chore(i18n): sync translations with latest source changes (chunk 78/148, 100 files)
This commit is contained in:
localizeflow[bot]
parent
1099fcff1e
commit
8fc074e497
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mecanismele de atenție** oferă o modalitate de a pondera impactul contextual al fiecărui vector de intrare asupra fiecărei predicții de ieșire a RNN-ului. Acest lucru este implementat prin crearea unor scurtături între stările intermediare ale RNN-ului de intrare și RNN-ului de ieșire. Astfel, atunci când generăm simbolul de ieșire $y_t$, vom lua în considerare toate stările ascunse de intrare $h_i$, cu coeficienți de greutate diferiți $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Modelul encoder-decoder cu mecanism de atenție aditiv din [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citat din [acest articol de blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matricea de atenție $\\{\\alpha_{i,j}\\}$ ar reprezenta gradul în care anumite cuvinte de intrare contribuie la generarea unui cuvânt dat în secvența de ieșire. Mai jos este un exemplu al unei astfel de matrice:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Figura preluată din [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) este o rețea transformatoare foarte mare, cu mai multe straturi: 12 straturi pentru *BERT-base* și 24 pentru *BERT-large*. Modelul este mai întâi pre-antrenat pe un corpus mare de date text (Wikipedia + cărți) folosind antrenare nesupravegheată (prezicerea cuvintelor mascate într-o propoziție). În timpul pre-antrenării, modelul absoarbe un nivel semnificativ de înțelegere a limbajului, care poate fi apoi valorificat cu alte seturi de date prin ajustare fină. Acest proces se numește **învățare transferabilă**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Există multe variații ale arhitecturilor Transformatoare, inclusiv BERT, DistilBERT, BigBird, OpenGPT3 și altele, care pot fi ajustate fin. Pachetul [HuggingFace](https://github.com/huggingface/) oferă un depozit pentru antrenarea multora dintre aceste arhitecturi cu PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mecanismele de atenție** oferă o modalitate de a pondera impactul contextual al fiecărui vector de intrare asupra fiecărei predicții de ieșire a RNN-ului. Acest lucru este implementat prin crearea unor scurtături între stările intermediare ale RNN-ului de intrare și RNN-ului de ieșire. Astfel, atunci când generăm simbolul de ieșire $y_t$, vom lua în considerare toate stările ascunse de intrare $h_i$, cu coeficienți de greutate diferiți $\\alpha_{t,i}$. \n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Modelul encoder-decoder cu mecanism de atenție aditiv din [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citat din [acest articol de blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matricea de atenție $\\{\\alpha_{i,j}\\}$ reprezintă gradul în care anumite cuvinte de intrare contribuie la generarea unui cuvânt dat în secvența de ieșire. Mai jos este un exemplu al unei astfel de matrici:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Figura preluată din [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -229,7 +229,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) este o rețea de transformatoare foarte mare, cu mai multe straturi, având 12 straturi pentru *BERT-base* și 24 pentru *BERT-large*. Modelul este mai întâi pre-antrenat pe un corpus mare de date textuale (Wikipedia + cărți) folosind antrenare nesupravegheată (prezicerea cuvintelor mascate într-o propoziție). În timpul pre-antrenării, modelul dobândește un nivel semnificativ de înțelegere a limbajului, care poate fi apoi valorificat cu alte seturi de date prin ajustare fină. Acest proces se numește **învățare transferabilă**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Există multe variații ale arhitecturilor Transformer, inclusiv BERT, DistilBERT, BigBird, OpenGPT3 și altele, care pot fi ajustate fin.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Deoarece trebuie să construim o corespondență unu-la-unu între token-uri și clase, putem antrena un model neuronal **many-to-many** din această imagine:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagine din [acest articol de blog](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) de [Andrej Karpathy](http://karpathy.github.io/). Modelele de clasificare de token-uri NER corespund arhitecturii de rețea din partea dreaptă a imaginii.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Procesarea Limbajului Natural
|
||||
|
||||
|
||||
|
||||
|
||||
În această secțiune, ne vom concentra pe utilizarea Rețelelor Neuronale pentru a rezolva sarcini legate de **Procesarea Limbajului Natural (NLP)**. Există multe probleme NLP pe care ne dorim ca calculatoarele să le poată rezolva:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Poți deschide unul dintre modele, de exemplu **Biology → Flocking**.
|
|||
|
||||
După ce deschizi modelul, vei fi dus la ecranul principal NetLogo. Iată un model exemplu care descrie populația de lupi și oi, având resurse finite (iarbă).
|
||||
|
||||
|
||||
|
||||
|
||||
> Captură de ecran de Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Prezentare generală
|
||||
|
||||
|
||||
|
||||
|
||||
> Notiță ilustrată de [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ După succesul modelelor transformer în rezolvarea sarcinilor NLP, aceleași sa
|
|||
|
||||
Ideea principală a CLIP este de a putea compara descrieri textuale cu o imagine și de a determina cât de bine corespunde imaginea descrierii.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagine din [acest articol](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Odată ce acest model este pre-antrenat, putem să-i oferim un lot de imagini ș
|
|||
|
||||
Să presupunem că trebuie să clasificăm imagini între, să zicem, pisici, câini și oameni. În acest caz, putem oferi modelului o imagine și o serie de descrieri textuale: "*o imagine cu o pisică*", "*o imagine cu un câine*", "*o imagine cu un om*". În vectorul rezultat de 3 probabilități, trebuie doar să selectăm indexul cu cea mai mare valoare.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Imagine din [acest articol](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Aflați mai multe despre VQGAN pe site-ul [Taming Transformers](https://compvis.
|
|||
|
||||
Una dintre diferențele importante între VQGAN și GAN-ul tradițional este că cel din urmă poate produce o imagine decentă din orice vector de intrare, în timp ce VQGAN este probabil să producă o imagine incoerentă. Astfel, trebuie să ghidăm procesul de creare a imaginii, iar acest lucru poate fi realizat folosind CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Pentru a genera o imagine corespunzătoare unei descrieri textuale, începem cu un vector de codificare aleatoriu care este transmis prin VQGAN pentru a produce o imagine. Apoi, CLIP este utilizat pentru a produce o funcție de pierdere care arată cât de bine corespunde imaginea descrierii textuale. Scopul este de a minimiza această pierdere, utilizând backpropagation pentru a ajusta parametrii vectorului de intrare.
|
||||
|
||||
O bibliotecă excelentă care implementează VQGAN+CLIP este [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Imagine generată din descrierea *un portret în acuarelă, prim-plan, al unui tânăr profesor de literatură cu o carte* | Imagine generată din descrierea *un portret în ulei, prim-plan, al unei tinere profesoare de informatică cu un computer* | Imagine generată din descrierea *un portret în ulei, prim-plan, al unui profesor bătrân de matematică în fața unei table negre*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,15 +1,15 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-24T22:47:48+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T10:04:31+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ru"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
|
|
@ -19,57 +19,57 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Искусственный интеллект для начинающих - Учебная программа
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| ИИ для начинающих - _Скетчноут от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI для начинающих - _Скетчноут от [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Изучите мир **искусственного интеллекта** (ИИ) с нашей 12-недельной программой из 24 уроков! В нее включены практические занятия, тесты и лабораторные работы. Учебная программа подходит для начинающих и охватывает такие инструменты, как TensorFlow и PyTorch, а также вопросы этики в ИИ
|
||||
Исследуйте мир **искусственного интеллекта** (ИИ) с нашей 12-недельной, 24-урочной учебной программой! Она включает практические уроки, викторины и лабораторные работы. Программа ориентирована на начинающих и охватывает инструменты, такие как TensorFlow и PyTorch, а также этику в ИИ
|
||||
|
||||
|
||||
### 🌐 Поддержка нескольких языков
|
||||
### 🌐 Многоязычная поддержка
|
||||
|
||||
#### Поддерживается через GitHub Action (автоматически и всегда актуально)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Арабский](../ar/README.md) | [Бенгальский](../bn/README.md) | [Болгарский](../bg/README.md) | [Бирманский (Мьянма)](../my/README.md) | [Китайский (упрощённый)](../zh/README.md) | [Китайский (традиционный, Гонконг)](../hk/README.md) | [Китайский (традиционный, Макао)](../mo/README.md) | [Китайский (традиционный, Тайвань)](../tw/README.md) | [Хорватский](../hr/README.md) | [Чешский](../cs/README.md) | [Датский](../da/README.md) | [Нидерландский](../nl/README.md) | [Эстонский](../et/README.md) | [Финский](../fi/README.md) | [Французский](../fr/README.md) | [Немецкий](../de/README.md) | [Греческий](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Венгерский](../hu/README.md) | [Индонезийский](../id/README.md) | [Итальянский](../it/README.md) | [Японский](../ja/README.md) | [Каннада](../kn/README.md) | [Корейский](../ko/README.md) | [Литовский](../lt/README.md) | [Малайский](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхи](../mr/README.md) | [Непальский](../ne/README.md) | [Нигерийский пиджин](../pcm/README.md) | [Норвежский](../no/README.md) | [Персидский (фарси)](../fa/README.md) | [Польский](../pl/README.md) | [Португальский (Бразилия)](../br/README.md) | [Португальский (Португалия)](../pt/README.md) | [Пенджабский (Гурмухи)](../pa/README.md) | [Румынский](../ro/README.md) | [Русский](./README.md) | [Сербский (кириллица)](../sr/README.md) | [Словацкий](../sk/README.md) | [Словенский](../sl/README.md) | [Испанский](../es/README.md) | [Суахили](../sw/README.md) | [Шведский](../sv/README.md) | [Тагалог (филиппинский)](../tl/README.md) | [Тамильский](../ta/README.md) | [Телугу](../te/README.md) | [Тайский](../th/README.md) | [Турецкий](../tr/README.md) | [Украинский](../uk/README.md) | [Урду](../ur/README.md) | [Вьетнамский](../vi/README.md)
|
||||
[Арабский](../ar/README.md) | [Бенгальский](../bn/README.md) | [Болгарский](../bg/README.md) | [Бирманский (Мьянма)](../my/README.md) | [Китайский (упрощенный)](../zh/README.md) | [Китайский (традиционный, Гонконг)](../hk/README.md) | [Китайский (традиционный, Макао)](../mo/README.md) | [Китайский (традиционный, Тайвань)](../tw/README.md) | [Хорватский](../hr/README.md) | [Чешский](../cs/README.md) | [Датский](../da/README.md) | [Нидерландский](../nl/README.md) | [Эстонский](../et/README.md) | [Финский](../fi/README.md) | [Французский](../fr/README.md) | [Немецкий](../de/README.md) | [Греческий](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Венгерский](../hu/README.md) | [Индонезийский](../id/README.md) | [Итальянский](../it/README.md) | [Японский](../ja/README.md) | [Каннада](../kn/README.md) | [Корейский](../ko/README.md) | [Литовский](../lt/README.md) | [Малайский](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхи](../mr/README.md) | [Непальский](../ne/README.md) | [Нигерийский пиджин](../pcm/README.md) | [Норвежский](../no/README.md) | [Персидский (фарси)](../fa/README.md) | [Польский](../pl/README.md) | [Португальский (Бразилия)](../br/README.md) | [Португальский (Португалия)](../pt/README.md) | [Пенджаби (гурмухи)](../pa/README.md) | [Румынский](../ro/README.md) | [Русский](./README.md) | [Сербский (кириллица)](../sr/README.md) | [Словацкий](../sk/README.md) | [Словенский](../sl/README.md) | [Испанский](../es/README.md) | [Свахили](../sw/README.md) | [Шведский](../sv/README.md) | [Тагалог (филиппинский)](../tl/README.md) | [Тамильский](../ta/README.md) | [Телугу](../te/README.md) | [Тайский](../th/README.md) | [Турецкий](../tr/README.md) | [Украинский](../uk/README.md) | [Урду](../ur/README.md) | [Вьетнамский](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Если вы хотите добавить дополнительные языки перевода, поддерживаемые языки перечислены [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Если вы хотите добавить дополнительные языки перевода, список поддерживаемых языков приведён [здесь](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Присоединяйтесь к сообществу
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Чему вы научитесь
|
||||
|
||||
**[Майндмэп курса](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Ментальная карта курса](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
В этой учебной программе вы узнаете:
|
||||
|
||||
* Различные подходы к искусственному интеллекту, включая «старый добрый» символический подход с **представлением знаний** и выводом ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Нейронные сети** и **глубокое обучение**, которые являются основой современного ИИ. Мы проиллюстрируем концепции, лежащие в основе этих важных тем, используя код в двух из самых популярных фреймворков — [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Нейронные архитектуры** для работы с изображениями и текстом. Мы рассмотрим недавние модели, но они могут немного отставать от передовых достижений.
|
||||
* Менее популярные подходы в ИИ, такие как **генетические алгоритмы** и **мультиагентные системы**.
|
||||
* **Нейронные сети** и **глубокое обучение**, которые лежат в основе современного ИИ. Мы проиллюстрируем принципы, лежащие в основе этих важных тем, с помощью кода в двух из самых популярных фреймворков - [TensorFlow](http://Tensorflow.org) и [PyTorch](http://pytorch.org).
|
||||
* **Нейронные архитектуры** для работы с изображениями и текстом. Мы рассмотрим недавние модели, но можем быть несколько отстающими от самого передового уровня.
|
||||
* Менее популярные подходы в ИИ, такие как **генетические алгоритмы** и **многоагентные системы**.
|
||||
|
||||
Чего мы не будем рассматривать в этой программе:
|
||||
Что мы не будем охватывать в этой программе:
|
||||
|
||||
> [Найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Бизнес-кейсы применения **ИИ в бизнесе**. Рассмотрите прохождение учебного пути [Введение в ИИ для бизнес-пользователей](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn, или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработанную в сотрудничестве с [INSEAD](https://www.insead.edu/).
|
||||
* **Классическое машинное обучение**, которое хорошо описано в нашей программе [Машинное обучение для начинающих](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Бизнес-кейсы использования **ИИ в бизнесе**. Рассмотрите возможность прохождения учебного пути [Введение в ИИ для бизнес-пользователей](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn, или [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), разработанного в сотрудничестве с [INSEAD](https://www.insead.edu/).
|
||||
* **Классическое машинное обучение**, которое подробно описано в нашей учебной программе [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Практические приложения ИИ, построенные с использованием **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Для этого мы рекомендуем начать с модулей Microsoft Learn по [компьютерному зрению](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [обработке естественного языка](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Генеративному ИИ с Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** и другим.
|
||||
* Конкретные облачные фреймворки для МО, такие как [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum), или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Рассмотрите использование учебных путей [Создание и эксплуатация решений машинного обучения с Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Создание и эксплуатация решений машинного обучения с Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорный ИИ** и **чат-боты**. Существует отдельный учебный путь [Создание решений разговорного ИИ](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), и вы также можете обратиться к [этому посту в блоге](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для получения подробностей.
|
||||
* **Глубокая математика**, лежащая в основе глубокого обучения. Для этого мы рекомендуем [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) Иэна Гудфеллоу, Йошуа Бенджио и Аарона Курвиля, которая также доступна онлайн по адресу [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Конкретные облачные фреймворки для машинного обучения, такие как [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) или [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Рассмотрите возможность использования учебных путей [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) и [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Разговорный ИИ** и **чат-боты**. Существует отдельный учебный путь [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), а также вы можете обратиться к [этой статье в блоге](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) для получения дополнительных сведений.
|
||||
* **Глубокая математика**, лежащая в основе глубокого обучения. Для этого мы рекомендуем книгу [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) авторов Ian Goodfellow, Yoshua Bengio и Aaron Courville, которая также доступна онлайн по адресу [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Для плавного введения в темы _ИИ в облаке_ вы можете рассмотреть прохождение учебного пути [Начало работы с искусственным интеллектом в Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Для мягкого введения в темы _ИИ в облаке_ вы можете рассмотреть прохождение учебного пути [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) на Microsoft Learn.
|
||||
|
||||
# Содержание
|
||||
|
||||
| | Ссылка на урок | PyTorch/Keras/TensorFlow | Лабораторная работа |
|
||||
| | Lesson Link | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Настройка курса](./lessons/0-course-setup/setup.md) | [Настройка вашей среды разработки](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Введение в ИИ**](./lessons/1-Intro/README.md) | | |
|
||||
|
|
@ -77,59 +77,59 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
| II | **Символический ИИ** |
|
||||
| 02 | [Представление знаний и экспертные системы](./lessons/2-Symbolic/README.md) | [Экспертные системы](./lessons/2-Symbolic/Animals.ipynb) / [Онтология](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Граф понятий](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Введение в нейронные сети**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Персептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Ноутбук](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаб](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Многослойный персептрон и создание собственного фреймворка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Ноутбук](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаб](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Введение во фреймворки (PyTorch/TensorFlow) и переобучение](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| 03 | [Персептрон](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Блокнот](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Лаб](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Многослойный персептрон и создание собственного фреймворка](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Блокнот](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Лаб](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Введение в фреймворки (PyTorch/TensorFlow) и переобучение](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Компьютерное зрение**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Изучите компьютерное зрение на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Введение в компьютерное зрение. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Ноутбук](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаб](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 06 | [Введение в компьютерное зрение. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Блокнот](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Лаб](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Сверточные нейронные сети](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Архитектуры CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Лаб](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Предобученные сети и перенос обучения](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Приёмы обучения](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Лаб](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Автоэнкодеры и VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 09 | [Автокодировщики и VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Генеративно-состязательные сети и перенос художественного стиля](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Обнаружение объектов](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Лаб](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Семантическая сегментация. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Обработка естественного языка**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Изучите обработку естественного языка на Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Представление текста. BoW/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Семантические эмбеддинги слов. Word2Vec и GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 14 | [Семантические векторные представления слов. Word2Vec и GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Языковое моделирование. Обучение собственных эмбеддингов](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Лаб](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Рекуррентные нейронные сети](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Генеративные рекуррентные сети](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Лаб](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Трансформеры. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Распознавание именованных сущностей](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Лаб](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Большие языковые модели, программирование подсказок и задачи с малым числом примеров](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| 20 | [Большие языковые модели, программирование подсказок и задачи с малым количеством примеров](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Другие методы ИИ** || |
|
||||
| 21 | [Генетические алгоритмы](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Ноутбук](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 21 | [Генетические алгоритмы](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Блокнот](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Глубокое обучение с подкреплением](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Лаб](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Мультиагентные системы](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Этика ИИ** | | |
|
||||
| 24 | [Этика ИИ и ответственный ИИ](./lessons/7-Ethics/README.md) | [Microsoft Learn: Принципы ответственного ИИ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Дополнительные материалы** | | |
|
||||
| 25 | [Мультимодальные сети, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Ноутбук](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| IX | **Дополнительно** | | |
|
||||
| 25 | [Мультимодальные сети, CLIP и VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Блокнот](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Каждый урок содержит
|
||||
|
||||
* Предварительные материалы
|
||||
* Исполняемые блокноты Jupyter, которые часто специфичны для фреймворка (**PyTorch** или **TensorFlow**). Исполняемый блокнот также содержит много теоретического материала, поэтому, чтобы понять тему, вам нужно пройти хотя бы одну версию блокнота (либо PyTorch, либо TensorFlow).
