ ਬਣਿਆ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ ਦੇ ਕਈ "ਇਨਪੁੱਟ" (ਐਕਸੋਨ) ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ (ਡੈਂਡਰਾਈਟ) ਹੁੰਦਾ ਹੈ। ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਬਿਜਲੀ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਐਕਸੋਨ ਅਤੇ ਡੈਂਡਰਾਈਟ ਦੇ ਵਿਚਕਾਰ ਕਨੈਕਸ਼ਨ ਵੱਖ-ਵੱਖ ਡਿਗਰੀਆਂ ਦੀ ਚਾਲਕਤਾ ਦਰਸਾ ਸਕਦੇ ਹਨ (ਜੋ ਨਿਊਰੋਮੀਡੀਏਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ)।
+ਜੀਵ ਵਿਗਿਆਨ ਤੋਂ, ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਦਿਮਾਗ ਨਿਊਰਲ ਸੈਲ (ਨਿਊਰੋਨ) ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਹਰ ਇੱਕ ਦੇ ਕਈ "ਇਨਪੁੱਟ" (ਡੈਂਡਰਾਈਟਸ) ਅਤੇ ਇੱਕ "ਆਉਟਪੁੱਟ" (ਐਕਸੋਨ) ਹੁੰਦੇ ਹਨ। ਡੈਂਡਰਾਈਟਸ ਅਤੇ ਐਕਸੋਨ ਦੋਵੇਂ ਬਿਜਲਈ ਸੰਕੇਤਾਂ ਨੂੰ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵਿਚਕਾਰ ਦੇ ਸੰਪਰਕ — ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਿਨੈਪਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ — ਵੱਖ-ਵੱਖ ਪੱਧਰ ਦੀ ਚਾਲਕਤਾ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਜੋ ਨਿਊਰੋਟ੍ਰਾਂਸਮੀਟਰਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੀ ਹੈ।
 
 ![ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pa.jpg) | ![ਨਿਊਰੋਨ ਦਾ ਮਾਡਲ](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pa.png)
 ----|----
-ਅਸਲ ਨਿਊਰੋਨ *([ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ਵਿਕੀਪੀਡੀਆ ਤੋਂ)* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)*
+ਅਸਲੀ ਨਿਊਰੋਨ *([ਵਿਕੀਪੀਡੀਆ ਤੋਂ ਚਿੱਤਰ](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰੋਨ *(ਲੇਖਕ ਦੁਆਰਾ ਚਿੱਤਰ)*
 
-ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਵਿੱਚ ਕਈ ਇਨਪੁੱਟ X<sub>1</sub>, ..., X<sub>N</sub> ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y ਹੁੰਦਾ ਹੈ, ਅਤੇ ਵਜ਼ਨਾਂ W<sub>1</sub>, ..., W<sub>N</sub> ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
+ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਕਈ ਇਨਪੁੱਟ X<sub>1</sub>, ..., X<sub>N</sub> ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y, ਅਤੇ ਕਈ ਵਜ਼ਨ W<sub>1</sub>, ..., W<sub>N</sub> ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਇਸ ਤਰ੍ਹਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.pa.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖੀ **ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ** ਹੈ।
+ਜਿੱਥੇ f ਕੁਝ ਗੈਰ-ਰੇਖਿਕ **ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ** ਹੈ।
 
-> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਇਹ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਕਿ ਇਹ ਨੈਟਵਰਕਸ ਨੂੰ ਕਿਵੇਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+> ਨਿਊਰੋਨ ਦੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲਾਂ ਨੂੰ 1943 ਵਿੱਚ ਵਾਰਨ ਮੈਕਕੁਲੌਕ ਅਤੇ ਵਾਲਟਰ ਪਿਟਸ ਦੁਆਰਾ ਲਿਖੇ ਕਲਾਸਿਕ ਪੇਪਰ [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) ਵਿੱਚ ਵਰਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਡੋਨਾਲਡ ਹੈਬ ਨੇ ਆਪਣੀ ਕਿਤਾਬ "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ਵਿੱਚ ਇਹ ਦਰਸਾਇਆ ਕਿ ਇਹ ਨੈੱਟਵਰਕਸ ਕਿਵੇਂ ਸਿਖਲਾਈ ਜਾ ਸਕਦੇ ਹਨ।
 
 ## ਇਸ ਭਾਗ ਵਿੱਚ
 
 ਇਸ ਭਾਗ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ:
-* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਕਲਾਸ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ
-* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈਟਵਰਕਸ](04-OwnFramework/README.md) ਨਾਲ ਇੱਕ ਜੋੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ](04-OwnFramework/OwnFramework.ipynb)
-* [ਨਿਊਰਲ ਨੈਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਇਹਨਾਂ ਨੋਟਬੁੱਕਸ ਨਾਲ: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [ਪਰਸੈਪਟ੍ਰਾਨ](03-Perceptron/README.md), ਦੋ-ਕਲਾਸ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ
+* [ਮਲਟੀ-ਲੇਅਰਡ ਨੈੱਟਵਰਕਸ](04-OwnFramework/README.md) ਅਤੇ ਇਸ ਨਾਲ ਜੁੜਿਆ ਨੋਟਬੁੱਕ [ਅਪਣਾ ਫਰੇਮਵਰਕ ਬਣਾਉਣਾ](04-OwnFramework/OwnFramework.ipynb)
+* [ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਫਰੇਮਵਰਕਸ](05-Frameworks/README.md), ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਇਹ ਨੋਟਬੁੱਕਸ ਸ਼ਾਮਲ ਹਨ: [ਪਾਈਟਾਰਚ](05-Frameworks/IntroPyTorch.ipynb) ਅਤੇ [ਕੇਰਾਸ/ਟੈਂਸਰਫਲੋ](05-Frameworks/IntroKerasTF.ipynb)
 * [ਓਵਰਫਿਟਿੰਗ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
-**ਅਸਵੀਕਾਰਨਾ**:  
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।

translations/pl/lessons/3-NeuralNetworks/README.md

@@ -1,23 +1,23 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:32:07+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:47:45+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "pl"
 }
 -->
-# Wprowadzenie do Sieci Neuronowych
+# Wprowadzenie do sieci neuronowych
 
-![Podsumowanie treści Wprowadzenie do Sieci Neuronowych w formie rysunku](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pl.png)
+![Podsumowanie treści wprowadzających do sieci neuronowych w formie rysunku](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.pl.png)
 
 Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie **modelu komputerowego** lub **sztucznego mózgu**. Od połowy XX wieku badacze próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są **sieciami neuronowymi**.
 
-> Czasami sieci neuronowe nazywane są *Sztucznymi Sieciami Neuronowymi* (Artificial Neural Networks, ANNs), aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów.
+> Czasami sieci neuronowe nazywane są *Sztucznymi Sieciami Neuronowymi*, ANNs, aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów.
 
-## Uczenie Maszynowe
+## Uczenie maszynowe
 
-Sieci Neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie Maszynowe stanowi dużą część Sztucznej Inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.
+Sieci neuronowe są częścią większej dziedziny zwanej **Uczeniem Maszynowym**, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie maszynowe stanowi dużą część sztucznej inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.
 
 > Odwiedź nasz osobny program nauczania **[Uczenie Maszynowe dla Początkujących](http://github.com/microsoft/ml-for-beginners)**, aby dowiedzieć się więcej o klasycznym uczeniu maszynowym.
 
@@ -26,23 +26,23 @@ W uczeniu maszynowym zakładamy, że mamy jakiś zbiór danych przykładów **X*
 Rozważymy dwa najczęstsze problemy uczenia maszynowego:
 
 * **Klasyfikacja**, gdzie musimy sklasyfikować obiekt wejściowy do jednej z dwóch lub więcej klas.
-* **Regresja**, gdzie musimy przewidzieć wartość liczbową dla każdego z próbek wejściowych.
+* **Regresja**, gdzie musimy przewidzieć wartość liczbową dla każdego z przykładów wejściowych.
 
-> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe **Y** są wektorem o rozmiarze M.
+> Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M&times;N, gdzie M to liczba przykładów, a N to liczba cech. Etykiety wyjściowe Y są wektorem o rozmiarze M.
 
 W tym programie nauczania skupimy się wyłącznie na modelach sieci neuronowych.
 
-## Model Neuronu
+## Model neuronu
 
-Z biologii wiemy, że nasz mózg składa się z komórek nerwowych, z których każda ma wiele "wejść" (aksonów) i jedno wyjście (dendryt). Aksony i dendryty mogą przewodzić sygnały elektryczne, a połączenia między aksonami a dendrytami mogą wykazywać różne stopnie przewodności (kontrolowane przez neuromediatory).
+Z biologii wiemy, że nasz mózg składa się z komórek nerwowych (neuronów), z których każda ma wiele "wejść" (dendrytów) i jedno "wyjście" (akson). Zarówno dendryty, jak i aksony mogą przewodzić sygnały elektryczne, a połączenia między nimi — znane jako synapsy — mogą wykazywać różne stopnie przewodnictwa, które są regulowane przez neuroprzekaźniki.
 
-![Model Neuronu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pl.jpg) | ![Model Neuronu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pl.png)
+![Model neuronu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pl.jpg) | ![Model neuronu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pl.png)
 ----|----
-Prawdziwy Neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny Neuron *(Obraz autora)*
+Prawdziwy neuron *([Obraz](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipedii)* | Sztuczny neuron *(Obraz autora)*
 
-Najprostszy matematyczny model neuronu zawiera kilka wejść X<sub>1</sub>, ..., X<sub>N</sub> oraz jedno wyjście Y, a także serię wag W<sub>1</sub>, ..., W<sub>N</sub>. Wyjście jest obliczane jako:
+Najprostszy matematyczny model neuronu zawiera kilka wejść X<sub>1</sub>, ..., X<sub>N</sub> oraz jedno wyjście Y, a także serię wag W<sub>1</sub>, ..., W<sub>N</sub>. Wyjście obliczane jest jako:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.pl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 gdzie f jest pewną nieliniową **funkcją aktywacji**.
 
@@ -50,13 +50,13 @@ gdzie f jest pewną nieliniową **funkcją aktywacji**.
 
 ## W tej sekcji
 
-W tej sekcji nauczymy się o:
+W tej sekcji dowiemy się o:
 * [Perceptronie](03-Perceptron/README.md), jednym z najwcześniejszych modeli sieci neuronowych do klasyfikacji dwuklasowej
-* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z notatnikiem [jak zbudować własny framework](04-OwnFramework/OwnFramework.ipynb)
-* [Frameworkach Sieci Neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Sieciach wielowarstwowych](04-OwnFramework/README.md) wraz z powiązanym notatnikiem [jak zbudować własny framework](04-OwnFramework/OwnFramework.ipynb)
+* [Frameworkach sieci neuronowych](05-Frameworks/README.md), z tymi notatnikami: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) i [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Przeuczeniu](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Zastrzeżenie**:  
-Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
+Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.

translations/pt/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:31:27+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:46:51+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "pt"
 }
@@ -13,50 +13,50 @@ CO_OP_TRANSLATOR_METADATA:
 
 Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um **modelo computacional** ou um **cérebro artificial**. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem provou ser extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de **redes neuronais**.
 
-> Às vezes, as redes neuronais são chamadas de *Redes Neuronais Artificiais*, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
+> Às vezes, as redes neuronais são chamadas de *Redes Neuronais Artificiais* (Artificial Neural Networks, ANNs), para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
 
 ## Aprendizagem Automática
 
-As Redes Neuronais fazem parte de uma disciplina maior chamada **Aprendizagem Automática**, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial; no entanto, não abordamos a aprendizagem automática clássica neste currículo.
+As Redes Neuronais fazem parte de uma disciplina mais ampla chamada **Aprendizagem Automática** (Machine Learning), cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial; no entanto, não abordamos a aprendizagem automática clássica neste currículo.
 
-> Visite o nosso currículo separado **[Aprendizagem Automática para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre Aprendizagem Automática clássica.
+> Visite o nosso currículo separado **[Aprendizagem Automática para Iniciantes](http://github.com/microsoft/ml-for-beginners)** para aprender mais sobre a Aprendizagem Automática clássica.
 
-Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
+Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos **X** e os valores de saída correspondentes **Y**. Os exemplos são frequentemente vetores N-dimensionais que consistem em **características**, e as saídas são chamadas de **rótulos**.
 
-Consideraremos os dois problemas mais comuns de aprendizagem automática:
+Consideraremos os dois problemas mais comuns da aprendizagem automática:
 
 * **Classificação**, onde precisamos classificar um objeto de entrada em duas ou mais classes.
 * **Regressão**, onde precisamos prever um valor numérico para cada uma das amostras de entrada.
 
-> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são o vetor de tamanho M.
+> Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M&times;N, onde M é o número de amostras e N é o número de características. Os rótulos de saída **Y** são um vetor de tamanho M.
 
-Neste currículo, focaremos apenas em modelos de redes neuronais.
+Neste currículo, focar-nos-emos apenas em modelos de redes neuronais.
 
 ## Um Modelo de Neurónio
 
-Na biologia, sabemos que o nosso cérebro é composto por células neuronais, cada uma delas tendo múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores).
+Na biologia, sabemos que o nosso cérebro é composto por células neuronais (neurónios), cada uma delas com múltiplas "entradas" (dendritos) e uma única "saída" (axónio). Tanto os dendritos como os axónios podem conduzir sinais elétricos, e as conexões entre eles — conhecidas como sinapses — podem apresentar diferentes graus de condutividade, que são regulados por neurotransmissores.
 
 ![Modelo de um Neurónio](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.pt.jpg) | ![Modelo de um Neurónio](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.pt.png)
 ----|----
-Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipedia)* | Neurónio Artificial *(Imagem do Autor)*
+Neurónio Real *([Imagem](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) da Wikipédia)* | Neurónio Artificial *(Imagem do Autor)*
 
 Assim, o modelo matemático mais simples de um neurónio contém várias entradas X<sub>1</sub>, ..., X<sub>N</sub> e uma saída Y, e uma série de pesos W<sub>1</sub>, ..., W<sub>N</sub>. A saída é calculada como:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.pt.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-onde f é alguma **função de ativação** não linear.
+onde **f** é uma **função de ativação** não linear.
 
