diff --git a/translations/ar/lessons/3-NeuralNetworks/README.md b/translations/ar/lessons/3-NeuralNetworks/README.md index 11a35121..6d36b960 100644 --- a/translations/ar/lessons/3-NeuralNetworks/README.md +++ b/translations/ar/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 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×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 **X1, ..., XN** এবং একটি আউটপুট **Y**, এবং একটি সিরিজের ওজন **W1, ..., WN** নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়: +তাই, একটি নিউরনের সবচেয়ে সহজ গাণিতিক মডেলটি কয়েকটি ইনপুট X1, ..., XN এবং একটি আউটপুট Y, এবং একটি সিরিজ ওজন W1, ..., WN নিয়ে গঠিত। আউটপুটটি নিম্নরূপ গণনা করা হয়: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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। \ No newline at end of file +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। \ No newline at end of file diff --git a/translations/br/lessons/3-NeuralNetworks/README.md b/translations/br/lessons/3-NeuralNetworks/README.md index 2ecc1ebc..c90dfbb3 100644 --- a/translations/br/lessons/3-NeuralNetworks/README.md +++ b/translations/br/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 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×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 X1, ..., XN a jeden výstup Y a řadu vah W1, ..., WN. Výstup se vypočítá jako: +Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X1, ..., XN a jeden výstup Y, a řadu vah W1, ..., WN. Výstup se vypočítá jako: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/da/lessons/3-NeuralNetworks/README.md b/translations/da/lessons/3-NeuralNetworks/README.md index d9727a05..e4466be3 100644 --- a/translations/da/lessons/3-NeuralNetworks/README.md +++ b/translations/da/lessons/3-NeuralNetworks/README.md @@ -1,19 +1,19 @@ # 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×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 X1, ..., XN og et output Y samt en række vægte W1, ..., WN. Output beregnes som: +Den simpleste matematiske model af en neuron indeholder således flere inputs X1, ..., XN og et output Y samt en række vægte W1, ..., WN. Et output beregnes som: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) hvor f er en ikke-lineær **aktiveringsfunktion**. -> Tidlige modeller af neuroner blev beskrevet i den klassiske artikel [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf) af Warren McCullock og Walter Pitts i 1943. Donald Hebb foreslog i sin bog "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)" 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. \ No newline at end of file +Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på 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. \ No newline at end of file diff --git a/translations/de/lessons/3-NeuralNetworks/README.md b/translations/de/lessons/3-NeuralNetworks/README.md index bdab8cd4..c0abcd4c 100644 --- a/translations/de/lessons/3-NeuralNetworks/README.md +++ b/translations/de/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# 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×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 X1, ..., XN ja yhden tuloksen Y sekä joukon painoja W1, ..., WN. Tulos lasketaan seuraavasti: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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) --- diff --git a/translations/fr/lessons/3-NeuralNetworks/README.md b/translations/fr/lessons/3-NeuralNetworks/README.md index 74183ca8..51ba8142 100644 --- a/translations/fr/lessons/3-NeuralNetworks/README.md +++ b/translations/fr/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 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×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 X1, ..., XN और एक आउटपुट Y, और कई वेट्स W1, ..., WN को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है: +इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X1, ..., XN और एक आउटपुट Y, और वज़नों की एक श्रृंखला W1, ..., WN को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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। \ No newline at end of file +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। \ No newline at end of file diff --git a/translations/hk/lessons/3-NeuralNetworks/README.md b/translations/hk/lessons/3-NeuralNetworks/README.md index 66ecbfd8..6a9fd738 100644 --- a/translations/hk/lessons/3-NeuralNetworks/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/README.md @@ -1,40 +1,40 @@ # 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×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 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 -> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 [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。 \ No newline at end of file +本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要資訊，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。 \ No newline at end of file diff --git a/translations/hr/lessons/3-NeuralNetworks/README.md b/translations/hr/lessons/3-NeuralNetworks/README.md index f1bb0f86..4c93617f 100644 --- a/translations/hr/lessons/3-NeuralNetworks/README.md +++ b/translations/hr/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# 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×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 **X1, ..., XN**, egy kimenetet **Y**, valamint egy sor súlyt **W1, ..., WN**. A kimenet a következőképpen számítható ki: +Így a neuron legegyszerűbb matematikai modellje több bemenetet tartalmaz X1, ..., XN, egy kimenetet Y, valamint egy sor súlyt W1, ..., WN. A kimenet a következőképpen számítható: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/id/lessons/3-NeuralNetworks/README.md b/translations/id/lessons/3-NeuralNetworks/README.md index 65b72904..b26faef4 100644 --- a/translations/id/lessons/3-NeuralNetworks/README.md +++ b/translations/id/lessons/3-NeuralNetworks/README.md @@ -1,17 +1,17 @@ # 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×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 X1, ..., XN dan satu output Y, serta serangkaian bobot W1, ..., WN. Output dihitung sebagai: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/it/lessons/3-NeuralNetworks/README.md b/translations/it/lessons/3-NeuralNetworks/README.md index 0391126c..ecbe2843 100644 --- a/translations/it/lessons/3-NeuralNetworks/README.md +++ b/translations/it/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 신경망 소개 -![신경망 소개 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×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 X1, ..., XN과 출력 Y, 그리고 일련의 가중치 W1, ..., WN을 포함합니다. 출력은 다음과 같이 계산됩니다: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 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. \ No newline at end of file diff --git a/translations/lt/lessons/3-NeuralNetworks/README.md b/translations/lt/lessons/3-NeuralNetworks/README.md index 85f67c74..764a144d 100644 --- a/translations/lt/lessons/3-NeuralNetworks/README.md +++ b/translations/lt/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# 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×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 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 -> 早期的神經元模型在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。 \ No newline at end of file +本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。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。 \ No newline at end of file diff --git a/translations/mr/lessons/3-NeuralNetworks/README.md b/translations/mr/lessons/3-NeuralNetworks/README.md index 540767e1..f7145796 100644 --- a/translations/mr/lessons/3-NeuralNetworks/README.md +++ b/translations/mr/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # 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×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 X1, ..., XN आणि एक आउटपुट Y, तसेच वजनांची मालिका W1, ..., WN असते. आउटपुटची गणना खालीलप्रमाणे केली जाते: +त्यामुळे, न्यूरॉनचे सर्वात सोपे गणितीय मॉडेलमध्ये अनेक इनपुट्स X1, ..., XN आणि एक आउटपुट Y, तसेच वजनांची मालिका W1, ..., WN असते. आउटपुट खालीलप्रमाणे गणना केली जाते: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/ms/lessons/3-NeuralNetworks/README.md b/translations/ms/lessons/3-NeuralNetworks/README.md index c300de3d..8c1bb3a5 100644 --- a/translations/ms/lessons/3-NeuralNetworks/README.md +++ b/translations/ms/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# 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×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 **X1, ..., XN** နှင့် အထွက် **Y** တစ်ခု၊ အလေးချိန်များ **W1, ..., WN** တစ်စုံပါဝင်သည်။ အထွက်ကို အောက်ပါအတိုင်းတွက်ချက်သည်။ +ထို့ကြောင့်၊ နယူးရွန်၏ အလွယ်ဆုံး သင်္ချာမော်ဒယ်တွင် ထည့်သွင်းမှုများ X1, ..., XN နှင့် ထွက်ရှိမှု Y တို့နှင့် အလေးချိန်များ W1, ..., WN တို့ပါဝင်သည်။ ထွက်ရှိမှုကို အောက်ပါအတိုင်းတွက်ချက်သည်- -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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။ \ No newline at end of file +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲသုံးစားမှု သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/ne/lessons/3-NeuralNetworks/README.md b/translations/ne/lessons/3-NeuralNetworks/README.md index 6c86afbe..0a90cf3f 100644 --- a/translations/ne/lessons/3-NeuralNetworks/README.md +++ b/translations/ne/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 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×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 X1, ..., XN en een output Y, en een reeks gewichten W1, ..., WN. Een output wordt berekend als: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) waarbij f een niet-lineaire **activatiefunctie** is. @@ -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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/no/lessons/3-NeuralNetworks/README.md