|
||||
* **Лабораторные работы** доступны для некоторых тем, которые дают вам возможность попробовать применить изученный материал к конкретной задаче.
|
||||
* Некоторые разделы содержат ссылки на модули [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), которые охватывают смежные темы.
|
||||
* Материалы для предварительного чтения
|
||||
* Исполняемые Jupyter-блокноты, которые часто специфичны для фреймворка (**PyTorch** или **TensorFlow**). Исполняемый блокнот также содержит много теоретического материала, поэтому, чтобы понять тему, вам нужно пройти по крайней мере одну версию блокнота (либо PyTorch, либо TensorFlow).
|
||||
* **Лабораторные работы** доступные для некоторых тем, которые дают вам возможность попробовать применить изученный материал к конкретной задаче.
|
||||
* Некоторые разделы содержат ссылки на модули [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), которые охватывают связанные темы.
|
||||
|
||||
## Начало работы
|
||||
|
||||
### 🎯 Новичок в ИИ? Начните здесь!
|
||||
### 🎯 Новичок в области ИИ? Начните здесь!
|
||||
|
||||
Если вы полностью новичок в ИИ и хотите быстрые практические примеры, ознакомьтесь с нашими [**Примерами для начинающих**](./examples/README.md)! Среди них:
|
||||
Если вы совсем новичок в ИИ и хотите быстрые практические примеры, ознакомьтесь с нашими [**Примерами для начинающих**](./examples/README.md)! В них входят:
|
||||
|
||||
- 🌟 **Hello AI World** - Ваша первая программа ИИ (распознавание шаблонов)
|
||||
- 🌟 **Привет, мир ИИ** - Ваша первая программа ИИ (распознавание образов)
|
||||
- 🧠 **Простая нейронная сеть** - Постройте нейронную сеть с нуля
|
||||
- 🖼️ **Классификатор изображений** - Классифицируйте изображения с подробными комментариями
|
||||
- 💬 **Анализ настроений текста** - Анализ положительного/отрицательного текста
|
||||
- 🖼️ **Классификатор изображений** - Классификация изображений с подробными комментариями
|
||||
- 💬 **Определение тональности текста** - Анализ положительного/отрицательного текста
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 Full Curriculum Setup
|
||||
### 📚 Настройка полного учебного курса
|
||||
|
||||
- We have created a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- How to [Run the code in a VSCode or a Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Мы создали a [урок по настройке](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - Для преподавателей, мы также создали a [урок по настройке учебной программы](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- Как [запустить код в VSCode или Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
|
||||
|
|
@ -139,29 +139,29 @@ Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.g
|
|||
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
|
||||
## Meet other Learners
|
||||
## Познакомьтесь с другими учащимися
|
||||
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
Join our [официальному Discord‑серверу по ИИ](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
If you have product feedback or questions whilst building visit our [Форум разработчиков Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## Quizzes
|
||||
## Викторины
|
||||
|
||||
> **A note about quizzes**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
> **Примечание о викторинах**: Все викторины находятся в папке Quiz-app в etc\quiz-app, или [Онлайн здесь](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## Help Wanted
|
||||
## Нужна помощь
|
||||
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## Special Thanks
|
||||
## Особая благодарность
|
||||
|
||||
* **✍️ Основной автор:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **✍️ Главный автор:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Редактор:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Иллюстратор скетчнотов:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Создатель викторин:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🎨 Иллюстратор скетчей:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Создатель викторины:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Основные участники:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Other Curricula
|
||||
## Другие учебные программы
|
||||
|
||||
Our team produces other curricula! Check out:
|
||||
|
||||
|
|
@ -172,40 +172,40 @@ Our team produces other curricula! Check out:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agents
|
||||
### Azure / Edge / MCP / Агенты
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Generative AI Series
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Серия по генеративному ИИ
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Core Learning
|
||||
### Основные направления обучения
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Copilot Series
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
### Серия Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Getting Help
|
||||
## Получение помощи
|
||||
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
|
|
@ -213,11 +213,11 @@ If you get stuck or have any questions about building AI apps. Join fellow learn
|
|||
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Отказ от ответственности**:
|
||||
Этот документ был переведен с помощью сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется обратиться к профессиональному услугам письменного перевода, выполненного человеком. Мы не несем ответственности за любые недоразумения или неверные толкования, возникшие в результате использования этого перевода.
|
||||
Отказ от ответственности:
|
||||
Этот документ был переведён с помощью сервиса перевода на базе ИИ Co-op Translator (https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный (человеческий) перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Введение в искусственный интеллект
|
||||
|
||||
|
||||
|
||||
|
||||
> Рисунок от [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Изначально компьютеры были изобретены [Чарльзом Бэббиджем](https://en.wikipedia.org/wiki/Charles_Babbage) для работы с числами, следуя четко определенной процедуре — алгоритму. Современные компьютеры, хотя и значительно более продвинуты, чем оригинальная модель, предложенная в XIX веке, все еще основываются на той же идее управляемых вычислений. Таким образом, можно запрограммировать компьютер на выполнение задачи, если мы знаем точную последовательность шагов, необходимых для достижения цели.
|
||||
|
||||
|
||||
|
||||
|
||||
> Фото от [Викки Сошниковой](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Одна из проблем при работе с термином **[интеллект](https://en.wikipedia.org/wiki/Intelligence)** заключается в том, что нет четкого определения этого термина. Можно утверждать, что интеллект связан с **абстрактным мышлением** или **самосознанием**, но мы не можем точно его определить.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Фото](https://unsplash.com/photos/75715CVEJhI) от [Amber Kipp](https://unsplash.com/@sadmax) с Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> | А как насчет ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Часть искусственного интеллекта, основанная на обучении компьютера решать задачу на основе данных, называется **машинным обучением**. Мы не будем рассматривать классическое машинное обучение в этом курсе — мы рекомендуем вам отдельный учебный курс [Машинное обучение для начинающих](http://aka.ms/ml-beginners). |  |
|
||||
> | Часть искусственного интеллекта, основанная на обучении компьютера решать задачу на основе данных, называется **машинным обучением**. Мы не будем рассматривать классическое машинное обучение в этом курсе — мы рекомендуем вам отдельный учебный курс [Машинное обучение для начинающих](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Краткая история ИИ
|
||||
|
||||
Искусственный интеллект как область начался в середине двадцатого века. Изначально подход символического рассуждения был преобладающим и привел к ряду важных успехов, таких как экспертные системы — компьютерные программы, способные действовать как эксперт в некоторых ограниченных областях. Однако вскоре стало ясно, что такой подход плохо масштабируется. Извлечение знаний от эксперта, представление их в компьютере и поддержание базы знаний в актуальном состоянии оказалось очень сложной задачей и слишком дорогой для практического применения во многих случаях. Это привело к так называемой [зиме ИИ](https://en.wikipedia.org/wiki/AI_winter) в 1970-х годах.
|
||||
|
||||
<img alt="Краткая история ИИ" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.ru.png" width="70%"/>
|
||||
<img alt="Краткая история ИИ" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.ru.png" width="70%"/>
|
||||
|
||||
> Изображение от [Дмитрия Сошникова](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Современные помощники, такие как Cortana, Siri или Google Assistant, являются гибридными системами, которые используют нейронные сети для преобразования речи в текст и распознавания нашего намерения, а затем применяют некоторые рассуждения или явные алгоритмы для выполнения необходимых действий.
|
||||
* В будущем мы можем ожидать полной нейронной модели, способной самостоятельно вести диалог. Недавние нейронные сети семейства GPT и [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) демонстрируют большие успехи в этом.
|
||||
|
||||
<img alt="эволюция теста Тьюринга" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.ru.png" width="70%"/>
|
||||
<img alt="эволюция теста Тьюринга" src="../../../../translated_images/turing-test-evol.4184696701293ead.ru.png" width="70%"/>
|
||||
> Изображение Дмитрия Сошникова, [фото](https://unsplash.com/photos/r8LmVbUKgns) Марина Абросимова, [Unsplash](https://unsplash.com/@abrosimova_marina_foto)
|
||||
|
||||
## Недавние исследования в области ИИ
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"В этом примере мы реализуем простую систему на основе знаний, которая определяет животное на основе некоторых физических характеристик. Система может быть представлена следующим деревом И-ИЛИ (это часть всего дерева, к которому можно легко добавить дополнительные правила):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Представление знаний и экспертные системы
|
||||
|
||||
|
||||
|
||||
|
||||
> Скетчноут от [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Таким образом, задача **представления знаний** заключается в поиске эффективного способа представления знаний внутри компьютера в виде данных, чтобы они могли быть использованы автоматически. Это можно рассматривать как спектр:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Python | синтаксис блока | отступы
|
|||
|
||||
Одним из ранних успехов символического ИИ стали так называемые **экспертные системы** — компьютерные системы, разработанные для выполнения роли эксперта в ограниченной области задач. Они основывались на **базе знаний**, извлеченной от одного или нескольких человеческих экспертов, и содержали **выводящий механизм**, который выполнял рассуждения на ее основе.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Упрощенная структура нейронной системы человека | Архитектура системы на основе знаний
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Python | синтаксис блока | отступы
|
|||
|
||||
В качестве примера рассмотрим следующую экспертную систему для определения животного на основе его физических характеристик:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение от [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1248,7 +1248,7 @@
|
|||
"* Низкий тренировочный loss — модель хорошо аппроксимирует обучающие данные, так как обладает достаточной выразительной мощностью.\n",
|
||||
"* Валидационный loss может быть значительно выше тренировочного и может начать увеличиваться во время обучения — это происходит потому, что модель \"запоминает\" тренировочные точки и теряет \"общую картину\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> На этом изображении `x` обозначает тренировочные данные, `o` — валидационные данные. Слева — линейная модель (однослойная), она довольно хорошо аппроксимирует природу данных. Справа — переобученная модель, она идеально аппроксимирует тренировочные данные, но перестает быть полезной для любых других данных (валидационная ошибка очень высокая).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Рассмотрим следующую задачу аппроксимации 5 точек (представленных как `x` на графиках ниже):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Линейная модель, 2 параметра** | **Нелинейная модель, 7 параметров**
|
||||
Ошибка на обучении = 5.3 | Ошибка на обучении = 0
|
||||
|
|
@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Как видно из графика выше, переобучение можно обнаружить по очень низкой ошибке на обучении и высокой ошибке на валидации. Обычно во время обучения мы видим, как ошибки на обучении и валидации начинают уменьшаться, а затем в какой-то момент ошибка на валидации может перестать уменьшаться и начать расти. Это будет признаком переобучения и сигналом, что, вероятно, стоит остановить обучение (или хотя бы сохранить текущую версию модели).
|
||||
|
||||
|
||||
|
||||
|
||||
## Как предотвратить переобучение
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Введение в нейронные сети
|
||||
|
||||
|
||||
|
||||
|
||||
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**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
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.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Реальный нейрон *([Изображение](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) из Википедии)* | Искусственный нейрон *(Изображение автора)*
|
||||
|
||||
Таким образом, самая простая математическая модель нейрона содержит несколько входов X<sub>1</sub>, ..., X<sub>N</sub> и один выход Y, а также ряд весов W<sub>1</sub>, ..., W<sub>N</sub>. Выход вычисляется как:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ru.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.ru.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
где f — это некоторая нелинейная **функция активации**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
* **Предварительная обработка фотографии книги на шрифте Брайля**. Мы показываем, как можно использовать пороговую обработку, обнаружение признаков, перспективное преобразование и манипуляции с NumPy для разделения отдельных символов шрифта Брайля для дальнейшей классификации нейронной сетью.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Изображение из [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Обнаружение движения на видео с помощью разницы кадров**. Если камера фиксирована, то кадры из видеопотока должны быть довольно похожи друг на друга. Так как кадры представлены в виде массивов, просто вычитая массивы двух последовательных кадров, мы получим разницу пикселей, которая будет небольшой для статичных кадров и увеличиваться при значительном движении на изображении.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
- **Плотный оптический поток** вычисляет векторное поле, показывающее, куда перемещается каждый пиксель.
|
||||
- **Разреженный оптический поток** основывается на выделении характерных признаков изображения (например, краев) и построении их траектории от кадра к кадру.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 — это сеть, которая достигла точности 92.7% в классификации ImageNet (top-5) в 2014 году. Она имеет следующую структуру слоев:
|
||||
|
||||
|
||||
|
||||
|
||||
Как видно, VGG следует традиционной пирамидальной архитектуре, представляющей собой последовательность слоев свертки и пуллинга.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение с [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"Таким образом, в типичной CNN будет несколько сверточных слоев, между которыми располагаются слои объединения для уменьшения размеров изображения. Мы также увеличиваем количество фильтров, поскольку по мере усложнения шаблонов появляется больше возможных интересных комбинаций, которые нужно искать.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Из-за уменьшения пространственных размеров и увеличения размеров признаков/фильтров эта архитектура также называется **пирамидальной архитектурой**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"Таким образом, в типичной CNN будет несколько сверточных слоев, между которыми располагаются слои пуллинга для уменьшения размеров изображения. Мы также увеличиваем количество фильтров, потому что по мере усложнения шаблонов появляется больше возможных интересных комбинаций, которые нужно искать.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Из-за уменьшения пространственных размеров и увеличения размеров признаков/фильтров эту архитектуру также называют **пирамидальной архитектурой**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Для извлечения шаблонов мы будем использовать понятие **свёрточных фильтров**. Как вы знаете, изображение представлено в виде двумерной матрицы или трёхмерного тензора с глубиной цвета. Применение фильтра означает, что мы берём относительно небольшую матрицу **ядра фильтра** и для каждого пикселя исходного изображения вычисляем взвешенное среднее с соседними точками. Это можно представить как небольшое окно, скользящее по всему изображению и усредняющее все пиксели в соответствии с весами в матрице ядра фильтра.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Изображение Дмитрия Сошникова
|
||||
|
|
@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* Мы можем спроектировать сеть так, чтобы фильтры обучались автоматически
|
||||
* Мы можем использовать тот же подход для поиска шаблонов в высокоуровневых признаках, а не только в исходном изображении. Таким образом, извлечение признаков в CNN работает на иерархии признаков, начиная с низкоуровневых комбинаций пикселей и заканчивая высокоуровневыми комбинациями частей изображения.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [статьи Хислопа-Линча](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), основанное на [их исследовании](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
В качестве примера давайте рассмотрим архитектуру VGG-16, сети, которая достигла точности 92.7% в топ-5 классификации ImageNet в 2014 году:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение с [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Мы будем использовать [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), который содержит изображения 37 различных пород собак и кошек.
|
||||
|
||||
|
||||
|
||||
|
||||
Чтобы скачать набор данных, используйте этот код:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Чтобы визуализировать идеального кота, мы начнем с изображения случайного шума и попробуем использовать метод оптимизации градиентного спуска, чтобы изменить изображение так, чтобы сеть распознала кота.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Вот наше начальное изображение:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Вот пример признаков, извлечённых из изображения кошки сетью VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Набор данных "Кошки против собак"
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Один из подходов, который мы можем использовать, — это начать с случайного изображения и затем попытаться применить технику **оптимизации градиентного спуска**, чтобы изменить это изображение так, чтобы сеть начала думать, что это кошка.
|
||||
|
||||
|
||||
|
||||
|
||||
Однако, если мы сделаем это, мы получим что-то очень похожее на случайный шум. Это происходит потому, что *существует множество способов заставить сеть думать, что входное изображение — это кошка*, включая те, которые визуально не имеют смысла. Хотя эти изображения содержат множество паттернов, характерных для кошки, ничего не ограничивает их визуальную выразительность.
|
||||
|
||||
Чтобы улучшить результат, мы можем добавить ещё один член в функцию потерь, который называется **потеря вариации**. Это метрика, показывающая, насколько похожи соседние пиксели изображения. Минимизация потери вариации делает изображение более гладким и избавляет от шума, раскрывая более визуально привлекательные паттерны. Вот пример таких "идеальных" изображений, которые классифицируются как кошка и как зебра с высокой вероятностью:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Идеальная кошка* | *Идеальная зебра*
|
||||
|
||||
Похожий подход можно использовать для выполнения так называемых **атак на нейронную сеть**. Предположим, мы хотим обмануть нейронную сеть и заставить собаку выглядеть как кошка. Если мы возьмём изображение собаки, которое сеть распознаёт как собаку, мы можем немного изменить его с помощью оптимизации градиентного спуска, пока сеть не начнёт классифицировать его как кошку:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Оригинальное изображение собаки* | *Изображение собаки, классифицированное как кошка*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Поскольку мы обучаем автоэнкодер захватывать как можно больше информации из исходного изображения для точного восстановления, сеть пытается найти наилучшее **встраивание** входных изображений, чтобы уловить их смысл.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Изображение из [блога Keras](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Поскольку мы обучаем автоэнкодер захватывать как можно больше информации из исходного изображения для точного восстановления, сеть пытается найти наилучшее **встраивание** входных изображений, чтобы уловить их смысл.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Изображение из [блога Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Поскольку мы обучаем автоэнкодер захватывать как можно больше информации из исходного изображения для точного восстановления, сеть пытается найти наилучшее **встраивание** входных изображений, чтобы уловить их смысл.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [блога Keras](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [Квиз перед лекцией](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение с [веб-сайта YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. Запустить классификацию изображений для каждой плитки.
|
||||
3. Те плитки, которые дают достаточно высокую активацию, можно считать содержащими искомый объект.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображение из [учебной тетради](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) — 20 классов.
|
||||
* [COCO](http://cocodataset.org/#home) — Common Objects in Context. 80 классов, ограничивающие рамки и маски сегментации.
|
||||
|
||||
|
||||
|
||||
|
||||
## Метрики для обнаружения объектов
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Если для классификации изображений легко измерить, насколько хорошо работает алгоритм, то для обнаружения объектов нужно оценивать как правильность класса, так и точность предсказанных координат ограничивающей рамки. Для последнего используется метрика **Пересечение над объединением** (IoU), которая измеряет, насколько хорошо две рамки (или две произвольные области) перекрываются.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Рисунок 2 из [этого отличного блога о IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -97,11 +97,11 @@ $$
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) использует [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) для генерации иерархической структуры регионов ROI, которые затем проходят через CNN для извлечения признаков, SVM-классификаторы для определения класса объекта и линейную регрессию для определения координат *ограничивающей рамки*. [Официальная статья](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображение из van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображения из [этого блога](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -109,7 +109,7 @@ $$
|
|||
|
||||
Этот подход похож на R-CNN, но регионы определяются после применения сверточных слоев.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [официальной статьи](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -117,7 +117,7 @@ $$
|
|||
|
||||
Основная идея этого подхода заключается в использовании нейронной сети для предсказания ROI — так называемой *сети предложений регионов* (Region Proposal Network). [Статья](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [официальной статьи](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -129,7 +129,7 @@ $$
|
|||
2. Признаки обрабатываются **Position-Sensitive Score Map**. Каждый объект из $C$ классов делится на $k\times k$ регионов, и сеть обучается предсказывать части объектов.