 > Os primeiros modelos de neurónio foram descritos no artigo clássico [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) por Warren McCullock e Walter Pitts em 1943. Donald Hebb, no seu livro "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", propôs uma forma de treinar essas redes.
 
 ## Nesta Secção
 
 Nesta secção, aprenderemos sobre:
-* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neuronais para classificação de duas classes
-* [Redes multicamadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](04-OwnFramework/OwnFramework.ipynb)
+* [Perceptron](03-Perceptron/README.md), um dos primeiros modelos de redes neuronais para classificação binária
+* [Redes com múltiplas camadas](04-OwnFramework/README.md) com um notebook associado [como construir o nosso próprio framework](04-OwnFramework/OwnFramework.ipynb)
 * [Frameworks de Redes Neuronais](05-Frameworks/README.md), com estes notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) e [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
-**Aviso Legal**:  
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.
+**Aviso**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.

translations/ro/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:36:23+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:53:03+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ro"
 }
 -->
-# Introducere în Rețele Neurale
+# Introducere în Rețele Neuronale
 
-![Rezumat al conținutului Introducere în Rețele Neurale într-un desen](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ro.png)
+![Rezumat al conținutului despre Introducerea în Rețele Neuronale într-un desen](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ro.png)
 
-Așa cum am discutat în introducere, unul dintre modurile de a obține inteligență este să antrenăm un **model de computer** sau un **creier artificial**. Începând cu mijlocul secolului XX, cercetătorii au încercat diferite modele matematice, până când, în ultimii ani, această direcție s-a dovedit a fi extrem de reușită. Aceste modele matematice ale creierului sunt numite **rețele neurale**.
+Așa cum am discutat în introducere, una dintre modalitățile de a obține inteligență este să antrenăm un **model computerizat** sau un **creier artificial**. Începând cu mijlocul secolului al XX-lea, cercetătorii au încercat diferite modele matematice, până când, în ultimii ani, această direcție s-a dovedit a fi extrem de eficientă. Aceste modele matematice ale creierului sunt numite **rețele neuronale**.
 
-> Uneori, rețelele neurale sunt numite *Rețele Neurale Artificiale*, ANNs, pentru a indica faptul că vorbim despre modele, nu despre rețele reale de neuroni.
+> Uneori, rețelele neuronale sunt numite *Rețele Neuronale Artificiale* sau ANNs, pentru a indica faptul că vorbim despre modele, nu despre rețele reale de neuroni.
 
 ## Învățare Automată
 
-Rețelele neurale fac parte dintr-o disciplină mai largă numită **Învățare Automată**, al cărei scop este să folosească date pentru a antrena modele de computer capabile să rezolve probleme. Învățarea Automată constituie o mare parte din Inteligența Artificială, însă nu acoperim Învățarea Automată clasică în acest curriculum.
+Rețelele Neuronale fac parte dintr-o disciplină mai largă numită **Învățare Automată** (Machine Learning), al cărei scop este să folosească datele pentru a antrena modele computerizate capabile să rezolve probleme. Învățarea Automată constituie o parte importantă a Inteligenței Artificiale, însă nu acoperim Învățarea Automată clasică în acest curriculum.
 
-> Vizitați curriculumul nostru separat **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** pentru a afla mai multe despre Învățarea Automată clasică.
+> Vizitați curriculumul nostru separat **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** pentru a învăța mai multe despre Învățarea Automată clasică.
 
-În Învățarea Automată, presupunem că avem un set de date de exemple **X** și valori de ieșire corespunzătoare **Y**. Exemplele sunt adesea vectori N-dimensionali care constau din **caracteristici**, iar ieșirile sunt numite **etichete**.
+În Învățarea Automată, presupunem că avem un set de date de exemple **X** și valorile de ieșire corespunzătoare **Y**. Exemplele sunt adesea vectori N-dimensionali care constau din **caracteristici**, iar ieșirile sunt numite **etichete**.
 
-Vom analiza cele mai comune două probleme de învățare automată:
+Vom analiza cele mai comune două probleme din Învățarea Automată:
 
 * **Clasificare**, unde trebuie să clasificăm un obiect de intrare în două sau mai multe clase.
-* **Regresie**, unde trebuie să prezicem un număr numeric pentru fiecare dintre exemplele de intrare.
+* **Regresie**, unde trebuie să prezicem un număr numeric pentru fiecare dintre mostrele de intrare.
 
-> Când reprezentăm intrările și ieșirile ca tensori, setul de date de intrare este o matrice de dimensiune M×N, unde M este numărul de exemple și N este numărul de caracteristici. Etichetele de ieșire Y sunt vectori de dimensiune M.
+> Când reprezentăm intrările și ieșirile ca tensori, setul de date de intrare este o matrice de dimensiune M&times;N, unde M este numărul de mostre și N este numărul de caracteristici. Etichetele de ieșire Y sunt un vector de dimensiune M.
 
-În acest curriculum, ne vom concentra doar pe modelele de rețele neurale.
+În acest curriculum, ne vom concentra doar pe modelele de rețele neuronale.
 
-## Un Model al Neuronului
+## Un Model al unui Neuron
 
-Din biologie știm că creierul nostru este format din celule neuronale, fiecare dintre ele având multiple "intrări" (axoni) și o ieșire (dendrită). Axonii și dendritele pot conduce semnale electrice, iar conexiunile dintre axoni și dendrite pot prezenta diferite grade de conductivitate (controlate de neuromediatori).
+Din biologie, știm că creierul nostru este format din celule neuronale (neuroni), fiecare având multiple "intrări" (dendrite) și o singură "ieșire" (axon). Atât dendritele, cât și axonii pot conduce semnale electrice, iar conexiunile dintre ele — cunoscute sub numele de sinapse — pot prezenta grade variate de conductivitate, care sunt reglate de neurotransmițători.
 
 ![Model al unui Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ro.jpg) | ![Model al unui Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ro.png)
 ----|----
 Neuron Real *([Imagine](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) de pe Wikipedia)* | Neuron Artificial *(Imagine de Autor)*
 
-Astfel, cel mai simplu model matematic al unui neuron conține mai multe intrări X<sub>1</sub>, ..., X<sub>N</sub> și o ieșire Y, și o serie de greutăți W<sub>1</sub>, ..., W<sub>N</sub>. Ieșirea este calculată astfel:
+Astfel, cel mai simplu model matematic al unui neuron conține mai multe intrări X<sub>1</sub>, ..., X<sub>N</sub> și o ieșire Y, precum și o serie de ponderi W<sub>1</sub>, ..., W<sub>N</sub>. Ieșirea este calculată astfel:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ro.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 unde f este o **funcție de activare** neliniară.
 
-> Modelele timpurii ale neuronului au fost descrise în lucrarea clasică [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) de Warren McCullock și Walter Pitts în 1943. Donald Hebb, în cartea sa "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", a propus modul în care aceste rețele pot fi antrenate.
+> Primele modele ale neuronului au fost descrise în lucrarea clasică [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) de Warren McCullock și Walter Pitts în 1943. Donald Hebb, în cartea sa "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)", a propus modul în care aceste rețele pot fi antrenate.
 
 ## În această Secțiune
 
 În această secțiune vom învăța despre:
-* [Perceptron](03-Perceptron/README.md), unul dintre cele mai timpurii modele de rețele neurale pentru clasificarea în două clase
+* [Perceptron](03-Perceptron/README.md), unul dintre cele mai vechi modele de rețele neuronale pentru clasificarea în două clase
 * [Rețele multi-stratificate](04-OwnFramework/README.md) cu un notebook asociat [cum să construim propriul nostru framework](04-OwnFramework/OwnFramework.ipynb)
-* [Framework-uri pentru Rețele Neurale](05-Frameworks/README.md), cu aceste notebook-uri: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) și [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Framework-uri pentru Rețele Neuronale](05-Frameworks/README.md), cu aceste notebook-uri: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) și [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Declinare de responsabilitate**:  
-Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.
+Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.

translations/ru/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:27:38+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:41:53+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ru"
 }
 -->
 # Введение в нейронные сети
 
-![Резюме содержания "Введение в нейронные сети" в виде рисунка](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ru.png)
+![Краткое содержание введения в нейронные сети в виде рисунка](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ru.png)
 
-Как мы обсуждали во введении, один из способов достижения интеллекта — это обучение **компьютерной модели** или **искусственного мозга**. С середины XX века исследователи пробовали различные математические модели, и только в последние годы этот подход оказался чрезвычайно успешным. Такие математические модели мозга называются **нейронными сетями**.
+Как мы обсуждали во введении, один из способов достижения интеллекта — это обучение **компьютерной модели** или **искусственного мозга**. С середины XX века исследователи пробовали различные математические модели, и в последние годы этот подход оказался чрезвычайно успешным. Такие математические модели мозга называются **нейронными сетями**.
 
 > Иногда нейронные сети называют *Искусственными нейронными сетями* (Artificial Neural Networks, ANNs), чтобы подчеркнуть, что речь идет о моделях, а не о реальных сетях нейронов.
 
 ## Машинное обучение
 
-Нейронные сети являются частью более широкой дисциплины под названием **Машинное обучение**, цель которой — использовать данные для обучения компьютерных моделей, способных решать задачи. Машинное обучение составляет значительную часть Искусственного интеллекта, однако в данной программе мы не рассматриваем классическое машинное обучение.
+Нейронные сети являются частью более широкой дисциплины, называемой **Машинным обучением**, цель которого — использовать данные для обучения компьютерных моделей, способных решать задачи. Машинное обучение составляет значительную часть Искусственного интеллекта, однако в данной программе мы не рассматриваем классическое машинное обучение.
 
 > Ознакомьтесь с нашей отдельной программой **[Машинное обучение для начинающих](http://github.com/microsoft/ml-for-beginners)**, чтобы узнать больше о классическом машинном обучении.
 
-В машинном обучении предполагается, что у нас есть некоторый набор данных примеров **X** и соответствующие значения выходов **Y**. Примеры часто представляют собой N-мерные векторы, состоящие из **признаков**, а выходные значения называются **метками**.
+В машинном обучении предполагается, что у нас есть некоторый набор данных примеров **X** и соответствующие выходные значения **Y**. Примеры часто представляют собой N-мерные векторы, состоящие из **признаков**, а выходные значения называются **метками**.
 
-Мы рассмотрим два наиболее распространенных типа задач машинного обучения:
+Мы рассмотрим две наиболее распространенные задачи машинного обучения:
 
 * **Классификация**, где необходимо классифицировать входной объект на два или более классов.
-* **Регрессия**, где необходимо предсказать числовое значение для каждого из входных примеров.
+* **Регрессия**, где необходимо предсказать числовое значение для каждого из входных образцов.
 
-> При представлении входных данных и выходов в виде тензоров входной набор данных — это матрица размера M×N, где M — количество примеров, а N — количество признаков. Выходные метки Y — это вектор размера M.
+> При представлении входных данных и выходов в виде тензоров входной набор данных представляет собой матрицу размером M&times;N, где M — количество образцов, а N — количество признаков. Выходные метки Y — это вектор размером M.
 
-В рамках этой программы мы будем сосредоточены только на моделях нейронных сетей.
+В данной программе мы будем сосредоточены только на моделях нейронных сетей.
 
 ## Модель нейрона
 
-Из биологии мы знаем, что наш мозг состоит из нейронных клеток, каждая из которых имеет множество "входов" (аксонов) и один выход (дендрит). Аксоны и дендриты могут проводить электрические сигналы, а соединения между аксонами и дендритами могут обладать разной степенью проводимости (управляемой нейромедиаторами).
+Из биологии мы знаем, что наш мозг состоит из нейронных клеток (нейронов), каждая из которых имеет несколько "входов" (дендритов) и один "выход" (аксон). И дендриты, и аксоны могут проводить электрические сигналы, а соединения между ними — известные как синапсы — могут демонстрировать различные степени проводимости, которые регулируются нейромедиаторами.
 
 ![Модель нейрона](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ru.jpg) | ![Модель нейрона](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ru.png)
 ----|----
 Реальный нейрон *([Изображение](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) из Википедии)* | Искусственный нейрон *(Изображение автора)*
 
-Таким образом, самая простая математическая модель нейрона содержит несколько входов X<sub>1</sub>, ..., X<sub>N</sub> и один выход Y, а также набор весов W<sub>1</sub>, ..., W<sub>N</sub>. Выход вычисляется как:
+Таким образом, самая простая математическая модель нейрона содержит несколько входов X<sub>1</sub>, ..., X<sub>N</sub> и один выход Y, а также ряд весов W<sub>1</sub>, ..., W<sub>N</sub>. Выход вычисляется как:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ru.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 где f — это некоторая нелинейная **функция активации**.
 
-> Ранние модели нейронов были описаны в классической статье [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Уоррена МакКаллока и Уолтера Питтса в 1943 году. Дональд Хебб в своей книге "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предложил способ обучения таких сетей.
+> Ранние модели нейрона были описаны в классической статье [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Уоррена МакКалока и Уолтера Питтса в 1943 году. Дональд Хебб в своей книге "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предложил способ обучения таких сетей.
 