b/translations/no/lessons/3-NeuralNetworks/README.md index a07f0713..7003cc1e 100644 --- a/translations/no/lessons/3-NeuralNetworks/README.md +++ b/translations/no/lessons/3-NeuralNetworks/README.md @@ -1,48 +1,48 @@ -# 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×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 X1, ..., XN og en utgang Y, samt en serie vekter W1, ..., WN. En utgang beregnes som: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/pa/lessons/3-NeuralNetworks/README.md b/translations/pa/lessons/3-NeuralNetworks/README.md index 957662c2..99bebdf5 100644 --- a/translations/pa/lessons/3-NeuralNetworks/README.md +++ b/translations/pa/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ -# 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×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 X1, ..., XN ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y ਹੁੰਦਾ ਹੈ, ਅਤੇ ਵਜ਼ਨਾਂ W1, ..., WN ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਦੀ ਗਣਨਾ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: +ਇਸ ਤਰ੍ਹਾਂ, ਨਿਊਰੋਨ ਦਾ ਸਭ ਤੋਂ ਸਧਾਰਨ ਗਣਿਤ ਮਾਡਲ ਕਈ ਇਨਪੁੱਟ X1, ..., XN ਅਤੇ ਇੱਕ ਆਉਟਪੁੱਟ Y, ਅਤੇ ਕਈ ਵਜ਼ਨ W1, ..., WN ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਇਸ ਤਰ੍ਹਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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। \ No newline at end of file +**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। \ No newline at end of file diff --git a/translations/pl/lessons/3-NeuralNetworks/README.md b/translations/pl/lessons/3-NeuralNetworks/README.md index 80da16c2..aa9217ef 100644 --- a/translations/pl/lessons/3-NeuralNetworks/README.md +++ b/translations/pl/lessons/3-NeuralNetworks/README.md @@ -1,23 +1,23 @@ -# Wprowadzenie do Sieci Neuronowych +# Wprowadzenie do sieci neuronowych -![Podsumowanie treści Wprowadzenie do Sieci Neuronowych w formie rysunku](../../../../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×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 X1, ..., XN oraz jedno wyjście Y, a także serię wag W1, ..., WN. Wyjście jest obliczane jako: +Najprostszy matematyczny model neuronu zawiera kilka wejść X1, ..., XN oraz jedno wyjście Y, a także serię wag W1, ..., WN. Wyjście obliczane jest jako: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby 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. \ No newline at end of file diff --git a/translations/pt/lessons/3-NeuralNetworks/README.md b/translations/pt/lessons/3-NeuralNetworks/README.md index 5df920d3..36665566 100644 --- a/translations/pt/lessons/3-NeuralNetworks/README.md +++ b/translations/pt/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ -# 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×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 X1, ..., XN și o ieșire Y, și o serie de greutăți W1, ..., WN. Ieșirea este calculată astfel: +Astfel, cel mai simplu model matematic al unui neuron conține mai multe intrări X1, ..., XN și o ieșire Y, precum și o serie de ponderi W1, ..., WN. Ieșirea este calculată astfel: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/ru/lessons/3-NeuralNetworks/README.md b/translations/ru/lessons/3-NeuralNetworks/README.md index de531b84..fbbd9a4d 100644 --- a/translations/ru/lessons/3-NeuralNetworks/README.md +++ b/translations/ru/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # 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×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 X1, ..., XN и один выход Y, а также набор весов W1, ..., WN. Выход вычисляется как: +Таким образом, самая простая математическая модель нейрона содержит несколько входов X1, ..., XN и один выход Y, а также ряд весов W1, ..., WN. Выход вычисляется как: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/sk/lessons/3-NeuralNetworks/README.md b/translations/sk/lessons/3-NeuralNetworks/README.md index 680f417b..f38e6c9b 100644 --- a/translations/sk/lessons/3-NeuralNetworks/README.md +++ b/translations/sk/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@ # 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×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 X1, ..., XN in en izhod Y ter vrsto uteži W1, ..., WN. Izhod se izračuna kot: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +**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. \ No newline at end of file diff --git a/translations/sr/lessons/3-NeuralNetworks/README.md b/translations/sr/lessons/3-NeuralNetworks/README.md index 083b6590..3f0796c2 100644 --- a/translations/sr/lessons/3-NeuralNetworks/README.md +++ b/translations/sr/lessons/3-NeuralNetworks/README.md @@ -1,40 +1,40 @@ # 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×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 X1, ..., XN и један излаз Y, као и низ тежина W1, ..., WN. Излаз се рачуна као: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/sv/lessons/3-NeuralNetworks/README.md