|
||||
3. Для каждой части из $k\times k$ регионов все сети голосуют за классы объектов, и выбирается класс объекта с максимальным количеством голосов.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [официальной статьи](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -140,7 +140,7 @@ YOLO — это алгоритм реального времени с одним
|
|||
* Изображение делится на $S\times S$ регионы.
|
||||
* Для каждого региона **CNN** предсказывает $n$ возможных объектов, координаты *ограничивающей рамки* и *уверенность*=*вероятность* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [официальной статьи](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Компьютерное зрение
|
||||
|
||||
|
||||
|
||||
|
||||
В этом разделе мы изучим:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Мешок слов** (Bag of Words, BoW) — это наиболее часто используемое традиционное векторное представление. Каждое слово связано с индексом вектора, а элемент вектора содержит количество вхождений слова в данном документе.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: Вы также можете представить BoW как сумму всех векторов с единичным кодированием (one-hot encoding) для отдельных слов в тексте.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Мешок слов** (BoW) — это самое простое для понимания традиционное представление в виде вектора. Каждое слово связано с индексом вектора, а элемент вектора содержит количество вхождений каждого слова в данном документе.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Метод BoW также можно рассматривать как сумму всех векторов с одним активным элементом (one-hot-encoded), соответствующих отдельным словам в тексте.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Используя слой эмбеддинга в качестве первого слоя нашей сети, мы можем перейти от модели bag-of-words к модели **embedding bag**, где мы сначала преобразуем каждое слово в тексте в соответствующий эмбеддинг, а затем вычисляем некоторую агрегирующую функцию для всех этих эмбеддингов, например, `sum`, `average` или `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Наша нейронная сеть-классификатор начнется со слоя эмбеддинга, затем слоя агрегации и линейного классификатора поверх него:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"В предыдущей архитектуре нам приходилось дополнять все последовательности до одинаковой длины, чтобы они подходили для минибатча. Это не самый эффективный способ представления последовательностей переменной длины — другой подход заключается в использовании **вектора смещений**, который содержит смещения всех последовательностей, хранящихся в одном большом векторе.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: На изображении выше показана последовательность символов, но в нашем примере мы работаем с последовательностями слов. Однако общий принцип представления последовательностей с помощью вектора смещений остается тем же.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW работает быстрее, тогда как skip-gram медленнее, но лучше справляется с представлением редких слов.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Чтобы поэкспериментировать с эмбеддингами Word2Vec, предварительно обученными на наборе данных Google News, мы можем использовать библиотеку **gensim**. Ниже приведён пример поиска слов, наиболее похожих на 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Используя слой эмбеддинга в качестве первого слоя нашей сети, мы можем перейти от модели \"мешка слов\" к модели **мешка эмбеддингов**, где сначала каждое слово в тексте преобразуется в соответствующий эмбеддинг, а затем вычисляется некоторая агрегирующая функция для всех этих эмбеддингов, например, `sum`, `average` или `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Наша нейронная сеть-классификатор состоит из следующих слоев:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW работает быстрее, а skip-gram, хотя и медленнее, лучше справляется с представлением редких слов.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Чтобы поэкспериментировать с эмбеддингом Word2Vec, предварительно обученным на наборе данных Google News, мы можем использовать библиотеку **gensim**. Ниже мы находим слова, наиболее похожие на 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Используя слой встраивания в качестве первого слоя в нашей сети классификатора, мы можем перейти от модели мешка слов к модели **мешка встраиваний**, где мы сначала преобразуем каждое слово в нашем тексте в соответствующее встраивание, а затем вычисляем некоторую агрегатную функцию для всех этих встраиваний, такую как `sum`, `average` или `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение автора
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
CBoW работает быстрее, а пропуск-грамм медленнее, но лучше справляется с представлением редких слов.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [этой статьи](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **Непрерывный мешок слов** (Continuous Bag-of-Words, CBoW), когда мы предсказываем центральный токен $W_0$ в последовательности токенов $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, где мы предсказываем набор соседних токенов {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} на основе центрального токена $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [этой статьи](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Чтобы захватить смысл последовательности текста, необходимо использовать другую архитектуру нейронной сети, которая называется **рекуррентной нейронной сетью** или RNN. В RNN мы пропускаем предложение через сеть по одному символу за раз, и сеть производит некоторое **состояние**, которое затем передается обратно в сеть вместе со следующим символом.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение автора
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Рекуррентная сеть, будь то однонаправленная или двунаправленная, захватывает определенные шаблоны внутри последовательности и может сохранять их в векторе состояния или передавать в выход. Как и в случае с сверточными сетями, мы можем построить еще один рекуррентный слой поверх первого, чтобы захватывать шаблоны более высокого уровня и строить их из шаблонов низкого уровня, извлеченных первым слоем. Это приводит нас к понятию **многослойной RNN**, которая состоит из двух или более рекуррентных сетей, где выход предыдущего слоя передается следующему слою в качестве входа.
|
||||
|
||||
|
||||
|
||||
|
||||
*Картинка из [этого замечательного поста](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) Фернандо Лопеса*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Рекуррентная сеть, будь то однонаправленная или двунаправленная, захватывает определённые паттерны внутри последовательности и может сохранять их во векторе состояния или передавать на выход. Как и в случае с сверточными сетями, мы можем построить ещё один рекуррентный слой поверх первого, чтобы захватывать паттерны более высокого уровня, сформированные из паттернов низкого уровня, извлечённых первым слоем. Это приводит нас к понятию **многослойной RNN**, которая состоит из двух или более рекуррентных сетей, где выход предыдущего слоя передаётся в следующий слой в качестве входа.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Изображение из [этой замечательной статьи](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) Фернандо Лопеса*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Чтобы уловить смысл последовательности текста, мы будем использовать архитектуру нейронной сети, называемую **рекуррентной нейронной сетью** или RNN. При использовании RNN мы пропускаем наше предложение через сеть по одному токену за раз, и сеть создает некоторое **состояние**, которое затем передается в сеть вместе со следующим токеном.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Учитывая входную последовательность токенов $X_0,\\dots,X_n$, RNN создает последовательность блоков нейронной сети и обучает эту последовательность от начала до конца с использованием обратного распространения ошибки. Каждый блок сети принимает пару $(X_i,S_i)$ в качестве входных данных и производит $S_{i+1}$ в качестве результата. Финальное состояние $S_n$ или выход $Y_n$ передается в линейный классификатор для получения результата. Все блоки сети имеют одинаковые веса и обучаются от начала до конца за один проход обратного распространения.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Рекуррентные сети, будь то однонаправленные или двунаправленные, захватывают закономерности внутри последовательности и сохраняют их в векторах состояния или возвращают их в качестве результата. Как и в случае с сверточными сетями, мы можем добавить еще один рекуррентный слой после первого, чтобы захватывать закономерности более высокого уровня, построенные на основе закономерностей более низкого уровня, извлеченных первым слоем. Это приводит нас к понятию **многослойной RNN**, которая состоит из двух или более рекуррентных сетей, где выход предыдущего слоя передается в следующий слой в качестве входных данных.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Изображение из [этой замечательной статьи](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) Фернандо Лопеса.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Метод, который мы будем использовать для обучения RNN генерации текста, следующий. На каждом шаге мы берем последовательность символов длиной `nchars` и просим сеть сгенерировать следующий выходной символ для каждого входного символа:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"В зависимости от конкретного сценария, мы также можем включить специальные символы, такие как *конец последовательности* `<eos>`. В нашем случае мы хотим обучить сеть бесконечной генерации текста, поэтому фиксируем размер каждой последовательности равным `nchars` токенов. Таким образом, каждый обучающий пример будет состоять из `nchars` входов и `nchars` выходов (входная последовательность, сдвинутая на один символ влево). Минипакет будет состоять из нескольких таких последовательностей.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -111,7 +111,7 @@
|
|||
"\n",
|
||||
"Метод, который мы будем использовать для обучения RNN создавать заголовки новостей, следующий. На каждом шаге мы берем один заголовок, который подается в RNN, и для каждого входного символа сеть должна сгенерировать следующий выходной символ:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Для последнего символа нашей последовательности мы попросим сеть сгенерировать токен `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Это позволяет создавать различные нейронные архитектуры, которые показаны на изображении ниже:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из статьи [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) Андрея Карпати ([Andrej Karpathy](http://karpathy.github.io/))
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Мы будем обучать эту RNN генерировать текст шаг за шагом. На каждом шаге мы будем брать последовательность символов длиной `nchars` и просить сеть сгенерировать следующий символ для каждого входного символа:
|
||||
|
||||
|
||||
|
||||
|
||||
При генерации текста (во время инференса) мы начинаем с некоторого **запроса**, который передается через ячейки RNN для генерации промежуточного состояния, а затем из этого состояния начинается генерация. Мы генерируем по одному символу за раз, передаем состояние и сгенерированный символ в следующую ячейку RNN для генерации следующего символа, пока не будет сгенерировано достаточное количество символов.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**Механизмы внимания** предоставляют способ взвешивания контекстного влияния каждого входного вектора на каждое предсказание выхода RNN. Это реализуется путем создания "ярлыков" между промежуточными состояниями входной RNN и выходной RNN. Таким образом, при генерации выходного символа y<sub>t</sub> мы учитываем все скрытые состояния входа h<sub>i</sub>, с различными весовыми коэффициентами α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Модель кодировщик-декодировщик с механизмом аддитивного внимания из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитируется из [этого блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Матрица внимания {α<sub>i,j</sub>} представляет степень, в которой определенные входные слова участвуют в генерации данного слова в выходной последовательности. Ниже приведен пример такой матрицы:
|
||||
|
||||
|
||||
|
||||
|
||||
> Рисунок из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Рис.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Далее нам нужно захватить некоторые паттерны внутри нашей последовательности. Для этого трансформеры используют механизм **самовнимания**, который по сути является вниманием, применяемым к одной и той же последовательности как входу, так и выходу. Применение самовнимания позволяет учитывать **контекст** внутри предложения и видеть, какие слова взаимосвязаны. Например, это позволяет понять, к каким словам относятся местоимения, такие как *it*, и учитывать контекст:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) — это очень большая многослойная сеть трансформеров с 12 слоями для *BERT-base* и 24 для *BERT-large*. Модель сначала предварительно обучается на большом корпусе текстовых данных (WikiPedia + книги) с использованием обучения без учителя (предсказание замаскированных слов в предложении). Во время предварительного обучения модель усваивает значительные уровни понимания языка, которые затем можно использовать с другими наборами данных с помощью тонкой настройки. Этот процесс называется **передача обучения**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение [источник](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@
|
|||
|
||||
**Механизмы внимания** предоставляют способ взвешивания контекстного влияния каждого входного вектора на каждое предсказание выхода РСН. Это реализуется путем создания кратких путей между промежуточными состояниями входной РСН и выходной РСН. Таким образом, при генерации выходного символа y<sub>t</sub> мы будем учитывать все входные скрытые состояния h<sub>i</sub> с различными весовыми коэффициентами α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Модель кодировщика-декодировщика с аддитивным механизмом внимания в [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), процитировано из [этого блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Матрица внимания {α<sub>i,j</sub>} будет представлять степень, в которой определенные входные слова участвуют в генерации данного слова в выходной последовательности. Ниже приведен пример такой матрицы:
|
||||
|
||||
|
||||
|
||||
|
||||
> Рисунок из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Рис. 3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@
|
|||
|
||||
Далее нам нужно захватить некоторые паттерны в нашей последовательности. Для этого трансформеры используют механизм **самовнимания**, который по сути представляет собой внимание, примененное к той же последовательности как входной и выходной. Применение самовнимания позволяет нам учитывать **контекст** в предложении и видеть, какие слова взаимосвязаны. Например, это позволяет нам видеть, какие слова упоминаются через копреференции, такие как *это*, и также учитывать контекст:
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение из [Блога Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -82,7 +82,7 @@
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) — это очень большая многослойная трансформерная сеть с 12 слоями для *BERT-base* и 24 слоями для *BERT-large*. Модель сначала обучается на большом корпусе текстовых данных (WikiPedia + книги) с использованием неконтролируемого обучения (предсказание замаскированных слов в предложении). Во время предварительного обучения модель поглощает значительные уровни языкового понимания, которые затем могут быть использованы с другими наборами данных с помощью тонкой настройки. Этот процесс называется **переносным обучением**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Изображение [источник](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Механизмы внимания** предоставляют способ взвешивания контекстного влияния каждого входного вектора на каждое предсказание RNN. Это реализуется путем создания \"ярлыков\" между промежуточными состояниями входной RNN и выходной RNN. Таким образом, при генерации выходного символа $y_t$ мы будем учитывать все скрытые состояния входа $h_i$ с различными весовыми коэффициентами $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"*Модель энкодер-декодер с механизмом аддитивного внимания из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитируется из [этого блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Матрица внимания $\\{\\alpha_{i,j}\\}$ представляет степень, с которой определенные входные слова влияют на генерацию конкретного слова в выходной последовательности. Ниже приведен пример такой матрицы:\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"*Рисунок взят из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Рис.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) — это очень большая многослойная трансформерная сеть с 12 слоями для *BERT-base* и 24 для *BERT-large*. Модель сначала предварительно обучается на большом корпусе текстовых данных (WikiPedia + книги) с использованием обучения без учителя (предсказание замаскированных слов в предложении). Во время предварительного обучения модель усваивает значительный уровень понимания языка, который затем можно использовать с другими наборами данных с помощью тонкой настройки. Этот процесс называется **трансферным обучением**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Существует множество вариаций архитектур трансформеров, включая BERT, DistilBERT, BigBird, OpenGPT3 и другие, которые можно тонко настраивать. Пакет [HuggingFace](https://github.com/huggingface/) предоставляет репозиторий для обучения многих из этих архитектур с использованием PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Механизмы внимания** предоставляют способ взвешивания контекстного влияния каждого входного вектора на каждое предсказание выхода RNN. Это реализуется путем создания \"ярлыков\" между промежуточными состояниями входной RNN и выходной RNN. Таким образом, при генерации выходного символа $y_t$ мы учитываем все скрытые состояния входа $h_i$ с различными весовыми коэффициентами $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Модель encoder-decoder с механизмом аддитивного внимания из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), цитируется из [этого блога](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Матрица внимания $\\{\\alpha_{i,j}\\}$ представляет степень, в которой определенные слова входной последовательности участвуют в генерации конкретного слова выходной последовательности. Ниже приведен пример такой матрицы:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Рисунок взят из [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Рис.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -225,7 +225,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) — это очень большая многослойная сеть трансформеров с 12 слоями для *BERT-base* и 24 для *BERT-large*. Модель сначала проходит предварительное обучение на большом корпусе текстовых данных (WikiPedia + книги) с использованием обучения без учителя (предсказание замаскированных слов в предложении). Во время предварительного обучения модель усваивает значительный уровень понимания языка, который затем можно использовать с другими наборами данных с помощью тонкой настройки. Этот процесс называется **обучением переноса**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Существует множество вариаций архитектур трансформеров, включая BERT, DistilBERT, BigBird, OpenGPT3 и другие, которые можно тонко настраивать.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Поскольку нам нужно установить однозначное соответствие между токенами и классами, мы можем обучить правую **многие-ко-многим** архитектуру нейронной сети из следующего изображения:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображение из [этой статьи](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) Андрея Карпати ([Andrej Karpathy](http://karpathy.github.io/)). Модели классификации токенов для NER соответствуют правой архитектуре на этом изображении.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Обработка естественного языка
|
||||
|
||||
|
||||
|
||||
|
||||
В этом разделе мы сосредоточимся на использовании нейронных сетей для решения задач, связанных с **обработкой естественного языка (NLP)**. Существует множество задач NLP, которые мы хотим, чтобы компьютеры могли решать:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ ask turtles [
|
|||
|
||||
После открытия модели вы попадете на главный экран NetLogo. Вот пример модели, описывающей популяцию волков и овец при ограниченных ресурсах (трава).
|
||||
|
||||
|
||||
|
||||
|
||||
> Скриншот от Дмитрия Сошникова
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Обзор
|
||||
|
||||
|
||||
|
||||
|
||||
> Рисунок от [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Основная идея CLIP заключается в способности сравнивать текстовые запросы с изображением и определять, насколько хорошо изображение соответствует запросу.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображение из [этой статьи](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Предположим, нам нужно классифицировать изображения, например, на кошек, собак и людей. В этом случае мы можем подать модели изображение и серию текстовых запросов: "*изображение кошки*", "*изображение собаки*", "*изображение человека*". В полученном векторе из 3 вероятностей нам нужно просто выбрать индекс с наибольшим значением.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Изображение из [этой статьи](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ CLIP также можно использовать для **генерации
|
|||
|
||||
Одно из важных отличий VQGAN от традиционного GAN заключается в том, что последний может создавать приличное изображение из любого входного вектора, тогда как VQGAN, скорее всего, создаст несогласованное изображение. Поэтому процесс создания изображения необходимо дополнительно направлять, и это можно сделать с помощью CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Чтобы сгенерировать изображение, соответствующее текстовому запросу, мы начинаем с некоторого случайного вектора кодирования, который передается через VQGAN для создания изображения. Затем CLIP используется для создания функции потерь, которая показывает, насколько хорошо изображение соответствует текстовому запросу. Цель состоит в минимизации этой функции потерь с использованием обратного распространения для корректировки параметров входного вектора.