 ## В этом разделе
 
 В этом разделе мы изучим:
 * [Перцептрон](03-Perceptron/README.md), одну из первых моделей нейронных сетей для классификации на два класса
-* [Многослойные сети](04-OwnFramework/README.md) с сопутствующим ноутбуком [как создать собственный фреймворк](04-OwnFramework/OwnFramework.ipynb)
-* [Фреймворки нейронных сетей](05-Frameworks/README.md), с этими ноутбуками: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Многослойные сети](04-OwnFramework/README.md) с сопутствующей тетрадью [как создать собственный фреймворк](04-OwnFramework/OwnFramework.ipynb)
+* [Фреймворки нейронных сетей](05-Frameworks/README.md), с этими тетрадями: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Переобучение](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Отказ от ответственности**:  
-Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
+Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.

translations/sk/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:36:08+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:52:44+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "sk"
 }
@@ -11,30 +11,30 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Zhrnutie obsahu Úvodu do neurónových sietí v kresbe](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sk.png)
 
-Ako sme diskutovali v úvode, jedným zo spôsobov, ako dosiahnuť inteligenciu, je trénovať **počítačový model** alebo **umelý mozog**. Od polovice 20. storočia vedci skúšali rôzne matematické modely, až kým sa v posledných rokoch tento smer neukázal ako mimoriadne úspešný. Takéto matematické modely mozgu sa nazývajú **neurónové siete**.
+Ako sme si povedali v úvode, jedným zo spôsobov, ako dosiahnuť inteligenciu, je trénovať **počítačový model** alebo **umelý mozog**. Od polovice 20. storočia vedci skúšali rôzne matematické modely, až kým sa v posledných rokoch tento smer neukázal ako mimoriadne úspešný. Takéto matematické modely mozgu sa nazývajú **neurónové siete**.
 
-> Neurónové siete sa niekedy nazývajú *Umelé neurónové siete* (Artificial Neural Networks, ANNs), aby sa zdôraznilo, že hovoríme o modeloch, nie o skutočných sieťach neurónov.
+> Niekedy sa neurónové siete nazývajú *Umelé neurónové siete* (Artificial Neural Networks, ANNs), aby sa zdôraznilo, že hovoríme o modeloch, nie o skutočných sieťach neurónov.
 
 ## Strojové učenie
 
-Neurónové siete sú súčasťou širšej disciplíny nazývanej **Strojové učenie**, ktorej cieľom je využívať dáta na trénovanie počítačových modelov schopných riešiť problémy. Strojové učenie tvorí veľkú časť umelej inteligencie, avšak v tomto učebnom pláne sa klasickým strojovým učením nezaoberáme.
+Neurónové siete sú súčasťou širšej disciplíny nazývanej **Strojové učenie**, ktorej cieľom je využívať dáta na trénovanie počítačových modelov schopných riešiť problémy. Strojové učenie tvorí veľkú časť umelej inteligencie, avšak v tomto kurze sa klasickému strojovému učeniu nevenujeme.
 
-> Navštívte náš samostatný učebný plán **[Strojové učenie pre začiatočníkov](http://github.com/microsoft/ml-for-beginners)**, aby ste sa dozvedeli viac o klasickom strojovom učení.
+> Navštívte náš samostatný kurz **[Strojové učenie pre začiatočníkov](http://github.com/microsoft/ml-for-beginners)**, aby ste sa dozvedeli viac o klasickom strojovom učení.
 
-V strojovom učení predpokladáme, že máme nejakú množinu dátových príkladov **X** a zodpovedajúce výstupné hodnoty **Y**. Príklady sú často N-rozmerné vektory, ktoré pozostávajú z **príznakov**, a výstupy sa nazývajú **štítky**.
+V strojovom učení predpokladáme, že máme nejakú množinu príkladov **X** a zodpovedajúce výstupné hodnoty **Y**. Príklady sú často N-rozmerné vektory, ktoré pozostávajú z **príznakov**, a výstupy sa nazývajú **štítky**.
 
 Budeme sa zaoberať dvoma najbežnejšími problémami strojového učenia:
 
-* **Klasifikácia**, kde je potrebné klasifikovať vstupný objekt do dvoch alebo viacerých tried.
+* **Klasifikácia**, kde je potrebné zaradiť vstupný objekt do dvoch alebo viacerých tried.
 * **Regresia**, kde je potrebné predpovedať číselnú hodnotu pre každý zo vstupných vzoriek.
 
-> Pri reprezentácii vstupov a výstupov ako tenzorov je vstupná množina dát matica veľkosti M×N, kde M je počet vzoriek a N je počet príznakov. Výstupné štítky Y sú vektor veľkosti M.
+> Pri reprezentácii vstupov a výstupov ako tenzorov je vstupná množina dát matica veľkosti M&times;N, kde M je počet vzoriek a N je počet príznakov. Výstupné štítky Y sú vektorom veľkosti M.
 
-V tomto učebnom pláne sa budeme sústrediť iba na modely neurónových sietí.
+V tomto kurze sa zameriame iba na modely neurónových sietí.
 
 ## Model neurónu
 
-Z biológie vieme, že náš mozog pozostáva z neurónových buniek, pričom každá z nich má viacero "vstupov" (axónov) a jeden výstup (dendrit). Axóny a dendrity môžu prenášať elektrické signály a spojenia medzi axónmi a dendritmi môžu vykazovať rôzne stupne vodivosti (riadené neuromediátormi).
+Z biológie vieme, že náš mozog pozostáva z neurónových buniek (neurónov), pričom každý z nich má viacero "vstupov" (dendritov) a jeden "výstup" (axon). Dendrity aj axóny môžu viesť elektrické signály a spojenia medzi nimi — známe ako synapsie — môžu vykazovať rôzne stupne vodivosti, ktoré sú regulované neurotransmitermi.
 
 ![Model neurónu](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sk.jpg) | ![Model neurónu](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sk.png)
 ----|----
@@ -42,7 +42,7 @@ Skutočný neurón *([Obrázok](https://en.wikipedia.org/wiki/Synapse#/media/Fil
 
 Najjednoduchší matematický model neurónu teda obsahuje niekoľko vstupov X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y, a sériu váh W<sub>1</sub>, ..., W<sub>N</sub>. Výstup sa vypočíta ako:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sk.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 kde f je nejaká nelineárna **aktivačná funkcia**.
 
@@ -52,11 +52,11 @@ kde f je nejaká nelineárna **aktivačná funkcia**.
 
 V tejto sekcii sa naučíme:
 * [Perceptron](03-Perceptron/README.md), jeden z najstarších modelov neurónových sietí pre dvojtriednu klasifikáciu
-* [Viacvrstvové siete](04-OwnFramework/README.md) s priloženým notebookom [ako vytvoriť vlastný framework](04-OwnFramework/OwnFramework.ipynb)
+* [Viacvrstvové siete](04-OwnFramework/README.md) s priloženým notebookom [ako si vytvoriť vlastný framework](04-OwnFramework/OwnFramework.ipynb)
 * [Frameworky neurónových sietí](05-Frameworks/README.md), s týmito notebookmi: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) a [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Upozornenie**:  
-Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.
+Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.

translations/sl/lessons/3-NeuralNetworks/README.md

@@ -1,19 +1,19 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:37:21+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:54:11+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "sl"
 }
 -->
 # Uvod v nevronske mreže
 
-![Povzetek vsebine o uvodu v nevronske mreže v skici](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sl.png)
+![Povzetek vsebine uvoda v nevronske mreže v skici](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sl.png)
 
-Kot smo že omenili v uvodu, je eden od načinov za dosego inteligence treniranje **računalniškega modela** ali **umetnih možganov**. Od sredine 20. stoletja so raziskovalci preizkušali različne matematične modele, dokler se v zadnjih letih ta smer ni izkazala za izjemno uspešno. Takšni matematični modeli možganov se imenujejo **nevronske mreže**.
+Kot smo razpravljali v uvodu, je eden od načinov za dosego inteligence treniranje **računalniškega modela** ali **umetnih možganov**. Od sredine 20. stoletja so raziskovalci preizkušali različne matematične modele, dokler se v zadnjih letih ta smer ni izkazala za izjemno uspešno. Takšni matematični modeli možganov se imenujejo **nevronske mreže**.
 
-> Včasih se nevronske mreže imenujejo *Umetne nevronske mreže* (Artificial Neural Networks, ANNs), da bi poudarili, da govorimo o modelih, ne o resničnih mrežah nevronov.
+> Včasih se nevronske mreže imenujejo *Umetne nevronske mreže* (Artificial Neural Networks, ANNs), da bi poudarili, da govorimo o modelih, ne o pravih mrežah nevronov.
 
 ## Strojno učenje
 
@@ -21,28 +21,28 @@ Nevronske mreže so del širše discipline, imenovane **Strojno učenje**, kater
 
 > Obiščite naš ločen učni načrt **[Strojno učenje za začetnike](http://github.com/microsoft/ml-for-beginners)**, da se naučite več o klasičnem strojnem učenju.
 
-V strojnem učenju predpostavljamo, da imamo nek nabor podatkov primerov **X** in ustrezne izhodne vrednosti **Y**. Primeri so pogosto N-dimenzionalni vektorji, ki vsebujejo **značilnosti**, medtem ko se izhodi imenujejo **oznake**.
+Pri strojnem učenju predpostavljamo, da imamo nek nabor podatkov primerov **X** in ustrezne izhodne vrednosti **Y**. Primeri so pogosto N-dimenzionalni vektorji, ki vsebujejo **značilnosti**, izhodi pa se imenujejo **oznake**.
 
 Obravnavali bomo dve najpogostejši težavi strojnega učenja:
 
 * **Klasifikacija**, kjer moramo razvrstiti vhodni objekt v dva ali več razredov.
 * **Regresija**, kjer moramo za vsak vhodni vzorec napovedati številčno vrednost.
 
-> Pri predstavljanju vhodov in izhodov kot tenzorjev je vhodni nabor podatkov matrika velikosti M×N, kjer je M število vzorcev, N pa število značilnosti. Izhodne oznake Y so vektor velikosti M.
+> Pri predstavljanju vhodov in izhodov kot tenzorjev je vhodni nabor podatkov matrika velikosti M&times;N, kjer je M število vzorcev, N pa število značilnosti. Izhodne oznake Y so vektor velikosti M.
 
 V tem učnem načrtu se bomo osredotočili le na modele nevronskih mrež.
 
 ## Model nevrona
 
-Iz biologije vemo, da naš možgani sestavljajo nevronske celice, od katerih ima vsaka več "vhodov" (aksonov) in en izhod (dendrit). Aksoni in dendriti lahko prenašajo električne signale, povezave med aksoni in dendriti pa lahko kažejo različne stopnje prevodnosti (ki jih nadzorujejo nevromediatorji).
+Iz biologije vemo, da naši možgani sestojijo iz nevralnih celic (nevronov), od katerih ima vsaka več "vhodov" (dendritov) in en "izhod" (akson). Tako dendriti kot aksoni lahko prenašajo električne signale, povezave med njimi — znane kot sinapse — pa lahko kažejo različne stopnje prevodnosti, ki jih uravnavajo nevrotransmiterji.
 
 ![Model nevrona](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sl.jpg) | ![Model nevrona](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sl.png)
 ----|----
-Resnični nevron *([Slika](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iz Wikipedije)* | Umetni nevron *(Slika avtorja)*
+Pravi nevron *([Slika](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iz Wikipedije)* | Umetni nevron *(Slika avtorja)*
 
 Tako najpreprostejši matematični model nevrona vsebuje več vhodov X<sub>1</sub>, ..., X<sub>N</sub> in en izhod Y ter vrsto uteži W<sub>1</sub>, ..., W<sub>N</sub>. Izhod se izračuna kot:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 kjer je f neka nelinearna **aktivacijska funkcija**.
 
@@ -52,11 +52,11 @@ kjer je f neka nelinearna **aktivacijska funkcija**.
 
 V tem poglavju se bomo naučili o:
 * [Perceptronu](03-Perceptron/README.md), enem najzgodnejših modelov nevronskih mrež za klasifikacijo z dvema razredoma
-* [Večplastnih mrežah](04-OwnFramework/README.md) z ustreznim zvezkom [kako zgraditi svoj okvir](04-OwnFramework/OwnFramework.ipynb)
+* [Večplastnih mrežah](04-OwnFramework/README.md) z dodatnim zvezkom [kako zgraditi svoj okvir](04-OwnFramework/OwnFramework.ipynb)
 * [Okvirih nevronskih mrež](05-Frameworks/README.md), z naslednjimi zvezki: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) in [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Prenaučenju](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
-**Omejitev odgovornosti**:  
-Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.
+**Izjava o omejitvi odgovornosti**:  
+Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.

translations/sr/lessons/3-NeuralNetworks/README.md

@@ -1,40 +1,40 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:36:50+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:53:36+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "sr"
 }
 -->
 # Увод у неуронске мреже
 
-![Резиме садржаја Увода у неуронске мреже у виду цртежа](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sr.png)
+![Резиме садржаја увода у неуронске мреже у виду цртежа](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sr.png)
 
-Као што смо поменули у уводу, један од начина да се постигне интелигенција је тренирање **рачунарског модела** или **вештачког мозга**. Од средине 20. века, истраживачи су испробавали различите математичке моделе, све док се у последњим годинама овај правац није показао изузетно успешним. Такви математички модели мозга називају се **неуронске мреже**.
+Као што смо разговарали у уводу, један од начина да се постигне интелигенција је да се обучи **рачунарски модел** или **вештачки мозак**. Од средине 20. века, истраживачи су испробавали различите математичке моделе, све док се у последњим годинама овај правац није показао као изузетно успешан. Такви математички модели мозга називају се **неуронске мреже**.
 
 > Понекад се неуронске мреже називају *вештачке неуронске мреже* (Artificial Neural Networks, ANNs), како би се нагласило да говоримо о моделима, а не о стварним мрежама неурона.
 
 ## Машинско учење
 
-Неуронске мреже су део шире дисциплине која се зове **машинско учење**, чији је циљ коришћење података за тренирање рачунарских модела који могу да решавају проблеме. Машинско учење чини велики део вештачке интелигенције, али у овом курикулуму не покривамо класично машинско учење.
+Неуронске мреже су део шире дисциплине која се зове **машинско учење**, чији је циљ да се користе подаци за обуку рачунарских модела који могу да решавају проблеме. Машинско учење чини велики део вештачке интелигенције, међутим, у овом курикулуму не покривамо класично машинско учење.
 
-> Погледајте наш посебан курикулум **[Машинско учење за почетнике](http://github.com/microsoft/ml-for-beginners)** како бисте сазнали више о класичном машинском учењу.
+> Посетите наш посебан курикулум **[Машинско учење за почетнике](http://github.com/microsoft/ml-for-beginners)** да бисте сазнали више о класичном машинском учењу.
 