b/translations/sv/lessons/3-NeuralNetworks/README.md index d888264d..b67615a6 100644 --- a/translations/sv/lessons/3-NeuralNetworks/README.md +++ b/translations/sv/lessons/3-NeuralNetworks/README.md @@ -1,48 +1,48 @@ -# 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×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 X1, ..., XN och en utgång Y, samt en serie vikter W1, ..., WN. Utgången beräknas som: +Således innehåller den enklaste matematiska modellen av en neuron flera ingångar X1, ..., XN och en utgång Y, samt en serie vikter W1, ..., WN. En utgång beräknas som: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/sw/lessons/3-NeuralNetworks/README.md b/translations/sw/lessons/3-NeuralNetworks/README.md index abf02899..63d0e488 100644 --- a/translations/sw/lessons/3-NeuralNetworks/README.md +++ b/translations/sw/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ -# 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×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 X1, ..., XN na matokeo Y, na mfululizo wa uzito W1, ..., WN. Matokeo yanahesabiwa kama: +Kwa hivyo, mfano rahisi wa kihisabati wa neva una viingizo kadhaa X1, ..., XN na matokeo Y, na mfululizo wa uzito W1, ..., WN. Matokeo huhesabiwa kama: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +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. \ No newline at end of file diff --git a/translations/th/lessons/3-NeuralNetworks/README.md b/translations/th/lessons/3-NeuralNetworks/README.md index 553f849a..5e811e09 100644 --- a/translations/th/lessons/3-NeuralNetworks/README.md +++ b/translations/th/lessons/3-NeuralNetworks/README.md @@ -1,40 +1,40 @@ -# 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×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 X1, ..., XN และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W1, ..., WN เอาต์พุตจะถูกคำนวณเป็น: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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 \ No newline at end of file +เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้ \ No newline at end of file diff --git a/translations/tl/lessons/3-NeuralNetworks/README.md b/translations/tl/lessons/3-NeuralNetworks/README.md index e812a979..2fa6c755 100644 --- a/translations/tl/lessons/3-NeuralNetworks/README.md +++ b/translations/tl/lessons/3-NeuralNetworks/README.md @@ -1,17 +1,17 @@ # 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×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 X1, ..., XN at isang output Y, at isang serye ng mga weights W1, ..., WN. Ang output ay kinakalkula bilang: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 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. \ No newline at end of file +Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, 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. \ No newline at end of file diff --git a/translations/tr/lessons/3-NeuralNetworks/README.md b/translations/tr/lessons/3-NeuralNetworks/README.md index c9c00d07..f8e1b78c 100644 --- a/translations/tr/lessons/3-NeuralNetworks/README.md +++ b/translations/tr/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # 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×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 **X1, ..., XN** ve bir çıkış **Y** ile bir dizi ağırlık **W1, ..., WN** içerir. Çıkış şu şekilde hesaplanır: +Dolayısıyla, bir nöronun en basit matematiksel modeli birkaç giriş X1, ..., XN ve bir çıkış Y ile bir dizi ağırlık W1, ..., WN içerir. Çıkış şu şekilde hesaplanır: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) -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. \ No newline at end of file +Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel bir insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan herhangi bir yanlış anlama veya yanlış yorumlama durumunda sorumluluk kabul edilmez. \ No newline at end of file diff --git a/translations/tw/lessons/3-NeuralNetworks/README.md b/translations/tw/lessons/3-NeuralNetworks/README.md index 7f3d7166..45624d39 100644 --- a/translations/tw/lessons/3-NeuralNetworks/README.md +++ b/translations/tw/lessons/3-NeuralNetworks/README.md @@ -1,62 +1,62 @@ # 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×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 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 -> 早期的神經元模型在 Warren McCullock 和 Walter Pitts 於 1943 年發表的經典論文 [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。 \ No newline at end of file +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。 \ No newline at end of file diff --git a/translations/uk/lessons/3-NeuralNetworks/README.md b/translations/uk/lessons/3-NeuralNetworks/README.md index 37bc5bdb..ba7a353e 100644 --- a/translations/uk/lessons/3-NeuralNetworks/README.md +++ b/translations/uk/lessons/3-NeuralNetworks/README.md @@ -1,8 +1,8 @@