|
||||
|
||||
Отличная библиотека, реализующая VQGAN+CLIP, — это [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Изображение, созданное по запросу *акварельный портрет молодого учителя литературы с книгой крупным планом* | Изображение, созданное по запросу *масляный портрет молодой учительницы информатики с компьютером крупным планом* | Изображение, созданное по запросу *масляный портрет пожилого учителя математики на фоне доски крупным планом*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,43 +1,44 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:20:23+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T12:58:32+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "sk"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Umelá inteligencia pre začiatočníkov - Vzdelávací plán
|
||||
# Umelá inteligencia pre začiatočníkov - Učebný plán
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI pre začiatočníkov - _Sketchnote od [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Preskúmajte svet **umelej inteligencie** (AI) s naším 12-týždňovým, 24-lekčným vzdelávacím plánom! Obsahuje praktické lekcie, kvízy a laboratórne cvičenia. Kurz je priateľský pre začiatočníkov a pokrýva nástroje ako TensorFlow a PyTorch, ako aj etiku v AI
|
||||
Preskúmajte svet **umelej inteligencie** (AI) s naším 12-týždňovým, 24-lekčným učebným plánom! Obsahuje praktické lekcie, kvízy a laboratórne cvičenia. Učebný plán je vhodný pre začiatočníkov a pokrýva nástroje ako TensorFlow a PyTorch, ako aj etiku v AI
|
||||
|
||||
|
||||
### 🌐 Podpora viacerých jazykov
|
||||
|
||||
#### Podporované cez GitHub Action (automatické a vždy aktuálne)
|
||||
#### Podporované cez GitHub Action (automatizované a vždy aktuálne)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabčina](../ar/README.md) | [Bengálčina](../bn/README.md) | [Bulharčina](../bg/README.md) | [Barmský (Mjanmarsko)](../my/README.md) | [Čínština (zjednodušená)](../zh/README.md) | [Čínština (tradičná, Hongkong)](../hk/README.md) | [Čínština (tradičná, Macau)](../mo/README.md) | [Čínština (tradičná, Taiwan)](../tw/README.md) | [Chorvátčina](../hr/README.md) | [Čeština](../cs/README.md) | [Dánčina](../da/README.md) | [Nizozemčina](../nl/README.md) | [Estónčina](../et/README.md) | [Fínčina](../fi/README.md) | [Francúzština](../fr/README.md) | [Nemčina](../de/README.md) | [Gréčtina](../el/README.md) | [Hebrejčina](../he/README.md) | [Hindčina](../hi/README.md) | [Maďarčina](../hu/README.md) | [Indonézčina](../id/README.md) | [Taliančina](../it/README.md) | [Japončina](../ja/README.md) | [Kannaďčina](../kn/README.md) | [Kórejčina](../ko/README.md) | [Litovčina](../lt/README.md) | [Malajčina](../ms/README.md) | [Malajálamčina](../ml/README.md) | [Maráthčina](../mr/README.md) | [Nepálčina](../ne/README.md) | [Nigerijský pidžin](../pcm/README.md) | [Nórčina](../no/README.md) | [Perzština (fársí)](../fa/README.md) | [Poľština](../pl/README.md) | [Portugalčina (Brazília)](../br/README.md) | [Portugalčina (Portugalsko)](../pt/README.md) | [Pandžábčina (Gurmukhí)](../pa/README.md) | [Rumunčina](../ro/README.md) | [Ruština](../ru/README.md) | [Srbčina (cyrilika)](../sr/README.md) | [Slovenčina](./README.md) | [Slovinčina](../sl/README.md) | [Španielčina](../es/README.md) | [Svahilčina](../sw/README.md) | [Švédčina](../sv/README.md) | [Tagalog (filipínčina)](../tl/README.md) | [Tamilčina](../ta/README.md) | [Telugčina](../te/README.md) | [Thajčina](../th/README.md) | [Turečtina](../tr/README.md) | [Ukrajinčina](../uk/README.md) | [Urdčina](../ur/README.md) | [Vietnamčina](../vi/README.md)
|
||||
[Arabčina](../ar/README.md) | [Bengálčina](../bn/README.md) | [Bulharčina](../bg/README.md) | [Barmský (Myanmar)](../my/README.md) | [Čínština (zjednodušená)](../zh/README.md) | [Čínština (tradičná, Hongkong)](../hk/README.md) | [Čínština (tradičná, Macao)](../mo/README.md) | [Čínština (tradičná, Taiwan)](../tw/README.md) | [Chorvátčina](../hr/README.md) | [Čeština](../cs/README.md) | [Dánčina](../da/README.md) | [Holandčina](../nl/README.md) | [Estónčina](../et/README.md) | [Fínčina](../fi/README.md) | [Francúzština](../fr/README.md) | [Nemčina](../de/README.md) | [Gréčtina](../el/README.md) | [Hebrejčina](../he/README.md) | [Hindčina](../hi/README.md) | [Maďarčina](../hu/README.md) | [Indonézčina](../id/README.md) | [Taliančina](../it/README.md) | [Japončina](../ja/README.md) | [Kannadčina](../kn/README.md) | [Kórejčina](../ko/README.md) | [Litovčina](../lt/README.md) | [Malajčina](../ms/README.md) | [Malajálamčina](../ml/README.md) | [Maráthčina](../mr/README.md) | [Nepálčina](../ne/README.md) | [Nigérijská pidžinčina](../pcm/README.md) | [Nórština](../no/README.md) | [Perzština (Farsi)](../fa/README.md) | [Poľština](../pl/README.md) | [Portugalčina (Brazília)](../br/README.md) | [Portugalčina (Portugalsko)](../pt/README.md) | [Pandžábčina (Gurmukhi)](../pa/README.md) | [Rumunčina](../ro/README.md) | [Ruština](../ru/README.md) | [Srbčina (cyrilika)](../sr/README.md) | [Slovenčina](./README.md) | [Slovinčina](../sl/README.md) | [Španielčina](../es/README.md) | [Svahilčina](../sw/README.md) | [Švédčina](../sv/README.md) | [Tagalog (Filipíny)](../tl/README.md) | [Tamilčina](../ta/README.md) | [Telugčina](../te/README.md) | [Thajčina](../th/README.md) | [Turečtina](../tr/README.md) | [Ukrajinčina](../uk/README.md) | [Urdčina](../ur/README.md) | [Vietnamčina](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Ak si želáte pridať ďalšie preklady, podporované jazyky sú uvedené [tu](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Ak si prajete ďalšie preklady, podporované jazyky sú uvedené [tu](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Pridajte sa ku komunite
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -46,25 +47,25 @@ Preskúmajte svet **umelej inteligencie** (AI) s naším 12-týždňovým, 24-le
|
|||
|
||||
**[Myšlienková mapa kurzu](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
V tomto vzdelávacom pláne sa naučíte:
|
||||
V tomto učebnom pláne sa naučíte:
|
||||
|
||||
* Rôzne prístupy k umelej inteligencii, vrátane „starého dobrého“ symbolického prístupu s **reprezentáciou poznatkov** a uvažovaním ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neurónové siete** a **hlboké učenie**, ktoré sú jadrom modernej AI. Pojmy za týmito dôležitými témami si ilustrujeme pomocou kódu v dvoch z najpopulárnejších frameworkov - [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
|
||||
* **Neurónové architektúry** pre prácu s obrázkami a textom. Pokryjeme nedávne modely, hoci nemusíme byť úplne na hrane najnovších trendov.
|
||||
* Menej populárne prístupy v AI, ako sú **genetické algoritmy** a **systémy viacerých agentov**.
|
||||
* Rôzne prístupy k umelej inteligencii, vrátane „dobre starého“ symbolického prístupu s **reprezentáciou znalostí** a odvodzovaním ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Neurónové siete** a **hlboké učenie**, ktoré sú jadrom modernej AI. Koncepty týchto dôležitých tém si ukážeme pomocou kódu v dvoch najpopulárnejších rámcoch - [TensorFlow](http://Tensorflow.org) a [PyTorch](http://pytorch.org).
|
||||
* **Neurónové architektúry** na prácu s obrázkami a textom. Pokryjeme nedávne modely, hoci môžeme byť v niektorých oblastiach mierne za súčasným stavom techniky.
|
||||
* Menej populárne prístupy k AI, ako sú **genetické algoritmy** a **systémy viacerých agentov**.
|
||||
|
||||
Čo tento vzdelávací plán neobsahuje:
|
||||
Čo v tomto učebnom pláne nebudeme pokrývať:
|
||||
|
||||
> [Nájdite všetky doplnkové zdroje pre tento kurz v našej kolekcii Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Nájdete všetky ďalšie zdroje pre tento kurz v našej kolekcii Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Prípady použitia **AI v podnikaní**. Zvážte absolvovanie učebnej cesty [Úvod do AI pre obchodných používateľov](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn, alebo [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vyvinutej v spolupráci s [INSEAD](https://www.insead.edu/).
|
||||
* Obchodné prípady použitia **AI v podnikaní**. Zvážte absolvovanie učebnej cesty [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn, alebo [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), vyvinutej v spolupráci s [INSEAD](https://www.insead.edu/).
|
||||
* **Klasické strojové učenie**, ktoré je dobre popísané v našom [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktické AI aplikácie postavené pomocou **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Na to odporúčame začať s modulmi Microsoft Learn pre [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a ďalšie.
|
||||
* Špecifické ML **cloudové frameworky**, ako sú [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) alebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Zvážte použitie učebných ciest [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konverzačná AI** a **chatboti**. Existuje samostatná učebná cesta [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a môžete sa tiež pozrieť na [tento blogový príspevok](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) pre viac detailov.
|
||||
* **Hlboká matematika** za hlbokým učením. Na to odporúčame knihu [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Ian Goodfellow, Yoshua Bengio a Aaron Courville, ktorá je tiež dostupná online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Praktické AI aplikácie vybudované pomocou **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Na to odporúčame začať modulmi Microsoft Learn pre [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** a ďalšie.
|
||||
* Konkrétne ML **cloudové rámce**, ako napríklad [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) alebo [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Zvážte použitie učebných ciest [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) a [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konverzačná AI** a **chatboti**. Existuje samostatná učebná cesta [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a pre viac detailov sa môžete tiež odkázať na [tento blogový príspevok](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Hlboká matematika** za hlbokým učením. Na to odporúčame [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) od Iana Goodfellowa, Yoshua Bengia a Aarona Courvilla, ktorá je tiež dostupná online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Pre jemný úvod do tém _AI v cloude_ môžete zvážiť absolvovanie učebnej cesty [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn.
|
||||
Pre jemný úvod do tém _AI v cloude_ zvážte absolvovanie učebnej cesty [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Obsah
|
||||
|
||||
|
|
@ -74,21 +75,21 @@ Pre jemný úvod do tém _AI v cloude_ môžete zvážiť absolvovanie učebnej
|
|||
| I | [**Úvod do AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Úvod a história AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Symbolická AI** |
|
||||
| 02 | [Reprezentácia poznatkov a expertné systémy](./lessons/2-Symbolic/README.md) | [Expert Systems](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Úvod do neurálnych sietí**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 02 | [Reprezentácia znalostí a expertné systémy](./lessons/2-Symbolic/README.md) | [Expertné systémy](./lessons/2-Symbolic/Animals.ipynb) / [Ontológia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Koncepčný graf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Úvod do neurónových sietí**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptrón](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Viacvrstvový perceptrón a vytvorenie vlastného rámca](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 04 | [Viacvrstvový perceptrón a vytvorenie nášho vlastného frameworku](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Úvod do frameworkov (PyTorch/TensorFlow) a preučenie](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Počítačové videnie**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Preskúmajte počítačové videnie na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| IV | [**Počítačové videnie**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Preskúmať počítačové videnie na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Úvod do počítačového videnia. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolučné neurónové siete](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Architektúry CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Predtrénované siete a transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Triky pri trénovaní](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkódre a VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatívne adversariálne siete a prenos umeleckého štýlu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 08 | [Predtrénované siete a prenosové učenie](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Triky trénovania](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoenkódery a VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generatívne adversariálne siete & Prenos umeleckého štýlu](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detekcia objektov](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantická segmentácia. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Spracovanie prirodzeného jazyka**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Preskúmajte spracovanie prirodzeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Reprezentácia textu. Bow/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 12 | [Sémantická segmentácia. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Spracovanie prirodzeného jazyka**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Preskúmať spracovanie prirodzeného jazyka na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Reprezentácia textu. BoW/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Sémantické vektorové reprezentácie slov. Word2Vec a GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Modelovanie jazyka. Trénovanie vlastných embeddingov](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurentné neurónové siete](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
|
|
@ -96,69 +97,69 @@ Pre jemný úvod do tém _AI v cloude_ môžete zvážiť absolvovanie učebnej
|
|||
| 18 | [Transformery. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Rozpoznávanie pomenovaných entít](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Veľké jazykové modely, programovanie promptov a úlohy s malým počtom príkladov](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Iné techniky AI** || |
|
||||
| VI | [**Iné AI techniky**] || |
|
||||
| 21 | [Genetické algoritmy](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Hlboké posilňovacie učenie](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Multiagentové systémy](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika AI** | | |
|
||||
| 24 | [Etika AI a zodpovedná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Doplnky** | | |
|
||||
| 23 | [Systémy viacerých agentov](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | [**Etika AI**] | | |
|
||||
| 24 | [Etika AI a zodpovedná AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Zásady zodpovednej AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | [**Doplnky**] | | |
|
||||
| 25 | [Multimodálne siete, CLIP a VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Každá lekcia obsahuje
|
||||
|
||||
* Materiál na predčítanie
|
||||
* Spustiteľné Jupyter notebooky, ktoré sú často špecifické pre framework (**PyTorch** alebo **TensorFlow**). Spustiteľný notebook tiež obsahuje veľa teoretického materiálu, takže aby ste pochopili tému, musíte prejsť aspoň jednou verziou notebooku (buď PyTorch alebo TensorFlow).
|
||||
* **Laboratórne cvičenia** dostupné pri niektorých témach, ktoré vám dávajú príležitosť vyskúšať aplikovať naučený materiál na konkrétny problém.
|
||||
* Niektoré sekcie obsahujú odkazy na moduly [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), ktoré pokrývajú súvisiace témy.
|
||||
* Spustiteľné Jupyter notebooky, ktoré sú často špecifické pre framework (**PyTorch** alebo **TensorFlow**). Spustiteľný notebook tiež obsahuje veľa teoretického materiálu, takže na pochopenie témy je potrebné prejsť aspoň jednu verziu notebooku (buď PyTorch alebo TensorFlow).
|
||||
* **Labs** dostupné pre niektoré témy, ktoré vám dávajú príležitosť vyskúšať aplikovať naučený materiál na konkrétny problém.
|
||||
* Niektoré sekcie obsahujú odkazy na moduly [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ktoré pokrývajú súvisiace témy.
|
||||
|
||||
## Začíname
|
||||
|
||||
### 🎯 Nový v AI? Začnite tu!
|
||||
### 🎯 Nováčik v AI? Začnite tu!
|
||||
|
||||
Ak ste úplne nový v AI a chcete rýchle, praktické príklady, pozrite si naše [**Príklady pre začiatočníkov**](./examples/README.md)! Tieto zahŕňajú:
|
||||
|
||||
- 🌟 **Ahoj AI svet** - váš prvý AI program (rozpoznávanie vzorov)
|
||||
- 🧠 **Jednoduchá neurónová sieť** - Postavte neurónovú sieť od základu
|
||||
- 🖼️ **Klasifikátor obrázkov** - Klasifikujte obrázky s podrobnými komentármi
|
||||
- 💬 **Sentiment textu** - Analyzovať pozitívny/negatívny text
|
||||
- 🌟 **Hello AI World** - Váš prvý AI program (rozpoznávanie vzorov)
|
||||
- 🧠 **Simple Neural Network** - Postavte neurónovú sieť od základov
|
||||
- 🖼️ **Image Classifier** - Klasifikujte obrázky s podrobnými komentármi
|
||||
- 💬 **Sentiment textu** - Analyzujte pozitívny/negatívny text
|
||||
|
||||
Tieto príklady sú navrhnuté tak, aby vám pomohli porozumieť konceptom AI predtým, než sa pustíte do celého kurikula.
|
||||
Tieto príklady sú navrhnuté tak, aby vám pomohli pochopiť koncepty AI predtým, než sa pustíte do celého kurikula.
|
||||
|
||||
### 📚 Nastavenie celého kurikula
|
||||
|
||||
- Vytvorili sme [lekciu na nastavenie](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - Pre učiteľov, sme tiež vytvorili a [lekciu o nastavení kurikula](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- Ako [spustiť kód vo VSCode alebo v Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Vytvorili sme [setup lesson](./lessons/0-course-setup/setup.md), aby sme vám pomohli s nastavením vášho vývojového prostredia. - Pre pedagógov sme tiež vytvorili [curricula setup lesson](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Ako [Spustiť kód vo VSCode alebo Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Postupujte podľa týchto krokov:
|
||||
|
||||
Fork the Repository: Kliknite na tlačidlo "Fork" v pravom hornom rohu tejto stránky.
|
||||
|
||||
Klonovať repozitár: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Nezabudnite dať hviezdičku (🌟) tomuto repozitáru, aby ste ho neskôr ľahšie našli.
|
||||
Nezabudnite tomuto repozitáru dať hviezdičku (🌟), aby ste ho potom ľahšie našli.
|
||||
|
||||
## Spoznajte ostatných študentov
|
||||
## Spojte sa s ostatnými študentmi
|
||||
|
||||
Pripojte sa k nášmu [oficiálnemu AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) aby ste sa stretli a nadviazali kontakt s ostatnými študentmi tohto kurzu a získali podporu.
|
||||
Pridajte sa na náš [oficiálny AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), aby ste sa zoznámili a nadviazali kontakty s ostatnými účastníkmi kurzu a získali podporu.
|
||||
|
||||
Ak máte pripomienky k produktu alebo otázky počas tvorby, navštívte náš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Ak máte spätnú väzbu k produktu alebo otázky počas vývoja, navštívte naše [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Quizzes
|
||||
## Kvízy
|
||||
|
||||
> **Poznámka o kvízoch**: Všetky kvízy sa nachádzajú v priečinku Quiz-app v etc\quiz-app, alebo [Online tu](https://ff-quizzes.netlify.app/) Sú prepojené z lekcií; aplikáciu kvízov je možné spustiť lokálne alebo nasadiť do Azure; riaďte sa pokynmi v priečinku `quiz-app`. Postupne sa lokalizujú.
|
||||
> **Poznámka o kvízoch**: Všetky kvízy sú umiestnené v zložke Quiz-app v etc\quiz-app, alebo [online tu](https://ff-quizzes.netlify.app/) Sú prepojené v rámci lekcií; quiz app je možné spustiť lokálne alebo nasadiť do Azure; postupujte podľa inštrukcií v zložke `quiz-app`. Postupne sú lokalizované.
|
||||
|
||||
## Potrebujeme pomoc
|
||||
|
||||
Máte návrhy alebo ste našli chyby v pravopise či kóde? Otvorte issue alebo vytvorte pull request.
|
||||
Máte návrhy alebo ste našli pravopisné či kódové chyby? Otvorte issue alebo vytvorte pull request.
|
||||
|
||||
## Osobitné poďakovanie
|
||||
## Špeciálne poďakovanie
|
||||
|
||||
* **✍️ Hlavný autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Redaktor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrátor sketchnotov:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Tvorca kvízov:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Kľúčoví prispievatelia:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Hlavní prispievatelia:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Ďalšie kurikuly
|
||||
|
||||
|
|
@ -171,52 +172,52 @@ Náš tím vytvára aj ďalšie kurikuly! Pozrite si:
|
|||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agenti
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Séria Generatívnej AI
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
### Séria generatívnej AI
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Základné vzdelávanie
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Séria Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Získanie pomoci
|
||||
|
||||
Ak sa zaseknete alebo máte otázky týkajúce sa vytvárania AI aplikácií, pripojte sa k ostatným študentom a skúseným vývojárom v diskusiách o MCP. Je to podporná komunita, kde sú otázky vítané a vedomosti sú voľne zdieľané.