-У машинском учењу претпостављамо да имамо неки скуп података са примерима **X** и одговарајућим излазним вредностима **Y**. Примери су често N-димензионални вектори који се састоје од **карактеристика**, а излази се називају **ознаке**.
+У машинском учењу претпостављамо да имамо неки скуп података примера **X** и одговарајуће излазне вредности **Y**. Примери су често N-димензионални вектори који се састоје од **карактеристика**, а излазне вредности се називају **ознаке**.
 
 Разматраћемо два најчешћа проблема машинског учења:
 
-* **Класификација**, где је потребно класификовати улазни објекат у две или више класа.
-* **Регресија**, где је потребно предвидети нумеричку вредност за сваки од улазних узорака.
+* **Класификација**, где треба да класификујемо улазни објекат у две или више класа.
+* **Регресија**, где треба да предвидимо нумеричку вредност за сваки од улазних узорака.
 
-> Када представљамо улазе и излазе као тензоре, улазни скуп података је матрица величине M×N, где је M број узорака, а N број карактеристика. Излазне ознаке Y су вектор величине M.
+> Када представљамо улазе и излазе као тензоре, улазни скуп података је матрица величине M&times;N, где је M број узорака, а N број карактеристика. Излазне ознаке Y су вектор величине M.
 
-У овом курикулуму фокусираћемо се искључиво на моделе неуронских мрежа.
+У овом курикулуму фокусираћемо се само на моделе неуронских мрежа.
 
 ## Модел неурона
 
-Из биологије знамо да наш мозак састоји од неуронских ћелија, од којих свака има више "улаза" (аксона) и један излаз (дендрит). Аксони и дендрити могу проводити електричне сигнале, а везе између аксона и дендрита могу имати различите степене проводљивости (који су контролисани неуромедијаторима).
+Из биологије знамо да наш мозак састоји се од неуронских ћелија (неурона), од којих свака има више "улаза" (дендрита) и један "излаз" (аксон). И дендрити и аксони могу проводити електричне сигнале, а везе између њих — познате као синапсе — могу показивати различите степене проводљивости, које регулишу неуротрансмитери.
 
 ![Модел неурона](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sr.jpg) | ![Модел неурона](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sr.png)
 ----|----
@@ -42,21 +42,21 @@ CO_OP_TRANSLATOR_METADATA:
 
 Дакле, најједноставнији математички модел неурона садржи неколико улаза X<sub>1</sub>, ..., X<sub>N</sub> и један излаз Y, као и низ тежина W<sub>1</sub>, ..., W<sub>N</sub>. Излаз се рачуна као:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 где је f нека нелинеарна **активациона функција**.
 
-> Рани модели неурона описани су у класичном раду [Логички рачун идеја иманентних нервној активности](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) аутора Ворена Макалока и Волтера Питса из 1943. године. Доналд Хеб је у својој књизи "[Организација понашања: Неуропсихолошка теорија](https://books.google.com/books?id=VNetYrB8EBoC)" предложио начин на који се те мреже могу тренирати.
+> Рани модели неурона описани су у класичном раду [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) од стране Ворена Макалока и Волтера Питса 1943. године. Доналд Хеб је у својој књизи "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" предложио начин на који се те мреже могу обучавати.
 
 ## У овом одељку
 
 У овом одељку ћемо научити о:
 * [Перцептрону](03-Perceptron/README.md), једном од најранијих модела неуронских мрежа за класификацију са две класе
-* [Мрежама са више слојева](04-OwnFramework/README.md) са пратећим нотебуком [како изградити сопствени оквир](04-OwnFramework/OwnFramework.ipynb)
-* [Оквирима за неуронске мреже](05-Frameworks/README.md), са овим нотебуцима: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Претераном прилагођавању](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Мрежама са више слојева](04-OwnFramework/README.md) уз пратећу свеску [како направити сопствени оквир](04-OwnFramework/OwnFramework.ipynb)
+* [Оквирима за неуронске мреже](05-Frameworks/README.md), уз ове свеске: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) и [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Прекомерно прилагођавање](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Одрицање од одговорности**:  
-Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.
+Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења која могу произаћи из коришћења овог превода.

translations/sv/lessons/3-NeuralNetworks/README.md

@@ -1,48 +1,48 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:33:08+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:49:15+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "sv"
 }
 -->
-# Introduktion till Neurala Nätverk
+# Introduktion till neurala nätverk
 
-![Sammanfattning av innehållet i Introduktion till Neurala Nätverk i en skiss](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sv.png)
+![Sammanfattning av innehållet i Introduktion till neurala nätverk i en skiss](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sv.png)
 
-Som vi diskuterade i introduktionen är ett sätt att uppnå intelligens att träna en **datormodell** eller en **artificiell hjärna**. Sedan mitten av 1900-talet har forskare testat olika matematiska modeller, och under de senaste åren har denna riktning visat sig vara mycket framgångsrik. Sådana matematiska modeller av hjärnan kallas **neurala nätverk**.
+Som vi diskuterade i introduktionen är ett av sätten att uppnå intelligens att träna en **datormodell** eller en **artificiell hjärna**. Sedan mitten av 1900-talet har forskare testat olika matematiska modeller, och på senare år har denna riktning visat sig vara mycket framgångsrik. Sådana matematiska modeller av hjärnan kallas **neurala nätverk**.
 
-> Ibland kallas neurala nätverk för *Artificiella Neurala Nätverk*, ANNs, för att tydliggöra att vi pratar om modeller och inte om verkliga nätverk av neuroner.
+> Ibland kallas neurala nätverk för *Artificiella Neurala Nätverk*, ANNs, för att indikera att vi pratar om modeller, inte verkliga nätverk av neuroner.
 
 ## Maskininlärning
 
-Neurala nätverk är en del av en större disciplin som kallas **Maskininlärning**, vars mål är att använda data för att träna datormodeller som kan lösa problem. Maskininlärning utgör en stor del av artificiell intelligens, men vi täcker inte klassisk maskininlärning i detta läroplan.
+Neurala nätverk är en del av en större disciplin som kallas **Maskininlärning**, vars mål är att använda data för att träna datormodeller som kan lösa problem. Maskininlärning utgör en stor del av artificiell intelligens, men vi täcker inte klassisk ML i denna kursplan.
 
-> Besök vår separata **[Maskininlärning för nybörjare](http://github.com/microsoft/ml-for-beginners)** läroplan för att lära dig mer om klassisk maskininlärning.
+> Besök vår separata **[Maskininlärning för nybörjare](http://github.com/microsoft/ml-for-beginners)** kursplan för att lära dig mer om klassisk maskininlärning.
 
-Inom maskininlärning antar vi att vi har en dataset med exempel **X** och motsvarande utgångsvärden **Y**. Exempel är ofta N-dimensionella vektorer som består av **egenskaper**, och utgångsvärden kallas **etiketter**.
+Inom maskininlärning antar vi att vi har en dataset med exempel **X** och motsvarande utgångsvärden **Y**. Exempel är ofta N-dimensionella vektorer som består av **egenskaper**, och utgångarna kallas **etiketter**.
 
 Vi kommer att titta på de två vanligaste problemen inom maskininlärning:
 
 * **Klassificering**, där vi behöver klassificera ett inmatningsobjekt i två eller fler klasser.
 * **Regression**, där vi behöver förutsäga ett numeriskt värde för varje inmatningsprov.
 
-> När vi representerar inmatningar och utgångar som tensorer är datasetet för inmatning en matris av storlek M×N, där M är antalet prover och N är antalet egenskaper. Utgångsetiketter Y är en vektor av storlek M.
+> När man representerar indata och utdata som tensorer är datasetet för indata en matris av storlek M&times;N, där M är antalet prover och N är antalet egenskaper. Utgångsetiketter Y är en vektor av storlek M.
 
-I denna läroplan kommer vi endast att fokusera på modeller för neurala nätverk.
+I denna kursplan kommer vi endast att fokusera på modeller för neurala nätverk.
 
 ## En modell av en neuron
 
-Från biologin vet vi att vår hjärna består av nervceller, var och en med flera "inmatningar" (axoner) och en utgång (dendrit). Axoner och dendriter kan leda elektriska signaler, och kopplingarna mellan axoner och dendriter kan ha olika grad av ledningsförmåga (styrt av neurotransmittorer).
+Från biologin vet vi att vår hjärna består av nervceller (neuroner), var och en med flera "ingångar" (dendriter) och en enda "utgång" (axon). Både dendriter och axoner kan leda elektriska signaler, och kopplingarna mellan dem — kända som synapser — kan uppvisa varierande grad av ledningsförmåga, som regleras av neurotransmittorer.
 
 ![Modell av en neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sv.jpg) | ![Modell av en neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sv.png)
 ----|----
 Verklig neuron *([Bild](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) från Wikipedia)* | Artificiell neuron *(Bild av författaren)*
 
-Således innehåller den enklaste matematiska modellen av en neuron flera inmatningar X<sub>1</sub>, ..., X<sub>N</sub> och en utgång Y, samt en serie vikter W<sub>1</sub>, ..., W<sub>N</sub>. Utgången beräknas som:
+Således innehåller den enklaste matematiska modellen av en neuron flera ingångar X<sub>1</sub>, ..., X<sub>N</sub> och en utgång Y, samt en serie vikter W<sub>1</sub>, ..., W<sub>N</sub>. En utgång beräknas som:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sv.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 där f är någon icke-linjär **aktiveringsfunktion**.
 
@@ -52,11 +52,11 @@ där f är någon icke-linjär **aktiveringsfunktion**.
 
 I denna sektion kommer vi att lära oss om:
 * [Perceptron](03-Perceptron/README.md), en av de tidigaste modellerna för neurala nätverk för tvåklassklassificering
-* [Flerlagers nätverk](04-OwnFramework/README.md) med en tillhörande notebook [hur man bygger sitt eget ramverk](04-OwnFramework/OwnFramework.ipynb)
+* [Flerlagers nätverk](04-OwnFramework/README.md) med en tillhörande notebook [hur man bygger vårt eget ramverk](04-OwnFramework/OwnFramework.ipynb)
 * [Ramverk för neurala nätverk](05-Frameworks/README.md), med dessa notebooks: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) och [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Överanpassning](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Ansvarsfriskrivning**:  
-Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.
+Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.

translations/sw/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:35:23+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:51:53+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "sw"
 }
 -->
-# Utangulizi wa Mitandao ya Neural
+# Utangulizi wa Mitandao ya Neva
 
-![Muhtasari wa maudhui ya Utangulizi wa Mitandao ya Neural katika mchoro](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sw.png)
+![Muhtasari wa maudhui ya Utangulizi wa Mitandao ya Neva katika mchoro](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.sw.png)
 
-Kama tulivyojadili katika utangulizi, mojawapo ya njia za kufanikisha akili ni kufundisha **mfano wa kompyuta** au **ubongo wa bandia**. Tangu katikati ya karne ya 20, watafiti walijaribu mifano mbalimbali ya kihesabu, hadi miaka ya hivi karibuni ambapo mwelekeo huu ulithibitisha kuwa na mafanikio makubwa. Mifano hii ya kihesabu ya ubongo inaitwa **mitandao ya neural**.
+Kama tulivyojadili katika utangulizi, mojawapo ya njia za kufanikisha akili ni kufundisha **mfano wa kompyuta** au **ubongo bandia**. Tangu katikati ya karne ya 20, watafiti walijaribu mifano mbalimbali ya kihisabati, hadi miaka ya hivi karibuni ambapo mwelekeo huu ulionekana kufanikiwa sana. Mifano hii ya kihisabati ya ubongo inaitwa **mitandao ya neva**.
 
-> Wakati mwingine mitandao ya neural huitwa *Mitandao ya Neural ya Bandia*, ANNs, ili kuonyesha kwamba tunazungumzia mifano, si mitandao halisi ya neurons.
+> Wakati mwingine mitandao ya neva huitwa *Mitandao ya Neva Bandia*, ANNs, ili kuonyesha kuwa tunazungumzia mifano, si mitandao halisi ya neva.
 
 ## Kujifunza kwa Mashine
 
-Mitandao ya Neural ni sehemu ya taaluma kubwa inayoitwa **Kujifunza kwa Mashine**, ambayo lengo lake ni kutumia data kufundisha mifano ya kompyuta inayoweza kutatua matatizo. Kujifunza kwa Mashine ni sehemu kubwa ya Akili Bandia, hata hivyo, hatutashughulikia ML ya kawaida katika mtaala huu.
+Mitandao ya Neva ni sehemu ya taaluma kubwa inayoitwa **Kujifunza kwa Mashine**, ambayo inalenga kutumia data kufundisha mifano ya kompyuta inayoweza kutatua matatizo. Kujifunza kwa Mashine ni sehemu kubwa ya Akili Bandia, hata hivyo, hatutashughulikia Kujifunza kwa Mashine kwa njia ya kawaida katika mtaala huu.
 
-> Tembelea mtaala wetu tofauti wa **[Kujifunza kwa Mashine kwa Kompyuta za Kuanza](http://github.com/microsoft/ml-for-beginners)** ili kujifunza zaidi kuhusu Kujifunza kwa Mashine ya kawaida.
+> Tembelea mtaala wetu tofauti wa **[Kujifunza kwa Mashine kwa Kompyuta za Kuanza](http://github.com/microsoft/ml-for-beginners)** ili kujifunza zaidi kuhusu Kujifunza kwa Mashine kwa njia ya kawaida.
 
-Katika Kujifunza kwa Mashine, tunadhani kwamba tuna seti ya data ya mifano **X**, na thamani za matokeo zinazolingana **Y**. Mifano mara nyingi ni vekta za N-dimensional zinazojumuisha **vipengele**, na matokeo huitwa **lebo**.
+Katika Kujifunza kwa Mashine, tunadhani kuwa tuna seti fulani ya data ya mifano **X**, na thamani za matokeo zinazolingana **Y**. Mifano mara nyingi ni vekta za N-dimensional zinazojumuisha **vipengele**, na matokeo huitwa **lebo**.
 