|
||||
Ak sa zaseknete alebo máte akékoľvek otázky o tvorbe AI aplikácií, pripojte sa k ostatným študentom a skúseným vývojárom v diskusiách o MCP. Je to podporná komunita, kde sú otázky vítané a vedomosti sa voľne zdieľajú.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Ak máte spätnú väzbu k produktu alebo chyby počas tvorby, navštívte:
|
||||
Ak máte spätnú väzbu k produktu alebo narazíte na chyby počas vývoja, navštívte:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Vylúčenie zodpovednosti:
|
||||
Tento dokument bol preložený pomocou AI‑prekladateľskej služby [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa usilujeme o presnosť, vezmite prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Originálny dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie odporúčame profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne výklady vyplývajúce z použitia tohto prekladu.
|
||||
**Vylúčenie zodpovednosti**:
|
||||
Tento dokument bol preložený pomocou AI prekladateľskej služby [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, berte prosím na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by sa mal považovať za autoritatívny zdroj. Pri kritických informáciách sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo mylné výklady vyplývajúce z použitia tohto prekladu.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Úvod do umelej inteligencie
|
||||
|
||||
|
||||
|
||||
|
||||
> Kresba od [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Pôvodne boli počítače vynájdené [Charlesom Babbageom](https://en.wikipedia.org/wiki/Charles_Babbage) na prácu s číslami podľa presne definovaného postupu – algoritmu. Moderné počítače, hoci sú oveľa pokročilejšie ako pôvodný model navrhnutý v 19. storočí, stále fungujú na rovnakom princípe riadených výpočtov. Preto je možné naprogramovať počítač na vykonanie úlohy, ak poznáme presnú postupnosť krokov potrebných na dosiahnutie cieľa.
|
||||
|
||||
|
||||
|
||||
|
||||
> Fotografia od [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Viac informácií nájdete v článku **[Artificial General Intelligence](https:
|
|||
|
||||
Jedným z problémov pri zaoberaní sa pojmom **[inteligencia](https://en.wikipedia.org/wiki/Intelligence)** je, že neexistuje jasná definícia tohto pojmu. Dá sa argumentovať, že inteligencia súvisí s **abstraktným myslením** alebo so **sebauvedomením**, ale nemôžeme ju presne definovať.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Fotografia](https://unsplash.com/photos/75715CVEJhI) od [Amber Kipp](https://unsplash.com/@sadmax) z Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Alternatívne môžeme skúsiť modelovať najjednoduchšie prvky v našom mozgu
|
|||
|
||||
> | Čo tak ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Časť umelej inteligencie, ktorá je založená na tom, že počítač sa učí riešiť problém na základe niektorých dát, sa nazýva **strojové učenie**. V tomto kurze sa nebudeme zaoberať klasickým strojovým učením – odkazujeme vás na samostatný [kurz Strojové učenie pre začiatočníkov](http://aka.ms/ml-beginners). |  |
|
||||
> | Časť umelej inteligencie, ktorá je založená na tom, že počítač sa učí riešiť problém na základe niektorých dát, sa nazýva **strojové učenie**. V tomto kurze sa nebudeme zaoberať klasickým strojovým učením – odkazujeme vás na samostatný [kurz Strojové učenie pre začiatočníkov](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Stručná história AI
|
||||
|
||||
Umelá inteligencia vznikla ako oblasť v polovici 20. storočia. Spočiatku bol symbolický prístup dominantný a viedol k niekoľkým dôležitým úspechom, ako napríklad expertné systémy – počítačové programy, ktoré dokázali pôsobiť ako odborníci v niektorých obmedzených problémových oblastiach. Avšak čoskoro sa ukázalo, že tento prístup nie je dobre škálovateľný. Extrahovanie vedomostí od experta, ich reprezentácia v počítači a udržiavanie tejto databázy vedomostí presnej sa ukázalo byť veľmi zložitou úlohou a príliš nákladnou na to, aby bola praktická v mnohých prípadoch. To viedlo k takzvanej [AI zime](https://en.wikipedia.org/wiki/AI_winter) v 70. rokoch.
|
||||
|
||||
<img alt="Stručná história AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.sk.png" width="70%"/>
|
||||
<img alt="Stručná história AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.sk.png" width="70%"/>
|
||||
|
||||
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Podobne môžeme vidieť, ako sa prístup k vytváraniu „hovoriacich programov
|
|||
* Moderní asistenti, ako Cortana, Siri alebo Google Assistant, sú všetci hybridné systémy, ktoré používajú neurónové siete na prevod reči na text a rozpoznanie nášho zámeru, a potom využívajú nejaké uvažovanie alebo explicitné algoritmy na vykonanie požadovaných akcií.
|
||||
* V budúcnosti môžeme očakávať kompletný model založený na neurónových sieťach, ktorý bude sám zvládať dialóg. Nedávne GPT a [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) rodiny neurónových sietí ukazujú veľký úspech v tomto smere.
|
||||
|
||||
<img alt="evolúcia Turingovho testu" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.sk.png" width="70
|
||||
<img alt="evolúcia Turingovho testu" src="../../../../translated_images/turing-test-evol.4184696701293ead.sk.png" width="70
|
||||
> Obrázok od Dmitry Soshnikov, [fotografia](https://unsplash.com/photos/r8LmVbUKgns) od [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Nedávny výskum v oblasti AI
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"V tomto príklade implementujeme jednoduchý systém založený na znalostiach, ktorý určí zviera na základe niektorých fyzických charakteristík. Systém môže byť reprezentovaný nasledujúcim AND-OR stromom (toto je časť celého stromu, pravidlá môžeme ľahko doplniť):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Reprezentácia znalostí a expertné systémy
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote od [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Najčastejšie znalosti striktne nedefinujeme, ale zosúladíme ich s inými pr
|
|||
|
||||
Problém **reprezentácie znalostí** teda spočíva v nájdení efektívneho spôsobu, ako reprezentovať znalosti v počítači vo forme údajov, aby boli automaticky použiteľné. To možno vnímať ako spektrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Bloková syntax | Odsadenie | | |
|
|||
|
||||
Jedným z prvých úspechov symbolickej AI boli tzv. **expertné systémy** - počítačové systémy navrhnuté tak, aby fungovali ako odborník v obmedzenej oblasti problémov. Boli založené na **báze znalostí** extrahovanej od jedného alebo viacerých ľudských odborníkov a obsahovali **odvodzovací mechanizmus**, ktorý vykonával odvodzovanie na jej základe.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Zjednodušená štruktúra ľudského nervového systému | Architektúra systému založeného na znalostiach
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Expertné systémy sú postavené podobne ako systém ľudského odvodzovania, k
|
|||
|
||||
Ako príklad si vezmime nasledujúci expertný systém na určenie zvieraťa na základe jeho fyzických charakteristík:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok od [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1259,7 +1259,7 @@
|
|||
"* Nízka tréningová chyba - model dokáže dobre aproximovať tréningové dáta, pretože má dostatočnú vyjadrovaciu schopnosť.\n",
|
||||
"* Chyba na validačných dátach môže byť oveľa vyššia ako tréningová chyba a môže počas tréningu začať rásť - je to preto, že model si \"pamätá\" tréningové body a stráca \"celkový obraz\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Na tomto obrázku `x` predstavuje tréningové dáta, `o` - validačné dáta. Vľavo - lineárny model (jednovrstvový), ktorý pomerne dobre aproximuje povahu dát. Vpravo - model s overfittingom, ktorý dokonale aproximuje tréningové dáta, ale prestáva dávať zmysel pri akýchkoľvek iných dátach (validačná chyba je veľmi vysoká).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Pretrénovanie je mimoriadne dôležitý koncept v strojovom učení, a je veľm
|
|||
|
||||
Zvážte nasledujúci problém aproximácie 5 bodov (reprezentovaných `x` na grafoch nižšie):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Lineárny model, 2 parametre** | **Nelineárny model, 7 parametrov**
|
||||
Chyba trénovania = 5.3 | Chyba trénovania = 0
|
||||
|
|
@ -79,7 +79,7 @@ Je veľmi dôležité nájsť správnu rovnováhu medzi bohatstvom modelu (poče
|
|||
|
||||
Ako môžete vidieť na grafe vyššie, pretrénovanie možno detekovať veľmi nízkou chybou trénovania a vysokou chybou validácie. Normálne počas trénovania vidíme, že chyby trénovania aj validácie začínajú klesať, a potom v určitom bode chyba validácie môže prestať klesať a začať stúpať. Toto bude znak pretrénovania a indikátor, že by sme mali pravdepodobne zastaviť trénovanie (alebo aspoň urobiť snímku modelu).
|
||||
|
||||
|
||||
|
||||
|
||||
## Ako predísť pretrénovaniu
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Úvod do neurónových sietí
|
||||
|
||||
|
||||
|
||||
|
||||
Ako sme si povedali v úvode, jedným zo spôsobov, ako dosiahnuť inteligenciu, je trénovať **počítačový model** alebo **umelý mozog**. Od polovice 20. storočia vedci skúšali rôzne matematické modely, až kým sa v posledných rokoch tento smer neukázal ako mimoriadne úspešný. Takéto matematické modely mozgu sa nazývajú **neurónové siete**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ V tomto kurze sa zameriame iba na modely neurónových sietí.
|
|||
|
||||
Z biológie vieme, že náš mozog pozostáva z neurónových buniek (neurónov), pričom každý z nich má viacero "vstupov" (dendritov) a jeden "výstup" (axon). Dendrity aj axóny môžu viesť elektrické signály a spojenia medzi nimi — známe ako synapsie — môžu vykazovať rôzne stupne vodivosti, ktoré sú regulované neurotransmitermi.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Skutočný neurón *([Obrázok](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) z Wikipédie)* | Umelý neurón *(Obrázok od autora)*
|
||||
|
||||
Najjednoduchší matematický model neurónu teda obsahuje niekoľko vstupov X<sub>1</sub>, ..., X<sub>N</sub> a jeden výstup Y, a sériu váh W<sub>1</sub>, ..., W<sub>N</sub>. Výstup sa vypočíta ako:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sk.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.sk.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
kde f je nejaká nelineárna **aktivačná funkcia**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ V našom [OpenCV Notebook](OpenCV.ipynb) uvádzame niekoľko príkladov, kedy sa
|
|||
|
||||
* **Predspracovanie fotografie Braillovej knihy**. Zameriavame sa na to, ako môžeme použiť prahovanie, detekciu vlastností, perspektívnu transformáciu a manipuláciu s NumPy na oddelenie jednotlivých Braillových symbolov na ďalšiu klasifikáciu neurónovou sieťou.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Obrázok z [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Detekcia pohybu vo videu pomocou rozdielu snímok**. Ak je kamera pevná, snímky z kamery by mali byť veľmi podobné. Keďže snímky sú reprezentované ako polia, jednoduchým odčítaním týchto polí pre dve po sebe idúce snímky získame rozdiel pixelov, ktorý by mal byť nízky pre statické snímky a vyšší, keď je v obrázku výrazný pohyb.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ V našom [OpenCV Notebook](OpenCV.ipynb) uvádzame niekoľko príkladov, kedy sa
|
|||
- **Hustý optický tok** vypočíta vektorové pole, ktoré ukazuje, kam sa každý pixel pohybuje.
|
||||
- **Riedky optický tok** je založený na výbere niektorých výrazných vlastností na obrázku (napr. hrany) a budovaní ich trajektórie zo snímky na snímku.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 je sieť, ktorá dosiahla 92,7% presnosť v klasifikácii ImageNet top-5 v roku 2014. Má nasledujúcu štruktúru vrstiev:
|
||||
|
||||
|
||||
|
||||
|
||||
Ako môžete vidieť, VGG nasleduje tradičnú pyramídovú architektúru, ktorá je sekvenciou vrstiev konvolúcie a pooling.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"Takže v typickej CNN by bolo niekoľko konvolučných vrstiev, medzi ktorými by boli pooling vrstvy na zmenšenie rozmerov obrázka. Zároveň by sme zvýšili počet filtrov, pretože ako sa vzory stávajú pokročilejšími, existuje viac možných zaujímavých kombinácií, ktoré musíme hľadať.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kvôli zmenšovaniu priestorových rozmerov a zvyšovaniu rozmerov vlastností/filtrov sa táto architektúra nazýva aj **pyramídová architektúra**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"Takže v typickej CNN by bolo niekoľko konvolučných vrstiev, pričom medzi nimi by boli pooling vrstvy na zmenšenie rozmerov obrázka. Zároveň by sme zvýšili počet filtrov, pretože ako sa vzory stávajú pokročilejšími, existuje viac možných zaujímavých kombinácií, ktoré musíme hľadať.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kvôli zmenšovaniu priestorových rozmerov a zvyšovaniu rozmerov vlastností/filtrov sa táto architektúra nazýva aj **pyramídová architektúra**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ V reálnom živote chceme byť schopní rozpoznať objekty na obrázku bez ohľa
|
|||
|
||||
Na extrakciu vzorov použijeme koncept **konvolučných filtrov**. Ako viete, obrázok je reprezentovaný ako 2D-matica alebo 3D-tenzor s farebnou hĺbkou. Aplikácia filtra znamená, že vezmeme relatívne malú **jadrovú maticu filtra** a pre každý pixel v pôvodnom obrázku vypočítame vážený priemer so susednými bodmi. Môžeme si to predstaviť ako malé okno, ktoré sa posúva po celom obrázku a spriemeruje všetky pixely podľa váh v jadrovej matici filtra.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Obrázok od Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Princíp fungovania CNN je založený na nasledujúcich dôležitých myšlienka
|
|||
* Môžeme navrhnúť sieť tak, aby sa filtre učili automaticky
|
||||
* Rovnaký prístup môžeme použiť na hľadanie vzorov vo vysokoúrovňových vlastnostiach, nielen v pôvodnom obrázku. Extrakcia vlastností pomocou CNN teda funguje na hierarchii vlastností, od nízkoúrovňových kombinácií pixelov až po vysokoúrovňové kombinácie častí obrázku.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [práce Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), založený na [ich výskume](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Väčšina CNN používaných na spracovanie obrázkov nasleduje tzv. pyramídov
|
|||
|
||||
Ako príklad sa pozrime na architektúru VGG-16, siete, ktorá dosiahla 92,7% presnosť v top-5 klasifikácii ImageNet v roku 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Vašou úlohou je vytrénovať konvolučnú neurónovú sieť na klasifikáciu r
|
|||
|
||||
Použijeme [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), ktorý obsahuje obrázky 37 rôznych plemien psov a mačiek.
|
||||
|
||||
|
||||
|
||||
|
||||
Na stiahnutie datasetu použite tento kód:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Aby sme si predstavili ideálnu mačku, začneme s náhodným šumovým obrázkom a pokúsime sa použiť optimalizačnú techniku gradientného zostupu na úpravu obrázka tak, aby sieť rozpoznala mačku.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Tu je náš počiatočný obrázok:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras aj PyTorch obsahujú funkcie na jednoduché načítanie predtrénovaných
|
|||
|
||||
Tu sú ukážkové črty extrahované z obrázku mačky pomocou siete VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Dataset Mačky vs. Psy
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Predtrénovaná neurónová sieť obsahuje rôzne vzory vo svojej *pamäti*, vr
|
|||
|
||||
Jeden prístup, ktorý môžeme použiť, je začať s náhodným obrázkom a potom sa pokúsiť použiť techniku **optimalizácie pomocou gradientného zostupu**, aby sme upravili tento obrázok tak, že sieť začne myslieť, že je to mačka.
|
||||
|
||||
|
||||
|
||||
|
||||
Ak to však urobíme, dostaneme niečo veľmi podobné náhodnému šumu. Je to preto, že *existuje mnoho spôsobov, ako presvedčiť sieť, že vstupný obrázok je mačka*, vrátane niektorých, ktoré vizuálne nedávajú zmysel. Hoci tieto obrázky obsahujú veľa vzorov typických pre mačku, nič ich neobmedzuje, aby boli vizuálne zreteľné.
|
||||
|
||||
Na zlepšenie výsledku môžeme do funkcie straty pridať ďalší člen, ktorý sa nazýva **variácia straty**. Je to metrika, ktorá ukazuje, ako podobné sú susedné pixely obrázku. Minimalizácia variácie straty robí obrázok hladším a zbavuje sa šumu - čím odhaľuje vizuálne príťažlivejšie vzory. Tu je príklad takýchto "ideálnych" obrázkov, ktoré sú klasifikované ako mačka a zebra s vysokou pravdepodobnosťou:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Ideálna mačka* | *Ideálna zebra*
|
||||
|
||||
Podobný prístup môže byť použitý na vykonanie tzv. **adversariálnych útokov** na neurónovú sieť. Predpokladajme, že chceme oklamať neurónovú sieť a urobiť z psa mačku. Ak vezmeme obrázok psa, ktorý je sieťou rozpoznaný ako pes, môžeme ho trochu upraviť pomocou optimalizácie gradientného zostupu, až kým sieť nezačne klasifikovať obrázok ako mačku:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Pôvodný obrázok psa* | *Obrázok psa klasifikovaný ako mačka*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Keďže trénujeme autoenkóder, aby zachytil čo najviac informácií z pôvodného obrázku pre presnú rekonštrukciu, sieť sa snaží nájsť najlepšie **zabudovanie** vstupných obrázkov, aby zachytila ich význam.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Obrázok z [Keras blogu](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Keďže trénujeme autoenkóder, aby zachytil čo najviac informácií z pôvodného obrázku pre presnú rekonštrukciu, sieť sa snaží nájsť najlepšie **zabudovanie** vstupných obrázkov, aby zachytila ich význam.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Obrázok z [Keras blogu](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Avšak, môžeme chcieť použiť surové (neoznačené) dáta na trénovanie CN
|
|||
|
||||
Keďže trénujeme autoenkodér, aby zachytil čo najviac informácií z pôvodného obrázku na presnú rekonštrukciu, sieť sa snaží nájsť najlepšie **zobrazenie** vstupných obrázkov, aby zachytila ich význam.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [blogu Keras](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Modely klasifikácie obrázkov, s ktorými sme sa doteraz zaoberali, brali obrá
|
|||
|
||||
## [Kvíz pred prednáškou](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok zo stránky [YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Predpokladajme, že chceme nájsť mačku na obrázku. Veľmi naivný prístup k
|
|||
2. Spustiť klasifikáciu obrázkov na každej dlaždici.
|
||||
3. Dlaždice, ktoré majú dostatočne vysokú aktiváciu, môžeme považovať za obsahujúce hľadaný objekt.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok z [cvičebného notebooku](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Pri tejto úlohe sa môžete stretnúť s nasledujúcimi datasetmi:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 tried
|
||||
* [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 tried, ohraničujúce rámy a segmentačné masky
|
||||
|
||||
|
||||
|
||||
|
||||
## Metriky detekcie objektov
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Pri tejto úlohe sa môžete stretnúť s nasledujúcimi datasetmi:
|
|||
|
||||
Zatiaľ čo pri klasifikácii obrázkov je jednoduché merať, ako dobre algoritmus funguje, pri detekcii objektov musíme merať správnosť triedy, ako aj presnosť polohy predpokladaného ohraničujúceho rámu. Na tento účel používame tzv. **Prienik cez zjednotenie** (IoU), ktorý meria, ako dobre sa dva rámy (alebo dve ľubovoľné oblasti) prekrývajú.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok 2 z [tohto výborného blogového príspevku o IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Existujú dve hlavné triedy algoritmov detekcie objektov:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) používa [Selektívne vyhľadávanie](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) na generovanie hierarchickej štruktúry regiónov ROI, ktoré sú potom prechádzané extraktormi funkcií CNN a SVM klasifikátormi na určenie triedy objektu, a lineárnou regresiou na určenie súradníc *ohraničujúceho rámu*. [Oficiálny článok](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok od van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázky z [tohto blogu](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Existujú dve hlavné triedy algoritmov detekcie objektov:
|
|||
|
||||
Tento prístup je podobný R-CNN, ale regióny sú definované po aplikovaní konvolučných vrstiev.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [oficiálneho článku](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Tento prístup je podobný R-CNN, ale regióny sú definované po aplikovaní ko
|
|||
|
||||
Hlavnou myšlienkou tohto prístupu je použitie neurónovej siete na predpovedanie ROI - tzv. *Sieť na návrh regiónov*. [Článok](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [oficiálneho článku](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Tento algoritmus je ešte rýchlejší ako Faster R-CNN. Hlavná myšlienka je n
|
|||
2. Funkcie sú spracované pomocou **Position-Sensitive Score Map**. Každý objekt z $C$ tried je rozdelený na $k\times k$ regióny, a trénujeme na predpovedanie častí objektov.
|
||||
3. Pre každú časť z $k\times k$ regiónov všetky siete hlasujú za triedy objektov, a trieda objektu s maximálnym počtom hlasov je vybraná.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [oficiálneho článku](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO je algoritmus na detekciu objektov v reálnom čase s jedným prechodom. Hl
|
|||
* Obrázok je rozdelený na $S\times S$ regióny.
|
||||
* Pre každý región **CNN** predpovedá $n$ možných objektov, *súradnice ohraničujúceho rámu* a *dôveru*=*pravdepodobnosť* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [oficiálneho článku](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Počítačové videnie
|
||||
|
||||
|
||||
|
||||
|
||||
V tejto sekcii sa naučíme:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Bag of Words** (BoW) je najčastejšie používaná tradičná vektorová reprezentácia. Každé slovo je priradené k indexu vektora a prvok vektora obsahuje počet výskytov daného slova v konkrétnom dokumente.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Na BoW sa môžete pozerať aj ako na súčet všetkých one-hot-enkódovaných vektorov pre jednotlivé slová v texte.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Bag-of-words** (BoW) je najjednoduchšia tradičná metóda reprezentácie textu pomocou vektorov. Každé slovo je priradené k indexu vektora a prvok vektora obsahuje počet výskytov daného slova v konkrétnom dokumente.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Na metódu BoW sa môžete pozerať aj ako na súčet všetkých vektorov s jedným aktívnym prvkom (one-hot-encoded) pre jednotlivé slová v texte.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Použitím embedding vrstvy ako prvej vrstvy v našej sieti môžeme prejsť od modelu bag-of-words k modelu **embedding bag**, kde najskôr každé slovo v našom texte prevedieme na zodpovedajúci embedding a potom vypočítame nejakú agregačnú funkciu nad všetkými týmito embeddingami, ako napríklad `sum`, `average` alebo `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Naša klasifikačná neurónová sieť začne embedding vrstvou, potom agregačnou vrstvou a na vrchu bude lineárny klasifikátor:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"V predchádzajúcej architektúre sme museli všetky sekvencie doplniť na rovnakú dĺžku, aby sa zmestili do minibatchu. Toto nie je najefektívnejší spôsob reprezentácie sekvencií s premenlivou dĺžkou - iný prístup by bol použiť **offset** vektor, ktorý by obsahoval posuny všetkých sekvencií uložených v jednom veľkom vektore.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: Na obrázku vyššie je zobrazená sekvencia znakov, ale v našom príklade pracujeme so sekvenciami slov. Avšak, základný princíp reprezentácie sekvencií pomocou offset vektora zostáva rovnaký.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW je rýchlejší, zatiaľ čo skip-gram je pomalší, ale lepšie reprezentuje zriedkavé slová.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Na experimentovanie s Word2Vec vektormi predtrénovanými na Google News dataset môžeme použiť knižnicu **gensim**. Nižšie nájdeme slová najviac podobné slovu 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Použitím embedding vrstvy ako prvej vrstvy v našej sieti môžeme prejsť z modelu bag-of-words na model **embedding bag**, kde najskôr každé slovo v našom texte prevedieme na zodpovedajúci embedding a potom vypočítame nejakú agregačnú funkciu nad všetkými týmito embeddingmi, ako napríklad `sum`, `average` alebo `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Naša klasifikačná neurónová sieť pozostáva z nasledujúcich vrstiev:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW je rýchlejší, zatiaľ čo skip-gram je pomalší, ale lepšie reprezentuje zriedkavé slová.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Na experimentovanie s embeddingom Word2Vec predtrénovaným na Google News dataset môžeme použiť knižnicu **gensim**. Nižšie nájdeme slová najviac podobné slovu 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Vstavaná vrstva (embedding layer) teda prijíma slovo ako vstup a produkuje vý
|
|||
|
||||
Použitím vstavanej vrstvy ako prvej vrstvy v našej klasifikačnej sieti môžeme prejsť z modelu bag-of-words na model **embedding bag**, kde najprv každé slovo v texte prevedieme na zodpovedajúcu vstavanú reprezentáciu a potom vypočítame nejakú agregačnú funkciu nad všetkými týmito reprezentáciami, ako napríklad `sum`, `average` alebo `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok od autora
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Na to potrebujeme predtrénovať náš model vstavaných reprezentácií na veľ
|
|||
|
||||
CBoW je rýchlejší, zatiaľ čo skip-gram je pomalší, ale lepšie reprezentuje zriedkavé slová.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [tohto článku](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ V našich predchádzajúcich príkladoch sme používali predtrénované sémant
|
|||
* **Continuous Bag-of-Words** (CBoW), kde predpovedáme stredný token $W_0$ v sekvencii tokenov $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, kde predpovedáme množinu susedných tokenov {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} zo stredného tokenu $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [tohto článku](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ V predchádzajúcich sekciách sme používali bohaté sémantické reprezentác
|
|||
|
||||
Na zachytenie významu textovej sekvencie potrebujeme použiť inú architektúru neurónovej siete, ktorá sa nazýva **rekurentná neurónová sieť** alebo RNN. V RNN prechádzame vetou cez sieť jeden symbol po druhom a sieť produkuje určitý **stav**, ktorý následne posunieme do siete spolu s ďalším symbolom.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok od autora
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Diskutovali sme o rekurentných sieťach, ktoré fungujú jedným smerom, od za
|
|||
|
||||
Rekurentná sieť, či už jednosmerná alebo obojstranná, zachytáva určité vzory v rámci sekvencie a môže ich uložiť do stavového vektora alebo preniesť do výstupu. Rovnako ako pri konvolučných sieťach, môžeme na prvú vrstvu postaviť ďalšiu rekurentnú vrstvu, aby sme zachytili vzory vyššej úrovne a stavali na vzoroch nižšej úrovne extrahovaných prvou vrstvou. To nás privádza k pojmu **viacvrstvová RNN**, ktorá pozostáva z dvoch alebo viacerých rekurentných sietí, kde výstup predchádzajúcej vrstvy je posunutý do ďalšej vrstvy ako vstup.
|
||||
|
||||
|
||||
|
||||
|
||||
*Obrázok z [tohto skvelého príspevku](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) od Fernanda Lópeza*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Rekurentná sieť, či už jednosmerná alebo obojsmerná, zachytáva určité vzory v rámci sekvencie a môže ich uložiť do vektora stavu alebo odovzdať do výstupu. Rovnako ako pri konvolučných sieťach, môžeme na prvú vrstvu postaviť ďalšiu rekurentnú vrstvu, aby sme zachytili vzory na vyššej úrovni, ktoré sú vytvorené z nízkoúrovňových vzorov extrahovaných prvou vrstvou. To nás privádza k pojmu **viacvrstvová RNN**, ktorá pozostáva z dvoch alebo viacerých rekurentných sietí, kde výstup predchádzajúcej vrstvy je odovzdaný ako vstup do nasledujúcej vrstvy.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Obrázok z [tohto skvelého článku](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) od Fernanda Lópeza*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Na zachytenie významu textovej sekvencie použijeme architektúru neurónovej siete nazývanú **rekurentná neurónová sieť** (RNN). Pri použití RNN prechádzame vetou cez sieť po jednom tokene, pričom sieť produkuje určitý **stav**, ktorý následne odovzdáme s ďalším tokenom späť do siete.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Pri danej vstupnej sekvencii tokenov $X_0,\\dots,X_n$ RNN vytvára sekvenciu blokov neurónovej siete a trénuje túto sekvenciu end-to-end pomocou spätného šírenia. Každý blok siete prijíma ako vstup dvojicu $(X_i,S_i)$ a produkuje výsledok $S_{i+1}$. Konečný stav $S_n$ alebo výstup $Y_n$ sa odovzdáva do lineárneho klasifikátora na produkciu výsledku. Všetky bloky siete zdieľajú rovnaké váhy a sú trénované end-to-end jedným priechodom spätného šírenia.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Rekurentné siete, či už jednosmerné alebo obojsmerné, zachytávajú vzory v rámci sekvencie a ukladajú ich do stavových vektorov alebo ich vracajú ako výstup. Podobne ako pri konvolučných sieťach, môžeme za prvú rekurentnú vrstvu pridať ďalšiu, aby sme zachytili vzory vyššej úrovne, ktoré sú vytvorené z nižších úrovní vzorov extrahovaných prvou vrstvou. To nás privádza k pojmu **viacvrstvová RNN**, ktorá pozostáva z dvoch alebo viacerých rekurentných sietí, kde výstup predchádzajúcej vrstvy slúži ako vstup pre nasledujúcu vrstvu.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Obrázok pochádza z [tohto skvelého článku](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) od Fernanda Lópeza.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Spôsob, akým budeme trénovať RNN na generovanie textu, je nasledovný. V každom kroku vezmeme sekvenciu znakov s dĺžkou `nchars` a požiadame sieť, aby pre každý vstupný znak vygenerovala nasledujúci výstupný znak:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"V závislosti od konkrétneho scenára môžeme chcieť zahrnúť aj špeciálne znaky, ako napríklad *koniec sekvencie* `<eos>`. V našom prípade chceme sieť trénovať na nekonečné generovanie textu, preto nastavíme veľkosť každej sekvencie na `nchars` tokenov. Každý tréningový príklad tak bude pozostávať z `nchars` vstupov a `nchars` výstupov (čo je vstupná sekvencia posunutá o jeden symbol doľava). Minibatch bude obsahovať niekoľko takýchto sekvencií.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -111,7 +111,7 @@
|
|||
"\n",
|
||||
"Spôsob, akým budeme trénovať RNN na generovanie nadpisov správ, je nasledovný. V každom kroku vezmeme jeden nadpis, ktorý bude poskytnutý RNN, a pre každý vstupný znak požiadame sieť, aby vygenerovala nasledujúci výstupný znak:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Pre posledný znak našej sekvencie požiadame sieť, aby vygenerovala token `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ V architektúre RNN, ktorú sme preberali v predchádzajúcej jednotke, každá
|
|||
|
||||
To umožňuje rôzne neurónové architektúry, ktoré sú znázornené na obrázku nižšie:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z blogového príspevku [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) od [Andreja Karpatyho](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ V tejto jednotke sa zameriame na jednoduché generatívne modely, ktoré nám po
|
|||
|
||||
Budeme trénovať túto RNN na generovanie textu krok za krokom. Na každom kroku vezmeme sekvenciu znakov dĺžky `nchars` a požiadame sieť, aby pre každý vstupný znak vygenerovala ďalší výstupný znak:
|
||||
|
||||
|
||||
|
||||
|
||||
Pri generovaní textu (počas inferencie) začíname s nejakým **podnetom**, ktorý prechádza cez RNN bunky na generovanie jeho medzistavu, a potom z tohto stavu začína generovanie. Generujeme jeden znak naraz a stav spolu s vygenerovaným znakom posielame ďalšej RNN bunke na generovanie ďalšieho znaku, až kým nevygenerujeme dostatok znakov.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Pri RNN sa sekvencia na sekvenciu implementuje pomocou dvoch rekurentných siet
|
|||
|
||||
**Mechanizmy pozornosti** poskytujú spôsob váženia kontextového vplyvu každého vstupného vektora na každú výstupnú predikciu RNN. Implementuje sa to vytvorením skratiek medzi medzistavmi vstupného RNN a výstupného RNN. Týmto spôsobom, pri generovaní výstupného symbolu y<sub>t</sub>, zohľadníme všetky skryté stavy vstupu h<sub>i</sub>, s rôznymi váhovými koeficientmi α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Model enkodér-dekodér s aditívnym mechanizmom pozornosti podľa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citované z [tohto blogového príspevku](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Maticu pozornosti {α<sub>i,j</sub>} by sme mohli interpretovať ako mieru, do akej určité vstupné slová ovplyvňujú generovanie daného slova vo výstupnej sekvencii. Nižšie je príklad takejto matice:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Obr.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Výsledok, ktorý získame s pozičným embeddingom, zahŕňa pôvodný token aj
|
|||
|
||||
Ďalej potrebujeme zachytiť nejaké vzory v rámci našej sekvencie. Na tento účel transformery používajú mechanizmus **vlastnej pozornosti**, ktorý je v podstate pozornosť aplikovaná na tú istú sekvenciu ako vstup a výstup. Aplikovanie vlastnej pozornosti nám umožňuje zohľadniť **kontext** v rámci vety a vidieť, ktoré slová sú navzájom prepojené. Napríklad nám umožňuje vidieť, na ktoré slová odkazujú koreferencie, ako *to*, a tiež zohľadniť kontext:
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok z [Google Blogu](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Keďže každá vstupná pozícia je nezávisle mapovaná na každú výstupnú
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) je veľmi veľká viacvrstvová sieť transformera s 12 vrstvami pre *BERT-base* a 24 pre *BERT-large*. Model je najprv predtrénovaný na veľkom korpuse textových dát (WikiPedia + knihy) pomocou nesupervidovaného tréningu (predikcia maskovaných slov vo vete). Počas predtrénovania model absorbuje významné úrovne porozumenia jazyka, ktoré môžu byť následne využité s inými datasetmi pomocou jemného doladenia. Tento proces sa nazýva **transfer learning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Obrázok [zdroj](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mechanizmy pozornosti** poskytujú spôsob, ako vážiť kontextuálny vplyv každého vstupného vektora na každú výstupnú predikciu RNN. Implementuje sa to vytvorením skratiek medzi medzistavmi vstupnej RNN a výstupnej RNN. Týmto spôsobom, pri generovaní výstupného symbolu $y_t$, zohľadníme všetky skryté stavy vstupu $h_i$, s rôznymi váhovými koeficientmi $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Model encoder-decoder s mechanizmom aditívnej pozornosti podľa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citované z [tohto blogového príspevku](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Maticu pozornosti $\\{\\alpha_{i,j}\\}$ môžeme interpretovať ako mieru, do akej konkrétne vstupné slová ovplyvňujú generovanie daného slova vo výstupnej sekvencii. Nižšie je príklad takejto matice:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Obrázok prevzatý z [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Obr.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) je veľmi veľká viacvrstvová sieť Transformer s 12 vrstvami pre *BERT-base* a 24 pre *BERT-large*. Model je najprv predtrénovaný na veľkom korpuse textových dát (Wikipedia + knihy) pomocou nesupervidovaného tréningu (predikcia maskovaných slov vo vete). Počas predtrénovania model absorbuje významnú úroveň porozumenia jazyka, ktorú je možné následne využiť s inými dátovými súbormi pomocou jemného doladenia. Tento proces sa nazýva **transfer learning**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Existuje mnoho variácií architektúr Transformer, vrátane BERT, DistilBERT, BigBird, OpenGPT3 a ďalších, ktoré je možné jemne doladiť. Balík [HuggingFace](https://github.com/huggingface/) poskytuje úložisko na tréning mnohých z týchto architektúr pomocou PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mechanizmy pozornosti** poskytujú spôsob, ako vážiť kontextuálny vplyv každého vstupného vektora na každú predikciu výstupu RNN. Implementuje sa to vytvorením skratiek medzi medzistavmi vstupnej RNN a výstupnej RNN. Týmto spôsobom, pri generovaní výstupného symbolu $y_t$, zohľadníme všetky skryté stavy vstupu $h_i$, s rôznymi váhovými koeficientmi $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Model encoder-decoder s mechanizmom aditívnej pozornosti podľa [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citované z [tohto blogového príspevku](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matica pozornosti $\\{\\alpha_{i,j}\\}$ predstavuje mieru, do akej určité vstupné slová ovplyvňujú generovanie daného slova vo výstupnej sekvencii. Nižšie je príklad takejto matice:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Obrázok prevzatý z [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Obr.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -231,7 +231,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) je veľmi veľká viacvrstvová transformerová sieť s 12 vrstvami pre *BERT-base* a 24 vrstvami pre *BERT-large*. Model je najskôr predtrénovaný na veľkom korpuse textových dát (WikiPedia + knihy) pomocou nesupervidovaného učenia (predpovedanie maskovaných slov vo vete). Počas predtrénovania model absorbuje významnú úroveň porozumenia jazyka, ktorú je možné následne využiť s inými datasetmi pomocou jemného doladenia. Tento proces sa nazýva **transferové učenie**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Existuje mnoho variácií transformerových architektúr vrátane BERT, DistilBERT, BigBird, OpenGPT3 a ďalších, ktoré je možné jemne doladiť.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -56,7 +56,7 @@ novorodenca | O
|
|||
|
||||
Keďže potrebujeme vytvoriť jednoznačnú korešpondenciu medzi tokenmi a triedami, môžeme trénovať pravú **mnoho-na-mnoho** neurónovú sieť z tohto obrázku:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok z [tohto blogového príspevku](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) od [Andreja Karpathyho](http://karpathy.github.io/). Modely klasifikácie tokenov NER zodpovedajú najpravšej architektúre siete na tomto obrázku.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Spracovanie prirodzeného jazyka
|
||||
|
||||
|
||||
|
||||
|
||||
V tejto sekcii sa zameriame na používanie neurónových sietí na riešenie úloh súvisiacich so **spracovaním prirodzeného jazyka (NLP)**. Existuje mnoho problémov v oblasti NLP, ktoré by sme chceli, aby počítače dokázali vyriešiť:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Môžete otvoriť jeden z modelov, napríklad **Biology → Flocking**.