 Tutazingatia matatizo mawili ya kawaida ya kujifunza kwa mashine:
 
-* **Uainishaji**, ambapo tunahitaji kuainisha kitu cha pembejeo katika darasa mbili au zaidi.
-* **Urejeshaji**, ambapo tunahitaji kutabiri namba ya nambari kwa kila sampuli ya pembejeo.
+* **Uainishaji**, ambapo tunahitaji kuainisha kitu cha ingizo katika madarasa mawili au zaidi.
+* **Urejeshaji**, ambapo tunahitaji kutabiri namba ya nambari kwa kila sampuli ya ingizo.
 
-> Wakati wa kuwakilisha pembejeo na matokeo kama tensors, seti ya data ya pembejeo ni matriki ya ukubwa M×N, ambapo M ni idadi ya sampuli na N ni idadi ya vipengele. Lebo za matokeo Y ni vekta ya ukubwa M.
+> Wakati wa kuwakilisha viingizo na matokeo kama tensors, seti ya data ya ingizo ni matriki ya ukubwa M&times;N, ambapo M ni idadi ya sampuli na N ni idadi ya vipengele. Lebo za matokeo Y ni vekta ya ukubwa M.
 
-Katika mtaala huu, tutazingatia tu mifano ya mitandao ya neural.
+Katika mtaala huu, tutazingatia tu mifano ya mitandao ya neva.
 
-## Mfano wa Neuron
+## Mfano wa Neva
 
-Kutoka kwa biolojia tunajua kwamba ubongo wetu unajumuisha seli za neural, kila moja ikiwa na "pembejeo" nyingi (axons), na matokeo (dendrite). Axons na dendrites zinaweza kuendesha ishara za umeme, na miunganisho kati ya axons na dendrites inaweza kuonyesha viwango tofauti vya upitishaji (vinavyodhibitiwa na neuromediators).
+Kutoka kwa biolojia, tunajua kuwa ubongo wetu unajumuisha seli za neva (neuroni), kila moja ikiwa na "viingizo" vingi (dendriti) na "matokeo" moja (aksoni). Dendriti na aksoni zote mbili zinaweza kusafirisha ishara za umeme, na miunganisho kati yao — inayojulikana kama sinapsi — inaweza kuonyesha viwango tofauti vya usafirishaji, ambavyo vinadhibitiwa na nyurotransmita.
 
-![Mfano wa Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sw.jpg) | ![Mfano wa Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sw.png)
+![Mfano wa Neva](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.sw.jpg) | ![Mfano wa Neva](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.sw.png)
 ----|----
-Neuron Halisi *([Picha](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) kutoka Wikipedia)* | Neuron ya Bandia *(Picha na Mwandishi)*
+Neva Halisi *([Picha](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) kutoka Wikipedia)* | Neva Bandia *(Picha na Mwandishi)*
 
-Kwa hivyo, mfano rahisi wa kihesabu wa neuron una pembejeo kadhaa X<sub>1</sub>, ..., X<sub>N</sub> na matokeo Y, na mfululizo wa uzito W<sub>1</sub>, ..., W<sub>N</sub>. Matokeo yanahesabiwa kama:
+Kwa hivyo, mfano rahisi wa kihisabati wa neva una viingizo kadhaa X<sub>1</sub>, ..., X<sub>N</sub> na matokeo Y, na mfululizo wa uzito W<sub>1</sub>, ..., W<sub>N</sub>. Matokeo huhesabiwa kama:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 ambapo f ni **kazi ya uanzishaji** isiyo ya mstari.
 
-> Mifano ya awali ya neuron ilielezewa katika karatasi ya kawaida [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) na Warren McCullock na Walter Pitts mwaka 1943. Donald Hebb katika kitabu chake "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" alipendekeza njia ambazo mitandao hiyo inaweza kufundishwa.
+> Mifano ya awali ya neva ilielezewa katika karatasi ya kihistoria [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) na Warren McCullock na Walter Pitts mwaka 1943. Donald Hebb katika kitabu chake "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" alipendekeza jinsi mitandao hiyo inaweza kufundishwa.
 
 ## Katika Sehemu Hii
 
 Katika sehemu hii tutajifunza kuhusu:
-* [Perceptron](03-Perceptron/README.md), mojawapo ya mifano ya awali ya mitandao ya neural kwa uainishaji wa darasa mbili
-* [Mitandao ya Tabaka Nyingi](04-OwnFramework/README.md) na daftari lililopangwa [jinsi ya kujenga mfumo wetu wenyewe](04-OwnFramework/OwnFramework.ipynb)
-* [Mifumo ya Mitandao ya Neural](05-Frameworks/README.md), na daftari hizi: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) na [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
-* [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
+* [Perceptron](03-Perceptron/README.md), mojawapo ya mifano ya awali ya mitandao ya neva kwa uainishaji wa madarasa mawili
+* [Mitandao ya Tabaka Nyingi](04-OwnFramework/README.md) na daftari lililoambatanishwa [jinsi ya kujenga mfumo wetu wenyewe](04-OwnFramework/OwnFramework.ipynb)
+* [Mifumo ya Mitandao ya Neva](05-Frameworks/README.md), na madaftari haya: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) na [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Kuzidisha Mafunzo](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Kanusho**:  
-Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutokuelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
+Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.

translations/th/lessons/3-NeuralNetworks/README.md

@@ -1,40 +1,40 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:32:53+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:48:58+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "th"
 }
 -->
-# การแนะนำเกี่ยวกับเครือข่ายประสาทเทียม
+# แนะนำเกี่ยวกับเครือข่ายประสาทเทียม
 
 ![สรุปเนื้อหาเกี่ยวกับเครือข่ายประสาทเทียมในรูปวาด](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.th.png)
 
-ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีที่จะสร้างความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา ทิศทางนี้ได้พิสูจน์ให้เห็นถึงความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **เครือข่ายประสาทเทียม**
+ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีที่จะสร้างความฉลาดคือการฝึก **โมเดลคอมพิวเตอร์** หรือ **สมองเทียม** ตั้งแต่กลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมาแนวทางนี้ได้พิสูจน์แล้วว่าประสบความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า **เครือข่ายประสาทเทียม**
 
 > บางครั้งเครือข่ายประสาทเทียมถูกเรียกว่า *Artificial Neural Networks* หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ
 
 ## การเรียนรู้ของเครื่อง
 
-เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของศาสตร์ที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง** ซึ่งมีเป้าหมายในการใช้ข้อมูลเพื่อฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิมในหลักสูตรนี้
+เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของศาสตร์ที่ใหญ่กว่าที่เรียกว่า **การเรียนรู้ของเครื่อง** ซึ่งมีเป้าหมายคือการใช้ข้อมูลเพื่อฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบคลาสสิกในหลักสูตรนี้
 
-> เยี่ยมชมหลักสูตร **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบดั้งเดิม
+> เยี่ยมชมหลักสูตร **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบคลาสสิก
 
 ในการเรียนรู้ของเครื่อง เราสมมติว่าเรามีชุดข้อมูลตัวอย่าง **X** และค่าผลลัพธ์ที่สอดคล้องกัน **Y** ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย **คุณลักษณะ** และผลลัพธ์เรียกว่า **ป้ายกำกับ**
 
 เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบได้บ่อยที่สุดสองประเภท:
 
-* **การจำแนกประเภท** ซึ่งเราต้องจัดประเภทวัตถุที่ป้อนเข้าไปในสองหรือมากกว่าสองกลุ่ม
+* **การจำแนกประเภท** ซึ่งเราต้องจัดประเภทวัตถุที่ป้อนเข้าไปในสองหรือมากกว่าสองคลาส
 * **การถดถอย** ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างที่ป้อนเข้าไป
 
-> เมื่อแสดงอินพุตและเอาต์พุตเป็นเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M
+> เมื่อแสดงอินพุตและเอาต์พุตเป็นเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M&times;N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M
 
 ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลเครือข่ายประสาทเทียมเท่านั้น
 
 ## โมเดลของเซลล์ประสาท
 
-จากชีววิทยา เรารู้ว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงระดับการนำไฟฟ้าที่แตกต่างกัน (ควบคุมโดยสารสื่อประสาท)
+จากชีววิทยา เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาท (neurons) ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (dendrites) และ "เอาต์พุต" หนึ่งตัว (axon) ทั้ง dendrites และ axons สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างพวกมัน — ที่เรียกว่า synapses — สามารถแสดงระดับการนำไฟฟ้าที่แตกต่างกัน ซึ่งถูกควบคุมโดยสารสื่อประสาท
 
 ![โมเดลของเซลล์ประสาท](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.th.jpg) | ![โมเดลของเซลล์ประสาท](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.th.png)
 ----|----
@@ -42,16 +42,16 @@ CO_OP_TRANSLATOR_METADATA:
 
 ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X<sub>1</sub>, ..., X<sub>N</sub> และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W<sub>1</sub>, ..., W<sub>N</sub> เอาต์พุตจะถูกคำนวณเป็น:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.th.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 โดยที่ f คือ **ฟังก์ชันการกระตุ้น** ที่ไม่เป็นเชิงเส้น
 
-> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในเอกสารคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีที่เครือข่ายเหล่านี้สามารถถูกฝึกได้
+> โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในบทความคลาสสิก [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" ได้เสนอวิธีการฝึกเครือข่ายเหล่านี้
 
 ## ในส่วนนี้
 
 ในส่วนนี้เราจะเรียนรู้เกี่ยวกับ:
-* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลเครือข่ายประสาทเทียมยุคแรกสำหรับการจำแนกประเภทสองกลุ่ม
+* [Perceptron](03-Perceptron/README.md) หนึ่งในโมเดลเครือข่ายประสาทเทียมยุคแรกสำหรับการจำแนกประเภทสองคลาส
 * [เครือข่ายหลายชั้น](04-OwnFramework/README.md) พร้อมกับโน้ตบุ๊ก [วิธีสร้างเฟรมเวิร์คของเราเอง](04-OwnFramework/OwnFramework.ipynb)
 * [เฟรมเวิร์คเครือข่ายประสาทเทียม](05-Frameworks/README.md) พร้อมกับโน้ตบุ๊กเหล่านี้: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) และ [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
@@ -59,4 +59,4 @@ CO_OP_TRANSLATOR_METADATA:
 ---
 
 **ข้อจำกัดความรับผิดชอบ**:  
-เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้
+เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

translations/tl/lessons/3-NeuralNetworks/README.md

@@ -1,17 +1,17 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:35:09+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:51:38+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "tl"
 }
 -->
 # Panimula sa Neural Networks
 
-![Buod ng Intro Neural Networks content sa isang doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tl.png)
+![Buod ng nilalaman ng Intro Neural Networks sa isang doodle](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tl.png)
 
-Tulad ng napag-usapan natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng computer** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan napatunayan na ang direksyong ito ay napaka-epektibo. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**.
+Tulad ng tinalakay natin sa panimula, isa sa mga paraan upang makamit ang katalinuhan ay ang pagsasanay ng isang **modelo ng computer** o isang **artipisyal na utak**. Simula noong kalagitnaan ng ika-20 siglo, sinubukan ng mga mananaliksik ang iba't ibang mga matematikal na modelo, hanggang sa mga nakaraang taon kung saan ang direksyong ito ay napatunayang napaka-epektibo. Ang ganitong mga matematikal na modelo ng utak ay tinatawag na **neural networks**.
 
 > Minsan ang neural networks ay tinatawag na *Artificial Neural Networks* o ANNs, upang ipahiwatig na pinag-uusapan natin ang tungkol sa mga modelo, hindi ang tunay na mga network ng neurons.
 
@@ -21,20 +21,20 @@ Ang Neural Networks ay bahagi ng mas malawak na disiplina na tinatawag na **Mach
 
 > Bisitahin ang aming hiwalay na **[Machine Learning for Beginners](http://github.com/microsoft/ml-for-beginners)** na kurikulum upang matuto pa tungkol sa klasikong Machine Learning.
 
-Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay kadalasang N-dimensional na vectors na binubuo ng **features**, at ang mga output ay tinatawag na **labels**.
+Sa Machine Learning, ipinapalagay natin na mayroon tayong dataset ng mga halimbawa **X**, at mga kaukulang output na halaga **Y**. Ang mga halimbawa ay madalas na N-dimensional na mga vector na binubuo ng **features**, at ang mga output ay tinatawag na **labels**.
 
 Tatalakayin natin ang dalawang pinakakaraniwang problema sa machine learning:
 
-* **Classification**, kung saan kailangan nating uriin ang isang input object sa dalawa o higit pang klase.
-* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input sample.
+* **Classification**, kung saan kailangan nating uriin ang isang input na bagay sa dalawa o higit pang mga klase.
+* **Regression**, kung saan kailangan nating hulaan ang isang numerikal na halaga para sa bawat input na sample.
 
-> Kapag kinakatawan ang mga inputs at outputs bilang tensors, ang input dataset ay isang matrix na may sukat na M×N, kung saan ang M ay ang bilang ng mga sample at ang N ay ang bilang ng mga features. Ang output labels Y ay isang vector na may sukat na M.
+> Kapag kinakatawan ang mga input at output bilang tensors, ang input dataset ay isang matrix na may sukat na M&times;N, kung saan ang M ay ang bilang ng mga sample at ang N ay ang bilang ng mga features. Ang output labels Y ay ang vector na may sukat na M.
 
-Sa kurikulum na ito, magpopokus lamang tayo sa mga modelo ng neural network.
+Sa kurikulum na ito, magtutuon lamang tayo sa mga modelo ng neural network.
 
 ## Modelo ng Isang Neuron
 
-Mula sa biology, alam natin na ang ating utak ay binubuo ng mga neural cells, bawat isa ay may maraming "inputs" (axons), at isang output (dendrite). Ang mga axons at dendrites ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan ng axons at dendrites ay maaaring magpakita ng iba't ibang antas ng conductivity (kinokontrol ng neuromediators).
+Mula sa biology, alam natin na ang ating utak ay binubuo ng mga neural cells (neurons), bawat isa ay may maraming "inputs" (dendrites) at isang "output" (axon). Parehong dendrites at axons ay maaaring magdala ng mga signal na elektrikal, at ang mga koneksyon sa pagitan nila — na kilala bilang synapses — ay maaaring magpakita ng iba't ibang antas ng conductivity, na kinokontrol ng mga neurotransmitters.
 
 ![Modelo ng Isang Neuron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tl.jpg) | ![Modelo ng Isang Neuron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tl.png)
 ----|----
@@ -42,7 +42,7 @@ Tunay na Neuron *([Larawan](https://en.wikipedia.org/wiki/Synapse#/media/File:Sy
 
 Kaya, ang pinakasimpleng matematikal na modelo ng isang neuron ay naglalaman ng ilang inputs X<sub>1</sub>, ..., X<sub>N</sub> at isang output Y, at isang serye ng mga weights W<sub>1</sub>, ..., W<sub>N</sub>. Ang output ay kinakalkula bilang:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 kung saan ang f ay isang non-linear na **activation function**.
 
@@ -53,10 +53,10 @@ kung saan ang f ay isang non-linear na **activation function**.
 Sa seksyong ito, matututo tayo tungkol sa:
 * [Perceptron](03-Perceptron/README.md), isa sa mga pinakaunang modelo ng neural network para sa two-class classification
 * [Multi-layered networks](04-OwnFramework/README.md) na may kasamang notebook [kung paano bumuo ng sarili nating framework](04-OwnFramework/OwnFramework.ipynb)
-* [Neural Network Frameworks](05-Frameworks/README.md), na may mga notebook na ito: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [Neural Network Frameworks](05-Frameworks/README.md), kasama ang mga notebook na ito: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) at [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Overfitting](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Paunawa**:  
-Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.
+Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, mangyaring tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.

translations/tr/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:32:22+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:48:22+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "tr"
 }
 -->
 # Sinir Ağlarına Giriş
 
-![Sinir Ağları Giriş içeriğinin bir çizim özeti](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tr.png)
+![Sinir Ağlarına Giriş içeriğinin özetini gösteren bir çizim](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tr.png)
 
 Giriş bölümünde tartıştığımız gibi, zekaya ulaşmanın yollarından biri bir **bilgisayar modeli** veya bir **yapay beyin** eğitmekten geçer. 20. yüzyılın ortalarından itibaren araştırmacılar farklı matematiksel modeller denediler ve son yıllarda bu yaklaşım büyük ölçüde başarılı oldu. Beynin bu tür matematiksel modellerine **sinir ağları** denir.
 
-> Bazen sinir ağlarına *Yapay Sinir Ağları* (Artificial Neural Networks, ANNs) denir, böylece gerçek nöron ağlarından değil, modellerden bahsettiğimiz anlaşılır.
+> Bazen sinir ağlarına *Yapay Sinir Ağları* veya ANNs denir, böylece gerçek nöron ağlarından değil, modellerden bahsettiğimiz anlaşılır.
 
 ## Makine Öğrenimi
 
-Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Makine Öğrenimi'nin amacı, verileri kullanarak problemleri çözebilen bilgisayar modelleri eğitmektir. Makine Öğrenimi, Yapay Zeka'nın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik Makine Öğrenimi'ni ele almıyoruz.
+Sinir Ağları, **Makine Öğrenimi** adı verilen daha geniş bir disiplinin parçasıdır. Makine Öğrenimi'nin amacı, problemleri çözebilen bilgisayar modellerini eğitmek için verileri kullanmaktır. Makine Öğrenimi, Yapay Zeka'nın büyük bir bölümünü oluşturur, ancak bu müfredatta klasik ML'yi ele almıyoruz.
 
-> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Başlangıç Seviyesi için Makine Öğrenimi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz.
+> Klasik Makine Öğrenimi hakkında daha fazla bilgi edinmek için ayrı **[Başlangıç Seviyesi Makine Öğrenimi](http://github.com/microsoft/ml-for-beginners)** müfredatımıza göz atabilirsiniz.
 
-Makine Öğrenimi'nde, elimizde bazı örneklerden oluşan bir veri seti **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir.
+Makine Öğrenimi'nde, elimizde bazı örneklerden oluşan bir veri kümesi **X** ve buna karşılık gelen çıktı değerleri **Y** olduğunu varsayarız. Örnekler genellikle **özelliklerden** oluşan N boyutlu vektörlerdir ve çıktılara **etiketler** denir.
 
 En yaygın iki makine öğrenimi problemini ele alacağız:
 
 * **Sınıflandırma**, burada bir giriş nesnesini iki veya daha fazla sınıfa ayırmamız gerekir.
 * **Regresyon**, burada her bir giriş örneği için bir sayısal değer tahmin etmemiz gerekir.
 
-> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri seti M×N boyutunda bir matristir; burada M örnek sayısını ve N özellik sayısını ifade eder. Çıkış etiketleri **Y**, M boyutunda bir vektördür.
+> Giriş ve çıkışları tensörler olarak temsil ederken, giriş veri kümesi M&times;N boyutunda bir matristir; burada M örnek sayısını ve N özellik sayısını ifade eder. Çıkış etiketleri Y ise M boyutunda bir vektördür.
 
 Bu müfredatta yalnızca sinir ağı modellerine odaklanacağız.
 
 ## Bir Nöron Modeli
 
-Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (akson) ve bir çıkışa (dendrit) sahip olan sinir hücrelerinden oluşur. Aksonlar ve dendritler elektrik sinyalleri iletebilir ve aksonlar ile dendritler arasındaki bağlantılar farklı iletkenlik dereceleri gösterebilir (nöromediyatörler tarafından kontrol edilir).
+Biyolojiden biliyoruz ki beynimiz, her biri birden fazla "girişe" (dendritler) ve tek bir "çıkışa" (akson) sahip olan sinir hücrelerinden (nöronlar) oluşur. Hem dendritler hem de aksonlar elektrik sinyalleri iletebilir ve aralarındaki bağlantılar — sinapslar olarak bilinir — iletkenlik derecelerini değiştirebilir. Bu iletkenlik, nörotransmitterler tarafından düzenlenir.
 
 ![Bir Nöron Modeli](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tr.jpg) | ![Bir Nöron Modeli](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tr.png)
 ----|----
-Gerçek Nöron *([Wikipedia'dan Görsel](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg))* | Yapay Nöron *(Yazarın Görseli)*
+Gerçek Nöron *([Resim](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) Wikipedia'dan)* | Yapay Nöron *(Yazarın Görseli)*
 
-Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş **X<sub>1</sub>, ..., X<sub>N</sub>** ve bir çıkış **Y** ile bir dizi ağırlık **W<sub>1</sub>, ..., W<sub>N</sub>** içerir. Çıkış şu şekilde hesaplanır:
+Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş X<sub>1</sub>, ..., X<sub>N</sub> ve bir çıkış Y ile bir dizi ağırlık W<sub>1</sub>, ..., W<sub>N</sub> içerir. Çıkış şu şekilde hesaplanır:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tr.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-burada **f**, bazı doğrusal olmayan **aktivasyon fonksiyonudur**.
+burada f, bazı doğrusal olmayan **aktivasyon fonksiyonudur**.
 
-> Nöronun erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943 yılında yazılan klasik makale [Sinirsel Aktivitede İçkin Fikirlerin Mantıksal Hesaplaması](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) içinde tanımlanmıştır. Donald Hebb, "[Davranışın Organizasyonu: Bir Nöropsikolojik Teori](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir.
+> Nöronların erken modelleri, Warren McCullock ve Walter Pitts tarafından 1943 yılında yazılan klasik makale [Sinirsel Aktivitede İçkin Fikirlerin Mantıksal Hesaplaması](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) içinde tanımlanmıştır. Donald Hebb, "[Davranışın Organizasyonu: Bir Nöropsikolojik Teori](https://books.google.com/books?id=VNetYrB8EBoC)" adlı kitabında bu ağların nasıl eğitilebileceğini önermiştir.
 
 ## Bu Bölümde
 
 Bu bölümde şunları öğreneceğiz:
-* [Perceptron](03-Perceptron/README.md), iki sınıflı sınıflandırma için en erken sinir ağı modellerinden biri
-* [Çok Katmanlı Ağlar](04-OwnFramework/README.md) ve eşlik eden not defteri [kendi çerçevemizi nasıl oluştururuz](04-OwnFramework/OwnFramework.ipynb)
+* [Perceptron](03-Perceptron/README.md), iki sınıflı sınıflandırma için en eski sinir ağı modellerinden biri
+* [Çok Katmanlı Ağlar](04-OwnFramework/README.md) ve eşlik eden not defteri [kendi çerçevemizi nasıl oluşturabiliriz](04-OwnFramework/OwnFramework.ipynb)
 * [Sinir Ağı Çerçeveleri](05-Frameworks/README.md), şu not defterleriyle: [PyTorch](05-Frameworks/IntroPyTorch.ipynb) ve [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [Aşırı Uyum](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **Feragatname**:  
-Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.
+Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel bir insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan herhangi bir yanlış anlama veya yanlış yorumlama durumunda sorumluluk kabul edilmez.

translations/tw/lessons/3-NeuralNetworks/README.md

@@ -1,62 +1,62 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:29:16+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:43:43+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "tw"
 }
 -->
 # 神經網路簡介
 
-![神經網路簡介內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tw.png)
+![神經網路內容摘要的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.tw.png)
 
-如我們在介紹中所討論的，實現智能的一種方法是訓練一個**電腦模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這個方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
+如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這一方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網路**。
 
-> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而非真實的神經元網路。
+> 有時神經網路被稱為*人工神經網路*（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。
 
 ## 機器學習
 
-神經網路屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。
+神經網路屬於一個更大的學科，稱為**機器學習**，其目標是利用數據訓練計算機模型以解決問題。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。
 
-> 請參考我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，以了解更多關於傳統機器學習的內容。
+> 請參閱我們的獨立課程 **[機器學習入門](http://github.com/microsoft/ml-for-beginners)**，了解更多關於傳統機器學習的內容。
 
-在機器學習中，我們假設有一些例子數據集 **X** 和相應的輸出值 **Y**。例子通常是由**特徵**組成的 N 維向量，而輸出被稱為**標籤**。
+在機器學習中，我們假設有一些例子數據集 **X** 和相應的輸出值 **Y**。例子通常是由**特徵**組成的 N 維向量，而輸出則稱為**標籤**。
 
 我們將探討兩種最常見的機器學習問題：
 
 * **分類**，需要將輸入對象分類到兩個或多個類別中。
 * **回歸**，需要為每個輸入樣本預測一個數值。
 
-> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 **Y** 是大小為 M 的向量。
+> 當以張量表示輸入和輸出時，輸入數據集是一個大小為 M&times;N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 Y 是大小為 M 的向量。
 
-在這份課程中，我們將僅專注於神經網路模型。
+在這份課程中，我們將專注於神經網路模型。
 
 ## 神經元的模型
 
-從生物學中我們知道，我們的大腦由神經細胞組成，每個神經細胞有多個「輸入」（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。
+從生物學中，我們知道大腦由神經細胞（神經元）組成，每個神經元有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都能傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這些導電性由神經遞質調節。
 
-![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tw.jpg) | ![人工神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tw.png)
+![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.tw.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.tw.png)
 ----|----
 真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）*
 
 因此，神經元的最簡單數學模型包含幾個輸入 X<sub>1</sub>, ..., X<sub>N</sub> 和一個輸出 Y，以及一系列權重 W<sub>1</sub>, ..., W<sub>N</sub>。輸出計算公式為：
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.tw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 其中 f 是某種非線性的**激活函數**。
 
-> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中有所描述。Donald Hebb 在他的書籍《[行為的組織：一種神經心理學理論](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了這些網路的訓練方法。
+> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中有所描述。Donald Hebb 在他的書 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 中提出了這些網路的訓練方法。
 
 ## 本章內容
 
 在本章中，我們將學習以下內容：
-* [感知器](03-Perceptron/README.md)，一種最早的用於二類分類的神經網路模型
-* [多層網路](04-OwnFramework/README.md)，以及配套的筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
+* [感知器](03-Perceptron/README.md)，一種早期的二分類神經網路模型
+* [多層網路](04-OwnFramework/README.md)，以及配套筆記本 [如何構建我們自己的框架](04-OwnFramework/OwnFramework.ipynb)
 * [神經網路框架](05-Frameworks/README.md)，包括以下筆記本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [過擬合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **免責聲明**：  
-本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。
+本文件使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對於因使用本翻譯而產生的任何誤解或錯誤解讀概不負責。

translations/uk/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:37:56+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:54:58+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "uk"
 }
@@ -13,28 +13,28 @@ CO_OP_TRANSLATOR_METADATA:
 
 Як ми обговорювали у вступі, одним із способів досягнення інтелекту є навчання **комп'ютерної моделі** або **штучного мозку**. З середини 20-го століття дослідники пробували різні математичні моделі, і лише в останні роки цей напрямок став надзвичайно успішним. Такі математичні моделі мозку називаються **нейронними мережами**.
 
-> Іноді нейронні мережі називають *штучними нейронними мережами* (Artificial Neural Networks, ANNs), щоб підкреслити, що йдеться про моделі, а не про реальні мережі нейронів.
+> Іноді нейронні мережі називають *Штучними нейронними мережами* (Artificial Neural Networks, ANNs), щоб підкреслити, що йдеться про моделі, а не про реальні мережі нейронів.
 
 ## Машинне навчання
 
-Нейронні мережі є частиною більшої дисципліни, яка називається **машинним навчанням**, метою якої є використання даних для навчання комп'ютерних моделей, здатних вирішувати задачі. Машинне навчання становить значну частину штучного інтелекту, однак у цій програмі ми не розглядаємо класичне машинне навчання.
+Нейронні мережі є частиною більшої дисципліни під назвою **Машинне навчання**, мета якої — використовувати дані для навчання комп'ютерних моделей, здатних вирішувати задачі. Машинне навчання становить значну частину штучного інтелекту, однак у цьому курсі ми не розглядаємо класичне ML.
 
-> Відвідайте нашу окрему програму **[Машинне навчання для початківців](http://github.com/microsoft/ml-for-beginners)**, щоб дізнатися більше про класичне машинне навчання.
+> Відвідайте наш окремий курс **[Машинне навчання для початківців](http://github.com/microsoft/ml-for-beginners)**, щоб дізнатися більше про класичне машинне навчання.
 
-У машинному навчанні ми припускаємо, що маємо певний набір даних прикладів **X** і відповідні вихідні значення **Y**. Приклади часто є N-вимірними векторами, які складаються з **ознак**, а вихідні значення називаються **мітками**.
+У машинному навчанні ми припускаємо, що маємо деякий набір даних прикладів **X** і відповідні вихідні значення **Y**. Приклади часто є N-вимірними векторами, які складаються з **характеристик**, а вихідні значення називаються **мітками**.
 
 Ми розглянемо дві найпоширеніші задачі машинного навчання:
 
 * **Класифікація**, де потрібно класифікувати вхідний об'єкт у дві або більше категорії.
 * **Регресія**, де потрібно передбачити числове значення для кожного з вхідних зразків.
 
-> При представленні входів і виходів у вигляді тензорів, вхідний набір даних є матрицею розміру M×N, де M — кількість зразків, а N — кількість ознак. Вихідні мітки Y — це вектор розміру M.
+> При представленні входів і виходів у вигляді тензорів вхідний набір даних є матрицею розміру M&times;N, де M — кількість зразків, а N — кількість характеристик. Вихідні мітки Y — це вектор розміру M.
 
-У цій програмі ми зосередимося лише на моделях нейронних мереж.
+У цьому курсі ми зосередимося лише на моделях нейронних мереж.
 
 ## Модель нейрона
 
-З біології ми знаємо, що наш мозок складається з нейронних клітин, кожна з яких має кілька "входів" (аксони) і один вихід (дендрит). Аксони і дендрити можуть проводити електричні сигнали, а зв’язки між аксонами і дендритами можуть мати різний ступінь провідності (який контролюється нейромедіаторами).
+З біології ми знаємо, що наш мозок складається з нейронних клітин (нейронів), кожна з яких має кілька "входів" (дендрити) і один "вихід" (аксон). Як дендрити, так і аксони можуть проводити електричні сигнали, а зв’язки між ними — відомі як синапси — можуть мати різний ступінь провідності, який регулюється нейромедіаторами.
 
 ![Модель нейрона](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.uk.jpg) | ![Модель нейрона](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.uk.png)
 ----|----
@@ -42,11 +42,11 @@ CO_OP_TRANSLATOR_METADATA:
 
 Таким чином, найпростіша математична модель нейрона містить кілька входів X<sub>1</sub>, ..., X<sub>N</sub> і один вихід Y, а також набір ваг W<sub>1</sub>, ..., W<sub>N</sub>. Вихід обчислюється як:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.uk.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 де f — це деяка нелінійна **функція активації**.
 
-> Ранні моделі нейрона були описані в класичній статті [Логічне числення ідей, притаманних нервовій діяльності](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Воррена МакКалока і Волтера Піттса у 1943 році. Дональд Хебб у своїй книзі "[Організація поведінки: нейропсихологічна теорія](https://books.google.com/books?id=VNetYrB8EBoC)" запропонував спосіб навчання таких мереж.
+> Ранні моделі нейрона були описані в класичній статті [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) Воррена МакКалока та Волтера Піттса у 1943 році. Дональд Хебб у своїй книзі "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" запропонував спосіб навчання таких мереж.
 
 ## У цьому розділі
 
@@ -59,4 +59,4 @@ CO_OP_TRANSLATOR_METADATA:
 ---
 
 **Відмова від відповідальності**:  
-Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні інтерпретації, що виникають внаслідок використання цього перекладу.
+Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.

translations/ur/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:28:18+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:42:41+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "ur"
 }
@@ -11,49 +11,49 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![نیورل نیٹ ورکس کے تعارف کا خلاصہ ایک خاکے میں](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.ur.png)
 
-جیسا کہ ہم نے تعارف میں بات کی، ذہانت حاصل کرنے کے طریقوں میں سے ایک یہ ہے کہ ایک **کمپیوٹر ماڈل** یا ایک **مصنوعی دماغ** کو تربیت دی جائے۔ بیسویں صدی کے وسط سے، محققین نے مختلف ریاضیاتی ماڈلز آزمائے، یہاں تک کہ حالیہ برسوں میں یہ سمت بے حد کامیاب ثابت ہوئی۔ دماغ کے ان ریاضیاتی ماڈلز کو **نیورل نیٹ ورکس** کہا جاتا ہے۔
+جیسا کہ ہم نے تعارف میں بات کی تھی، ذہانت حاصل کرنے کے طریقوں میں سے ایک یہ ہے کہ ایک **کمپیوٹر ماڈل** یا **مصنوعی دماغ** کو تربیت دی جائے۔ بیسویں صدی کے وسط سے، محققین نے مختلف ریاضیاتی ماڈلز آزمائے، اور حالیہ برسوں میں یہ سمت بہت کامیاب ثابت ہوئی۔ دماغ کے ان ریاضیاتی ماڈلز کو **نیورل نیٹ ورکس** کہا جاتا ہے۔
 
-> کبھی کبھار نیورل نیٹ ورکس کو *مصنوعی نیورل نیٹ ورکس* یا ANNs کہا جاتا ہے، تاکہ یہ واضح کیا جا سکے کہ ہم ماڈلز کی بات کر رہے ہیں، نہ کہ حقیقی نیورونز کے نیٹ ورکس کی۔
+> کبھی کبھار نیورل نیٹ ورکس کو *مصنوعی نیورل نیٹ ورکس* یا ANNs کہا جاتا ہے، تاکہ واضح کیا جا سکے کہ ہم ماڈلز کی بات کر رہے ہیں، نہ کہ حقیقی نیورونز کے نیٹ ورکس کی۔
 
 ## مشین لرننگ
 
-نیورل نیٹ ورکس ایک بڑے شعبے کا حصہ ہیں جسے **مشین لرننگ** کہا جاتا ہے، جس کا مقصد ڈیٹا کا استعمال کرتے ہوئے کمپیوٹر ماڈلز کو تربیت دینا ہے تاکہ وہ مسائل حل کر سکیں۔ مشین لرننگ مصنوعی ذہانت کا ایک بڑا حصہ ہے، تاہم، ہم اس نصاب میں کلاسیکل مشین لرننگ کا احاطہ نہیں کریں گے۔
+نیورل نیٹ ورکس ایک بڑی شعبے کا حصہ ہیں جسے **مشین لرننگ** کہا جاتا ہے، جس کا مقصد ڈیٹا کا استعمال کرتے ہوئے کمپیوٹر ماڈلز کو تربیت دینا ہے جو مسائل حل کر سکیں۔ مشین لرننگ مصنوعی ذہانت کا ایک بڑا حصہ ہے، تاہم، ہم اس نصاب میں کلاسیکل مشین لرننگ کو شامل نہیں کرتے۔
 
 > کلاسیکل مشین لرننگ کے بارے میں مزید جاننے کے لیے ہمارا الگ **[مشین لرننگ فار بیگنرز](http://github.com/microsoft/ml-for-beginners)** نصاب دیکھیں۔
 
-مشین لرننگ میں، ہم فرض کرتے ہیں کہ ہمارے پاس کچھ مثالوں کا ڈیٹاسیٹ **X** اور اس کے مطابق آؤٹ پٹ ویلیوز **Y** موجود ہیں۔ مثالیں اکثر N-ڈائمینشنل ویکٹرز پر مشتمل ہوتی ہیں جن میں **فیچرز** شامل ہوتے ہیں، اور آؤٹ پٹس کو **لیبلز** کہا جاتا ہے۔
+مشین لرننگ میں، ہم فرض کرتے ہیں کہ ہمارے پاس کچھ مثالوں کا ڈیٹا سیٹ **X** اور اس کے مطابق آؤٹ پٹ ویلیوز **Y** موجود ہیں۔ مثالیں اکثر N-ڈائمینشنل ویکٹرز ہوتی ہیں جو **فیچرز** پر مشتمل ہوتی ہیں، اور آؤٹ پٹس کو **لیبلز** کہا جاتا ہے۔
 
-ہم مشین لرننگ کے دو سب سے عام مسائل پر غور کریں گے:
+ہم مشین لرننگ کے دو عام مسائل پر غور کریں گے:
 
-* **کلاسیفکیشن**، جہاں ہمیں ایک ان پٹ آبجیکٹ کو دو یا زیادہ کلاسز میں تقسیم کرنا ہوتا ہے۔
+* **کلاسیفیکیشن**، جہاں ہمیں ایک ان پٹ آبجیکٹ کو دو یا زیادہ کلاسز میں تقسیم کرنا ہوتا ہے۔
 * **ریگریشن**، جہاں ہمیں ہر ان پٹ سیمپل کے لیے ایک عددی نمبر کی پیش گوئی کرنی ہوتی ہے۔
 
-> جب ان پٹس اور آؤٹ پٹس کو ٹینسرز کے طور پر ظاہر کیا جاتا ہے، تو ان پٹ ڈیٹاسیٹ ایک M×N میٹرکس ہوتا ہے، جہاں M سیمپلز کی تعداد ہے اور N فیچرز کی تعداد ہے۔ آؤٹ پٹ لیبلز **Y** ایک M سائز کا ویکٹر ہوتا ہے۔
+> جب ان پٹس اور آؤٹ پٹس کو ٹینسرز کے طور پر ظاہر کیا جاتا ہے، تو ان پٹ ڈیٹا سیٹ M&times;N سائز کی میٹرکس ہوتی ہے، جہاں M سیمپلز کی تعداد ہے اور N فیچرز کی تعداد ہے۔ آؤٹ پٹ لیبلز Y سائز M کا ویکٹر ہوتا ہے۔
 
 اس نصاب میں، ہم صرف نیورل نیٹ ورک ماڈلز پر توجہ مرکوز کریں گے۔
 
 ## نیورون کا ماڈل
 
-حیاتیات سے ہمیں معلوم ہوتا ہے کہ ہمارا دماغ نیورل سیلز پر مشتمل ہوتا ہے، جن میں سے ہر ایک کے پاس متعدد "ان پٹس" (ایکسونز) اور ایک آؤٹ پٹ (ڈینڈرائٹ) ہوتا ہے۔ ایکسونز اور ڈینڈرائٹس برقی سگنلز کو منتقل کر سکتے ہیں، اور ایکسونز اور ڈینڈرائٹس کے درمیان کنکشنز مختلف ڈگری کی کنڈکٹویٹی ظاہر کر سکتے ہیں (جو نیورو میڈی ایٹرز کے ذریعے کنٹرول ہوتی ہے)۔
+حیاتیات سے، ہم جانتے ہیں کہ ہمارا دماغ نیورل سیلز (نیورونز) پر مشتمل ہوتا ہے، جن میں سے ہر ایک کے پاس متعدد "ان پٹس" (ڈینڈریٹس) اور ایک "آؤٹ پٹ" (ایکسون) ہوتا ہے۔ ڈینڈریٹس اور ایکسون دونوں برقی سگنلز منتقل کر سکتے ہیں، اور ان کے درمیان کنکشنز — جنہیں سیناپسز کہا جاتا ہے — مختلف درجات کی کنڈکٹویٹی ظاہر کر سکتے ہیں، جو نیوروٹرانسمیٹرز کے ذریعے منظم کی جاتی ہیں۔
 
 ![نیورون کا ماڈل](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.ur.jpg) | ![نیورون کا ماڈل](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.ur.png)
 ----|----
-حقیقی نیورون *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ویکیپیڈیا سے)* | مصنوعی نیورون *(تصویر مصنف کی جانب سے)*
+حقیقی نیورون *([تصویر](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) ویکیپیڈیا سے)* | مصنوعی نیورون *(تصویر مصنف کی طرف سے)*
 
-لہٰذا، نیورون کا سب سے سادہ ریاضیاتی ماڈل کئی ان پٹس X<sub>1</sub>, ..., X<sub>N</sub> اور ایک آؤٹ پٹ Y پر مشتمل ہوتا ہے، اور ایک سلسلہ وزن W<sub>1</sub>, ..., W<sub>N</sub>۔ آؤٹ پٹ اس طرح سے حساب کیا جاتا ہے:
+لہٰذا، نیورون کا سب سے سادہ ریاضیاتی ماڈل کئی ان پٹس X<sub>1</sub>, ..., X<sub>N</sub> اور ایک آؤٹ پٹ Y پر مشتمل ہوتا ہے، اور ایک سلسلہ وزن W<sub>1</sub>, ..., W<sub>N</sub>۔ آؤٹ پٹ کا حساب درج ذیل طریقے سے کیا جاتا ہے:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ur.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-جہاں f ایک غیر خطی **ایکٹیویشن فنکشن** ہے۔
+جہاں f کوئی غیر خطی **ایکٹیویشن فنکشن** ہے۔
 
-> نیورون کے ابتدائی ماڈلز کو 1943 میں وارن میک کلک اور والٹر پٹس کے کلاسیکل مقالے [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) میں بیان کیا گیا تھا۔ ڈونلڈ ہیب نے اپنی کتاب "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" میں ان نیٹ ورکس کو تربیت دینے کا طریقہ تجویز کیا۔
+> نیورون کے ابتدائی ماڈلز کو کلاسیکل مقالے [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) میں وارن میککلوک اور والٹر پٹس نے 1943 میں بیان کیا۔ ڈونلڈ ہیب نے اپنی کتاب "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" میں ان نیٹ ورکس کو تربیت دینے کا طریقہ تجویز کیا۔
 
 ## اس سیکشن میں
 
 اس سیکشن میں ہم سیکھیں گے:
-* [پرسپٹرون](03-Perceptron/README.md)، دو کلاسز کی کلاسیفکیشن کے لیے سب سے ابتدائی نیورل نیٹ ورک ماڈلز میں سے ایک
-* [ملٹی لیئرڈ نیٹ ورکس](04-OwnFramework/README.md) اور اس کے ساتھ ایک نوٹ بک [اپنا فریم ورک کیسے بنائیں](04-OwnFramework/OwnFramework.ipynb)
-* [نیورل نیٹ ورک فریم ورکس](05-Frameworks/README.md)، ان نوٹ بکس کے ساتھ: [پائی ٹارچ](05-Frameworks/IntroPyTorch.ipynb) اور [کیراس/ٹینسر فلو](05-Frameworks/IntroKerasTF.ipynb)
+* [پرسپٹرون](03-Perceptron/README.md)، دو کلاسز کی کلاسیفیکیشن کے لیے ابتدائی نیورل نیٹ ورک ماڈلز میں سے ایک
+* [ملٹی لیئرڈ نیٹ ورکس](04-OwnFramework/README.md) کے ساتھ ایک نوٹ بک [اپنا فریم ورک کیسے بنائیں](04-OwnFramework/OwnFramework.ipynb)
+* [نیورل نیٹ ورک فریم ورکس](05-Frameworks/README.md)، ان نوٹ بکس کے ساتھ: [پائی ٹورچ](05-Frameworks/IntroPyTorch.ipynb) اور [کیراس/ٹینسر فلو](05-Frameworks/IntroKerasTF.ipynb)
 * [اوورفٹنگ](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---

translations/vi/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:34:31+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:50:52+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "vi"
 }
@@ -11,15 +11,15 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![Tóm tắt nội dung Giới thiệu Mạng Nơ-ron trong một hình vẽ](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.vi.png)
 
-Như đã thảo luận trong phần giới thiệu, một trong những cách để đạt được trí tuệ là huấn luyện một **mô hình máy tính** hoặc một **bộ não nhân tạo**. Từ giữa thế kỷ 20, các nhà nghiên cứu đã thử nghiệm nhiều mô hình toán học khác nhau, cho đến những năm gần đây, hướng đi này đã chứng minh được sự thành công vượt bậc. Những mô hình toán học của bộ não này được gọi là **mạng nơ-ron**.
+Như chúng ta đã thảo luận trong phần giới thiệu, một trong những cách để đạt được trí tuệ là huấn luyện một **mô hình máy tính** hoặc một **bộ não nhân tạo**. Từ giữa thế kỷ 20, các nhà nghiên cứu đã thử nghiệm nhiều mô hình toán học khác nhau, cho đến những năm gần đây, hướng đi này đã chứng minh được sự thành công vượt bậc. Những mô hình toán học của bộ não này được gọi là **mạng nơ-ron**.
 
 > Đôi khi mạng nơ-ron được gọi là *Mạng Nơ-ron Nhân Tạo*, ANNs, để chỉ rõ rằng chúng ta đang nói về các mô hình, không phải mạng nơ-ron thực sự.
 
 ## Học Máy
 
-Mạng Nơ-ron là một phần của lĩnh vực lớn hơn gọi là **Học Máy**, với mục tiêu sử dụng dữ liệu để huấn luyện các mô hình máy tính có khả năng giải quyết vấn đề. Học Máy chiếm một phần lớn trong Trí Tuệ Nhân Tạo, tuy nhiên, chúng ta sẽ không đề cập đến Học Máy cổ điển trong chương trình học này.
+Mạng Nơ-ron là một phần của lĩnh vực lớn hơn gọi là **Học Máy**, với mục tiêu sử dụng dữ liệu để huấn luyện các mô hình máy tính có khả năng giải quyết vấn đề. Học Máy chiếm một phần lớn trong Trí Tuệ Nhân Tạo, tuy nhiên, chúng ta sẽ không đề cập đến Học Máy cổ điển trong chương trình này.
 
-> Hãy truy cập chương trình học riêng **[Học Máy cho Người Mới Bắt Đầu](http://github.com/microsoft/ml-for-beginners)** để tìm hiểu thêm về Học Máy cổ điển.
+> Hãy truy cập chương trình học riêng **[Học Máy cho Người Mới Bắt Đầu](http://github.com/microsoft/ml-for-beginners)** của chúng tôi để tìm hiểu thêm về Học Máy cổ điển.
 
 Trong Học Máy, chúng ta giả định rằng có một tập dữ liệu ví dụ **X**, và các giá trị đầu ra tương ứng **Y**. Các ví dụ thường là các vector N chiều bao gồm các **đặc trưng**, và các đầu ra được gọi là **nhãn**.
 
@@ -28,13 +28,13 @@ Chúng ta sẽ xem xét hai vấn đề phổ biến nhất trong học máy:
 * **Phân loại**, nơi chúng ta cần phân loại một đối tượng đầu vào vào hai hoặc nhiều lớp.
 * **Hồi quy**, nơi chúng ta cần dự đoán một con số cụ thể cho mỗi mẫu đầu vào.
 
-> Khi biểu diễn đầu vào và đầu ra dưới dạng tensor, tập dữ liệu đầu vào là một ma trận kích thước M×N, trong đó M là số lượng mẫu và N là số lượng đặc trưng. Nhãn đầu ra Y là một vector kích thước M.
+> Khi biểu diễn đầu vào và đầu ra dưới dạng tensor, tập dữ liệu đầu vào là một ma trận kích thước M&times;N, trong đó M là số lượng mẫu và N là số lượng đặc trưng. Nhãn đầu ra Y là một vector kích thước M.
 
-Trong chương trình học này, chúng ta sẽ chỉ tập trung vào các mô hình mạng nơ-ron.
+Trong chương trình này, chúng ta sẽ chỉ tập trung vào các mô hình mạng nơ-ron.
 
 ## Mô hình của một Nơ-ron
 
-Từ sinh học, chúng ta biết rằng bộ não của chúng ta bao gồm các tế bào thần kinh, mỗi tế bào có nhiều "đầu vào" (axon), và một đầu ra (dendrite). Axon và dendrite có thể dẫn truyền tín hiệu điện, và các kết nối giữa axon và dendrite có thể thể hiện các mức độ dẫn truyền khác nhau (được kiểm soát bởi các chất dẫn truyền thần kinh).
+Từ sinh học, chúng ta biết rằng bộ não của chúng ta bao gồm các tế bào thần kinh (nơ-ron), mỗi tế bào có nhiều "đầu vào" (dendrite) và một "đầu ra" (axon). Cả dendrite và axon đều có thể dẫn truyền tín hiệu điện, và các kết nối giữa chúng — được gọi là synapse — có thể thể hiện các mức độ dẫn truyền khác nhau, được điều chỉnh bởi các chất dẫn truyền thần kinh.
 
 ![Mô hình của một Nơ-ron](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.vi.jpg) | ![Mô hình của một Nơ-ron](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.vi.png)
 ----|----
@@ -42,11 +42,11 @@ Nơ-ron Thực *([Hình ảnh](https://en.wikipedia.org/wiki/Synapse#/media/File
 
 Do đó, mô hình toán học đơn giản nhất của một nơ-ron bao gồm nhiều đầu vào X<sub>1</sub>, ..., X<sub>N</sub> và một đầu ra Y, cùng một loạt các trọng số W<sub>1</sub>, ..., W<sub>N</sub>. Đầu ra được tính toán như sau:
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.vi.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
 trong đó f là một **hàm kích hoạt** phi tuyến.
 
-> Các mô hình nơ-ron ban đầu được mô tả trong bài báo kinh điển [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) của Warren McCullock và Walter Pitts vào năm 1943. Donald Hebb trong cuốn sách "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" đã đề xuất cách huấn luyện các mạng này.
+> Các mô hình nơ-ron ban đầu được mô tả trong bài báo kinh điển [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) của Warren McCullock và Walter Pitts vào năm 1943. Donald Hebb trong cuốn sách "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" đã đề xuất cách thức huấn luyện các mạng này.
 
 ## Trong Phần Này
 
@@ -59,4 +59,4 @@ Trong phần này, chúng ta sẽ tìm hiểu về:
 ---
 
 **Tuyên bố miễn trừ trách nhiệm**:  
-Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.
+Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.

translations/zh/lessons/3-NeuralNetworks/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "5abc5f7978919be90cd313f0c20e8228",
-  "translation_date": "2025-09-07T14:28:35+00:00",
+  "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+  "translation_date": "2025-10-03T12:42:58+00:00",
   "source_file": "lessons/3-NeuralNetworks/README.md",
   "language_code": "zh"
 }
@@ -11,52 +11,52 @@ CO_OP_TRANSLATOR_METADATA:
 
 ![神经网络内容总结涂鸦](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.zh.png)
 
-正如我们在介绍中讨论的那样，实现智能的一种方法是训练一个**计算机模型**或一个**人工大脑**。自20世纪中期以来，研究人员尝试了不同的数学模型，直到近年来这一方向取得了巨大成功。这些模拟大脑的数学模型被称为**神经网络**。
+正如我们在介绍中讨论的那样，实现智能的一种方法是训练一个**计算机模型**或一个**人工大脑**。自20世纪中期以来，研究人员尝试了各种数学模型，直到近年来，这一方向取得了巨大的成功。这些大脑的数学模型被称为**神经网络**。
 
-> 有时神经网络被称为*人工神经网络*（Artificial Neural Networks，ANNs），以表明我们讨论的是模型，而不是实际的神经网络。
+> 有时神经网络被称为*人工神经网络*（Artificial Neural Networks，ANNs），以表明我们讨论的是模型，而不是真实的神经元网络。
 
 ## 机器学习
 
-神经网络属于一个更大的学科——**机器学习**，其目标是利用数据训练能够解决问题的计算机模型。机器学习是人工智能的重要组成部分，但我们在本课程中不涉及传统的机器学习内容。
+神经网络属于一个更大的学科，称为**机器学习**，其目标是利用数据训练计算机模型，使其能够解决问题。机器学习是人工智能的重要组成部分，但我们在本课程中不涉及经典的机器学习内容。
 
-> 请访问我们单独的**[机器学习入门](http://github.com/microsoft/ml-for-beginners)**课程，了解更多关于传统机器学习的内容。
+> 请访问我们的独立课程 **[机器学习入门](http://github.com/microsoft/ml-for-beginners)**，了解更多关于经典机器学习的内容。
 
-在机器学习中，我们假设有一些示例数据集**X**，以及对应的输出值**Y**。示例通常是由**特征**组成的N维向量，而输出被称为**标签**。
+在机器学习中，我们假设有一些示例数据集 **X** 和对应的输出值 **Y**。示例通常是由**特征**组成的N维向量，而输出被称为**标签**。
 
 我们将讨论两种最常见的机器学习问题：
 
-* **分类**，需要将输入对象分类为两个或多个类别。
-* **回归**，需要为每个输入样本预测一个数值。
+* **分类**：需要将输入对象分类到两个或多个类别中。
+* **回归**：需要为每个输入样本预测一个数值。
 
-> 当将输入和输出表示为张量时，输入数据集是一个大小为M×N的矩阵，其中M是样本数量，N是特征数量。输出标签**Y**是一个大小为M的向量。
+> 当将输入和输出表示为张量时，输入数据集是一个大小为 M&times;N 的矩阵，其中 M 是样本数量，N 是特征数量。输出标签 Y 是一个大小为 M 的向量。
 
 在本课程中，我们将仅关注神经网络模型。
 
-## 神经元模型
+## 神经元的模型
 
-从生物学中我们知道，大脑由神经细胞组成，每个神经细胞有多个“输入”（轴突）和一个输出（树突）。轴突和树突可以传导电信号，轴突与树突之间的连接可以表现出不同程度的导电性（由神经递质控制）。
+从生物学中我们知道，大脑由神经细胞（神经元）组成，每个神经元有多个“输入”（树突）和一个“输出”（轴突）。树突和轴突都可以传导电信号，它们之间的连接——称为突触——可以表现出不同程度的导电性，这种导电性由神经递质调节。
 
 ![神经元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.zh.jpg) | ![神经元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.zh.png)
 ----|----
 真实神经元 *（[图片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg)来自维基百科）* | 人工神经元 *（作者提供图片）*
 
-因此，神经元的最简单数学模型包含几个输入**X<sub>1</sub>, ..., X<sub>N</sub>**和一个输出**Y**，以及一系列权重**W<sub>1</sub>, ..., W<sub>N</sub>**。输出计算公式为：
+因此，神经元的最简单数学模型包含若干输入 X<sub>1</sub>, ..., X<sub>N</sub> 和一个输出 Y，以及一系列权重 W<sub>1</sub>, ..., W<sub>N</sub>。输出的计算公式为：
 
-<img src="images/netout.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
+<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.zh.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
 
-其中**f**是某种非线性**激活函数**。
+其中 f 是某种非线性的**激活函数**。
 
-> 早期的神经元模型在1943年由Warren McCullock和Walter Pitts在经典论文[A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)中描述。Donald Hebb在他的书《[行为的组织：一种神经心理学理论](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了训练这些网络的方法。
+> 早期的神经元模型在 Warren McCullock 和 Walter Pitts 于1943年发表的经典论文 [《A logical calculus of the ideas immanent in nervous activity》](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) 中被描述。Donald Hebb 在他的书《[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)》中提出了训练这些网络的方法。
 
 ## 本节内容
 
 在本节中，我们将学习以下内容：
-* [感知机](03-Perceptron/README.md)，一种用于二分类的最早神经网络模型
-* [多层网络](04-OwnFramework/README.md)，以及配套笔记本[如何构建我们自己的框架](04-OwnFramework/OwnFramework.ipynb)
-* [神经网络框架](05-Frameworks/README.md)，包括以下笔记本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb)和[Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
+* [感知器](03-Perceptron/README.md)：最早的用于二分类的神经网络模型之一
+* [多层网络](04-OwnFramework/README.md)：以及配套的笔记本 [如何构建我们自己的框架](04-OwnFramework/OwnFramework.ipynb)
+* [神经网络框架](05-Frameworks/README.md)：包括以下笔记本：[PyTorch](05-Frameworks/IntroPyTorch.ipynb) 和 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb)
 * [过拟合](../../../../lessons/3-NeuralNetworks/05-Frameworks)
 
 ---
 
 **免责声明**：  
-本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于重要信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。
+本文档使用AI翻译服务 [Co-op Translator](https://github.com/Azure/co-op-translator) 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。