|
|||
|
||||
Po otvorení modelu sa dostanete na hlavnú obrazovku NetLogo. Tu je ukážkový model, ktorý popisuje populáciu vlkov a oviec, pričom zdroje (tráva) sú obmedzené.
|
||||
|
||||
|
||||
|
||||
|
||||
> Snímka obrazovky od Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Prehľad
|
||||
|
||||
|
||||
|
||||
|
||||
> Kresba od [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Po úspechu transformerových modelov pri riešení úloh spracovania prirodzen
|
|||
|
||||
Hlavnou myšlienkou CLIP je schopnosť porovnávať textové podnety s obrázkom a určiť, ako dobre obrázok zodpovedá danému podnetu.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok z [tohto blogového príspevku](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Po predtrénovaní modelu mu môžeme poskytnúť dávku obrázkov a dávku text
|
|||
|
||||
Predpokladajme, že potrebujeme klasifikovať obrázky, napríklad medzi mačkami, psami a ľuďmi. V tomto prípade môžeme modelu poskytnúť obrázok a sériu textových podnetov: "*obrázok mačky*", "*obrázok psa*", "*obrázok človeka*". Vo výslednom vektore s 3 pravdepodobnosťami stačí vybrať index s najvyššou hodnotou.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Obrázok z [tohto blogového príspevku](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Viac o VQGAN sa dozviete na webovej stránke [Taming Transformers](https://compv
|
|||
|
||||
Jedným z dôležitých rozdielov medzi VQGAN a tradičným GAN je, že tradičný GAN dokáže vytvoriť slušný obrázok z akéhokoľvek vstupného vektora, zatiaľ čo VQGAN pravdepodobne vytvorí obrázok, ktorý nebude koherentný. Preto je potrebné ďalej usmerňovať proces tvorby obrázka, čo sa dá dosiahnuť pomocou CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Na generovanie obrázka zodpovedajúceho textovému podnetu začíname s náhodným kódovacím vektorom, ktorý prechádza cez VQGAN a vytvára obrázok. Potom sa použije CLIP na vytvorenie stratovej funkcie, ktorá ukazuje, ako dobre obrázok zodpovedá textovému podnetu. Cieľom je minimalizovať túto stratu pomocou spätného šírenia na úpravu parametrov vstupného vektora.
|
||||
|
||||
Skvelá knižnica, ktorá implementuje VQGAN+CLIP, je [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Obrázok vytvorený z podnetu *detailný akvarelový portrét mladého učiteľa literatúry s knihou* | Obrázok vytvorený z podnetu *detailný olejový portrét mladej učiteľky informatiky s počítačom* | Obrázok vytvorený z podnetu *detailný olejový portrét starého učiteľa matematiky pred tabuľou*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,164 +1,164 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:39:11+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T13:23:45+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "sl"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# Umetna inteligenca za začetnike - Kurikulum
|
||||
# Umetna inteligenca za začetnike - učni načrt
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| Umetna inteligenca za začetnike - _Sketchnote avtorice [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _Sketchnote avtorja [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Raziščite svet **Umetne inteligence** (AI) z našim 12-tedenskim, 24-učnim kurikulumom! Vsebuje praktične lekcije, kvize in laboratorijske vaje. Kurikulum je primeren za začetnike in pokriva orodja, kot sta TensorFlow in PyTorch, pa tudi etiko v AI
|
||||
Raziščite svet **umetne inteligence** (AI) z našim 12-tedenskim, 24-lekcijskim učnim načrtom! Vključuje praktične lekcije, kvize in laboratorijske vaje. Učni načrt je prijazen do začetnikov in pokriva orodja, kot sta TensorFlow in PyTorch, pa tudi etiko v AI
|
||||
|
||||
### 🌐 Podpora za več jezikov
|
||||
### 🌐 Podpora več jezikov
|
||||
|
||||
#### Podprto prek GitHub Action (avtomatsko in vedno posodobljeno)
|
||||
#### Podprto prek GitHub Action (avtomatizirano in vedno posodobljeno)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arabščina](../ar/README.md) | [Bengalščina](../bn/README.md) | [Bolgarščina](../bg/README.md) | [Burmanski (Myanmar)](../my/README.md) | [Kitajščina (poenostavljena)](../zh/README.md) | [Kitajščina (tradicionalna, Hong Kong)](../hk/README.md) | [Kitajščina (tradicionalna, Macau)](../mo/README.md) | [Kitajščina (tradicionalna, Taiwan)](../tw/README.md) | [Hrvaščina](../hr/README.md) | [Češčina](../cs/README.md) | [Danščina](../da/README.md) | [Nizozemščina](../nl/README.md) | [Estonščina](../et/README.md) | [Finščina](../fi/README.md) | [Francoščina](../fr/README.md) | [Nemščina](../de/README.md) | [Grščina](../el/README.md) | [Hebrejščina](../he/README.md) | [Hindijščina](../hi/README.md) | [Madžarščina](../hu/README.md) | [Indonezijščina](../id/README.md) | [Italijanščina](../it/README.md) | [Japonščina](../ja/README.md) | [Kannada](../kn/README.md) | [Korejščina](../ko/README.md) | [Litvanščina](../lt/README.md) | [Malajščina](../ms/README.md) | [Malajalamščina](../ml/README.md) | [Maratščina](../mr/README.md) | [Nepalščina](../ne/README.md) | [Nigerijski pidžin](../pcm/README.md) | [Norveščina](../no/README.md) | [Perzijski (Farsi)](../fa/README.md) | [Poljščina](../pl/README.md) | [Portugalščina (Brazilija)](../br/README.md) | [Portugalščina (Portugalska)](../pt/README.md) | [Pandžabščina (Gurmukhi)](../pa/README.md) | [Romunščina](../ro/README.md) | [Ruščina](../ru/README.md) | [Srbščina (cirilica)](../sr/README.md) | [Slovaščina](../sk/README.md) | [Slovenščina](./README.md) | [Španščina](../es/README.md) | [Svahili](../sw/README.md) | [Švedščina](../sv/README.md) | [Tagalog (Filipini)](../tl/README.md) | [Tamilščina](../ta/README.md) | [Teluguščina](../te/README.md) | [Tajščina](../th/README.md) | [Turščina](../tr/README.md) | [Ukrajinščina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamščina](../vi/README.md)
|
||||
[Arabščina](../ar/README.md) | [Bengalščina](../bn/README.md) | [Bolgarščina](../bg/README.md) | [Burmanščina (Myanmar)](../my/README.md) | [Kitajščina (poenostavljena)](../zh/README.md) | [Kitajščina (tradicionalna, Hong Kong)](../hk/README.md) | [Kitajščina (tradicionalna, Macau)](../mo/README.md) | [Kitajščina (tradicionalna, Taiwan)](../tw/README.md) | [Hrvaščina](../hr/README.md) | [Češčina](../cs/README.md) | [Danščina](../da/README.md) | [Nizozemščina](../nl/README.md) | [Estonščina](../et/README.md) | [Finščina](../fi/README.md) | [Francoščina](../fr/README.md) | [Nemščina](../de/README.md) | [Grščina](../el/README.md) | [Hebrejščina](../he/README.md) | [Hindijščina](../hi/README.md) | [Madžarščina](../hu/README.md) | [Indonezijščina](../id/README.md) | [Italijanščina](../it/README.md) | [Japonščina](../ja/README.md) | [Kannada](../kn/README.md) | [Korejščina](../ko/README.md) | [Litovščina](../lt/README.md) | [Malajščina](../ms/README.md) | [Malajalščina](../ml/README.md) | [Maratščina](../mr/README.md) | [Nepalščina](../ne/README.md) | [Nigerijski pidgin](../pcm/README.md) | [Norveščina](../no/README.md) | [Perzijski (Farsi)](../fa/README.md) | [Poljščina](../pl/README.md) | [Portugalščina (Brazilija)](../br/README.md) | [Portugalščina (Portugalska)](../pt/README.md) | [Pandžabščina (Gurmukhi)](../pa/README.md) | [Romunščina](../ro/README.md) | [Ruščina](../ru/README.md) | [Srbščina (cirilica)](../sr/README.md) | [Slovaščina](../sk/README.md) | [Slovenščina](./README.md) | [Španščina](../es/README.md) | [Svahili](../sw/README.md) | [Švedščina](../sv/README.md) | [Tagalog (filipinski)](../tl/README.md) | [Tamilščina](../ta/README.md) | [Telugu](../te/README.md) | [Tajščina](../th/README.md) | [Turščina](../tr/README.md) | [Ukrajinščina](../uk/README.md) | [Urdščina](../ur/README.md) | [Vietnamščina](../vi/README.md)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**If you wish to have additional translations languages supported are listed [here](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Če želite dodatne prevode, podprte jezike najdete [tukaj](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Pridružite se skupnosti
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Kaj se boste naučili
|
||||
## Česa se boste naučili
|
||||
|
||||
**[Miselni zemljevid tečaja](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[Miselna mapa tečaja](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
V tem kurikulumu se boste naučili:
|
||||
V tem učnem načrtu se boste naučili:
|
||||
|
||||
* Različni pristopi k umetni inteligenci, vključno z "starim dobrim" simbolnim pristopom s **reprezentacijo znanja** in sklepanjem ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Nevronske mreže** in **globoko učenje**, ki sta v jedru sodobne umetne inteligence. Koncepte za ti pomembni temi bomo ponazorili s kodo v dveh najbolj priljubljenih ogrodjih - [TensorFlow](http://Tensorflow.org) in [PyTorch](http://pytorch.org).
|
||||
* **Nevralne arhitekture** za delo s slikami in besedilom. Pokrili bomo novejše modele, vendar morda nekoliko zaostajamo za najnovejšimi dosežki.
|
||||
* Manj priljubljeni pristopi k AI, kot so **genetski algoritmi** in **večagentni sistemi**.
|
||||
* Različne pristope k umetni inteligenci, vključno s "starim dobrim" simbolnim pristopom z **reprezentacijo znanja** in sklepanje ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Nevronske mreže** in **globoko učenje**, ki sta v jedru sodobne AI. Koncepte za tema pomembna bomo ponazorili s kodo v dveh najbolj priljubljenih ogrodjih - [TensorFlow](http://Tensorflow.org) in [PyTorch](http://pytorch.org).
|
||||
* **Nevronske arhitekture** za delo s slikami in besedilom. Pokrili bomo novejše modele, vendar morda nekoliko manj v skladu z najnovejšimi dosežki.
|
||||
* Manj priljubljene pristope k AI, kot so **genetski algoritmi** in **večagentni sistemi**.
|
||||
|
||||
Kaj v tem kurikulumu ne bomo obravnavali:
|
||||
Česa ne bomo pokrili v tem učnem načrtu:
|
||||
|
||||
> [Poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Poslovni primeri uporabe **AI v poslovanju**. Razmislite o opravljanju učne poti [Uvod v AI za poslovne uporabnike](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn ali [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), razviti v sodelovanju z [INSEAD](https://www.insead.edu/).
|
||||
* **Klasično strojno učenje**, ki je dobro opisano v našem [Kurikulumu strojnega učenja za začetnike](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktične AI aplikacije, zgrajene z uporabo **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Za to priporočamo, da začnete z moduli Microsoft Learn za [računalniški vid](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [obdelavo naravnega jezika](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativno AI z Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** in druge.
|
||||
* Poslovne primere uporabe **AI v poslovanju**. Razmislite o opravljanju učne poti [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn ali [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), razvitih v sodelovanju z [INSEAD](https://www.insead.edu/).
|
||||
* **Klasično strojno učenje**, ki je dobro opisano v našem [Učnem načrtu strojnega učenja za začetnike](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Praktične AI aplikacije, zgrajene z uporabo **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Za to priporočamo, da začnete z moduli Microsoft Learn za [računalniški vid](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [obdelavo naravnega jezika](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** in druge.
|
||||
* Specifična oblačna ogrodja za ML, kot so [Azure Machine Learning](https://azure.microsoft.com/services/machine-learning/?WT.mc_id=academic-77998-bethanycheum), [Microsoft Fabric](https://learn.microsoft.com/en-us/training/paths/get-started-fabric/?WT.mc_id=academic-77998-bethanycheum) ali [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Razmislite o uporabi učnih poti [Build and operate machine learning solutions with Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) in [Build and Operate Machine Learning Solutions with Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **Konverzacijska AI** in **pogovorni roboti**. Obstaja ločena učna pot [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), prav tako se lahko za več podrobnosti obrnete na [ta blog objavo](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Globoka matematika** za globoko učenje. Za to priporočamo knjigo [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) avtorjev Ian Goodfellow, Yoshua Bengio in Aaron Courville, ki je prav tako na voljo na spletu na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* **Conversational AI** in **klepetalni roboti**. Obstaja ločena učna pot [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), lahko pa se za več podrobnosti obrnete tudi na [ta objavo na blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/).
|
||||
* **Poglobljena matematika** za globoko učenje. Za to priporočamo knjigo [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) avtorjev Ian Goodfellow, Yoshua Bengio in Aaron Courville, ki je na voljo tudi na spletu na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Za lahek uvod v teme _AI v oblaku_ razmislite o opravljanju učne poti [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn.
|
||||
Za lahek uvod v teme _AI v oblaku_ lahko razmislite o opravljenju učne poti [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Vsebina
|
||||
|
||||
| | Povezava do lekcije | PyTorch/Keras/TensorFlow | Lab |
|
||||
| | Povezava na lekcijo | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Nastavitev tečaja](./lessons/0-course-setup/setup.md) | [Nastavite razvojno okolje](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| 0 | [Nastavitev tečaja](./lessons/0-course-setup/setup.md) | [Nastavitev razvojnega okolja](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Uvod v umetno inteligenco**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Uvod in zgodovina umetne inteligence](./lessons/1-Intro/README.md) | - | - |
|
||||
| 01 | [Uvod in zgodovina AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **Simbolna umetna inteligenca** |
|
||||
| 02 | [Reprezentacija znanja in ekspertni sistemi](./lessons/2-Symbolic/README.md) | [Ekspertni sistemi](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf konceptov](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| 02 | [Reprezentacija znanja in ekspertski sistemi](./lessons/2-Symbolic/README.md) | [Ekspertski sistemi](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptni graf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Uvod v nevronske mreže**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Zvezek](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Vaja](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron and Creating our own Framework](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Zvezek](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Vaja](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Intro to Frameworks (PyTorch/TensorFlow) and Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Vaja](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Računalniški vid**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Raziščite računalniški vid na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Uvod v računalniški vid. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Zvezek](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Vaja](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolucijske nevronske mreže](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arhitekture CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Vaja](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Predtrenirane mreže in prenosno učenje](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Triki pri treniranju](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Vaja](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Avtoenkoderji in VAE-ji](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generativne nasprotujoče mreže & Prenos umetniškega sloga](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Detekcija objektov](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Vaja](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Zvezek](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Večplastni Perceptron in ustvarjanje lastnega ogrodja](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Zvezek](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Uvod v ogrodja (PyTorch/TensorFlow) in prenaučenost](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Računalniški vid**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Raziskujte računalniški vid na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Uvod v računalniški vid. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Zvezek](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorij](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Konvolucijske nevronske mreže](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arhitekture CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Laboratorij](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Predtrenirane mreže in prenosno učenje](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Triki pri treniranju](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Laboratorij](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Avtoenkoderji in VAE](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generativne nasprotujoče nevronske mreže in prenos umetniškega sloga](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Zaznavanje objektov](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Laboratorij](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Semantična segmentacija. U-Net](./lessons/4-ComputerVision/12-Segmentation/README.md) | [PyTorch](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationPytorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/12-Segmentation/SemanticSegmentationTF.ipynb) | |
|
||||
| V | [**Obdelava naravnega jezika**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Raziščite obdelavo naravnega jezika na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Predstavitev besedila. BoW/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantične vektorske predstavitve besed. Word2Vec and GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Modeliranje jezika. Učenje lastnih vgradenj](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Vaja](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| V | [**Obdelava naravnega jezika**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Raziskujte obdelavo naravnega jezika na Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Predstavitev besedila. Bag-of-Words/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
|
||||
| 14 | [Semantične vdelave besed. Word2Vec in GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
|
||||
| 15 | [Modeliranje jezika. Učenje lastnih vdelav](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Laboratorij](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Rekurentne nevronske mreže](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generativne rekurentne mreže](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Vaja](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 17 | [Generativne rekurentne mreže](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Laboratorij](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformerji. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Prepoznavanje imenovanih entitet](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Vaja](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Veliki jezikovni modeli, programiranje pozivov in naloge z nekaj primeri](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Druge tehnike umetne inteligence** || |
|
||||
| 19 | [Prepoznavanje imenovanih entitet](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Laboratorij](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Veliki jezikovni modeli, programiranje pozivov in naloge z malo učnimi primeri](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **Druge tehnike AI** || |
|
||||
| 21 | [Genetski algoritmi](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Zvezek](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Globoko okrepljeno učenje](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Vaja](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistemi z več agenti](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| 22 | [Globoko okrepljeno učenje](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Laboratorij](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistemi več agentov](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika umetne inteligence** | | |
|
||||
| 24 | [Etika umetne inteligence in odgovorna umetna inteligenca](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principi odgovorne umetne inteligence](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Etika umetne inteligence in odgovorna AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Načela odgovorne umetne inteligence](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Dodatki** | | |
|
||||
| 25 | [Večmodalne mreže, CLIP in VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Zvezek](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Vsako predavanje vsebuje
|
||||
## Vsaka lekcija vsebuje
|
||||
|
||||
* Gradivo za predhodno branje
|
||||
* Izvedljivi Jupyter zvezki, ki so pogosto specifični za ogrodje (**PyTorch** ali **TensorFlow**). Izvedljivi zvezek vsebuje tudi veliko teoretičnega gradiva, zato, da boste razumeli temo, morate pregledati vsaj eno različico zvezka (bodisi PyTorch ali TensorFlow).
|
||||
* **Vaje** na voljo za nekatere teme, ki vam omogočajo poskusiti uporabo naučenega gradiva na konkretni problem.
|
||||
* Nekateri razdelki vsebujejo povezave do [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) modulov, ki pokrivajo sorodne teme.
|
||||
* Izvedljivi Jupyter zvezki, ki so pogosto specifični za ogrodje (**PyTorch** ali **TensorFlow**). Izvedljivi zvezek vsebuje tudi veliko teoretičnega gradiva, zato, da razumete temo, morate prebrati vsaj eno različico zvezka (bodisi **PyTorch** ali **TensorFlow**).
|
||||
* **Laboratoriji** na voljo pri nekaterih temah, ki vam omogočajo, da preizkusite uporabo naučenega gradiva pri določenem problemu.
|
||||
* Nekateri odseki vsebujejo povezave na module [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum), ki obravnavajo sorodne teme.
|
||||
|
||||
## Začetek
|
||||
|
||||
### 🎯 Nov v AI? Začnite tukaj!
|
||||
### 🎯 Nov v AI? Začni tukaj!
|
||||
|
||||
Če ste popolni začetnik v AI in želite hitre, praktične primere, si oglejte naše [**Primeri za začetnike**](./examples/README.md)! Ti vključujejo:
|
||||
Če ste popolnoma novi v AI in želite hitre, praktične primere, si oglejte naše [**Primeri za začetnike**](./examples/README.md)! Ti vključujejo:
|
||||
|
||||
- 🌟 **Pozdravljen AI svet** - Vaš prvi AI program (prepoznavanje vzorcev)
|
||||
- 🧠 **Enostavna nevronska mreža** - Sestavite nevronsko mrežo iz nič
|
||||
- 🖼️ **Razvrščevalnik slik** - Razvrščanje slik z natančnimi komentarji
|
||||
- 💬 **Besedilno razpoloženje** - Analiziraj pozitivno/negativno besedilo
|
||||
- 🧠 **Preprosta nevronska mreža** - Zgradite nevronsko mrežo iz nič
|
||||
- 🖼️ **Klasifikator slik** - Razvrščanje slik z podrobnimi komentarji
|
||||
- 💬 **Sentiment besedila** - Analizirajte pozitivno/negativno besedilo
|
||||
|
||||
Ti primeri so zasnovani, da vam pomagajo razumeti koncepte AI, preden se poglobite v celoten učni načrt.
|
||||
Ti primeri so zasnovani, da vam pomagajo razumeti koncepte AI, preden se poglobite v celoten kurikulum.
|
||||
|
||||
### 📚 Celotna nastavitev učnega načrta
|
||||
### 📚 Nastavitev celotnega kurikuluma
|
||||
|
||||
- Ustvarili smo a [lekcijo za nastavitev](./lessons/0-course-setup/setup.md), ki vam pomaga pri nastavitvi razvojnega okolja. - Za izobraževalce smo ustvarili tudi [lekcijo za nastavitev kurikuluma](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kako [pognati kodo v VSCode ali Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Ustvarili smo a [setup lesson](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - Za izobraževalce smo prav tako ustvarili a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- Kako [Run the code in a VSCode or a Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Sledite tem korakom:
|
||||
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
Fork the Repository: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
|
||||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Klonirajte repozitorij: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Don't forget to star (🌟) this repo to find it easier later.
|
||||
Ne pozabite repozitorij označiti z zvezdico (🌟), da ga boste lažje našli pozneje.
|
||||
|
||||
## Spoznajte druge udeležence
|
||||
|
||||
Pridružite se našemu [uradnemu Discord strežniku za AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) , da spoznate in se povežete z drugimi udeleženci tega tečaja ter dobite podporo.
|
||||
Pridružite se našemu [uradnemu AI Discord strežniku](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum), da spoznate in navežete stik z drugimi udeleženci tega tečaja ter pridobite podporo.
|
||||
|
||||
Če imate povratne informacije o izdelku ali vprašanja med gradnjo obiščite naš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
Če imate povratne informacije o izdelku ali vprašanja med razvijanjem obiščite naš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Kvizi
|
||||
|
||||
> **Opomba o kvizih**: Vsi kvizi so v mapi Quiz-app v etc\quiz-app, ali [spletno tukaj](https://ff-quizzes.netlify.app/) Povezani so znotraj lekcij; aplikacijo kvizov je mogoče zagnati lokalno ali jo razmestiti v Azure; sledite navodilom v mapi `quiz-app`. Postopoma se lokalizirajo.
|
||||
> **Opomba o kvizih**: Vsi kvizi se nahajajo v mapi Quiz-app v etc\quiz-app, ali [spletno tukaj](https://ff-quizzes.netlify.app/) Povezani so znotraj lekcij; aplikacijo kviza je mogoče zagnati lokalno ali namestiti v Azure; sledite navodilom v mapi `quiz-app`. Postopoma se lokalizirajo.
|
||||
|
||||
## Iščemo pomoč
|
||||
|
||||
Imate predloge ali ste našli tipkarske ali kode napake? Odprite issue ali ustvarite pull request.
|
||||
Imate predloge ali ste našli napake v črkovanju ali kodi? Odprite issue ali ustvarite pull request.
|
||||
|
||||
## Posebna zahvala
|
||||
|
||||
* **✍️ Glavni avtor:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Urednik:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator sketchnotov:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **🎨 Ilustratorka sketchnotov:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Ustvarjalec kvizov:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Glavni sodelavci:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Glavni prispevalci:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Drugi kurikulumi
|
||||
|
||||
|
|
@ -175,11 +175,11 @@ Naša ekipa pripravlja tudi druge kurikulume! Oglejte si:
|
|||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Serija Generativne AI
|
||||
### Serija generativne AI
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
|
|
@ -188,7 +188,7 @@ Naša ekipa pripravlja tudi druge kurikulume! Oglejte si:
|
|||
---
|
||||
|
||||
### Osnovno učenje
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
|
|
@ -199,24 +199,24 @@ Naša ekipa pripravlja tudi druge kurikulume! Oglejte si:
|
|||
---
|
||||
|
||||
### Serija Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Kako pridobiti pomoč
|
||||
## Pridobivanje pomoči
|
||||
|
||||
Če ostanete zataknjeni ali imate vprašanja o izdelavi AI aplikacij. Pridružite se ostalim udeležencem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje svobodno deli.
|
||||
Če se zataknete ali imate vprašanja glede izdelave AI aplikacij, se pridružite drugim udeležencem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prosto deli.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Če imate povratne informacije o izdelku ali napake med gradnjo obiščite:
|
||||
Če imate povratne informacije o izdelku ali naletite na napake med razvojem, obiščite:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Izjava o omejitvi 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, upoštevajte, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvor‑nem jeziku se šteje za avtoritativni vir. Za ključne informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za kakršne koli nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
|
||||
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 opozarjamo, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v izvirnem jeziku velja za avtoritativni vir. Za kritične informacije priporočamo strokovni prevod, opravljen s strani človeka. Ne odgovarjamo za morebitne nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Uvod v umetno inteligenco
|
||||
|
||||
|
||||
|
||||
|
||||
> Skica avtorja [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Računalnike je prvotno izumil [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) za obdelavo števil po natančno določenem postopku – algoritmu. Sodobni računalniki, čeprav bistveno naprednejši od prvotnega modela iz 19. stoletja, še vedno sledijo isti ideji nadzorovanih izračunov. Tako je mogoče programirati računalnik za izvedbo naloge, če poznamo natančen zaporedje korakov, potrebnih za dosego cilja.
|
||||
|
||||
|
||||
|
||||
|
||||
> Fotografija avtorja [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ Za več informacij glejte **[Splošna umetna inteligenca](https://en.wikipedia.o
|
|||
|
||||
Ena od težav pri obravnavi izraza **[inteligenca](https://en.wikipedia.org/wiki/Intelligence)** je, da ni jasne definicije tega pojma. Nekateri trdijo, da je inteligenca povezana z **abstraktnim razmišljanjem** ali **samozavedanjem**, vendar je ne moremo ustrezno opredeliti.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Fotografija](https://unsplash.com/photos/75715CVEJhI) avtorja [Amber Kipp](https://unsplash.com/@sadmax) iz Unsplash
|
||||
|
||||
|
|
@ -98,13 +98,13 @@ Alternativno lahko poskusimo modelirati najpreprostejše elemente v naših možg
|
|||
|
||||
> | Kaj pa ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Del umetne inteligence, ki temelji na tem, da se računalnik nauči reševati problem na podlagi nekaterih podatkov, se imenuje **strojno učenje**. Klasičnega strojnega učenja v tem tečaju ne bomo obravnavali – napotujemo vas na ločen učni načrt [Strojno učenje za začetnike](http://aka.ms/ml-beginners). |  |
|
||||
> | Del umetne inteligence, ki temelji na tem, da se računalnik nauči reševati problem na podlagi nekaterih podatkov, se imenuje **strojno učenje**. Klasičnega strojnega učenja v tem tečaju ne bomo obravnavali – napotujemo vas na ločen učni načrt [Strojno učenje za začetnike](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Kratka zgodovina umetne inteligence
|
||||
|
||||
Umetna inteligenca se je kot področje začela sredi dvajsetega stoletja. Sprva je bil simbolični pristop prevladujoč in je prinesel številne pomembne uspehe, kot so ekspertni sistemi – računalniški programi, ki so lahko delovali kot strokovnjaki na nekaterih omejenih problematičnih področjih. Vendar se je kmalu izkazalo, da tak pristop ni dobro skalabilen. Pridobivanje znanja od strokovnjaka, njegovo predstavljanje v računalniku in ohranjanje točnosti baze znanja se je izkazalo za zelo zapleteno nalogo in predrago za praktično uporabo v mnogih primerih. To je privedlo do tako imenovane [zime umetne inteligence](https://en.wikipedia.org/wiki/AI_winter) v 70. letih.
|
||||
|
||||
<img alt="Kratka zgodovina umetne inteligence" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.sl.png" width="70%"/>
|
||||
<img alt="Kratka zgodovina umetne inteligence" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.sl.png" width="70%"/>
|
||||
|
||||
> Slika avtorja [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -124,7 +124,7 @@ Podobno lahko vidimo, kako se je spreminjal pristop k ustvarjanju "govorečih pr
|
|||
* Sodobni asistenti, kot so Cortana, Siri ali Google Assistant, so vsi hibridni sistemi, ki uporabljajo nevronske mreže za pretvorbo govora v besedilo in prepoznavanje našega namena, nato pa uporabijo nekaj razmišljanja ali eksplicitnih algoritmov za izvedbo zahtevanih dejanj.
|
||||
* V prihodnosti lahko pričakujemo popoln model, ki temelji na nevronskih mrežah, za samostojno obravnavo dialoga. Nedavne družine nevronskih mrež GPT in [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) kažejo velik uspeh pri tem.
|
||||
|
||||
<img alt="evolucija Turingovega testa" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.sl.png" width="70%"/>
|
||||
<img alt="evolucija Turingovega testa" src="../../../../translated_images/turing-test-evol.4184696701293ead.sl.png" width="70%"/>
|
||||
> Slika Dmitry Soshnikov, [fotografija](https://unsplash.com/photos/r8LmVbUKgns) avtorja [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Nedavne raziskave na področju umetne inteligence
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"V tem primeru bomo implementirali preprost sistem, ki temelji na znanju, za določanje živali na podlagi nekaterih fizičnih značilnosti. Sistem lahko predstavimo z naslednjim AND-OR drevesom (to je del celotnega drevesa, zlahka lahko dodamo še več pravil):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Predstavitev znanja in ekspertni sistemi
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote avtorja [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Najpogosteje znanja ne definiramo strogo, ampak ga uskladimo z drugimi povezanim
|
|||
|
||||
Tako je problem **predstavitve znanja** najti učinkovit način za predstavitev znanja znotraj računalnika v obliki podatkov, da bi bilo samodejno uporabno. To lahko vidimo kot spekter:
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika avtorja [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Blok-sintaksa | Zamik | | |
|
|||
|
||||
Eden zgodnjih uspehov simbolne umetne inteligence so bili tako imenovani **ekspertni sistemi** - računalniški sistemi, zasnovani za delovanje kot strokovnjak na omejenem področju problemov. Temeljili so na **bazi znanja**, pridobljeni od enega ali več človeških strokovnjakov, in vsebovali **inferenčni mehanizem**, ki je izvajal razmišljanje na podlagi te baze.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Poenostavljena struktura človeškega nevronskega sistema | Arhitektura sistema, ki temelji na znanju
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Ekspertni sistemi so zgrajeni podobno kot človeški sistem razmišljanja, ki vs
|
|||
|
||||
Kot primer si poglejmo naslednji ekspertni sistem za določanje živali na podlagi njihovih fizičnih značilnosti:
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika avtorja [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1255,7 +1255,7 @@
|
|||
"* Nizka izguba na učnih podatkih - model lahko dobro približa učne podatke, ker ima dovolj izražalne moči.\n",
|
||||
"* Izguba na validacijskih podatkih je lahko veliko višja kot izguba na učnih podatkih in se lahko med učenjem začne povečevati - to je zato, ker model \"zapomni\" učne točke in izgubi \"celotno sliko\".\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Na tej sliki `x` predstavlja učne podatke, `o` - validacijske podatke. Levo - linearen model (enoplastni), ki precej dobro približa naravo podatkov. Desno - model, ki je preveč prilagojen učnim podatkom, model popolnoma dobro približa učne podatke, vendar izgubi smisel pri drugih podatkih (napaka na validacijskih podatkih je zelo visoka).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Prenaučenje je izjemno pomemben koncept v strojnem učenju, zato je zelo pomemb
|
|||
|
||||
Razmislimo o naslednjem problemu približevanja 5 točk (predstavljenih z `x` na spodnjih grafih):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Linearen model, 2 parametra** | **Nelinearen model, 7 parametrov**
|
||||
Napaka pri učenju = 5.3 | Napaka pri učenju = 0
|
||||
|
|
@ -79,7 +79,7 @@ Zelo pomembno je najti pravo ravnovesje med kompleksnostjo modela (številom par
|
|||
|
||||
Kot lahko vidite na zgornjem grafu, lahko prenaučenje zaznamo z zelo nizko napako pri učenju in visoko napako pri validaciji. Običajno med učenjem vidimo, da se napake pri učenju in validaciji zmanjšujejo, nato pa se v nekem trenutku napaka pri validaciji preneha zmanjševati in začne naraščati. To bo znak prenaučenja in indikator, da bi morali verjetno ustaviti učenje (ali vsaj narediti posnetek modela).
|
||||
|
||||
|
||||
|
||||
|
||||
## Kako preprečiti prenaučenje
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Uvod v 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**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ V tem učnem načrtu se bomo osredotočili le na modele nevronskih mrež.
|
|||
|
||||
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.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Pravi nevron *([Slika](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) iz Wikipedije)* | Umetni nevron *(Slika avtorja)*
|
||||
|
||||
Tako najpreprostejši matematični model nevrona vsebuje več vhodov X<sub>1</sub>, ..., X<sub>N</sub> in en izhod Y ter vrsto uteži W<sub>1</sub>, ..., W<sub>N</sub>. Izhod se izračuna kot:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.sl.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
kjer je f neka nelinearna **aktivacijska funkcija**.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ V našem [OpenCV Notebook](OpenCV.ipynb) podajamo nekaj primerov, kdaj se račun
|
|||
|
||||
* **Predobdelava fotografije Braillove knjige**. Osredotočamo se na to, kako lahko uporabimo pragovno obdelavo, zaznavanje značilnosti, perspektivno transformacijo in manipulacije z NumPy za ločevanje posameznih Braillovih simbolov za nadaljnjo klasifikacijo z nevronsko mrežo.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Slika iz [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Zaznavanje gibanja v videu z razliko med okvirji**. Če je kamera fiksna, bi morali biti okvirji iz kamere med seboj precej podobni. Ker so okvirji predstavljeni kot polja, bomo z odštevanjem teh polj za dva zaporedna okvirja dobili razliko med piksli, ki bi morala biti nizka za statične okvirje in postati višja, ko je v sliki zaznano večje gibanje.
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika iz [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ V našem [OpenCV Notebook](OpenCV.ipynb) podajamo nekaj primerov, kdaj se račun
|
|||
- **Gost optični tok** izračuna vektorsko polje, ki kaže, kam se premika vsak piksel.
|
||||
- **Redek optični tok** temelji na zaznavanju nekaterih značilnih značilnosti slike (npr. robov) in gradnji njihove trajektorije od okvirja do okvirja.
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika iz [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 je mreža, ki je leta 2014 dosegla 92,7 % natančnost pri razvrščanju ImageNet top-5. Ima naslednjo strukturo slojev:
|
||||
|
||||
|
||||
|
||||
|
||||
Kot lahko vidite, VGG sledi tradicionalni piramidni arhitekturi, ki je zaporedje slojev konvolucije in združevanja.
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika iz [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"Tako bi v tipičnem CNN-ju imeli več konvolucijskih plasti, med katerimi bi bili sloji za združevanje, da zmanjšamo dimenzije slike. Prav tako bi povečali število filtrov, saj postajajo vzorci bolj kompleksni – obstaja več možnih zanimivih kombinacij, ki jih moramo iskati.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Zaradi zmanjševanja prostorskih dimenzij in povečevanja dimenzij značilnosti/filtrov se ta arhitektura imenuje tudi **piramidna arhitektura**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"Tako bi v tipičnem CNN-ju imeli več konvolucijskih plasti, z vmesnimi pooling sloji za zmanjšanje dimenzij slike. Prav tako bi povečali število filtrov, saj z naprednejšimi vzorci obstaja več možnih zanimivih kombinacij, ki jih moramo iskati.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Zaradi zmanjševanja prostorskih dimenzij in povečevanja dimenzij značilnosti/filtrov se ta arhitektura imenuje tudi **piramidna arhitektura**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ V resničnem življenju želimo prepoznati predmete na sliki ne glede na njihov
|
|||
|
||||
Za ekstrakcijo vzorcev bomo uporabili koncept **konvolucijskih filtrov**. Kot veste, je slika predstavljena z 2D-matriko ali 3D-tenzorjem z barvno globino. Uporaba filtra pomeni, da vzamemo relativno majhno matriko **jedra filtra** in za vsak piksel v izvirni sliki izračunamo uteženo povprečje z okoliškimi točkami. To si lahko predstavljamo kot majhno okno, ki drsi čez celotno sliko in povpreči vse piksle glede na uteži v matriki jedra filtra.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Slika: Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Delovanje CNN temelji na naslednjih pomembnih idejah:
|
|||
* Mrežo lahko zasnujemo tako, da se filtri učijo samodejno
|
||||
* Enak pristop lahko uporabimo za iskanje vzorcev v visokih značilnostih, ne le v izvirni sliki. Tako ekstrakcija značilnosti v CNN deluje na hierarhiji značilnosti, začenši z nizkoročnimi kombinacijami pikslov do višjih kombinacij delov slike.
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika iz [članka Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), na podlagi [njihove raziskave](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ Večina CNN-jev, ki se uporabljajo za obdelavo slik, sledi tako imenovani pirami
|
|||
|
||||
Na primer, poglejmo arhitekturo VGG-16, mreže, ki je leta 2014 dosegla 92,7 % natančnost v top-5 klasifikaciji na ImageNet:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Slika iz [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue