diff --git a/translations/fr/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/fr/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 62e6975b..7053ce97 100644 --- a/translations/fr/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/fr/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ Vous devez entraîner un réseau neuronal convolutif pour classifier différente Nous utiliserons le [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), qui contient des images de 37 races différentes de chiens et de chats. -![Dataset avec lequel nous travaillerons](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.fr.png) +![Dataset avec lequel nous travaillerons](../../../../../../translated_images/data.50b2a9d5484bdbf0.fr.png) Pour télécharger le dataset, utilisez ce fragment de code : diff --git a/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md index 2b9038ea..56810308 100644 --- a/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/fr/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Keras et PyTorch proposent des fonctions permettant de charger facilement les po Voici des exemples de caractéristiques extraites d'une image de chat par le réseau VGG-16 : -![Caractéristiques extraites par VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.fr.png) +![Caractéristiques extraites par VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.fr.png) ## Ensemble de données "Chats vs. Chiens" @@ -48,19 +48,19 @@ Un réseau neuronal pré-entraîné contient différents motifs dans son *cervea Une approche consiste à partir d'une image aléatoire et à utiliser une technique d'optimisation par **descente de gradient** pour ajuster cette image de manière à ce que le réseau commence à penser qu'il s'agit d'un chat. -![Boucle d'optimisation d'image](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.fr.png) +![Boucle d'optimisation d'image](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.fr.png) Cependant, si nous faisons cela, nous obtiendrons quelque chose qui ressemble beaucoup à un bruit aléatoire. Cela s'explique par le fait qu'*il existe de nombreuses façons de faire croire au réseau que l'image d'entrée est un chat*, y compris certaines qui n'ont aucun sens visuel. Bien que ces images contiennent de nombreux motifs typiques d'un chat, rien ne les contraint à être visuellement distinctives. Pour améliorer le résultat, nous pouvons ajouter un autre terme à la fonction de perte, appelé **perte de variation**. Il s'agit d'une métrique qui montre à quel point les pixels voisins de l'image sont similaires. Minimiser la perte de variation rend l'image plus lisse et élimine le bruit, révélant ainsi des motifs plus visuellement attrayants. Voici un exemple de telles images "idéales", classées comme chat et comme zèbre avec une forte probabilité : -![Chat idéal](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.fr.png) | ![Zèbre idéal](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.fr.png) +![Chat idéal](../../../../../translated_images/ideal-cat.203dd4597643d6b0.fr.png) | ![Zèbre idéal](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.fr.png) -----|----- *Chat idéal* | *Zèbre idéal* Une approche similaire peut être utilisée pour effectuer des **attaques adversariales** sur un réseau neuronal. Supposons que nous souhaitons tromper un réseau neuronal et faire en sorte qu'un chien ressemble à un chat. Si nous prenons une image de chien, reconnue par le réseau comme un chien, nous pouvons la modifier légèrement en utilisant l'optimisation par descente de gradient, jusqu'à ce que le réseau commence à la classer comme un chat : -![Image d'un chien](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.fr.png) | ![Image d'un chien classée comme un chat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.fr.png) +![Image d'un chien](../../../../../translated_images/original-dog.8f68a67d2fe0911f.fr.png) | ![Image d'un chien classée comme un chat](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.fr.png) -----|----- *Image originale d'un chien* | *Image d'un chien classée comme un chat* diff --git a/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md index f72619c0..76c79f2c 100644 --- a/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/fr/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ Cependant, nous pourrions vouloir utiliser des données brutes (non annotées) p Étant donné que nous entraînons un autoencodeur pour capturer autant d'informations que possible de l'image originale afin de la reconstruire avec précision, le réseau cherche à trouver la meilleure **représentation** des images d'entrée pour en saisir le sens. -![Diagramme Autoencodeur](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.fr.jpg) +![Diagramme Autoencodeur](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.fr.jpg) > Image tirée du [blog Keras](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md index 501c2c06..bdaadb5b 100644 --- a/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/fr/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ Les modèles de classification d'images que nous avons abordés jusqu'à présen ## [Quiz avant le cours](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![Détection d'objets](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.fr.png) +![Détection d'objets](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.fr.png) > Image tirée du [site web YOLO v2](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ Supposons que nous voulions trouver un chat sur une image. Une approche très na 2. Effectuer une classification d'image sur chaque carreau. 3. Les carreaux qui produisent une activation suffisamment élevée peuvent être considérés comme contenant l'objet en question. -![Détection naïve d'objets](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.fr.png) +![Détection naïve d'objets](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.fr.png) > *Image tirée du [cahier d'exercices](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ Vous pourriez rencontrer les jeux de données suivants pour cette tâche : * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 classes * [COCO](http://cocodataset.org/#home) - Common Objects in Context. 80 classes, boîtes englobantes et masques de segmentation -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.fr.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.fr.jpg) ## Métriques de détection d'objets @@ -50,7 +50,7 @@ Vous pourriez rencontrer les jeux de données suivants pour cette tâche : Alors que pour la classification d'images, il est facile de mesurer la performance de l'algorithme, pour la détection d'objets, nous devons mesurer à la fois la justesse de la classe et la précision de la localisation de la boîte englobante inférée. Pour cette dernière, nous utilisons ce qu'on appelle **Intersection over Union** (IoU), qui mesure à quel point deux boîtes (ou deux zones arbitraires) se chevauchent. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.fr.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.fr.png) > *Figure 2 tirée de [cet excellent article de blog sur IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ Il existe deux grandes catégories d'algorithmes de détection d'objets : [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) utilise [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) pour générer une structure hiérarchique de régions ROI, qui sont ensuite passées par des extracteurs de caractéristiques CNN et des classificateurs SVM pour déterminer la classe de l'objet, et une régression linéaire pour déterminer les coordonnées de la *boîte englobante*. [Article officiel](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.fr.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.fr.png) > *Image tirée de van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.fr.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.fr.png) > *Images tirées de [cet article de blog](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ Il existe deux grandes catégories d'algorithmes de détection d'objets : Cette approche est similaire à R-CNN, mais les régions sont définies après l'application des couches de convolution. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.fr.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.fr.png) > Image tirée de [l'article officiel](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 @@ Cette approche est similaire à R-CNN, mais les régions sont définies après l L'idée principale de cette approche est d'utiliser un réseau neuronal pour prédire les ROI - le *Réseau de propositions de régions*. [Article](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.fr.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.fr.png) > Image tirée de [l'article officiel](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ Cet algorithme est encore plus rapide que Faster R-CNN. L'idée principale est l 1. Les caractéristiques sont traitées par une **carte de score sensible à la position**. Chaque objet des $C$ classes est divisé en $k\times k$ régions, et nous entraînons le réseau à prédire des parties d'objets. 1. Pour chaque partie des $k\times k$ régions, tous les réseaux votent pour les classes d'objets, et la classe d'objet avec le vote maximum est sélectionnée. -![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.fr.png) +![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da.fr.png) > Image tirée de [l'article officiel](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO est un algorithme en temps réel en un seul passage. L'idée principale est * L'image est divisée en $S\times S$ régions. * Pour chaque région, **CNN** prédit $n$ objets possibles, les coordonnées de la *boîte englobante* et la *confiance*=*probabilité* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.fr.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.fr.png) > Image tirée de [l'article officiel](https://arxiv.org/abs/1506.02640) diff --git a/translations/fr/lessons/4-ComputerVision/README.md b/translations/fr/lessons/4-ComputerVision/README.md index f8451ced..249969ab 100644 --- a/translations/fr/lessons/4-ComputerVision/README.md +++ b/translations/fr/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Vision par ordinateur -![Résumé du contenu sur la vision par ordinateur sous forme de dessin](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.fr.png) +![Résumé du contenu sur la vision par ordinateur sous forme de dessin](../../../../translated_images/ai-computervision.6506ebebac3fbf76.fr.png) Dans cette section, nous allons apprendre : diff --git a/translations/fr/lessons/5-NLP/14-Embeddings/README.md b/translations/fr/lessons/5-NLP/14-Embeddings/README.md index a3fab2b9..eb88d177 100644 --- a/translations/fr/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/fr/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ Ainsi, la couche d'embedding prendrait un mot en entrée et produirait un vecteu En utilisant une couche d'embedding comme première couche dans notre réseau de classification, nous pouvons passer d'un modèle bag-of-words à un modèle **embedding bag**, où nous convertissons d'abord chaque mot de notre texte en son embedding correspondant, puis calculons une fonction d'agrégation sur tous ces embeddings, comme `sum`, `average` ou `max`. -![Image montrant un classificateur basé sur des embeddings pour une séquence de cinq mots.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.fr.png) +![Image montrant un classificateur basé sur des embeddings pour une séquence de cinq mots.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.fr.png) > Image par l'auteur @@ -40,7 +40,7 @@ Pour cela, nous devons préentraîner notre modèle d'embedding sur une grande c CBoW est plus rapide, tandis que skip-gram est plus lent, mais représente mieux les mots peu fréquents. -![Image montrant les algorithmes CBoW et Skip-Gram pour convertir des mots en vecteurs.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.fr.png) +![Image montrant les algorithmes CBoW et Skip-Gram pour convertir des mots en vecteurs.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.fr.png) > Image tirée de [cet article](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md b/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md index 5df9d8f0..8a599b27 100644 --- a/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/fr/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ Dans nos exemples précédents, nous avons utilisé des embeddings sémantiques * **Continuous Bag-of-Words** (CBoW), où l'on prédit le token central $W_0$ dans une séquence de tokens $W_{-N}$, ..., $W_N$. * **Skip-gram**, où l'on prédit un ensemble de tokens voisins {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} à partir du token central $W_0$. -![image tirée d'un article sur la conversion des mots en vecteurs](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.fr.png) +![image tirée d'un article sur la conversion des mots en vecteurs](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.fr.png) > Image tirée de [cet article](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/fr/lessons/5-NLP/16-RNN/README.md b/translations/fr/lessons/5-NLP/16-RNN/README.md index bf0899c0..9540a7cd 100644 --- a/translations/fr/lessons/5-NLP/16-RNN/README.md +++ b/translations/fr/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ Dans les sections précédentes, nous avons utilisé des représentations séman Pour capturer le sens d'une séquence de texte, nous devons utiliser une autre architecture de réseau de neurones, appelée **réseau de neurones récurrent**, ou RNN. Dans un RNN, nous faisons passer notre phrase à travers le réseau un symbole à la fois, et le réseau produit un certain **état**, que nous transmettons ensuite au réseau avec le symbole suivant. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.fr.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.fr.png) > Image par l'auteur @@ -61,7 +61,7 @@ Nous avons discuté des réseaux récurrents qui fonctionnent dans une seule dir Un réseau récurrent, qu'il soit unidirectionnel ou bidirectionnel, capture certains motifs au sein d'une séquence et peut les stocker dans un vecteur d'état ou les transmettre en sortie. Comme pour les réseaux convolutionnels, nous pouvons construire une autre couche récurrente au-dessus de la première pour capturer des motifs de niveau supérieur et construire à partir des motifs de bas niveau extraits par la première couche. Cela nous mène à la notion de **RNN multicouche**, qui consiste en deux ou plusieurs réseaux récurrents, où la sortie de la couche précédente est transmise à la couche suivante comme entrée. -![Image montrant un RNN LSTM multicouche](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.fr.jpg) +![Image montrant un RNN LSTM multicouche](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.fr.jpg) *Image tirée de [cet excellent article](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) de Fernando López* diff --git a/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md index 3a4c8332..7f9ffa65 100644 --- a/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/fr/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ Dans l'architecture RNN que nous avons abordée dans l'unité précédente, chaq Cela permet différentes architectures neuronales, illustrées dans l'image ci-dessous : -![Image montrant des modèles courants de réseaux neuronaux récurrents.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.fr.jpg) +![Image montrant des modèles courants de réseaux neuronaux récurrents.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.fr.jpg) > Image tirée de l'article de blog [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) par [Andrej Karpaty](http://karpathy.github.io/) @@ -32,7 +32,7 @@ Dans cette unité, nous nous concentrerons sur des modèles génératifs simples Nous entraînerons ce RNN à générer du texte étape par étape. À chaque étape, nous prendrons une séquence de caractères de longueur `nchars` et demanderons au réseau de générer le caractère suivant pour chaque caractère d'entrée : -![Image montrant un exemple de génération du mot 'HELLO' par un RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.fr.png) +![Image montrant un exemple de génération du mot 'HELLO' par un RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.fr.png) Lors de la génération de texte (pendant l'inférence), nous commençons par une **invite**, qui est passée à travers les cellules RNN pour générer son état intermédiaire, puis la génération commence à partir de cet état. Nous générons un caractère à la fois, et passons l'état et le caractère généré à une autre cellule RNN pour générer le suivant, jusqu'à ce que nous ayons généré suffisamment de caractères. diff --git a/translations/fr/lessons/5-NLP/18-Transformers/README.md b/translations/fr/lessons/5-NLP/18-Transformers/README.md index 4459125c..9d53bc81 100644 --- a/translations/fr/lessons/5-NLP/18-Transformers/README.md +++ b/translations/fr/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ Avec les RNNs, la séquence à séquence est mise en œuvre par deux réseaux r Les **mécanismes d'attention** offrent un moyen de pondérer l'impact contextuel de chaque vecteur d'entrée sur chaque prédiction de sortie du RNN. Cela est mis en œuvre en créant des raccourcis entre les états intermédiaires du RNN d'entrée et du RNN de sortie. Ainsi, lors de la génération du symbole de sortie yt, nous prenons en compte tous les états cachés d'entrée hi, avec différents coefficients de poids αt,i. -![Image montrant un modèle encodeur/décodeur avec une couche d'attention additive](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.fr.png) +![Image montrant un modèle encodeur/décodeur avec une couche d'attention additive](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.fr.png) > Le modèle encodeur-décodeur avec mécanisme d'attention additive dans [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), cité de [ce blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) La matrice d'attention {αi,j} représente le degré auquel certains mots d'entrée jouent un rôle dans la génération d'un mot donné dans la séquence de sortie. Voici un exemple de cette matrice : -![Image montrant un alignement trouvé par RNNsearch-50, tirée de Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.fr.png) +![Image montrant un alignement trouvé par RNNsearch-50, tirée de Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.fr.png) > Figure tirée de [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) @@ -66,7 +66,7 @@ Le résultat obtenu avec l'embedding positionnel intègre à la fois le token or Ensuite, nous devons capturer certains motifs dans notre séquence. Pour ce faire, les transformers utilisent un mécanisme d'**auto-attention**, qui est essentiellement une attention appliquée à la même séquence en tant qu'entrée et sortie. L'application de l'auto-attention nous permet de prendre en compte le **contexte** dans la phrase et de voir quels mots sont interconnectés. Par exemple, cela nous permet de voir quels mots sont référencés par des coréférences, comme *il*, et de prendre également le contexte en compte : -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.fr.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.fr.png) > Image tirée du [blog de Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -91,7 +91,7 @@ L'attention encodeur-décodeur est très similaire au mécanisme d'attention uti **BERT** (Bidirectional Encoder Representations from Transformers) est un réseau transformer multi-couches très large avec 12 couches pour *BERT-base*, et 24 pour *BERT-large*. Le modèle est d'abord pré-entraîné sur un large corpus de données textuelles (WikiPedia + livres) en utilisant un entraînement non supervisé (prédiction des mots masqués dans une phrase). Pendant le pré-entraînement, le modèle absorbe des niveaux significatifs de compréhension du langage qui peuvent ensuite être exploités avec d'autres ensembles de données via un ajustement fin. Ce processus est appelé **apprentissage par transfert**. -![image tirée de http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.fr.png) +![image tirée de http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.fr.png) > Image [source](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md index a0b54fa7..9ea6fe51 100644 --- a/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/fr/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -11,13 +11,13 @@ Avec les RNN, la séquence à séquence est mise en œuvre par deux réseaux ré Les **Mécanismes d'Attention** fournissent un moyen de pondérer l'impact contextuel de chaque vecteur d'entrée sur chaque prédiction de sortie du RNN. La manière dont cela est mis en œuvre consiste à créer des raccourcis entre les états intermédiaires du RNN d'entrée et le RNN de sortie. De cette manière, lors de la génération du symbole de sortie yt, nous prendrons en compte tous les états cachés d'entrée hi, avec des coefficients de poids différents αt,i. -![Image montrant un modèle encodeur/décodeur avec une couche d'attention additive](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.fr.png) +![Image montrant un modèle encodeur/décodeur avec une couche d'attention additive](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.fr.png) > Le modèle encodeur-décodeur avec mécanisme d'attention additive dans [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), cité dans [cet article de blog](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) La matrice d'attention {αi,j} représenterait le degré auquel certains mots d'entrée jouent dans la génération d'un mot donné dans la séquence de sortie. Voici un exemple d'une telle matrice : -![Image montrant un alignement d'exemple trouvé par RNNsearch-50, tiré de Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.fr.png) +![Image montrant un alignement d'exemple trouvé par RNNsearch-50, tiré de Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.fr.png) > Figure de [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) @@ -57,7 +57,7 @@ Le résultat que nous obtenons avec l'embedding positionnel intègre à la fois Ensuite, nous devons capturer certains motifs au sein de notre séquence. Pour ce faire, les transformateurs utilisent un mécanisme d'**auto-attention**, qui est essentiellement une attention appliquée à la même séquence en tant qu'entrée et sortie. L'application de l'auto-attention nous permet de prendre en compte le **contexte** au sein de la phrase, et de voir quels mots sont inter-reliés. Par exemple, cela nous permet de voir quels mots sont référencés par des coréférences, telles que *il*, et également de prendre en compte le contexte : -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.fr.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.fr.png) > Image du [Blog de Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -82,7 +82,7 @@ Puisque chaque position d'entrée est mappée indépendamment à chaque position **BERT** (Représentations Encodeur Bidirectionnelles à partir de Transformateurs) est un très grand réseau de transformateurs multicouches avec 12 couches pour *BERT-base*, et 24 pour *BERT-large*. Le modèle est d'abord pré-entraîné sur un grand corpus de données textuelles (WikiPedia + livres) en utilisant un entraînement non supervisé (prédiction de mots masqués dans une phrase). Pendant le pré-entraînement, le modèle absorbe des niveaux significatifs de compréhension linguistique qui peuvent ensuite être exploités avec d'autres ensembles de données en utilisant un ajustement fin. Ce processus est appelé **apprentissage par transfert**. -![image de http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.fr.png) +![image de http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.fr.png) > Image [source](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/fr/lessons/5-NLP/19-NER/README.md b/translations/fr/lessons/5-NLP/19-NER/README.md index 8240082a..c1a194a5 100644 --- a/translations/fr/lessons/5-NLP/19-NER/README.md +++ b/translations/fr/lessons/5-NLP/19-NER/README.md @@ -60,7 +60,7 @@ nouveau-né | O Puisque nous devons établir une correspondance un-à-un entre les tokens et les classes, nous pouvons entraîner un modèle neuronal **many-to-many** (plusieurs-à-plusieurs) à partir de cette image : -![Image montrant les architectures courantes des réseaux neuronaux récurrents.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.fr.jpg) +![Image montrant les architectures courantes des réseaux neuronaux récurrents.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.fr.jpg) > *Image tirée de [cet article de blog](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) par [Andrej Karpathy](http://karpathy.github.io/). Les modèles de classification de tokens NER correspondent à l'architecture de réseau située à l'extrême droite de cette image.* diff --git a/translations/fr/lessons/5-NLP/README.md b/translations/fr/lessons/5-NLP/README.md index ffe92b7e..4efa1cd3 100644 --- a/translations/fr/lessons/5-NLP/README.md +++ b/translations/fr/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Traitement du Langage Naturel -![Résumé des tâches NLP dans un croquis](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.fr.png) +![Résumé des tâches NLP dans un croquis](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.fr.png) Dans cette section, nous allons nous concentrer sur l'utilisation des réseaux neuronaux pour traiter des tâches liées au **Traitement du Langage Naturel (NLP)**. Il existe de nombreux problèmes NLP que nous souhaitons que les ordinateurs soient capables de résoudre : diff --git a/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md b/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md index e973b4ce..6bc9a085 100644 --- a/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/fr/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ Vous pouvez ouvrir l'un des modèles, par exemple **Biology → Flockin Après avoir ouvert le modèle, vous êtes dirigé vers l'écran principal de NetLogo. Voici un exemple de modèle qui décrit la population de loups et de moutons, compte tenu de ressources limitées (herbe). -![Écran principal de NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.fr.png) +![Écran principal de NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.fr.png) > Capture d'écran par Dmitry Soshnikov diff --git a/translations/fr/lessons/README.md b/translations/fr/lessons/README.md index ae968d84..e9afc502 100644 --- a/translations/fr/lessons/README.md +++ b/translations/fr/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Vue d'ensemble -![Vue d'ensemble dans un croquis](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.fr.png) +![Vue d'ensemble dans un croquis](../../../translated_images/ai-overview.0857791951d19500.fr.png) > Croquis par [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/fr/lessons/X-Extras/X1-MultiModal/README.md b/translations/fr/lessons/X-Extras/X1-MultiModal/README.md index e8b3065b..bd2a0e6b 100644 --- a/translations/fr/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/fr/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ Après le succès des modèles transformateurs pour résoudre des tâches de tra L'idée principale de CLIP est de pouvoir comparer des descriptions textuelles avec une image et déterminer à quel point l'image correspond à la description. -![Architecture CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.fr.png) +![Architecture CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.fr.png) > *Image tirée de [cet article de blog](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ Une fois ce modèle pré-entraîné, nous pouvons lui fournir un lot d'images et Supposons que nous devons classer des images entre, par exemple, des chats, des chiens et des humains. Dans ce cas, nous pouvons donner au modèle une image et une série de descriptions textuelles : "*une image d'un chat*", "*une image d'un chien*", "*une image d'un humain*". Dans le vecteur résultant de 3 probabilités, il suffit de sélectionner l'indice avec la valeur la plus élevée. -![CLIP pour la Classification d'Images](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.fr.png) +![CLIP pour la Classification d'Images](../../../../../translated_images/clip-class.3af42ef0b2b19369.fr.png) > *Image tirée de [cet article de blog](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ Apprenez-en davantage sur VQGAN sur le site [Taming Transformers](https://compvi Une des différences importantes entre VQGAN et les GAN traditionnels est que ces derniers peuvent produire une image correcte à partir de n'importe quel vecteur d'entrée, tandis que VQGAN est susceptible de produire une image incohérente. Ainsi, nous devons guider davantage le processus de création d'image, ce qui peut être fait en utilisant CLIP. -![Architecture VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.fr.png) +![Architecture VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa31.fr.png) Pour générer une image correspondant à une description textuelle, nous commençons par un vecteur d'encodage aléatoire qui est passé à travers VQGAN pour produire une image. Ensuite, CLIP est utilisé pour produire une fonction de perte qui montre à quel point l'image correspond à la description textuelle. L'objectif est alors de minimiser cette perte, en utilisant la rétropropagation pour ajuster les paramètres du vecteur d'entrée. Une excellente bibliothèque qui implémente VQGAN+CLIP est [Pixray](http://github.com/pixray/pixray). -![Image produite par Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.fr.png) | ![Image produite par Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.fr.png) | ![Image produite par Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.fr.png) +![Image produite par Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.fr.png) | ![Image produite par Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.fr.png) | ![Image produite par Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.fr.png) ----|----|---- Image générée à partir de la description *un portrait en gros plan à l'aquarelle d'un jeune professeur de littérature avec un livre* | Image générée à partir de la description *un portrait en gros plan à l'huile d'une jeune professeure d'informatique avec un ordinateur* | Image générée à partir de la description *un portrait en gros plan à l'huile d'un vieux professeur de mathématiques devant un tableau noir* diff --git a/translations/he/README.md b/translations/he/README.md index 8675c987..3b614bef 100644 --- a/translations/he/README.md +++ b/translations/he/README.md @@ -1,17 +1,17 @@ [![רישיון GitHub](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![תורמי GitHub](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) -[![בעיות ב-GitHub](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) +[![נושאים ב-GitHub](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) [![בקשות משיכה ב-GitHub](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) -[![בקשות משיכה - ברוכים הבאים](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![בקשות משיכה מתקבלות](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![עוקבים ב-GitHub](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) [![Forks ב-GitHub](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) @@ -19,29 +19,28 @@ CO_OP_TRANSLATOR_METADATA: [![Binder](https://mybinder.org/badge_logo.svg)](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD) [![Gitter](https://badges.gitter.im/Microsoft/ai-for-beginners.svg)](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge) -[![דיסקורד Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Discord של Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# בינה מלאכותית למתחילים - תכנית לימודים +# בינה מלאכותית למתחילים - תוכנית לימודים -|![סקצ'נוט מאת @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.he.png)| +|![רישום סקיצה מאת @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.he.png)| |:---:| -| בינה מלאכותית למתחילים - _סקצ'נוט מאת [@girlie_mac](https://twitter.com/girlie_mac)_ | - -גלו את עולם ה**בינה המלאכותית** (AI) עם תכנית הלימודים שלנו בת 12 שבועות ו-24 שיעורים! היא כוללת שיעורים מעשיים, חידונים ומעבדות. התכנית ידידותית למתחילים ומכסה כלים כמו TensorFlow ו-PyTorch, וכן אתיקה בבינה מלאכותית +| AI למתחילים - _רישום סקיצה מאת [@girlie_mac](https://twitter.com/girlie_mac)_ | +גלו את עולם ה-**בינה המלאכותית** (AI) עם תכנית הלימודים שלנו בת 12 שבועות ו-24 שיעורים! היא כוללת שיעורים מעשיים, חידונים ומעבדות. התכנית ידידותית למתחילים ומכסה כלים כמו TensorFlow ו-PyTorch, וכן סוגיות אתיות בבינה מלאכותית ### 🌐 תמיכה בריבוי שפות #### נתמך באמצעות GitHub Action (אוטומטי ותמיד מעודכן) -[ערבית](../ar/README.md) | [בנגלית](../bn/README.md) | [בולגרית](../bg/README.md) | [בורמזית (מיאנמר)](../my/README.md) | [סינית (מפושטת)](../zh/README.md) | [סינית מסורתית (הונג קונג)](../hk/README.md) | [סינית מסורתית (מקאו)](../mo/README.md) | [סינית מסורתית (טאיוואן)](../tw/README.md) | [קרואטית](../hr/README.md) | [צ'כית](../cs/README.md) | [דנית](../da/README.md) | [הולנדית](../nl/README.md) | [אסטונית](../et/README.md) | [פינית](../fi/README.md) | [צרפתית](../fr/README.md) | [גרמנית](../de/README.md) | [יוונית](../el/README.md) | [עברית](./README.md) | [הינדי](../hi/README.md) | [הונגרית](../hu/README.md) | [אינדונזית](../id/README.md) | [איטלקית](../it/README.md) | [יפנית](../ja/README.md) | [קאנאדה](../kn/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מלאיאלאם](../ml/README.md) | [מרטהי](../mr/README.md) | [נפאלית](../ne/README.md) | [ניגריאן פידג'ין](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פארסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../br/README.md) | [פורטוגזית (פורטוגל)](../pt/README.md) | [פנג'אבי (גורמוקי)](../pa/README.md) | [רומנית](../ro/README.md) | [רוסית](../ru/README.md) | [סרבית (קירילית)](../sr/README.md) | [סלובקית](../sk/README.md) | [סלובנית](../sl/README.md) | [ספרדית](../es/README.md) | [סווהילית](../sw/README.md) | [שוודית](../sv/README.md) | [טגלוג (פיליפינית)](../tl/README.md) | [תמילית](../ta/README.md) | [טלוּגו](../te/README.md) | [תאילנדית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [וייטנאמית](../vi/README.md) +[ערבית](../ar/README.md) | [בנגלית](../bn/README.md) | [בולגרית](../bg/README.md) | [בורמזית (מיאנמר)](../my/README.md) | [סינית (מפושטת)](../zh/README.md) | [סינית (מסורתית, הונג קונג)](../hk/README.md) | [סינית (מסורתית, מקאו)](../mo/README.md) | [סינית (מסורתית, טאיוואן)](../tw/README.md) | [קרואטית](../hr/README.md) | [צ'כית](../cs/README.md) | [דנית](../da/README.md) | [הולנדית](../nl/README.md) | [אסטונית](../et/README.md) | [פינית](../fi/README.md) | [צרפתית](../fr/README.md) | [גרמנית](../de/README.md) | [יוונית](../el/README.md) | [עברית](./README.md) | [הינדית](../hi/README.md) | [הונגרית](../hu/README.md) | [אינדונזית](../id/README.md) | [איטלקית](../it/README.md) | [יפנית](../ja/README.md) | [קנדה](../kn/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מאליאלאם](../ml/README.md) | [מרטהי](../mr/README.md) | [נפאלית](../ne/README.md) | [פיג'ין ניגרי](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פרסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../br/README.md) | [פורטוגזית (פורטוגל)](../pt/README.md) | [פנג'אבי (גורמוקי)](../pa/README.md) | [רומנית](../ro/README.md) | [רוסית](../ru/README.md) | [סרבית (קירילית)](../sr/README.md) | [סלובקית](../sk/README.md) | [סלובנית](../sl/README.md) | [ספרדית](../es/README.md) | [סווהילית](../sw/README.md) | [שוודית](../sv/README.md) | [טאגאלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלוגו](../te/README.md) | [תאילנדית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [וייטנאמית](../vi/README.md) -**אם ברצונך שיתווספו שפות תרגום נוספות, הרשימה נתמכת מופיעה [כאן](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**אם ברצונך ששפות תרגום נוספות יתמכו, השפות הנתמכות מפורטות [כאן](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** ## הצטרפו לקהילה -[![דיסקורד Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Discord של Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## מה תלמדו @@ -49,121 +48,121 @@ CO_OP_TRANSLATOR_METADATA: בתכנית זו תלמדו: -* גישות שונות לבינה מלאכותית, כולל הגישה הסימבולית "הטובה והישנה" עם **ייצוג ידע** והסקת מסקנות ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **רשתות נוירונים** ו**למידה עמוקה**, שהן בלב של הבינה המודרנית. נמחיש את המושגים מאחורי הנושאים החשובים הללו באמצעות קוד בשתיים מהמסגרות הפופולריות ביותר - [TensorFlow](http://Tensorflow.org) ו-[PyTorch](http://pytorch.org). -* **ארכיטקטורות נוירוניות** לעבודה עם תמונות וטקסט. נכסה מודלים עדכניים אך ייתכן שנחסר לעיתים בהצגה של הטכנולוגיות המתקדמות ביותר. -* גישות פחות נפוצות בבינה מלאכותית, כגון **אלגוריתמים גנטיים** ו**מערכות רב-סוכניות**. +* גישות שונות ליישומי בינה מלאכותית, כולל הגישה הסימבולית "הטובה והישנה" עם **ייצוג ידע** והסקת מסקנות ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **רשתות נוירונים** ו**למידה עמוקה**, שהן בליבת הבינה המודרנית. נמחיש את המושגים מאחורי הנושאים החשובים הללו באמצעות קוד בשתי המסגרות הפופולריות ביותר - [TensorFlow](http://Tensorflow.org) ו[PyTorch](http://pytorch.org). +* **ארכיטקטורות נוירוניות** לעבודה עם תמונות וטקסט. נכסה מודלים עדכניים, אך ייתכן שנחסר קצת לגבי החידושים העדכניים ביותר. +* גישות פחות פופולריות בבינה מלאכותית, כגון **אלגוריתמים גנטיים** ו**מערכות רב-סוכניות**. -מה לא נכלול בתכנית זו: +מה שלא נכסה בתכנית זו: > [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* מקרים עסקיים של שימוש ב**בינה מלאכותית בעסקים**. שקלו לקחת את מסלול הלמידה [מבוא לבינה מלאכותית למשתמשים עסקיים](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ב-Microsoft Learn, או את [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), שפותח בשיתוף עם [INSEAD](https://www.insead.edu/). -* **למידת מכונה קלאסית**, שמתוארת היטב בתכנית [למידת מכונה למתחילים](http://github.com/Microsoft/ML-for-Beginners). -* יישומי בינה מלאכותית מעשיים שנבנים באמצעות **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. לשם כך אנו ממליצים להתחיל במודולים של Microsoft Learn עבור [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)** ואחרים. +* מקרי שימוש של **בינה מלאכותית בעסקים**. שקלו לעבור את מסלול הלמידה [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ב-Microsoft Learn, או את [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), שפותח בשיתוף [INSEAD](https://www.insead.edu/). +* **למידת מכונה קלאסית**, שמתוארת היטב בסילבוס שלנו [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners). +* יישומי בינה מלאכותית מעשיים שנבנו באמצעות **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. לשם כך, אנו ממליצים להתחיל במודולים של Microsoft Learn עבור [ראיית מחשב](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [עיבוד שפה טבעית](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)** ואחרים. * מסגרות ענן ספציפיות ל-ML, כגון [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), או [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). שקלו להשתמש במסלולי הלמידה [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) ו-[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). -* **בינה שיחתית** ו**צ'אטבוטים**. יש מסלול למידה נפרד [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), ואתם יכולים גם לעיין ב-[מאמר הבלוג הזה](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) לפרטים נוספים. -* **מתמטיקה מעמיקה** שמאחורי הלמידה העמוקה. לשם כך אנו ממליצים על [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) מאת Ian Goodfellow, Yoshua Bengio ו-Aaron Courville, שזמין גם באופן מקוון ב-[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* **בינה שיחתית (Conversational AI)** ובוטים. יש מסלול למידה נפרד [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), ואתם יכולים גם לעיין ב[פוסט הבלוג הזה](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) לפרטים נוספים. +* **מתמטיקה עמוקה** שמאחורי הלמידה העמוקה. לשם כך, אנו ממליצים על הספר [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) מאת Ian Goodfellow, Yoshua Bengio ו-Aaron Courville, שהוא גם זמין באינטרנט ב-[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -למבוא רך לנושאי _בינה מלאכותית בענן_ תוכלו לשקול לקחת את מסלול הלמידה [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). +להיכרות עדינה עם נושאי _בינה מלאכותית בענן_ תוכלו לשקול את מסלול הלמידה [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). # תוכן -| | קישור לשיעור | PyTorch/Keras/TensorFlow | מעבדה | +| | Lesson Link | PyTorch/Keras/TensorFlow | Lab | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [הגדרת הקורס](./lessons/0-course-setup/setup.md) | [הגדרת סביבת הפיתוח שלך](./lessons/0-course-setup/how-to-run.md) | | -| I | [**הקדמה לבינה מלאכותית**](./lessons/1-Intro/README.md) | | | +| 0 | [הגדרות הקורס](./lessons/0-course-setup/setup.md) | [הגדרת סביבת הפיתוח שלך](./lessons/0-course-setup/how-to-run.md) | | +| I | [**מבוא לבינה מלאכותית**](./lessons/1-Intro/README.md) | | | | 01 | [הקדמה והיסטוריה של הבינה המלאכותית](./lessons/1-Intro/README.md) | - | - | -| II | **בינה סימבולית** | +| II | ** **בינה סימבולית** | | 02 | [ייצוג ידע ומערכות מומחים](./lessons/2-Symbolic/README.md) | [מערכות מומחים](./lessons/2-Symbolic/Animals.ipynb) / [אונטולוגיה](./lessons/2-Symbolic/FamilyOntology.ipynb) /[גרף מושגים](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | -| III | [**הקדמה לרשתות נוירונים**](./lessons/3-NeuralNetworks/README.md) ||| +| III | [**מבוא לרשתות עצביות**](./lessons/3-NeuralNetworks/README.md) ||| | 03 | [פרספטרון](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [מחברת](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [מעבדה](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | | 04 | [פרספטרון רב-שכבתי ויצירת מסגרת משלנו](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [מחברת](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [מעבדה](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | | 05 | [מבוא למסגרות (PyTorch/TensorFlow) והתאמה-יתר](./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) | [מעבדה](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | | IV | [**ראייה ממוחשבת**](./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)| [חקור ראייה ממוחשבת ב-Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | | 06 | [מבוא לראייה ממוחשבת. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [מחברת](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [מעבדה](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [רשתות עצביות קונבולוציוניות](./lessons/4-ComputerVision/07-ConvNets/README.md) & [ארכיטקטורות 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) | [מעבדה](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [רשתות מאומנות מראש ולמידת העברה](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [טכניקות אימון](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [מעבדה](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | -| 09 | [אוטואנקודרים ו-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 | [רשתות נגדיות גנרטיביות (GAN) והעברת סגנון אמנותי](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [זיהוי עצמים](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [מעבדה](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [סגמנטציה סמנטית. 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) | | +| 07 | [רשתות נוירוניות קונבולוציוניות](./lessons/4-ComputerVision/07-ConvNets/README.md) & [ארכיטקטורות 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) | [מעבדה](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [רשתות מאומנות מראש ולמידת העברה](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [מעבדה](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 09 | [אוטואנקודרים ו-VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | +| 10 | [רשתות מתחרות גנרטיביות והעברת סגנון אמנותית](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [זיהוי אובייקטים](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [מעבדה](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [פילוח סמנטי. 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 | [**עיבוד שפה טבעית**](./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) | [חקור עיבוד שפה טבעית ב-Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [ייצוג טקסט. 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 | [הטמעות סמנטיות למילים. Word2Vec ו-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 | [דגמי שפה. אימון הטמעות משלך](./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) | [מעבדה](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [רשתות נוירונים חוזרות (RNN)](./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) | | +| 13 | [ייצוג טקסט. 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 | [הטמעות מילים סמנטיות. 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 | [חיזוי שפה. אימון הטמעות משלך](./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) | [מעבדה](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [רשתות נוירוניות חוזרות](./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 | [רשתות חוזרות גנרטיביות](./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) | [מעבדה](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [טרנספורמרים. 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 | [זיהוי ישויות (Named Entity Recognition)](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [מעבדה](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [מודלי שפה גדולים, תכנות פרומפט ומשימות עם מעט דוגמאות](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **טכניקות אחרות בבינה מלאכותית** || | +| 19 | [זיהוי ישויות](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [מעבדה](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [מודלים שפתיים גדולים, כתיבת פרומפטים ומשימות Few-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| VI | **שיטות AI נוספות** || | | 21 | [אלגוריתמים גנטיים](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [מחברת](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | | 22 | [למידת חיזוק עמוקה](./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) | [מעבדה](./lessons/6-Other/22-DeepRL/lab/README.md) | | 23 | [מערכות רב-סוכניות](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **אתיקה של בינה מלאכותית** | | | -| 24 | [אתיקה של בינה מלאכותית ובינה אחראית](./lessons/7-Ethics/README.md) | [Microsoft Learn: עקרונות בינה אחראית](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | -| IX | **תכנים נוספים** | | | +| 24 | [אתיקה של בינה מלאכותית ובינה אחראית](./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 | **חומרים נוספים** | | | | 25 | [רשתות רב-מודליות, CLIP ו-VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [מחברת](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## כל שיעור מכיל -* חומר לקריאה מקדימה -* מחברות Jupyter ניתנות להרצה, שלעיתים קרובות מותאמות למסגרת מסוימת (**PyTorch** או **TensorFlow**). המחברת הניתנת להרצה מכילה גם הרבה חומר תיאורטי, לכן כדי להבין את הנושא יש לעבור על לפחות גרסה אחת של המחברת (או PyTorch או TensorFlow). -* **מעבדות** זמינות בכמה נושאים, המספקות הזדמנות לנסות ליישם את החומר שלמדת על בעיה ספציפית. -* חלק מהסעיפים מכילים קישורים למודולים ב-[**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) שמכסים נושאים קשורים. +* חומרי קריאה מקדימים +* מחברות Jupyter ניתנות להרצה, שלעיתים ספציפיות למסגרת (**PyTorch** או **TensorFlow**). המחברת הניתנת להרצה מכילה גם הרבה חומר תיאורטי, לכן כדי להבין את הנושא עליך לעבור לפחות על גרסה אחת של המחברת (או PyTorch או TensorFlow). +* **מעבדות** זמינות עבור נושאים מסוימים, שמעניקות לך הזדמנות לנסות ליישם את החומר שלמדת על בעיה מסוימת. +* בחלק מהסעיפים יש קישורים ל-[**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) מודולים המכסים נושאים קשורים. -## התחלה +## איך להתחיל ### 🎯 חדש בבינה מלאכותית? התחל כאן! -אם אתה חדש לגמרי בבינה מלאכותית ורוצה דוגמאות קצרות, מעשיות ומהירות, עיין ב-[**דוגמאות למתחילים**](./examples/README.md)! אלה כוללות: +אם אתם חדשים לחלוטין בבינה מלאכותית ורוצים דוגמאות מעשיות ומהירות, עיינו ב-[**דוגמאות ידידותיות למתחילים**](./examples/README.md)! אלה כוללות: -- 🌟 **שלום עולם בבינה מלאכותית** - התוכנית הראשונה שלך בבינה מלאכותית (זיהוי דפוסים) -- 🧠 **רשת נוירונים פשוטה** - בנה רשת עצבית מאפס -- 🖼️ **ממיין תמונות** - מיין תמונות עם הסברים מפורטים -- 💬 **סנטימנט טקסט** - נתח טקסט חיובי/שלילי +- 🌟 **שלום עולם ב-AI** - התוכנית הראשונה שלך ב-AI (זיהוי דפוסים) +- 🧠 **רשת נוירונית פשוטה** - בניית רשת נוירונית מאפס +- 🖼️ **מסווג תמונות** - סיווג תמונות עם הסברים מפורטים +- 💬 **רגשות בטקסט** - נתח טקסט חיובי/שלילי -דוגמאות אלה נועדו לעזור לכם להבין מושגי AI לפני שתקפצו לתכנית הלימודים המלאה. +דוגמאות אלה נועדו לעזור לך להבין מושגים בבינה מלאכותית לפני שמתחילים בתוכנית הלימודים המלאה. -### 📚 הגדרת תכנית הלימודים המלאה +### 📚 הגדרת תוכנית הלימודים המלאה -- יצרנו [שיעור התקנה](./lessons/0-course-setup/setup.md) שיעזור לכם בהגדרת סביבת הפיתוח. - עבור מחנכים, יצרנו גם [שיעור הגדרת תכניות לימוד](./lessons/0-course-setup/for-teachers.md) עבורכם! -- איך [להריץ את הקוד ב-VSCode או ב-Codepace](./lessons/0-course-setup/how-to-run.md) +- We have created a [שיעור הגדרה](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [שיעור הגדרת תוכניות לימודים](./lessons/0-course-setup/for-teachers.md) for you too! +- כיצד [להריץ את הקוד ב‑VSCode או ב‑Codepace](./lessons/0-course-setup/how-to-run.md) -עקבו אחרי הצעדים הבאים: +עקבו אחר הצעדים הבאים: Fork the Repository: Click on the "Fork" button at the top-right corner of this page. Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git` -Don't forget to star (🌟) this repo to find it easier later. +אל תשכחו לתת כוכב (🌟) למאגר זה כדי למצוא אותו בקלות מאוחר יותר. -## פגשו לומדים אחרים +## הכירו לומדים אחרים -הצטרפו ל-[שרת ה-Discord הרשמי של ה-AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) כדי לפגוש וליצור רשת עם לומדים אחרים שלקחו קורס זה ולקבל תמיכה. +הצטרפו ל[שרת ה‑Discord הרשמי של AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) שלנו כדי לפגוש ולהתחבר עם לומדים אחרים שלוקחים קורס זה ולקבל תמיכה. -אם יש לכם משוב על המוצר או שאלות במהלך הבנייה, בקרו ב-[פורום מפתחים של Azure AI Foundry](https://aka.ms/foundry/forum) +אם יש לכם משוב על המוצר או שאלות בזמן הבנייה, בקרו ב[פורום המפתחים של Azure AI Foundry](https://aka.ms/foundry/forum) -## חידונים +## Quizzes -> **הערה לגבי חידונים**: כל החידונים מאוחסנים בתיקיית Quiz-app ב-etc\quiz-app, או [Online Here](https://ff-quizzes.netlify.app/) הם מקושרים מתוך השיעורים; אפליקציית החידון ניתנת להרצה מקומית או לפריסה ל-Azure; עקבו אחר ההוראות בתיקיית `quiz-app`. הם מתורגמים בהדרגה. +> **הערה על החידונים**: כל החידונים נמצאים בתיקיה Quiz-app ב-etc\quiz-app, או [מקוון כאן](https://ff-quizzes.netlify.app/) הם מקושרים מתוך השיעורים; אפליקציית החידון ניתנת להרצה מקומית או לפריסה ב‑Azure; עקבו אחר ההוראות בתיקיית `quiz-app`. הם מתורגמים בהדרגה. -## דרוש עזרה +## מחפשים עזרה -האם יש לכם הצעות או מצאתם שגיאות כתיב או קוד? פתחו issue או צרו pull request. +יש לכם הצעות או שמצאתם שגיאות כתיב או שגיאות בקוד? פתחו Issue או הגישו Pull Request. ## תודות מיוחדות * **✍️ מחבר ראשי:** [Dmitry Soshnikov](http://soshnikov.com), PhD -* **🔥 עורך:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 מאייר סקצ'נוט:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ יוצר החידונים:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🔥 עורכת:** [Jen Looper](https://twitter.com/jenlooper), PhD +* **🎨 מאיירת סקצ'נוט:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **✅ יוצרת החידונים:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 תורמים מרכזיים:** [Evgenii Pishchik](https://github.com/Pe4enIks) -## תוכניות לימוד אחרות +## תכניות לימוד אחרות -הצוות שלנו מייצר תוכניות לימוד נוספות! עיינו ב: +הצוות שלנו יוצר תכניות לימוד נוספות! בדקו: ### LangChain @@ -172,46 +171,46 @@ Don't forget to star (🌟) this repo to find it easier later. --- -### Azure / Edge / MCP / סוכנים +### Azure / Edge / MCP / Agents [![AZD למתחילים](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI למתחילים](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP למתחילים](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![סוכני AI למתחילים](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents למתחילים](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### סדרת AI גנרטיבי -[![Generative AI למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generative AI Series +[![בינה גנרטיבית למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![בינה גנרטיבית (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![בינה גנרטיבית (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![בינה גנרטיבית (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### למידה בסיסית -[![ML למתחילים](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![מדע הנתונים למתחילים](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![אבטחת סייבר למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![פיתוח ווב למתחילים](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +### Core Learning +[![למידת מכונה למתחילים](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![מדע נתונים למתחילים](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![בינה מלאכותית למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![סייבר למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![פיתוח אתרים למתחילים](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![IoT למתחילים](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![פיתוח XR למתחילים](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### סדרת Copilot +### Copilot Series [![Copilot לתכנות משותף עם AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot ל-C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![הרפתקת Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot ל‑C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## קבלת עזרה -אם תיתקלו בבעיה או יש לכם שאלות לגבי בניית אפליקציות AI. הצטרפו ללומדים אחרים ולמפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות. +אם נתקעת או יש לך שאלות לגבי בניית אפליקציות AI, הצטרף ללומדים אחרים ומפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משתף בחופשיות. -[![שרת Discord של Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Discord של Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -אם יש לכם משוב על המוצר או שגיאות בזמן בנייה בקרו ב: +אם יש לכם משוב על המוצר או שגיאות בזמן הבנייה, בקרו ב: [![פורום מפתחים של Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -219,5 +218,5 @@ Don't forget to star (🌟) this repo to find it easier later. הצהרת אחריות: -מסמך זה תורגם באמצעות שירות תרגום בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). אמנם אנו שואפים לדייק, אך יש להיות מודעים לכך שתירגומים אוטומטיים עלולים להכיל שגיאות או אי‑דיוקים. יש להחשיב את המסמך המקורי בשפתו כמקור הסמכות. למידעים קריטיים מומלץ לבצע תרגום מקצועי על ידי מתרגם אנושי. איננו נושאים באחריות לכל אי‑הבנה או פרשנות שגויה הנובעים מהשימוש בתרגום זה. +מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית Co-op Translator (https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, שימו לב כי תרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את הגרסה המקורית של המסמך בשפת המקור כמקור הסמכות. למידע קריטי מומלץ להיעזר בתרגום מקצועי על ידי מתרגם אנושי. איננו אחראים לכל אי-הבנות או פרשנויות שגויות העשויות לנבוע משימוש בתרגום זה. \ No newline at end of file diff --git a/translations/he/lessons/1-Intro/README.md b/translations/he/lessons/1-Intro/README.md index 364f29d9..523ef51c 100644 --- a/translations/he/lessons/1-Intro/README.md +++ b/translations/he/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # מבוא לבינה מלאכותית -![סיכום תוכן מבוא לבינה מלאכותית בציור](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.he.png) +![סיכום תוכן מבוא לבינה מלאכותית בציור](../../../../translated_images/ai-intro.bf28d1ac4235881c.he.png) > ציור מאת [Tomomi Imura](https://twitter.com/girlie_mac) @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: במקור, מחשבים הומצאו על ידי [צ'ארלס בבג'](https://en.wikipedia.org/wiki/Charles_Babbage) כדי לפעול על מספרים לפי תהליך מוגדר היטב - אלגוריתם. מחשבים מודרניים, למרות שהם מתקדמים בהרבה מהמודל המקורי שהוצע במאה ה-19, עדיין פועלים על פי אותו רעיון של חישובים מבוקרים. לכן, ניתן לתכנת מחשב לבצע משהו אם אנו יודעים את רצף הצעדים המדויק שעלינו לבצע כדי להשיג את המטרה. -![תמונה של אדם](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.he.png) +![תמונה של אדם](../../../../translated_images/dsh_age.d212a30d4e54fb5f.he.png) > תמונה מאת [Vickie Soshnikova](http://twitter.com/vickievalerie) @@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA: אחת הבעיות בהתמודדות עם המונח **[אינטליגנציה](https://en.wikipedia.org/wiki/Intelligence)** היא שאין הגדרה ברורה למונח זה. ניתן לטעון שאינטליגנציה קשורה ל**חשיבה מופשטת**, או ל**מודעות עצמית**, אך איננו יכולים להגדיר אותה כראוי. -![תמונה של חתול](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.he.jpg) +![תמונה של חתול](../../../../translated_images/photo-cat.8c8e8fb760ffe457.he.jpg) > [תמונה](https://unsplash.com/photos/75715CVEJhI) מאת [Amber Kipp](https://unsplash.com/@sadmax) מ-Unsplash @@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA: > | מה לגבי ML? | | > |--------------|-----------| -> | חלק מהבינה המלאכותית המבוסס על למידת מחשב לפתור בעיה על סמך נתונים מסוימים נקרא **למידת מכונה**. לא נעסוק בלמידת מכונה קלאסית בקורס זה - אנו מפנים אתכם לתוכנית הלימודים הנפרדת [למידת מכונה למתחילים](http://aka.ms/ml-beginners). | ![ML למתחילים](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.he.png) | +> | חלק מהבינה המלאכותית המבוסס על למידת מחשב לפתור בעיה על סמך נתונים מסוימים נקרא **למידת מכונה**. לא נעסוק בלמידת מכונה קלאסית בקורס זה - אנו מפנים אתכם לתוכנית הלימודים הנפרדת [למידת מכונה למתחילים](http://aka.ms/ml-beginners). | ![ML למתחילים](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.he.png) | ## היסטוריה קצרה של בינה מלאכותית בינה מלאכותית החלה כתחום באמצע המאה ה-20. בתחילה, גישת ההסקה הסימבולית הייתה הגישה השלטת, והיא הובילה למספר הצלחות חשובות, כמו מערכות מומחה – תוכניות מחשב שיכלו לפעול כמומחה בתחומים מוגבלים. עם זאת, עד מהרה התברר שגישה זו אינה מתאימה להרחבה. חילוץ הידע ממומחה, ייצוגו במחשב, ושמירה על בסיס הידע מדויק מתבררים כמשימה מורכבת מאוד ויקרה מדי במקרים רבים. זה הוביל למה שנקרא [חורף הבינה המלאכותית](https://en.wikipedia.org/wiki/AI_winter) בשנות ה-70. -היסטוריה קצרה של AI +היסטוריה קצרה של AI > תמונה מאת [Dmitry Soshnikov](http://soshnikov.com) @@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA: * עוזרים מודרניים, כמו Cortana, Siri או Google Assistant הם כולם מערכות היברידיות שמשתמשות ברשתות נוירונים כדי להמיר דיבור לטקסט ולהבין את כוונתנו, ואז משתמשות בהסקה או באלגוריתמים מפורשים כדי לבצע פעולות נדרשות. * בעתיד, אנו עשויים לצפות למודל מבוסס רשת נוירונים מלא שיטפל בדיאלוג בעצמו. משפחת הרשתות הנוירוניות GPT ו-[Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) מראה הצלחות גדולות בתחום זה. -התפתחות מבחן טיורינג +התפתחות מבחן טיורינג > תמונה מאת דמיטרי סושניקוב, [תמונה](https://unsplash.com/photos/r8LmVbUKgns) מאת [מרינה אברוסימובה](https://unsplash.com/@abrosimova_marina_foto), Unsplash ## מחקר AI עדכני diff --git a/translations/he/lessons/2-Symbolic/Animals.ipynb b/translations/he/lessons/2-Symbolic/Animals.ipynb index 97a8bc7a..9bc03140 100644 --- a/translations/he/lessons/2-Symbolic/Animals.ipynb +++ b/translations/he/lessons/2-Symbolic/Animals.ipynb @@ -12,7 +12,7 @@ "\n", "בדוגמה זו, ניישם מערכת פשוטה מבוססת ידע כדי לזהות חיה על סמך כמה מאפיינים פיזיים. ניתן לייצג את המערכת באמצעות עץ AND-OR הבא (זהו חלק מהעץ המלא, ניתן להוסיף בקלות עוד חוקים):\n", "\n", - "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.he.png)\n" + "![](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.he.png)\n" ] }, { diff --git a/translations/he/lessons/2-Symbolic/README.md b/translations/he/lessons/2-Symbolic/README.md index 5ea8225e..39d18e15 100644 --- a/translations/he/lessons/2-Symbolic/README.md +++ b/translations/he/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ייצוג ידע ומערכות מומחה -![Summary of Symbolic AI content](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.he.png) +![Summary of Symbolic AI content](../../../../translated_images/ai-symbolic.715a30cb610411a6.he.png) > סקיצה מאת [Tomomi Imura](https://twitter.com/girlie_mac) @@ -41,7 +41,7 @@ CO_OP_TRANSLATOR_METADATA: לכן, הבעיה של **ייצוג ידע** היא למצוא דרך יעילה לייצג ידע בתוך מחשב בצורה של נתונים, כדי להפוך אותו לשימושי באופן אוטומטי. ניתן לראות זאת כספקטרום: -![Knowledge representation spectrum](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.he.png) +![Knowledge representation spectrum](../../../../translated_images/knowledge-spectrum.b60df631852c0217.he.png) > תמונה מאת [Dmitry Soshnikov](http://soshnikov.com) @@ -94,7 +94,7 @@ Block Syntax | Indent | | | אחד ההישגים הראשונים של AI סמלי היו מערכות מומחה - מערכות מחשב שנועדו לפעול כמומחה בתחום בעיה מוגבל. הן התבססו על **בסיס ידע** שהופק ממומחים אנושיים, וכללו **מנוע הסקה** שביצע הסקת מסקנות על בסיסו. -![Human Architecture](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.he.png) | ![Knowledge-Based System](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.he.png) +![Human Architecture](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.he.png) | ![Knowledge-Based System](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.he.png) ---------------------------------------------|------------------------------------------------ מבנה מפושט של מערכת עצבית אנושית | ארכיטקטורה של מערכת מבוססת ידע @@ -106,7 +106,7 @@ Block Syntax | Indent | | | לדוגמה, נבחן את מערכת המומחה הבאה לקביעת בעל חיים על בסיס מאפייניו הפיזיים: -![AND-OR Tree](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.he.png) +![AND-OR Tree](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.he.png) > תמונה מאת [Dmitry Soshnikov](http://soshnikov.com) diff --git a/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb b/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb index bb157374..9118f5c7 100644 --- a/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb +++ b/translations/he/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb @@ -1255,7 +1255,7 @@ "* הפסד אימון נמוך - המודל יכול להתאים היטב לנתוני האימון, כי יש לו מספיק כוח ביטוי.\n", "* הפסד האימות יכול להיות גבוה בהרבה מהפסד האימון ואף להתחיל לעלות במהלך האימון - זה קורה כי המודל \"זוכר\" את נקודות האימון ומאבד את \"התמונה הכללית\".\n", "\n", - "![התאמת יתר](../../../../../translated_images/overfit.a0bd57f717c157696f30c9c73fa7c3345c49b4280e412ff30c4a1a16ba29ff49.he.png)\n", + "![התאמת יתר](../../../../../translated_images/overfit.a0bd57f717c15769.he.png)\n", "\n", "> בתמונה הזו, `x` מייצג נתוני אימון, `o` - נתוני אימות. משמאל - מודל ליניארי (חד-שכבתי), הוא מתאים את טבע הנתונים בצורה טובה. מימין - מודל עם התאמת יתר, המודל מתאים בצורה מושלמת לנתוני האימון, אבל מפסיק להיות הגיוני עם כל נתון אחר (שגיאת האימות גבוהה מאוד).\n" ] diff --git a/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md index e4f1d600..f9763a98 100644 --- a/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/he/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ Overfitting הוא מושג חשוב ביותר בלמידת מכונה, וחש שקלו את הבעיה הבאה של התאמת 5 נקודות (מיוצגות על ידי `x` בגרפים למטה): -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.he.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.he.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.he.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.he.jpg) -------------------------|-------------------------- **מודל ליניארי, 2 פרמטרים** | **מודל לא ליניארי, 7 פרמטרים** שגיאת אימון = 5.3 | שגיאת אימון = 0 @@ -79,7 +79,7 @@ Overfitting הוא מושג חשוב ביותר בלמידת מכונה, וחש כפי שניתן לראות מהגרף למעלה, ניתן לזהות Overfitting על ידי שגיאת אימון נמוכה מאוד ושגיאת ולידציה גבוהה. בדרך כלל במהלך האימון נראה ששגיאות האימון והוולידציה מתחילות לרדת, ואז בשלב מסוים שגיאת הוולידציה עשויה להפסיק לרדת ולהתחיל לעלות. זה יהיה סימן ל-Overfitting, ואינדיקציה לכך שכדאי להפסיק את האימון בנקודה זו (או לפחות לשמור עותק של המודל). -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.he.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.he.png) ## כיצד למנוע Overfitting diff --git a/translations/he/lessons/3-NeuralNetworks/README.md b/translations/he/lessons/3-NeuralNetworks/README.md index d9462ee8..0ffa2456 100644 --- a/translations/he/lessons/3-NeuralNetworks/README.md +++ b/translations/he/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # מבוא לרשתות עצביות -![סיכום תוכן מבוא לרשתות עצביות בציור](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.he.png) +![סיכום תוכן מבוא לרשתות עצביות בציור](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.he.png) כפי שדיברנו במבוא, אחת הדרכים להשיג אינטליגנציה היא לאמן **מודל מחשב** או **מוח מלאכותי**. מאז אמצע המאה ה-20, חוקרים ניסו מודלים מתמטיים שונים, עד שבשנים האחרונות כיוון זה הוכיח את עצמו כהצלחה גדולה. מודלים מתמטיים כאלה של המוח נקראים **רשתות עצביות**. @@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA: מהביולוגיה אנו יודעים שהמוח שלנו מורכב מתאי עצב (נוירונים), שלכל אחד מהם יש מספר "קלטים" (דנדריטים) ו"פלט" אחד (אקסון). הן הדנדריטים והן האקסונים יכולים להוליך אותות חשמליים, והחיבורים ביניהם — הידועים כסינפסות — יכולים להציג דרגות שונות של מוליכות, שמוסדרות על ידי נוירוטרנסמיטורים. -![מודל של נוירון](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.he.jpg) | ![מודל של נוירון](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.he.png) +![מודל של נוירון](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.he.jpg) | ![מודל של נוירון](../../../../translated_images/artneuron.1a5daa88d20ebe6f.he.png) ----|---- נוירון אמיתי *([תמונה](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) מוויקיפדיה)* | נוירון מלאכותי *(תמונה מאת המחבר)* לכן, המודל המתמטי הפשוט ביותר של נוירון מכיל מספר קלטים X1, ..., XN ופלט Y, וסדרה של משקלים W1, ..., WN. הפלט מחושב כך: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) כאשר f היא **פונקציית הפעלה** לא ליניארית. diff --git a/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md index b8d624ae..13336e9e 100644 --- a/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/he/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) * **עיבוד מקדים של צילום ספר ברייל**. אנו מתמקדים כיצד ניתן להשתמש בסף, זיהוי תכונות, טרנספורמציית פרספקטיבה ומניפולציות NumPy כדי להפריד סמלי ברייל בודדים לסיווג נוסף על ידי רשת נוירונים. -![תמונה של ברייל](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.he.jpeg) | ![תמונה מעובדת של ברייל](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.he.png) | ![סמלי ברייל](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.he.png) +![תמונה של ברייל](../../../../../translated_images/braille.341962ff76b1bd70.he.jpeg) | ![תמונה מעובדת של ברייל](../../../../../translated_images/braille-result.46530fea020b03c7.he.png) | ![סמלי ברייל](../../../../../translated_images/braille-symbols.0159185ab69d5339.he.png) ----|-----|----- > תמונה מתוך [OpenCV.ipynb](OpenCV.ipynb) * **זיהוי תנועה בווידאו באמצעות הבדל פריימים**. אם המצלמה קבועה, אז הפריימים מהמצלמה צריכים להיות די דומים זה לזה. מכיוון שפריימים מיוצגים כמערכים, פשוט על ידי חיסור המערכים של שני פריימים עוקבים נקבל את ההבדל בפיקסלים, שאמור להיות נמוך עבור פריימים סטטיים, ולהפוך לגבוה יותר כאשר יש תנועה משמעותית בתמונה. -![תמונה של פריימים בווידאו והבדלי פריימים](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.he.png) +![תמונה של פריימים בווידאו והבדלי פריימים](../../../../../translated_images/frame-difference.706f805491a0883c.he.png) > תמונה מתוך [OpenCV.ipynb](OpenCV.ipynb) @@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) - **זרימה אופטית צפופה** מחשבת את שדה הווקטורים שמראה לכל פיקסל לאן הוא נע. - **זרימה אופטית דלילה** מבוססת על לקיחת תכונות ייחודיות בתמונה (למשל, קצוות), ובניית מסלולן מפריים לפריים. -![תמונה של זרימה אופטית](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.he.png) +![תמונה של זרימה אופטית](../../../../../translated_images/optical.1f4a94464579a83a.he.png) > תמונה מתוך [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 87d5e1fa..0f0cd2ea 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 היא רשת שהשיגה דיוק של 92.7% בסיווג ImageNet top-5 בשנת 2014. יש לה את מבנה השכבות הבא: -![שכבות ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.he.jpg) +![שכבות ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.he.jpg) כפי שניתן לראות, VGG עוקבת אחר ארכיטקטורת פירמידה מסורתית, שהיא רצף של שכבות קונבולוציה-פולינג. -![פירמידת ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.he.jpg) +![פירמידת ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.he.jpg) > תמונה מ-[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) diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb b/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb index e5b9b1ec..efcbe756 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb @@ -260,7 +260,7 @@ "\n", "לכן, ברשת CNN טיפוסית יהיו כמה שכבות קונבולוציה, עם שכבות pooling ביניהן כדי להקטין את הממדים של התמונה. כמו כן, נגדיל את מספר הפילטרים, מכיוון שככל שהדפוסים הופכים למתקדמים יותר - יש יותר שילובים מעניינים שצריך לחפש.\n", "\n", - "![תמונה המציגה כמה שכבות קונבולוציה עם שכבות pooling.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.he.png)\n", + "![תמונה המציגה כמה שכבות קונבולוציה עם שכבות pooling.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.he.png)\n", "\n", "בגלל הקטנת הממדים המרחביים והגדלת ממדי התכונות/הפילטרים, ארכיטקטורה זו נקראת גם **ארכיטקטורת פירמידה**.\n" ] diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb b/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb index c1a659fa..26e42ffe 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb @@ -360,7 +360,7 @@ "\n", "לכן, ברשת CNN טיפוסית יהיו מספר שכבות קונבולוציוניות, עם שכבות pooling ביניהן כדי להקטין את ממדי התמונה. בנוסף, נגדיל את מספר הפילטרים, מכיוון שככל שהדפוסים הופכים למתקדמים יותר - יש יותר שילובים מעניינים שצריך לחפש.\n", "\n", - "![תמונה המציגה מספר שכבות קונבולוציוניות עם שכבות pooling.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce6a8cc9da2170492c85bfd9e1b61832650e2228e037039ec4.he.png)\n", + "![תמונה המציגה מספר שכבות קונבולוציוניות עם שכבות pooling.](../../../../../translated_images/cnn-pyramid.85915455759ef0ce.he.png)\n", "\n", "בגלל הקטנת הממדים המרחביים והגדלת ממדי הפיצ'רים/פילטרים, הארכיטקטורה הזו נקראת גם **ארכיטקטורת פירמידה**.\n" ] diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md index 45a18dd1..cc94a406 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: כדי לחלץ תבניות, נשתמש במושג של **פילטרים קונבולוציוניים**. כפי שאתם יודעים, תמונה מיוצגת על ידי מטריצה דו-ממדית, או טנזור תלת-ממדי עם עומק צבע. החלת פילטר פירושה שאנחנו לוקחים מטריצת **ליבת פילטר** קטנה יחסית, ולכל פיקסל בתמונה המקורית מחשבים ממוצע משוקלל עם הנקודות השכנות. ניתן לראות זאת כמו חלון קטן שגולש על פני כל התמונה, וממוצע את כל הפיקסלים לפי המשקלים במטריצת ליבת הפילטר. -![פילטר קצה אנכי](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.he.png) | ![פילטר קצה אופקי](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.he.png) +![פילטר קצה אנכי](../../../../../translated_images/filter-vert.b7148390ca0bc356.he.png) | ![פילטר קצה אופקי](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.he.png) ----|---- > תמונה מאת דמיטרי סושניקוב @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: * ניתן לעצב את הרשת כך שהפילטרים יותאמו באופן אוטומטי * ניתן להשתמש באותה גישה כדי למצוא תבניות בתכונות ברמה גבוהה, ולא רק בתמונה המקורית. כך, חילוץ התכונות ב-CNN עובד על היררכיה של תכונות, החל משילובי פיקסלים ברמה נמוכה ועד לשילובים ברמה גבוהה של חלקי תמונה. -![חילוץ תכונות היררכי](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.he.png) +![חילוץ תכונות היררכי](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.he.png) > תמונה מתוך [מאמר של Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), המבוסס על [המחקר שלהם](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) @@ -55,9 +55,9 @@ CO_OP_TRANSLATOR_METADATA: לדוגמה, בואו נסתכל על הארכיטקטורה של VGG-16, רשת שהשיגה דיוק של 92.7% בסיווג הטופ-5 של ImageNet בשנת 2014: -![שכבות ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.he.jpg) +![שכבות ImageNet](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.he.jpg) -![פירמידת ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.he.jpg) +![פירמידת ImageNet](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.he.jpg) > תמונה מתוך [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) diff --git a/translations/he/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/he/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 6f478559..03c462cb 100644 --- a/translations/he/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/he/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA: נשתמש ב-[מאגר הנתונים של Oxford-IIIT Pet](https://www.robots.ox.ac.uk/~vgg/data/pets/), המכיל תמונות של 37 גזעים שונים של כלבים וחתולים. -![מאגר הנתונים שבו נעסוק](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.he.png) +![מאגר הנתונים שבו נעסוק](../../../../../../translated_images/data.50b2a9d5484bdbf0.he.png) כדי להוריד את מאגר הנתונים, השתמשו בקטע הקוד הבא: diff --git a/translations/he/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb b/translations/he/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb index 8e469317..cae782a0 100644 --- a/translations/he/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb +++ b/translations/he/lessons/4-ComputerVision/08-TransferLearning/AdversarialCat_TF.ipynb @@ -50,7 +50,7 @@ "\n", "כדי לדמיין את החתול האידיאלי, נתחיל עם תמונה של רעש אקראי, וננסה להשתמש בטכניקת אופטימיזציה של ירידת גרדיאנט כדי להתאים את התמונה כך שרשת תזהה חתול.\n", "\n", - "![לולאת אופטימיזציה](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.he.png)\n", + "![לולאת אופטימיזציה](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.he.png)\n", "\n", "הנה התמונה ההתחלתית שלנו:\n" ] diff --git a/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md index 65e52a6a..7c046f98 100644 --- a/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/he/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: להלן דוגמה לתכונות שחולצו מתמונה של חתול על ידי רשת VGG-16: -![תכונות שחולצו על ידי VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.he.png) +![תכונות שחולצו על ידי VGG-16](../../../../../translated_images/features.6291f9c7ba3a0b95.he.png) ## מערך נתונים של חתולים וכלבים @@ -48,19 +48,19 @@ CO_OP_TRANSLATOR_METADATA: גישה אחת שנוכל לקחת היא להתחיל עם תמונה אקראית, ואז לנסות להשתמש בטכניקת **אופטימיזציה בירידת גרדיאנט** כדי להתאים את התמונה כך שהרשת תתחיל לחשוב שמדובר בחתול. -![לולאת אופטימיזציה של תמונה](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.he.png) +![לולאת אופטימיזציה של תמונה](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.he.png) עם זאת, אם נעשה זאת, נקבל משהו שדומה מאוד לרעש אקראי. זאת מכיוון ש*יש הרבה דרכים לגרום לרשת לחשוב שהתמונה הקלט היא חתול*, כולל כאלה שאינן הגיוניות מבחינה חזותית. למרות שהתמונות הללו מכילות הרבה דפוסים אופייניים לחתול, אין שום דבר שמגביל אותן להיות מובחנות חזותית. כדי לשפר את התוצאה, נוכל להוסיף מונח נוסף לפונקציית ההפסד, שנקרא **הפסד וריאציה**. זהו מדד שמראה עד כמה פיקסלים סמוכים בתמונה דומים זה לזה. צמצום הפסד וריאציה הופך את התמונה לחלקה יותר ומסלק רעש - ובכך חושף דפוסים מושכים יותר מבחינה חזותית. הנה דוגמה לתמונות "אידיאליות" כאלה, שמסווגות כחתול וכזברה בהסתברות גבוהה: -![חתול אידיאלי](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.he.png) | ![זברה אידיאלית](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.he.png) +![חתול אידיאלי](../../../../../translated_images/ideal-cat.203dd4597643d6b0.he.png) | ![זברה אידיאלית](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.he.png) -----|----- *חתול אידיאלי* | *זברה אידיאלית* גישה דומה יכולה לשמש לביצוע מה שנקרא **התקפות עוינות** על רשת עצבית. נניח שאנחנו רוצים להטעות רשת עצבית ולגרום לכלב להיראות כמו חתול. אם ניקח תמונה של כלב, שמזוהה על ידי הרשת ככלב, נוכל לשנות אותה מעט באמצעות אופטימיזציה בירידת גרדיאנט, עד שהרשת תתחיל לסווג אותה כחתול: -![תמונה של כלב](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.he.png) | ![תמונה של כלב שמסווג כחתול](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.he.png) +![תמונה של כלב](../../../../../translated_images/original-dog.8f68a67d2fe0911f.he.png) | ![תמונה של כלב שמסווג כחתול](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.he.png) -----|----- *תמונה מקורית של כלב* | *תמונה של כלב שמסווג כחתול* diff --git a/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb b/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb index c04bf15e..35c602d7 100644 --- a/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb +++ b/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb @@ -21,7 +21,7 @@ "\n", "מכיוון שאנחנו מאמנים את האוטואנקודר ללכוד כמה שיותר מידע מהתמונה המקורית כדי לשחזר אותה בצורה מדויקת, הרשת מנסה למצוא את ה**הטמעה** הטובה ביותר של תמונות הקלט כדי ללכוד את המשמעות שלהן.\n", "\n", - "![תרשים אוטואנקודר](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.he.jpg)\n", + "![תרשים אוטואנקודר](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.he.jpg)\n", "\n", "> תמונה מתוך [הבלוג של Keras](https://blog.keras.io/building-autoencoders-in-keras.html)\n", "\n", diff --git a/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb b/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb index 02a2859a..b595e1b7 100644 --- a/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb +++ b/translations/he/lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb @@ -21,7 +21,7 @@ "\n", "מכיוון שאנחנו מאמנים את האוטואנקודר ללכוד כמה שיותר מידע מהתמונה המקורית לצורך שחזור מדויק, הרשת מנסה למצוא את ה**הטמעה** הטובה ביותר של תמונות הקלט כדי ללכוד את המשמעות.\n", "\n", - "![תרשים אוטואנקודר](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.he.jpg)\n", + "![תרשים אוטואנקודר](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.he.jpg)\n", "\n", "*תמונה מתוך [הבלוג של Keras](https://blog.keras.io/building-autoencoders-in-keras.html)*\n", "\n", diff --git a/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md index 8a648803..78451853 100644 --- a/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/he/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: מכיוון שאנו מאמנים אוטואנקודר כדי ללכוד כמה שיותר מידע מהתמונה המקורית לצורך שחזור מדויק, הרשת מנסה למצוא את ה**הטמעה** הטובה ביותר של תמונות הקלט כדי ללכוד את המשמעות. -![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.he.jpg) +![AutoEncoder Diagram](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.he.jpg) > תמונה מתוך [בלוג Keras](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md index 33732320..78a62cb1 100644 --- a/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/he/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![זיהוי אובייקטים](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.he.png) +![זיהוי אובייקטים](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.he.png) > תמונה מתוך [אתר YOLO v2](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 2. להריץ סיווג תמונה על כל אריח. 3. אריחים שמפיקים הפעלה גבוהה מספיק יכולים להיחשב ככאלה שמכילים את האובייקט המדובר. -![זיהוי נאיבי של אובייקטים](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.he.png) +![זיהוי נאיבי של אובייקטים](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.he.png) > *תמונה מתוך [מחברת התרגילים](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 קטגוריות * [COCO](http://cocodataset.org/#home) - אובייקטים נפוצים בהקשר. 80 קטגוריות, תיבות גבול ומסכות סגמנטציה -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.he.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.he.jpg) ## מדדים לזיהוי אובייקטים @@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA: בעוד שבסיווג תמונות קל למדוד עד כמה האלגוריתם מצליח, בזיהוי אובייקטים עלינו למדוד גם את נכונות הקטגוריה וגם את דיוק מיקום תיבת הגבול שחוזה האלגוריתם. עבור האחרון, אנו משתמשים במדד שנקרא **חיתוך על איחוד** (IoU), שמודד עד כמה שתי תיבות (או שני אזורים שרירותיים) חופפים. -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.he.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.he.png) > *איור 2 מתוך [פוסט בלוג מצוין על IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -98,11 +98,11 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) משתמשת ב-[חיפוש סלקטיבי](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) כדי ליצור מבנה היררכי של אזורי ROI, אשר מועברים לאחר מכן דרך מחלצי תכונות של CNN ומסווגי SVM כדי לקבוע את קטגוריית האובייקט, ורגרסיה ליניארית כדי לקבוע את קואורדינטות *תיבת הגבול*. [מאמר רשמי](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.he.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.he.png) > *תמונה מתוך van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.he.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.he.png) > *תמונות מתוך [הבלוג הזה](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -110,7 +110,7 @@ $$ גישה זו דומה ל-R-CNN, אך האזורים מוגדרים לאחר יישום שכבות הקונבולוציה. -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.he.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.he.png) > תמונה מתוך [המאמר הרשמי](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 @@ $$ הרעיון המרכזי בגישה זו הוא להשתמש ברשת עצבית כדי לנבא ROI - מה שנקרא *רשת הצעת אזורים*. [מאמר](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.he.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.he.png) > תמונה מתוך [המאמר הרשמי](https://arxiv.org/pdf/1506.01497.pdf) @@ -130,7 +130,7 @@ $$ 2. התכונות מעובדות על ידי **מפת ניקוד רגישה למיקום**. כל אובייקט מתוך $C$ קטגוריות מחולק ל-$k\times k$ אזורים, ואנו מאמנים לחזות חלקים של אובייקטים. 3. עבור כל חלק מתוך $k\times k$ אזורים כל הרשתות מצביעות על קטגוריות אובייקטים, וקטגוריית האובייקט עם ההצבעה המקסימלית נבחרת. -![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.he.png) +![r-fcn image](../../../../../translated_images/r-fcn.13eb88158b99a3da.he.png) > תמונה מתוך [המאמר הרשמי](https://arxiv.org/abs/1605.06409) @@ -141,7 +141,7 @@ YOLO הוא אלגוריתם בזמן אמת במעבר אחד. הרעיון ה * התמונה מחולקת ל-$S\times S$ אזורים. * עבור כל אזור, **CNN** מנבא $n$ אובייקטים אפשריים, *קואורדינטות תיבת הגבול* ו-*ביטחון*=*הסתברות* * IoU. - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.he.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.he.png) > תמונה מתוך [המאמר הרשמי](https://arxiv.org/abs/1506.02640) diff --git a/translations/he/lessons/4-ComputerVision/README.md b/translations/he/lessons/4-ComputerVision/README.md index 67849814..8ae3dfeb 100644 --- a/translations/he/lessons/4-ComputerVision/README.md +++ b/translations/he/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ראייה ממוחשבת -![סיכום תוכן ראייה ממוחשבת באיור](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.he.png) +![סיכום תוכן ראייה ממוחשבת באיור](../../../../translated_images/ai-computervision.6506ebebac3fbf76.he.png) בפרק זה נלמד על: diff --git a/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb b/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb index 6aa53d87..bee2eb16 100644 --- a/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb +++ b/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb @@ -199,7 +199,7 @@ "\n", "ייצוג וקטורי **Bag of Words** (BoW) הוא הייצוג הווקטורי המסורתי הנפוץ ביותר. כל מילה מקושרת לאינדקס בווקטור, והאלמנט בווקטור מכיל את מספר ההופעות של מילה מסוימת במסמך נתון.\n", "\n", - "![תמונה שמראה כיצד ייצוג וקטורי בשיטת Bag of Words מיוצג בזיכרון.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.he.png)\n", + "![תמונה שמראה כיצד ייצוג וקטורי בשיטת Bag of Words מיוצג בזיכרון.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.he.png)\n", "\n", "> **Note**: ניתן גם לחשוב על BoW כסכום של כל הווקטורים המקודדים בשיטת one-hot עבור המילים הבודדות בטקסט.\n", "\n", diff --git a/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb b/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb index 37839a91..1c21a0d8 100644 --- a/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb +++ b/translations/he/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb @@ -188,7 +188,7 @@ "\n", "ייצוג וקטורי בשיטת **Bag-of-words** (BoW) הוא הייצוג הווקטורי המסורתי הפשוט ביותר להבנה. כל מילה מקושרת לאינדקס בווקטור, ואלמנט בווקטור מכיל את מספר הפעמים שהמילה מופיעה במסמך נתון.\n", "\n", - "![תמונה שמציגה כיצד ייצוג וקטורי בשיטת Bag-of-words מיוצג בזיכרון.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba98a9d693e3bcd706c6e83fa7bf8221e6e90d1a206d82f2ea4.he.png) \n", + "![תמונה שמציגה כיצד ייצוג וקטורי בשיטת Bag-of-words מיוצג בזיכרון.](../../../../../translated_images/bag-of-words-example.606fc1738f1d7ba9.he.png) \n", "\n", "> **Note**: ניתן גם לחשוב על BoW כסכום של כל הווקטורים המקודדים בשיטת one-hot עבור המילים הבודדות בטקסט.\n", "\n", diff --git a/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb b/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb index 24ad09f9..0b246c57 100644 --- a/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb +++ b/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb @@ -62,7 +62,7 @@ "\n", "על ידי שימוש בשכבת הטמעה כשכבה הראשונה ברשת שלנו, נוכל לעבור ממודל bag-of-words למודל **embedding bag**, שבו קודם כל נמיר כל מילה בטקסט שלנו להטמעה המתאימה שלה, ואז נחשב פונקציית צבירה כלשהי על כל ההטמעות הללו, כמו `sum`, `average` או `max`.\n", "\n", - "![תמונה המציגה מסווג הטמעות עבור חמש מילים ברצף.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.he.png)\n", + "![תמונה המציגה מסווג הטמעות עבור חמש מילים ברצף.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.he.png)\n", "\n", "רשת העצבים המסווגת שלנו תתחיל עם שכבת הטמעה, לאחר מכן שכבת צבירה, ולבסוף מסווג ליניארי מעליה:\n" ] @@ -176,7 +176,7 @@ "\n", "בארכיטקטורה הקודמת, היינו צריכים לרפד את כל הרצפים לאורך אחיד כדי להתאים אותם למיני-באטץ'. זו לא הדרך היעילה ביותר לייצג רצפים באורך משתנה - גישה אחרת תהיה להשתמש בוקטור **offset**, שמחזיק את ההיסטים של כל הרצפים המאוחסנים בוקטור גדול אחד.\n", "\n", - "![תמונה המציגה ייצוג רצף עם היסטים](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46eecfbe74466077cfeb7c0f93a4f254850538a2efbc63517479.he.png)\n", + "![תמונה המציגה ייצוג רצף עם היסטים](../../../../../translated_images/offset-sequence-representation.eb73fcefb29b46ee.he.png)\n", "\n", "> **Note**: בתמונה למעלה, אנו מציגים רצף של תווים, אך בדוגמה שלנו אנו עובדים עם רצפים של מילים. עם זאת, העיקרון הכללי של ייצוג רצפים באמצעות וקטור היסטים נשאר זהה.\n", "\n", @@ -311,7 +311,7 @@ "\n", "CBoW מהיר יותר, בעוד ש-Skip-Gram איטי יותר, אך מבצע עבודה טובה יותר בייצוג מילים נדירות.\n", "\n", - "![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.he.png)\n", + "![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.he.png)\n", "\n", "כדי להתנסות בהטמעת Word2Vec שאומנה מראש על מאגר הנתונים של Google News, נוכל להשתמש בספריית **gensim**. להלן נמצא את המילים שהכי דומות ל-'neural'\n", "\n", diff --git a/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb b/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb index 48653931..ed30208f 100644 --- a/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb +++ b/translations/he/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb @@ -37,7 +37,7 @@ "\n", "על ידי שימוש בשכבת embedding כשכבה הראשונה ברשת שלנו, אנחנו יכולים לעבור ממודל bag-of-words למודל **embedding bag**, שבו תחילה אנו ממירים כל מילה בטקסט שלנו ל-embedding המתאים לה, ואז מחשבים פונקציית צבירה כלשהי על כל ה-embeddings, כמו `sum`, `average` או `max`.\n", "\n", - "![תמונה המציגה מסווג embedding עבור חמישה רצפי מילים.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.he.png)\n", + "![תמונה המציגה מסווג embedding עבור חמישה רצפי מילים.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.he.png)\n", "\n", "רשת הנוירונים המסווגת שלנו מורכבת מהשכבות הבאות:\n", "\n", @@ -283,7 +283,7 @@ "\n", "CBoW מהיר יותר, בעוד ש-Skip-Gram איטי יותר, אך הוא עושה עבודה טובה יותר בייצוג מילים נדירות.\n", "\n", - "![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.he.png)\n", + "![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.he.png)\n", "\n", "כדי להתנסות בהטמעת Word2Vec שאומנה מראש על מאגר הנתונים של Google News, ניתן להשתמש בספריית **gensim**. להלן נאתר את המילים הדומות ביותר ל'neural'.\n", "\n", diff --git a/translations/he/lessons/5-NLP/14-Embeddings/README.md b/translations/he/lessons/5-NLP/14-Embeddings/README.md index 0656e5fa..e2d71053 100644 --- a/translations/he/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/he/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: על ידי שימוש בשכבת הטמעות כשכבה הראשונה ברשת המסווג שלנו, נוכל לעבור מתיק מילים למודל **תיק הטמעות** (embedding bag), שבו אנו קודם ממירים כל מילה בטקסט שלנו להטמעה המתאימה, ואז מחשבים פונקציית צבירה כלשהי על כל ההטמעות הללו, כמו `sum`, `average` או `max`. -![תמונה המציגה מסווג הטמעות עבור חמש מילים ברצף.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.he.png) +![תמונה המציגה מסווג הטמעות עבור חמש מילים ברצף.](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.he.png) > תמונה מאת המחבר @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW מהיר יותר, בעוד ש-skip-gram איטי יותר, אך עושה עבודה טובה יותר בייצוג מילים נדירות. -![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.he.png) +![תמונה המציגה את האלגוריתמים CBoW ו-Skip-Gram להמרת מילים לוקטורים.](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.he.png) > תמונה מתוך [המאמר הזה](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/he/lessons/5-NLP/15-LanguageModeling/README.md b/translations/he/lessons/5-NLP/15-LanguageModeling/README.md index 268577f2..6ff966c2 100644 --- a/translations/he/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/he/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA: * **Continuous Bag-of-Words** (CBoW), שבו אנו חוזים את הטוקן האמצעי $W_0$ ברצף טוקנים $W_{-N}$, ..., $W_N$. * **Skip-gram**, שבו אנו חוזים סט של טוקנים סמוכים {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} מתוך הטוקן האמצעי $W_0$. -![תמונה מתוך מאמר על המרת מילים לווקטורים](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.he.png) +![תמונה מתוך מאמר על המרת מילים לווקטורים](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.he.png) > תמונה מתוך [המאמר הזה](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/he/lessons/5-NLP/16-RNN/README.md b/translations/he/lessons/5-NLP/16-RNN/README.md index c54a24bb..842f3129 100644 --- a/translations/he/lessons/5-NLP/16-RNN/README.md +++ b/translations/he/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: כדי לתפוס את המשמעות של רצף טקסט, עלינו להשתמש בארכיטקטורה אחרת של רשת עצבית, הנקראת **רשת עצבית חוזרת**, או RNN. ב-RNN, אנו מעבירים את המשפט דרך הרשת סמל אחד בכל פעם, והרשת מייצרת **מצב** מסוים, אותו אנו מעבירים שוב לרשת עם הסמל הבא. -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.he.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.he.png) > תמונה מאת המחבר @@ -61,7 +61,7 @@ CO_OP_TRANSLATOR_METADATA: רשת חוזרת, בין אם חד-כיוונית או דו-כיוונית, תופסת דפוסים מסוימים בתוך רצף, ויכולה לאחסן אותם בוקטור מצב או להעבירם לפלט. כמו ברשתות קונבולוציה, אנו יכולים לבנות שכבה חוזרת נוספת מעל הראשונה כדי לתפוס דפוסים ברמה גבוהה יותר ולבנות מדפוסים ברמה נמוכה שנלכדו על ידי השכבה הראשונה. זה מוביל אותנו למושג של **RNN רב-שכבתי** שמורכב משתי רשתות חוזרות או יותר, כאשר הפלט של השכבה הקודמת מועבר לשכבה הבאה כקלט. -![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.he.jpg) +![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.he.jpg) *תמונה מתוך [הפוסט הנהדר הזה](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) מאת פרננדו לופז* diff --git a/translations/he/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb b/translations/he/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb index cff9c09f..67b98a57 100644 --- a/translations/he/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb +++ b/translations/he/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb @@ -422,7 +422,7 @@ "\n", "רשת חוזרת, בין אם היא חד-כיוונית או דו-כיוונית, לוכדת דפוסים מסוימים בתוך רצף, ויכולה לאחסן אותם בווקטור מצב או להעביר אותם לפלט. כמו ברשתות קונבולוציה, ניתן לבנות שכבה חוזרת נוספת מעל הראשונה כדי ללכוד דפוסים ברמה גבוהה יותר, שנבנים מדפוסים ברמה נמוכה שהופקו על ידי השכבה הראשונה. זה מוביל אותנו למושג של **RNN רב-שכבתי**, שמורכב משתי רשתות חוזרות או יותר, כאשר הפלט של השכבה הקודמת מועבר לשכבה הבאה כקלט.\n", "\n", - "![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.he.jpg)\n", + "![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.he.jpg)\n", "\n", "*תמונה מתוך [הפוסט הנהדר הזה](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) מאת Fernando López*\n", "\n", diff --git a/translations/he/lessons/5-NLP/16-RNN/RNNTF.ipynb b/translations/he/lessons/5-NLP/16-RNN/RNNTF.ipynb index ca7e5df2..2446ac10 100644 --- a/translations/he/lessons/5-NLP/16-RNN/RNNTF.ipynb +++ b/translations/he/lessons/5-NLP/16-RNN/RNNTF.ipynb @@ -10,7 +10,7 @@ "\n", "כדי לתפוס את המשמעות של רצף טקסט, נשתמש בארכיטקטורה של רשת עצבית הנקראת **רשת עצבית חוזרת**, או RNN. כאשר משתמשים ב-RNN, אנו מעבירים את המשפט דרך הרשת, טוקן אחד בכל פעם, והרשת מייצרת **מצב** מסוים, אותו אנו מעבירים שוב לרשת יחד עם הטוקן הבא.\n", "\n", - "![תמונה המציגה דוגמה ליצירת רשת עצבית חוזרת.](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.he.png)\n", + "![תמונה המציגה דוגמה ליצירת רשת עצבית חוזרת.](../../../../../translated_images/rnn.27f5c29c53d727b5.he.png)\n", "\n", "בהינתן רצף הטוקנים $X_0,\\dots,X_n$, ה-RNN יוצר רצף של בלוקים של רשת עצבית, ומאמן את הרצף הזה מקצה לקצה באמצעות שיטת ה-backpropagation. כל בלוק ברשת מקבל זוג $(X_i,S_i)$ כקלט, ומייצר $S_{i+1}$ כתוצאה. המצב הסופי $S_n$ או הפלט $Y_n$ מועבר למסווג ליניארי כדי לייצר את התוצאה. כל בלוקי הרשת חולקים את אותם משקלים, ומאומנים מקצה לקצה באמצעות מעבר אחד של backpropagation.\n", "\n", @@ -371,7 +371,7 @@ "\n", "רשתות חוזרות, בין אם חד-כיווניות או דו-כיווניות, לוכדות תבניות בתוך רצף, ושומרות אותן בווקטורי מצב או מחזירות אותן כפלט. כמו ברשתות קונבולוציה, ניתן לבנות שכבה חוזרת נוספת אחרי הראשונה כדי ללכוד תבניות ברמה גבוהה יותר, שנבנות מתבניות ברמה נמוכה יותר שהשכבה הראשונה חילצה. זה מוביל אותנו למושג של **RNN רב-שכבתי**, שמורכב משתי רשתות חוזרות או יותר, כאשר הפלט של השכבה הקודמת מועבר לשכבה הבאה כקלט.\n", "\n", - "![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.he.jpg)\n", + "![תמונה המציגה RNN רב-שכבתי מסוג LSTM](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.he.jpg)\n", "\n", "*תמונה מתוך [הפוסט הנהדר הזה](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) מאת Fernando López.*\n", "\n", diff --git a/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb b/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb index 532ef106..8e34f1b4 100644 --- a/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb +++ b/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb @@ -119,7 +119,7 @@ "\n", "הדרך שבה נאמן RNN לייצר טקסט היא כדלקמן. בכל שלב, ניקח רצף של תווים באורך `nchars`, ונבקש מהרשת לייצר את התו הבא עבור כל תו קלט:\n", "\n", - "![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.he.png)\n", + "![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.he.png)\n", "\n", "בהתאם לתרחיש בפועל, ייתכן שנרצה לכלול גם תווים מיוחדים, כמו *סוף רצף* ``. במקרה שלנו, אנחנו רק רוצים לאמן את הרשת ליצירת טקסט אינסופי, ולכן נקבע את גודל כל רצף להיות שווה ל-`nchars` טוקנים. כתוצאה מכך, כל דוגמת אימון תכלול `nchars` קלטים ו-`nchars` פלטים (שהם רצף הקלט מוזז סמל אחד שמאלה). מיניבאץ' יכלול כמה רצפים כאלה.\n", "\n", diff --git a/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb b/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb index 819a1d31..7353199d 100644 --- a/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb +++ b/translations/he/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb @@ -113,7 +113,7 @@ "\n", "הדרך שבה נאמן RNN לייצר כותרות חדשות היא כדלקמן. בכל שלב, ניקח כותרת אחת, שתוזן לתוך RNN, ולכל תו קלט נבקש מהרשת לייצר את תו הפלט הבא:\n", "\n", - "![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.he.png)\n", + "![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.he.png)\n", "\n", "עבור התו האחרון ברצף שלנו, נבקש מהרשת לייצר את הטוקן ``.\n", "\n", diff --git a/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md index 952375d9..2aecf195 100644 --- a/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/he/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: זה מאפשר ארכיטקטורות עצביות שונות, כפי שמוצג בתמונה הבאה: -![תמונה המציגה דפוסים נפוצים של רשתות עצביות חוזרות.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.he.jpg) +![תמונה המציגה דפוסים נפוצים של רשתות עצביות חוזרות.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.he.jpg) > תמונה מתוך פוסט הבלוג [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) מאת [Andrej Karpaty](http://karpathy.github.io/) @@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA: נאמן את ה-RNN הזה ליצירת טקסט שלב אחר שלב. בכל שלב, ניקח רצף של תווים באורך `nchars`, ונבקש מהרשת לייצר את התו הבא עבור כל תו קלט: -![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.he.png) +![תמונה המציגה דוגמה ליצירת המילה 'HELLO' באמצעות RNN.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.he.png) בעת יצירת טקסט (בזמן הסקת מסקנות), נתחיל עם **הנחיה** כלשהי, שתועבר דרך תאי RNN כדי ליצור את מצב הביניים שלה, ואז מהמצב הזה מתחילה היצירה. ניצור תו אחד בכל פעם, ונעביר את המצב ואת התו שנוצר לתא RNN נוסף כדי ליצור את הבא, עד שניצור מספיק תווים. diff --git a/translations/he/lessons/5-NLP/18-Transformers/README.md b/translations/he/lessons/5-NLP/18-Transformers/README.md index d8587b3b..11edfb24 100644 --- a/translations/he/lessons/5-NLP/18-Transformers/README.md +++ b/translations/he/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA: **מנגנוני קשב** מספקים דרך לשקלל את ההשפעה ההקשרית של כל וקטור קלט על כל תחזית פלט של ה-RNN. זה מיושם על ידי יצירת קיצורי דרך בין המצבים הביניים של ה-RNN הקלט לבין ה-RNN הפלט. כך, בעת יצירת סמל פלט yt, ניקח בחשבון את כל המצבים המוסתרים של הקלט hi, עם מקדמי משקל שונים αt,i. -![תמונה המציגה מודל encoder/decoder עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.he.png) +![תמונה המציגה מודל encoder/decoder עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.he.png) > מודל ה-encoder-decoder עם מנגנון קשב אדיטיבי מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), מצוטט מתוך [פוסט בבלוג זה](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) מטריצת הקשב {αi,j} מייצגת את המידה שבה מילים מסוימות בקלט משפיעות על יצירת מילה מסוימת בפלט. להלן דוגמה למטריצה כזו: -![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.he.png) +![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.he.png) > איור מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (איור 3) @@ -66,7 +66,7 @@ CO_OP_TRANSLATOR_METADATA: כעת, עלינו לזהות תבניות בתוך הרצף שלנו. לשם כך, טרנספורמרים משתמשים במנגנון **קשב עצמי**, שהוא למעשה קשב המיושם על אותו רצף כקלט וכפלט. יישום קשב עצמי מאפשר לנו לקחת בחשבון **הקשר** בתוך המשפט ולראות אילו מילים קשורות זו לזו. לדוגמה, הוא מאפשר לנו לראות אילו מילים מתייחסות להן באמצעות התייחסויות כמו *it*, וגם לקחת את ההקשר בחשבון: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.he.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.he.png) > תמונה מתוך [הבלוג של Google](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) הוא רשת טרנספורמרים גדולה מאוד עם 12 שכבות עבור *BERT-base*, ו-24 עבור *BERT-large*. המודל מאומן תחילה על מאגר טקסט גדול (ויקיפדיה + ספרים) באמצעות אימון לא מפוקח (חיזוי מילים מוסתרות במשפט). במהלך האימון הראשוני, המודל סופג רמות משמעותיות של הבנת שפה, שניתן לאחר מכן לנצל עם מערכי נתונים אחרים באמצעות כוונון עדין. תהליך זה נקרא **למידת העברה**. -![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.he.png) +![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.he.png) > מקור התמונה [כאן](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/he/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb b/translations/he/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb index 6a90c23f..4743e14f 100644 --- a/translations/he/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb +++ b/translations/he/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb @@ -12,12 +12,12 @@ "\n", "**מנגנוני קשב** מספקים דרך לשקלל את ההשפעה ההקשרית של כל וקטור קלט על כל תחזית פלט של ה-RNN. זה מיושם על ידי יצירת קיצורי דרך בין המצבים הביניים של ה-RNN של הקלט לבין ה-RNN של הפלט. כך, בעת יצירת סמל פלט $y_t$, ניקח בחשבון את כל המצבים המוסתרים של הקלט $h_i$, עם מקדמי משקל שונים $\\alpha_{t,i}$.\n", "\n", - "![תמונה המציגה מודל מקודד/מפענח עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.he.png)\n", + "![תמונה המציגה מודל מקודד/מפענח עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.he.png)\n", "*מודל מקודד-מפענח עם מנגנון קשב אדיטיבי מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), מצוטט מתוך [פוסט הבלוג הזה](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "מטריצת הקשב $\\{\\alpha_{i,j}\\}$ מייצגת את המידה שבה מילים מסוימות בקלט משפיעות על יצירת מילה מסוימת ברצף הפלט. להלן דוגמה למטריצה כזו:\n", "\n", - "![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.he.png)\n", + "![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.he.png)\n", "\n", "*תמונה מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (איור 3)*\n", "\n", @@ -35,7 +35,7 @@ "\n", "**BERT** (ייצוגי מקודד דו-כיווניים מטרנספורמרים) הוא רשת טרנספורמרים גדולה מאוד עם 12 שכבות עבור *BERT-base* ו-24 עבור *BERT-large*. המודל מאומן מראש על מאגר טקסטים גדול (ויקיפדיה + ספרים) באמצעות אימון לא מפוקח (חיזוי מילים מוסתרות במשפט). במהלך האימון המוקדם, המודל סופג רמה משמעותית של הבנת שפה, שניתן לנצל לאחר מכן עם מערכי נתונים אחרים באמצעות כוונון עדין. תהליך זה נקרא **למידת העברה**.\n", "\n", - "![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.he.png)\n", + "![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.he.png)\n", "\n", "ישנן וריאציות רבות של ארכיטקטורות טרנספורמרים, כולל BERT, DistilBERT, BigBird, OpenGPT3 ועוד, שניתן לכוונן. חבילת [HuggingFace](https://github.com/huggingface/) מספקת מאגר לאימון רבות מהארכיטקטורות הללו עם PyTorch.\n", "\n", diff --git a/translations/he/lessons/5-NLP/18-Transformers/TransformersTF.ipynb b/translations/he/lessons/5-NLP/18-Transformers/TransformersTF.ipynb index 4248025f..5dc34765 100644 --- a/translations/he/lessons/5-NLP/18-Transformers/TransformersTF.ipynb +++ b/translations/he/lessons/5-NLP/18-Transformers/TransformersTF.ipynb @@ -12,12 +12,12 @@ "\n", "**מנגנוני קשב** מספקים דרך לשקלל את ההשפעה ההקשרית של כל וקטור קלט על כל תחזית פלט של ה-RNN. הדבר מיושם על ידי יצירת קיצורי דרך בין המצבים הביניים של ה-RNN של הקלט לבין ה-RNN של הפלט. כך, בעת יצירת סמל פלט $y_t$, ניקח בחשבון את כל המצבים המוסתרים של הקלט $h_i$, עם מקדמי משקל שונים $\\alpha_{t,i}$.\n", "\n", - "![תמונה המציגה מודל מקודד/מפענח עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.he.png)\n", + "![תמונה המציגה מודל מקודד/מפענח עם שכבת קשב אדיטיבית](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.he.png)\n", "*מודל מקודד-מפענח עם מנגנון קשב אדיטיבי מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), מצוטט מתוך [פוסט הבלוג הזה](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n", "\n", "מטריצת הקשב $\\{\\alpha_{i,j}\\}$ מייצגת את המידה שבה מילים מסוימות בקלט משפיעות על יצירת מילה מסוימת ברצף הפלט. להלן דוגמה למטריצה כזו:\n", "\n", - "![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.he.png)\n", + "![תמונה המציגה יישור דוגמה שנמצא על ידי RNNsearch-50, מתוך Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.he.png)\n", "\n", "*תמונה מתוך [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (איור 3)*\n", "\n", @@ -225,7 +225,7 @@ "\n", "**BERT** (Bidirectional Encoder Representations from Transformers) הוא רשת טרנספורמר רב שכבתית גדולה מאוד עם 12 שכבות עבור *BERT-base*, ו-24 עבור *BERT-large*. המודל עובר תחילה אימון מוקדם על מאגר נתונים גדול של טקסט (ויקיפדיה + ספרים) באמצעות אימון לא מפוקח (ניבוי מילים מוסתרות במשפט). במהלך האימון המוקדם, המודל סופג רמה משמעותית של הבנת שפה, שניתן לאחר מכן לנצל עם מערכי נתונים אחרים באמצעות כיוונון עדין. תהליך זה נקרא **למידה מעוברת**.\n", "\n", - "![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.he.png)\n", + "![תמונה מתוך http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.he.png)\n", "\n", "ישנם וריאציות רבות של ארכיטקטורות טרנספורמר, כולל BERT, DistilBERT, BigBird, OpenGPT3 ועוד, שניתן לבצע עליהן כיוונון עדין.\n", "\n", diff --git a/translations/he/lessons/5-NLP/19-NER/README.md b/translations/he/lessons/5-NLP/19-NER/README.md index 1e515954..11449f6f 100644 --- a/translations/he/lessons/5-NLP/19-NER/README.md +++ b/translations/he/lessons/5-NLP/19-NER/README.md @@ -58,7 +58,7 @@ infant | O מכיוון שעלינו לבנות התאמה של אחד-לאחד בין טוקנים לקטגוריות, נוכל לאמן מודל רשת עצבית **רב-לרב** מהתמונה הבאה: -![תמונה המציגה דפוסים נפוצים של רשתות עצביות חוזרות.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.he.jpg) +![תמונה המציגה דפוסים נפוצים של רשתות עצביות חוזרות.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.he.jpg) > *תמונה מתוך [פוסט הבלוג הזה](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) מאת [אנדריי קרפת'י](http://karpathy.github.io/). מודלים של סיווג טוקנים ב-NER תואמים לארכיטקטורת הרשת הימנית ביותר בתמונה זו.* diff --git a/translations/he/lessons/5-NLP/README.md b/translations/he/lessons/5-NLP/README.md index 5ab685a3..71c6aaa4 100644 --- a/translations/he/lessons/5-NLP/README.md +++ b/translations/he/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # עיבוד שפה טבעית -![סיכום משימות NLP בציור](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.he.png) +![סיכום משימות NLP בציור](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.he.png) בפרק זה נתמקד בשימוש ברשתות נוירונים לטיפול במשימות הקשורות ל**עיבוד שפה טבעית (NLP)**. ישנם הרבה בעיות NLP שאנו רוצים שמחשבים יוכלו לפתור: diff --git a/translations/he/lessons/6-Other/23-MultiagentSystems/README.md b/translations/he/lessons/6-Other/23-MultiagentSystems/README.md index 791218fc..1e3081cf 100644 --- a/translations/he/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/he/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ ask turtles [ לאחר פתיחת המודל, תועברו למסך הראשי של NetLogo. הנה דוגמת מודל שמתאר את אוכלוסיית הזאבים והכבשים, בהתחשב במשאבים מוגבלים (דשא). -![מסך ראשי של NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.he.png) +![מסך ראשי של NetLogo](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.he.png) > צילום מסך מאת דמיטרי סושניקוב diff --git a/translations/he/lessons/README.md b/translations/he/lessons/README.md index d2ee02f6..fc7f7f5c 100644 --- a/translations/he/lessons/README.md +++ b/translations/he/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # סקירה כללית -![סקירה כללית באיור](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.he.png) +![סקירה כללית באיור](../../../translated_images/ai-overview.0857791951d19500.he.png) > איור מאת [Tomomi Imura](https://twitter.com/girlie_mac) diff --git a/translations/he/lessons/X-Extras/X1-MultiModal/README.md b/translations/he/lessons/X-Extras/X1-MultiModal/README.md index f477246a..48b30f11 100644 --- a/translations/he/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/he/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: הרעיון המרכזי של CLIP הוא היכולת להשוות בין טקסט לתמונה ולקבוע עד כמה התמונה מתאימה לטקסט. -![ארכיטקטורת CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.he.png) +![ארכיטקטורת CLIP](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.he.png) > *תמונה מתוך [הפוסט הזה](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: נניח שעלינו לסווג תמונות בין חתולים, כלבים ובני אדם. במקרה זה, ניתן להזין למודל תמונה וסדרה של טקסטים: "*תמונה של חתול*", "*תמונה של כלב*", "*תמונה של אדם*". בווקטור התוצאות של 3 ההסתברויות, נבחר את האינדקס עם הערך הגבוה ביותר. -![CLIP לסיווג תמונות](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.he.png) +![CLIP לסיווג תמונות](../../../../../translated_images/clip-class.3af42ef0b2b19369.he.png) > *תמונה מתוך [הפוסט הזה](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ CO_OP_TRANSLATOR_METADATA: אחת ההבדלים החשובים בין VQGAN ל-GAN מסורתי היא שהאחרון יכול לייצר תמונה סבירה מכל וקטור קלט, בעוד ש-VQGAN עשוי לייצר תמונה שאינה קוהרנטית. לכן, יש להנחות את תהליך יצירת התמונה, וזה נעשה באמצעות CLIP. -![ארכיטקטורת VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.he.png) +![ארכיטקטורת VQGAN+CLIP](../../../../../translated_images/vqgan.5027fe05051dfa31.he.png) כדי ליצור תמונה שמתאימה לטקסט, מתחילים עם וקטור קידוד אקראי שמועבר דרך VQGAN ליצירת תמונה. לאחר מכן, CLIP משמש ליצירת פונקציית הפסד שמראה עד כמה התמונה מתאימה לטקסט. המטרה היא למזער את ההפסד הזה באמצעות back propagation כדי להתאים את פרמטרי וקטור הקלט. ספרייה מצוינת שמממשת VQGAN+CLIP היא [Pixray](http://github.com/pixray/pixray). -![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.he.png) | ![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.he.png) | ![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.he.png) +![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.he.png) | ![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.he.png) | ![תמונה שנוצרה על ידי Pixray](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.he.png) ----|----|---- תמונה שנוצרה מהטקסט *דיוקן בצבעי מים של מורה צעיר לספרות עם ספר* | תמונה שנוצרה מהטקסט *דיוקן בשמן של מורה צעירה למדעי המחשב עם מחשב* | תמונה שנוצרה מהטקסט *דיוקן בשמן של מורה מבוגר למתמטיקה מול לוח שחור* diff --git a/translations/hi/README.md b/translations/hi/README.md index 6eb05be5..b668415f 100644 --- a/translations/hi/README.md +++ b/translations/hi/README.md @@ -1,17 +1,17 @@ [![GitHub लाइसेंस](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) [![GitHub योगदानकर्ता](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) -[![GitHub इश्यूज़](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) -[![GitHub पुल-रिक्वेस्ट](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) -[![PRs का स्वागत](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub मुद्दे](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) +[![GitHub पुल अनुरोध](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) +[![PRs स्वागत](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub वॉचर्स](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) [![GitHub फोर्क्स](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) @@ -21,25 +21,25 @@ CO_OP_TRANSLATOR_METADATA: [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -# शुरुआती लोगों के लिए कृत्रिम बुद्धिमत्ता - पाठ्यक्रम +# शुरुआती लोगों के लिए कृत्रिम बुद्धिमत्ता - एक पाठ्यक्रम -|![स्केचनोट द्वारा @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.hi.png)| +|![स्केचनोट द्वारा @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.hi.png)| |:---:| -| AI For Beginners - _स्केचनोट द्वारा [@girlie_mac](https://twitter.com/girlie_mac)_ | +| AI For Beginners - _स्केचनोट by [@girlie_mac](https://twitter.com/girlie_mac)_ | -हमारे 12-सप्ताह, 24-पाठ के पाठ्यक्रम के साथ **कृत्रिम बुद्धिमत्ता** (AI) की दुनिया का अन्वेषण करें! इसमें व्यावहारिक पाठ, क्विज़ और लैब शामिल हैं। यह पाठ्यक्रम शुरुआती के लिए अनुकूल है और इसमें TensorFlow और PyTorch जैसे टूल्स के साथ-साथ AI के नैतिक पहलूयों को भी शामिल किया गया है। +हमारे 12-साप्ताह्य, 24-लेसन पाठ्यक्रम के साथ **कृत्रिम बुद्धिमत्ता** (AI) की दुनिया का अन्वेषण करें! इसमें व्यावहारिक पाठ, क्विज़ और लैब शामिल हैं। यह पाठ्यक्रम शुरुआती के अनुकूल है और इसमें TensorFlow और PyTorch जैसे उपकरणों के साथ-साथ AI में नैतिकता को भी शामिल किया गया है ### 🌐 बहु-भाषा समर्थन -#### GitHub Action द्वारा समर्थित (स्वचालित और हमेशा अप-टू-डेट) +#### GitHub Action के माध्यम से समर्थित (स्वचालित और हमेशा अद्यतित) -[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गेरियाई](../bg/README.md) | [बर्मी (Myanmar)](../my/README.md) | [चीनी (सरलीकृत)](../zh/README.md) | [चीनी (पारंपरिक, Hong Kong)](../hk/README.md) | [चीनी (पारंपरिक, Macau)](../mo/README.md) | [चीनी (पारंपरिक, Taiwan)](../tw/README.md) | [क्रोएशियाई](../hr/README.md) | [चेक](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियाई](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेंच](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिन्दी](./README.md) | [हंगेरियन](../hu/README.md) | [इंडोनेशियाई](../id/README.md) | [इटालियन](../it/README.md) | [जापानी](../ja/README.md) | [कन्नड़](../kn/README.md) | [कोरियाई](../ko/README.md) | [लिथुआनियाई](../lt/README.md) | [मलय](../ms/README.md) | [मलायलम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](../ne/README.md) | [नाइजीरियाई पिजिन](../pcm/README.md) | [नॉर्वेजियन](../no/README.md) | [फ़ारसी (Farsi)](../fa/README.md) | [पोलिश](../pl/README.md) | [पुर्तगाली (Brazil)](../br/README.md) | [पुर्तगाली (Portugal)](../pt/README.md) | [पंजाबी (Gurmukhi)](../pa/README.md) | [रोमानियाई](../ro/README.md) | [रूसी](../ru/README.md) | [सर्बियाई (सिरिलिक)](../sr/README.md) | [स्लोवाक](../sk/README.md) | [स्लोवेनियाई](../sl/README.md) | [स्पैनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [टैगालॉग (फिलीपीनो)](../tl/README.md) | [तामिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [तुर्किश](../tr/README.md) | [यूक्रेनी](../uk/README.md) | [उर्दू](../ur/README.md) | [वियतनामी](../vi/README.md) +[अरबी](../ar/README.md) | [बंगाली](../bn/README.md) | [बुल्गारियाई](../bg/README.md) | [बर्मीज़ (म्यानमार)](../my/README.md) | [चीनी (सरलीकृत)](../zh/README.md) | [चीनी (पारंपरिक, हांगकांग)](../hk/README.md) | [चीनी (पारंपरिक, मकाऊ)](../mo/README.md) | [चीनी (पारंपरिक, ताइवान)](../tw/README.md) | [क्रोएशियाई](../hr/README.md) | [चेक](../cs/README.md) | [डेनिश](../da/README.md) | [डच](../nl/README.md) | [एस्टोनियाई](../et/README.md) | [फिनिश](../fi/README.md) | [फ्रेंच](../fr/README.md) | [जर्मन](../de/README.md) | [ग्रीक](../el/README.md) | [हिब्रू](../he/README.md) | [हिंदी](./README.md) | [हंगेरियाई](../hu/README.md) | [इंडोनेशियाई](../id/README.md) | [इतालवी](../it/README.md) | [जापानी](../ja/README.md) | [कन्नड़](../kn/README.md) | [कोरियाई](../ko/README.md) | [लिथुआनियाई](../lt/README.md) | [मलय](../ms/README.md) | [मलयालम](../ml/README.md) | [मराठी](../mr/README.md) | [नेपाली](../ne/README.md) | [नाइजीरियाई पिजिन](../pcm/README.md) | [नॉर्वेजियाई](../no/README.md) | [फ़ारसी (Farsi)](../fa/README.md) | [पोलिश](../pl/README.md) | [पुर्तगाली (ब्राज़ील)](../br/README.md) | [पुर्तगाली (पुर्तगाल)](../pt/README.md) | [पंजाबी (गुरमुखी)](../pa/README.md) | [रोमनियाई](../ro/README.md) | [रूसी](../ru/README.md) | [सर्बियाई (सिरिलिक)](../sr/README.md) | [स्लोवाक](../sk/README.md) | [स्लोवेनियाई](../sl/README.md) | [स्पैनिश](../es/README.md) | [स्वाहिली](../sw/README.md) | [स्वीडिश](../sv/README.md) | [तागालोग (फिलिपिनो)](../tl/README.md) | [तमिल](../ta/README.md) | [तेलुगु](../te/README.md) | [थाई](../th/README.md) | [तुर्की](../tr/README.md) | [युक्रेनी](../uk/README.md) | [उर्दू](../ur/README.md) | [वियतनामी](../vi/README.md) **यदि आप अतिरिक्त अनुवाद चाहते हैं तो समर्थित भाषाएँ [यहाँ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) सूचीबद्ध हैं** -## समुदाय से जुड़ें +## समुदाय में शामिल हों [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) ## आप क्या सीखेंगे @@ -48,86 +48,86 @@ CO_OP_TRANSLATOR_METADATA: इस पाठ्यक्रम में, आप सीखेंगे: -* कृत्रिम बुद्धिमत्ता के विभिन्न दृष्टिकोण, जिनमें "पुराना" प्रतीकात्मक दृष्टिकोण शामिल है जिसमें **ज्ञान प्रतिनिधित्व** और तर्क ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))। -* **न्यूरल नेटवर्क्स** और **डीप लर्निंग**, जो आधुनिक AI के मूल में हैं। हम इन महत्वपूर्ण विषयों के पीछे की अवधारणाओं को दो लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) और [PyTorch](http://pytorch.org) - में कोड का उपयोग करके स्पष्ट करेंगे। -* छवियों और पाठ के साथ काम करने के लिए **न्यूरल आर्किटेक्चर**। हम हाल के मॉडलों को कवर करेंगे लेकिन यह संभव है कि अत्याधुनिक से थोड़ा पीछे हो। +* कृत्रिम बुद्धिमत्ता के विभिन्न दृष्टिकोण, जिसमें "good old" प्रतीकात्मक दृष्टिकोण के साथ **ज्ञान प्रतिनिधित्व** और तर्कशक्ति ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)) शामिल हैं। +* **न्यूरल नेटवर्क्स** और **डीप लर्निंग**, जो आधुनिक AI के मूल में हैं। हम इन महत्वपूर्ण विषयों के पीछे के सिद्धांतों को दो सबसे लोकप्रिय फ्रेमवर्क - [TensorFlow](http://Tensorflow.org) और [PyTorch](http://pytorch.org) में कोड का उपयोग करके समझाएँगे। +* छवियों और टेक्स्ट के साथ काम करने के लिए **न्यूरल आर्किटेक्चर**। हम हाल के मॉडल कवर करेंगे लेकिन हो सकता है कि ये अत्याधुनिक में कुछ कमी वाले हों। * कम लोकप्रिय AI दृष्टिकोण, जैसे **जेनेटिक एल्गोरिदम** और **मल्टी-एजेंट सिस्टम्स**। इस पाठ्यक्रम में हम क्या शामिल नहीं करेंगे: -> [इस कोर्स के सभी अतिरिक्त संसाधन हमारी Microsoft Learn कलेक्शन में पाएं](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [इस कोर्स के लिए सभी अतिरिक्त संसाधन हमारे Microsoft Learn संग्रह में खोजें](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* व्यवसाय में **AI के** उपयोग के बिजनेस मामलों को शामिल नहीं किया गया है। Microsoft Learn पर [व्यवसाय उपयोगकर्ताओं के लिए AI का परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) लर्निंग पाथ लेने पर विचार करें, या [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जिसे [INSEAD](https://www.insead.edu/) के सहयोग से विकसित किया गया है। -* **क्लासिक मशीन लर्निंग**, जिसे हमारे [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) में अच्छी तरह वर्णित किया गया है। -* व्यावहारिक AI अनुप्रयोग जो **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** का उपयोग करके बनाए गए हैं। इसके लिए, हम अनुशंसा करते हैं कि आप Microsoft Learn के मॉड्यूल से शुरू करें [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)** और अन्य। -* विशिष्ट ML **क्लाउड फ्रेमवर्क**, जैसे [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), या [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। आप [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) और [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) लर्निंग पाथ्स का उपयोग करने पर विचार कर सकते हैं। -* **कॉन्वर्सेशनल AI** और **चैट बोट्स**। इसके लिए एक अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) लर्निंग पाथ है, और आप अधिक विवरण के लिए [इस ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) को भी देख सकते हैं। -* डीप लर्निंग के पीछे की **गहन गणित**। इसके लिए, हम Ian Goodfellow, Yoshua Bengio और Aaron Courville द्वारा लिखित [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) की सिफारिश करेंगे, जो ऑनलाइन भी उपलब्ध है [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) पर। +* व्यापार में AI के उपयोग के व्यावसायिक मामलों (Business cases)। Microsoft Learn पर [व्यावसायिक उपयोगकर्ताओं के लिए AI का परिचय](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) सीखने का पाथ लें, या [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), जिसे [INSEAD](https://www.insead.edu/) के सहयोग से विकसित किया गया है। +* **क्लासिक मशीन लर्निंग**, जिसे हमारे [शुरुआत के लिए मशीन लर्निंग पाठ्यक्रम](http://github.com/Microsoft/ML-for-Beginners) में अच्छी तरह वर्णित किया गया है। +* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** का उपयोग करके बने व्यावहारिक AI अनुप्रयोग। इसके लिए, हम सुझाव देते हैं कि आप Microsoft Learn के [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)** और अन्य मॉड्यूल से शुरू करें। +* विशिष्ट ML **क्लाउड फ्रेमवर्क**, जैसे [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), या [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)। विचार करें कि आप [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) और [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) सीखने के पाथ का उपयोग करें। +* **कन्वर्सेशनल AI** और **चैट बॉट्स**। इसका एक अलग [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) सीखने का पाथ है, और आप अधिक विवरण के लिए [यह ब्लॉग पोस्ट](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) भी देख सकते हैं। +* डीप लर्निंग के पीछे की **गहन गणित**। इसके लिए, हम Ian Goodfellow, Yoshua Bengio और Aaron Courville की पुस्तक [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) सुझाएंगे, जो ऑनलाइन [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) पर भी उपलब्ध है। -क्लाउड में _AI_ विषयों के लिए एक सौम्य परिचय के लिए आप [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) लर्निंग पाथ लेने पर विचार कर सकते हैं। +क्लाउड में _AI_ विषयों के लिए एक मुलायम परिचय के लिए आप [Azure पर artificial intelligence के साथ शुरू करें](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) लर्निंग पाथ लेने पर विचार कर सकते हैं। # सामग्री -| | पाठ लिंक | PyTorch/Keras/TensorFlow | Lab | +| | पाठ लिंक | PyTorch/Keras/TensorFlow | लैब | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | -| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [अपना विकास वातावरण सेटअप करें](./lessons/0-course-setup/how-to-run.md) | | +| 0 | [कोर्स सेटअप](./lessons/0-course-setup/setup.md) | [अपने विकास परिवेश को सेटअप करें](./lessons/0-course-setup/how-to-run.md) | | | I | [**AI का परिचय**](./lessons/1-Intro/README.md) | | | | 01 | [AI का परिचय और इतिहास](./lessons/1-Intro/README.md) | - | - | | II | **प्रतीकात्मक AI** | -| 02 | [ज्ञान निरूपण और विशेषज्ञ प्रणालियाँ](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालियाँ](./lessons/2-Symbolic/Animals.ipynb) / [ऑन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[कॉन्सेप्ट ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 02 | [ज्ञान प्रतिनिधित्व और विशेषज्ञ प्रणाली](./lessons/2-Symbolic/README.md) | [विशेषज्ञ प्रणालियाँ](./lessons/2-Symbolic/Animals.ipynb) / [ऑन्टोलॉजी](./lessons/2-Symbolic/FamilyOntology.ipynb) /[कॉनसेप्ट ग्राफ](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**न्यूरल नेटवर्क्स का परिचय**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [परसेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [लैब](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [मल्टी-लेयर्ड परसेप्ट्रॉन और अपना फ्रेमवर्क बनाना](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [लैब](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [फ्रेमवर्क्स (PyTorch/TensorFlow) का परिचय और ओवरफ़िटिंग](./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) | [लैब](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**कंप्यूटर विज़न**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure पर कंप्यूटर विज़न एक्सप्लोर करें](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [कंप्यूटर विज़न का परिचय। OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [लैब](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [कन्वॉल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [लैब](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [प्री-ट्रेंड नेटवर्क और ट्रांसफर लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [लैब](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 03 | [परसेप्ट्रॉन](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [बहु-परत परसेप्ट्रॉन और अपना फ्रेमवर्क बनाना](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [नोटबुक](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [प्रयोगशाला](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [फ्रेमवर्क का परिचय (PyTorch/TensorFlow) और ओवरफिटिंग](./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) | [प्रयोगशाला](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**कंप्यूटर विज़न**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure पर कंप्यूटर विज़न की खोज करें](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [कंप्यूटर विज़न का परिचय. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [नोटबुक](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [कॉन्वोल्यूशनल न्यूरल नेटवर्क्स](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN आर्किटेक्चर्स](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [पूर्व-प्रशिक्षित नेटवर्क और ट्रांसफ़र लर्निंग](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | | 09 | [ऑटोएन्कोडर और VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [जनरेटिव एडवर्सेरियल नेटवर्क्स और आर्टिस्टिक स्टाइल ट्रांसफर](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [लैब](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | -| 12 | [सेमांटिक सेगमेंटेशन। 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 | [**प्राकृतिक भाषा प्रसंस्करण**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure पर Natural Language Processing एक्सप्लोर करें](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [टेक्स्ट प्रतिनिधित्व। 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 | [सैमान्टिक शब्द एम्बेडिंग्स। Word2Vec और 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 | [भाषा मॉडलिंग। अपने एम्बेडिंग्स का प्रशिक्षण](./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) | [लैब](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | -| 16 | [रेकरेन्ट न्यूरल नेटवर्क्स](./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 | [जनरेटिव रेकरेन्ट नेटवर्क्स](./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) | [लैब](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | -| 18 | [ट्रांसफॉर्मर्स। 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 | [नामित इकाई मान्यता](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [लैब](./lessons/5-NLP/19-NER/lab/README.md) | -| 20 | [लार्ज लैंग्वेज मॉडल्स, प्रॉम्प्ट प्रोग्रामिंग और फ्यू-शॉट टास्क](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | -| VI | **अन्य AI तकनीकें** || | -| 21 | [जेनिटिक एल्गोरिद्म्स](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [डीप रिइंफोर्समेंट लर्निंग](./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) | [लैब](./lessons/6-Other/22-DeepRL/lab/README.md) | -| 23 | [मल्टी-एजेंट सिस्टम्स](./lessons/6-Other/23-MultiagentSystems/README.md) | | | +| 10 | [जनरेटिव एडवर्सेरियल नेटवर्क्स & Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [ऑब्जेक्ट डिटेक्शन](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [प्रयोगशाला](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 12 | [सेमेन्टिक सेगमेंटेशन. 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 | [**प्राकृतिक भाषा प्रसंस्करण**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure पर प्राकृतिक भाषा प्रसंस्करण का अन्वेषण करें](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 13 | [टेक्स्ट प्रतिनिधित्व. 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 | [सेमांटिक शब्द एम्बेडिंग्स. 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 | [भाषा मॉडलिंग. अपनी एम्बेडिंग्स प्रशिक्षित करना](./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) | [प्रयोगशाला](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| 16 | [प्रत्यावर्ती न्यूरल नेटवर्क्स](./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 | [जनरेटिव प्रत्यावर्ती नेटवर्क्स](./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) | [प्रयोगशाला](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 18 | [ट्रांसफॉर्मर्स. 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 | [नामित एंटिटी मान्यता](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [प्रयोगशाला](./lessons/5-NLP/19-NER/lab/README.md) | +| 20 | [बड़े भाषा मॉडल, प्रॉम्प्ट प्रोग्रामिंग और फ्यू-शॉट टास्क](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| VI | **अन्य एआई तकनीकें** || | +| 21 | [जेनेटिक एल्गोरिदम](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [नोटबुक](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | +| 22 | [डीप रिइन्फोर्समेंट लर्निंग](./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) | [प्रयोगशाला](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 23 | [मल्टी-एजेंट सिस्टम](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **एआई नैतिकता** | | | -| 24 | [AI नैतिकता और उत्तरदायी AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: उत्तरदायी AI सिद्धांत](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 24 | [एआई नैतिकता और जिम्मेदार एआई](./lessons/7-Ethics/README.md) | [Microsoft Learn: जिम्मेदार एआई सिद्धांत](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **अतिरिक्त** | | | | 25 | [मल्टी-मोडल नेटवर्क्स, CLIP और VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [नोटबुक](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## प्रत्येक पाठ में शामिल है +## प्रत्येक पाठ में शामिल हैं -* पूर्व-पाठ सामग्री -* क्रियान्वयन योग्य Jupyter नोटबुक, जो अक्सर फ्रेमवर्क-विशिष्ट (PyTorch या TensorFlow) होते हैं। ये नोटबुक बहुत सारी सैद्धान्तिक सामग्री भी रखते हैं, इसलिए किसी विषय को समझने के लिए आपको कम से कम नोटबुक का एक संस्करण (या तो PyTorch या TensorFlow) पढ़ना चाहिए। -* **लैब्स** कुछ विषयों के लिए उपलब्ध हैं, जो आपको सीखी गई सामग्री को किसी विशिष्ट समस्या पर लागू करने का अवसर देती हैं। -* कुछ अनुभागों में संबंधित विषयों को कवर करने वाले [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूल्स के लिंक होते हैं। +* पूर्व-पठन सामग्री +* निष्पादन योग्य Jupyter नोटबुक, जो अक्सर फ्रेमवर्क (**PyTorch** या **TensorFlow**) के लिए विशिष्ट होते हैं। निष्पादन योग्य नोटबुक में भी बहुत सैद्धांतिक सामग्री होती है, इसलिए विषय को समझने के लिए आपको कम से कम एक संस्करण नोटबुक (या तो PyTorch या TensorFlow) अवश्य पढ़ना चाहिए। +* **प्रयोगशालाएँ** कुछ विषयों के लिए उपलब्ध हैं, जो आपको आपने सीखी सामग्री को किसी विशिष्ट समस्या पर लागू करने का अवसर देती हैं। +* कुछ अनुभागों में संबंधित विषयों को कवर करने वाले [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) मॉड्यूलों के लिंक होते हैं। -## आरंभ करना +## आरंभ करें ### 🎯 AI में नए हैं? यहाँ से शुरू करें! -यदि आप AI में बिल्कुल नए हैं और त्वरित, हैंड्स-ऑन उदाहरण चाहते हैं, तो हमारे [**शुरुआती-अनुकूल उदाहरण**](./examples/README.md) जरूर देखें! इनमें शामिल हैं: +यदि आप AI में बिल्कुल नए हैं और त्वरित, प्रायोगिक उदाहरण चाहते हैं, तो हमारे [**शुरुआती-अनुकूल उदाहरण**](./examples/README.md) देखें! इनमें शामिल हैं: -- 🌟 **Hello AI World** - आपका पहला AI प्रोग्राम (पैटर्न रिकग्निशन) -- 🧠 **Simple Neural Network** - शुरुआत से एक न्यूरल नेटवर्क बनाना -- 🖼️ **Image Classifier** - विस्तृत टिप्पणियों के साथ इमेजेज़ को वर्गीकृत करना -- 💬 **टेक्स्ट सेंटिमेंट** - सकारात्मक/नकारात्मक पाठ का विश्लेषण +- 🌟 **Hello AI World** - आपका पहला AI प्रोग्राम (पैटर्न पहचान) +- 🧠 **Simple Neural Network** - शून्य से एक न्यूरल नेटवर्क बनाएं +- 🖼️ **Image Classifier** - विस्तृत टिप्पणियों के साथ छवियों को वर्गीकृत करें +- 💬 **टेक्स्ट सेंटिमेंट** - सकारात्मक/नकारात्मक पाठ का विश्लेषण करें These examples are designed to help you understand AI concepts before diving into the full curriculum. -### 📚 पूर्ण पाठ्यक्रम सेटअप +### 📚 Full Curriculum Setup -- We have created a [सेटअप पाठ](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) for you too! +- हमने एक [सेटअप पाठ](./lessons/0-course-setup/setup.md) बनाया है ताकि आप अपने डेवलपमेंट वातावरण को सेटअप कर सकें। - शिक्षकों के लिए, हमने आपके लिए एक [पाठ्यक्रम सेटअप पाठ](./lessons/0-course-setup/for-teachers.md) भी बनाया है! - कैसे [VSCode या Codepace में कोड चलाएँ](./lessons/0-course-setup/how-to-run.md) Follow these steps: @@ -138,21 +138,21 @@ 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. -## अन्य शिक्षार्थियों से मिलें +## Meet other Learners -Join our [आधिकारिक AI Discord सर्वर](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 [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. -If you have product feedback or questions whilst building visit our [Azure AI Foundry डेवलपर फ़ोरम](https://aka.ms/foundry/forum) +If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## क्विज़ +## Quizzes > **क्विज़ के बारे में एक नोट**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [ऑनलाइन यहाँ](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. -## मदद चाहिए +## Help Wanted -Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request. +क्या आपके पास सुझाव हैं या आपने वर्तनी या कोड त्रुटियाँ पाई हैं? Raise an issue or create a pull request. -## विशेष धन्यवाद +## Special Thanks * **✍️ प्रमुख लेखक:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 संपादक:** [Jen Looper](https://twitter.com/jenlooper), PhD @@ -160,7 +160,7 @@ Do you have suggestions or found spelling or code errors? Raise an issue or crea * **✅ क्विज़ निर्माता:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 मुख्य योगदानकर्ता:** [Evgenii Pishchik](https://github.com/Pe4enIks) -## अन्य पाठ्यक्रम +## Other Curricula Our team produces other curricula! Check out: @@ -175,36 +175,36 @@ Our team produces other curricula! Check out: [![AZD शुरुआती के लिए](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI शुरुआती के लिए](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP शुरुआती के लिए](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI एजेंट्स शुरुआती के लिए](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents शुरुआती के लिए](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Generative AI Series -[![जनरेटिव AI शुरुआती के लिए](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![जनरेटिव AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![जनरेटिव AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![जनरेटिव AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +[![Generative AI शुरुआती के लिए](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### कोर लर्निंग +### Core Learning [![ML शुरुआती के लिए](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![डेटा साइंस शुरुआती के लिए](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science शुरुआती के लिए](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI शुरुआती के लिए](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![साइबरसिक्योरिटी शुरुआती के लिए](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![वेब डेव शुरुआती के लिए](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity शुरुआती के लिए](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev शुरुआती के लिए](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![IoT शुरुआती के लिए](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR विकास शुरुआती के लिए](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development शुरुआती के लिए](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Copilot Series [![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![C#/.NET के लिए Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot एडवेंचर](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## सहायता प्राप्त करें +## Getting Help 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. @@ -212,11 +212,11 @@ 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: -[![Microsoft Foundry डेवलपर फ़ोरम](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- अस्वीकरण: -यह दस्तावेज़ एआई अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनूदित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धताएँ हो सकती हैं। मूल दस्तावेज़ उसकी मूल भाषा में प्राधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या त्रुटिपूर्ण व्याख्या के लिए हम उत्तरदायी नहीं हैं। +यह दस्तावेज़ AI अनुवाद सेवा (Co-op Translator: https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। यद्यपि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल भाषा में उपलब्ध दस्तावेज़ को अधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए पेशेवर मानव अनुवाद की सलाह दी जाती है। हम इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए उत्तरदायी नहीं हैं। \ No newline at end of file diff --git a/translations/hi/lessons/1-Intro/README.md b/translations/hi/lessons/1-Intro/README.md index f066008c..515ac365 100644 --- a/translations/hi/lessons/1-Intro/README.md +++ b/translations/hi/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # एआई का परिचय -![एआई परिचय सामग्री का सारांश एक डूडल में](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.hi.png) +![एआई परिचय सामग्री का सारांश एक डूडल में](../../../../translated_images/ai-intro.bf28d1ac4235881c.hi.png) > स्केच नोट [टोमोमी इमुरा](https://twitter.com/girlie_mac) द्वारा @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: मूल रूप से, कंप्यूटर को [चार्ल्स बैबेज](https://en.wikipedia.org/wiki/Charles_Babbage) द्वारा संख्याओं पर एक निश्चित प्रक्रिया - एक एल्गोरिदम - के अनुसार काम करने के लिए आविष्कार किया गया था। आधुनिक कंप्यूटर, हालांकि 19वीं सदी में प्रस्तावित मूल मॉडल की तुलना में काफी उन्नत हैं, फिर भी नियंत्रित गणनाओं के उसी विचार का पालन करते हैं। इसलिए, यदि हमें उस लक्ष्य को प्राप्त करने के लिए आवश्यक चरणों का सटीक क्रम पता है, तो कंप्यूटर को कुछ करने के लिए प्रोग्राम करना संभव है। -![एक व्यक्ति की तस्वीर](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.hi.png) +![एक व्यक्ति की तस्वीर](../../../../translated_images/dsh_age.d212a30d4e54fb5f.hi.png) > फोटो [विकी सॉश्निकोवा](http://twitter.com/vickievalerie) द्वारा @@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA: **[बुद्धिमत्ता](https://en.wikipedia.org/wiki/Intelligence)** शब्द से निपटने में एक समस्या यह है कि इस शब्द की कोई स्पष्ट परिभाषा नहीं है। कोई तर्क कर सकता है कि बुद्धिमत्ता **सार्वभौमिक सोच** या **आत्म-जागरूकता** से जुड़ी है, लेकिन हम इसे ठीक से परिभाषित नहीं कर सकते। -![एक बिल्ली की तस्वीर](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.hi.jpg) +![एक बिल्ली की तस्वीर](../../../../translated_images/photo-cat.8c8e8fb760ffe457.hi.jpg) > [फोटो](https://unsplash.com/photos/75715CVEJhI) [एंबर किप्प](https://unsplash.com/@sadmax) द्वारा Unsplash से @@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA: > | एमएल के बारे में क्या? | | > |--------------|-----------| -> | कृत्रिम बुद्धिमत्ता का वह हिस्सा जो किसी समस्या को कुछ डेटा के आधार पर हल करने के लिए कंप्यूटर सीखने पर आधारित है, उसे **मशीन लर्निंग** कहा जाता है। हम इस पाठ्यक्रम में क्लासिकल मशीन लर्निंग पर विचार नहीं करेंगे - हम आपको एक अलग [मशीन लर्निंग फॉर बिगिनर्स](http://aka.ms/ml-beginners) पाठ्यक्रम की ओर संदर्भित करते हैं। | ![एमएल फॉर बिगिनर्स](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.hi.png) | +> | कृत्रिम बुद्धिमत्ता का वह हिस्सा जो किसी समस्या को कुछ डेटा के आधार पर हल करने के लिए कंप्यूटर सीखने पर आधारित है, उसे **मशीन लर्निंग** कहा जाता है। हम इस पाठ्यक्रम में क्लासिकल मशीन लर्निंग पर विचार नहीं करेंगे - हम आपको एक अलग [मशीन लर्निंग फॉर बिगिनर्स](http://aka.ms/ml-beginners) पाठ्यक्रम की ओर संदर्भित करते हैं। | ![एमएल फॉर बिगिनर्स](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.hi.png) | ## एआई का संक्षिप्त इतिहास कृत्रिम बुद्धिमत्ता को 20वीं सदी के मध्य में एक क्षेत्र के रूप में शुरू किया गया था। प्रारंभ में, प्रतीकात्मक तर्क एक प्रमुख दृष्टिकोण था, और इसने कुछ महत्वपूर्ण सफलताओं को जन्म दिया, जैसे कि विशेषज्ञ प्रणालियाँ – कंप्यूटर प्रोग्राम जो कुछ सीमित समस्या डोमेन में एक विशेषज्ञ के रूप में कार्य करने में सक्षम थे। हालांकि, जल्द ही यह स्पष्ट हो गया कि ऐसा दृष्टिकोण अच्छी तरह से स्केल नहीं करता। किसी विशेषज्ञ से ज्ञान निकालना, उसे कंप्यूटर में प्रस्तुत करना, और उस ज्ञान आधार को सटीक बनाए रखना एक बहुत ही जटिल कार्य और कई मामलों में व्यावहारिक रूप से बहुत महंगा साबित हुआ। इसने 1970 के दशक में तथाकथित [एआई विंटर](https://en.wikipedia.org/wiki/AI_winter) को जन्म दिया। -एआई का संक्षिप्त इतिहास +एआई का संक्षिप्त इतिहास > छवि [दिमित्री सॉश्निकोव](http://soshnikov.com) द्वारा @@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA: * आधुनिक सहायक, जैसे कि कोरटाना, सिरी या गूगल असिस्टेंट सभी हाइब्रिड सिस्टम हैं जो भाषण को टेक्स्ट में बदलने और हमारे इरादे को पहचानने के लिए न्यूरल नेटवर्क का उपयोग करते हैं, और फिर आवश्यक कार्यों को करने के लिए कुछ तर्क या स्पष्ट एल्गोरिदम का उपयोग करते हैं। * भविष्य में, हम उम्मीद कर सकते हैं कि एक पूर्ण न्यूरल-आधारित मॉडल स्वयं संवाद को संभालेगा। हाल ही में GPT और [ट्यूरिंग-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) न्यूरल नेटवर्क परिवार इस क्षेत्र में बड़ी सफलता दिखा रहे हैं। -ट्यूरिंग टेस्ट का विकास +ट्यूरिंग टेस्ट का विकास > चित्र Dmitry Soshnikov द्वारा, [फोटो](https://unsplash.com/photos/r8LmVbUKgns) Marina Abrosimova द्वारा [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash ## हालिया AI अनुसंधान diff --git a/translations/hi/lessons/2-Symbolic/README.md b/translations/hi/lessons/2-Symbolic/README.md index 274c6a35..21ea7772 100644 --- a/translations/hi/lessons/2-Symbolic/README.md +++ b/translations/hi/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ज्ञान प्रतिनिधित्व और विशेषज्ञ प्रणाली -![सिंबोलिक AI सामग्री का सारांश](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.hi.png) +![सिंबोलिक AI सामग्री का सारांश](../../../../translated_images/ai-symbolic.715a30cb610411a6.hi.png) > स्केच नोट [Tomomi Imura](https://twitter.com/girlie_mac) द्वारा @@ -41,7 +41,7 @@ AI के शुरुआती दिनों में, बुद्धिम इस प्रकार, **ज्ञान प्रतिनिधित्व** की समस्या यह है कि कंप्यूटर के अंदर डेटा के रूप में ज्ञान को प्रभावी ढंग से कैसे प्रस्तुत किया जाए, ताकि इसे स्वचालित रूप से उपयोग किया जा सके। इसे एक स्पेक्ट्रम के रूप में देखा जा सकता है: -![ज्ञान प्रतिनिधित्व स्पेक्ट्रम](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.hi.png) +![ज्ञान प्रतिनिधित्व स्पेक्ट्रम](../../../../translated_images/knowledge-spectrum.b60df631852c0217.hi.png) > छवि [Dmitry Soshnikov](http://soshnikov.com) द्वारा @@ -94,7 +94,7 @@ Untyped-Language | नहीं है | टाइप डिफिनिशन सिंबोलिक AI की शुरुआती सफलताओं में से एक **विशेषज्ञ प्रणाली** थीं - कंप्यूटर प्रणाली जो किसी सीमित समस्या क्षेत्र में विशेषज्ञ के रूप में कार्य करने के लिए डिज़ाइन की गई थीं। ये **ज्ञान आधार** पर आधारित थीं जो एक या अधिक मानव विशेषज्ञों से निकाली गई थीं, और इनमें एक **तर्क इंजन** था जो इसके ऊपर कुछ तर्क करता था। -![मानव संरचना](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.hi.png) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.hi.png) +![मानव संरचना](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.hi.png) | ![ज्ञान-आधारित प्रणाली](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.hi.png) ---------------------------------------|-------------------------------------------- मानव तंत्रिका प्रणाली की सरलीकृत संरचना | ज्ञान-आधारित प्रणाली की संरचना @@ -106,7 +106,7 @@ Untyped-Language | नहीं है | टाइप डिफिनिशन उदाहरण के लिए, आइए एक जानवर की शारीरिक विशेषताओं के आधार पर उसे निर्धारित करने वाली विशेषज्ञ प्रणाली पर विचार करें: -![AND-OR ट्री](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.hi.png) +![AND-OR ट्री](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.hi.png) > छवि [Dmitry Soshnikov](http://soshnikov.com) द्वारा diff --git a/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md index cfc397c9..e33ef773 100644 --- a/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA: 5 बिंदुओं को (ग्राफ में `x` द्वारा दर्शाए गए) अनुमानित करने की निम्नलिखित समस्या पर विचार करें: -![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.hi.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.hi.jpg) +![linear](../../../../../translated_images/overfit1.f24b71c6f652e59e.hi.jpg) | ![overfit](../../../../../translated_images/overfit2.131f5800ae10ca5e.hi.jpg) -------------------------|-------------------------- **लिनियर मॉडल, 2 पैरामीटर्स** | **नॉन-लिनियर मॉडल, 7 पैरामीटर्स** ट्रेनिंग एरर = 5.3 | ट्रेनिंग एरर = 0 @@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA: जैसा कि आप ऊपर दिए गए ग्राफ से देख सकते हैं, ओवरफिटिंग का पता बहुत कम ट्रेनिंग एरर और उच्च वैलिडेशन एरर से लगाया जा सकता है। आमतौर पर ट्रेनिंग के दौरान हम देखेंगे कि ट्रेनिंग और वैलिडेशन एरर दोनों कम होने लगते हैं, और फिर किसी बिंदु पर वैलिडेशन एरर कम होना बंद कर सकता है और बढ़ने लग सकता है। यह ओवरफिटिंग का संकेत होगा, और यह संकेत होगा कि हमें शायद इस बिंदु पर ट्रेनिंग रोक देनी चाहिए (या कम से कम मॉडल का स्नैपशॉट लेना चाहिए)। -![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.hi.png) +![overfitting](../../../../../translated_images/Overfitting.408ad91cd90b4371.hi.png) ## ओवरफिटिंग को कैसे रोकें diff --git a/translations/hi/lessons/3-NeuralNetworks/README.md b/translations/hi/lessons/3-NeuralNetworks/README.md index 7afb5cb5..ac674594 100644 --- a/translations/hi/lessons/3-NeuralNetworks/README.md +++ b/translations/hi/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # न्यूरल नेटवर्क्स का परिचय -![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक डूडल में](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hi.png) +![न्यूरल नेटवर्क्स के परिचय की सामग्री का सारांश एक डूडल में](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.hi.png) जैसा कि हमने परिचय में चर्चा की थी, बुद्धिमत्ता प्राप्त करने के तरीकों में से एक है **कंप्यूटर मॉडल** या **कृत्रिम मस्तिष्क** को प्रशिक्षित करना। 20वीं सदी के मध्य से, शोधकर्ताओं ने विभिन्न गणितीय मॉडलों की कोशिश की, और हाल के वर्षों में यह दिशा अत्यधिक सफल साबित हुई। मस्तिष्क के इन गणितीय मॉडलों को **न्यूरल नेटवर्क्स** कहा जाता है। @@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA: जीवविज्ञान से, हम जानते हैं कि हमारा मस्तिष्क न्यूरल कोशिकाओं (न्यूरॉन्स) से बना है, जिनमें से प्रत्येक के पास कई "इनपुट" (डेंड्राइट्स) और एक "आउटपुट" (एक्सॉन) होता है। डेंड्राइट्स और एक्सॉन दोनों विद्युत संकेतों का संचालन कर सकते हैं, और उनके बीच के कनेक्शन — जिन्हें सिनैप्स कहा जाता है — विभिन्न स्तरों की चालकता प्रदर्शित कर सकते हैं, जो न्यूरोट्रांसमीटर द्वारा नियंत्रित होती है। -![न्यूरॉन का मॉडल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hi.jpg) | ![न्यूरॉन का मॉडल](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hi.png) +![न्यूरॉन का मॉडल](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.hi.jpg) | ![न्यूरॉन का मॉडल](../../../../translated_images/artneuron.1a5daa88d20ebe6f.hi.png) ----|---- वास्तविक न्यूरॉन *([छवि](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) विकिपीडिया से)* | कृत्रिम न्यूरॉन *(लेखक द्वारा बनाई गई छवि)* इस प्रकार, न्यूरॉन का सबसे सरल गणितीय मॉडल कई इनपुट्स X1, ..., XN और एक आउटपुट Y, और वज़नों की एक श्रृंखला W1, ..., WN को शामिल करता है। आउटपुट की गणना इस प्रकार की जाती है: -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) जहां f एक गैर-रेखीय **सक्रियण फ़ंक्शन** (activation function) है। diff --git a/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md index 56bb8547..b8cb70e9 100644 --- a/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hi/lessons/4-ComputerVision/06-IntroCV/README.md @@ -73,14 +73,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) * **ब्रेल पुस्तक की तस्वीर का पूर्व-प्रसंस्करण**। हम इस पर ध्यान केंद्रित करते हैं कि थ्रेशोल्डिंग, फीचर डिटेक्शन, परिप्रेक्ष्य रूपांतरण और NumPy हेरफेर का उपयोग करके ब्रेल प्रतीकों को अलग कैसे किया जा सकता है ताकि उन्हें न्यूरल नेटवर्क द्वारा आगे वर्गीकृत किया जा सके। -![ब्रेल छवि](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.hi.jpeg) | ![ब्रेल छवि पूर्व-प्रसंस्कृत](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.hi.png) | ![ब्रेल प्रतीक](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.hi.png) +![ब्रेल छवि](../../../../../translated_images/braille.341962ff76b1bd70.hi.jpeg) | ![ब्रेल छवि पूर्व-प्रसंस्कृत](../../../../../translated_images/braille-result.46530fea020b03c7.hi.png) | ![ब्रेल प्रतीक](../../../../../translated_images/braille-symbols.0159185ab69d5339.hi.png) ----|-----|----- > छवि [OpenCV.ipynb](OpenCV.ipynb) से * **फ्रेम अंतर का उपयोग करके वीडियो में गति का पता लगाना**। यदि कैमरा स्थिर है, तो कैमरा फीड से फ्रेम एक-दूसरे के समान होने चाहिए। चूंकि फ्रेम arrays के रूप में दर्शाए जाते हैं, केवल दो लगातार फ्रेम के लिए उन arrays को घटाकर हमें पिक्सल अंतर मिलेगा, जो स्थिर फ्रेम के लिए कम होना चाहिए और छवि में महत्वपूर्ण गति होने पर अधिक हो जाएगा। -![वीडियो फ्रेम और फ्रेम अंतर की छवि](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.hi.png) +![वीडियो फ्रेम और फ्रेम अंतर की छवि](../../../../../translated_images/frame-difference.706f805491a0883c.hi.png) > छवि [OpenCV.ipynb](OpenCV.ipynb) से @@ -89,7 +89,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) - **डेंस ऑप्टिकल फ्लो** वह वेक्टर फील्ड गणना करता है जो दिखाता है कि प्रत्येक पिक्सल कहां जा रहा है। - **स्पार्स ऑप्टिकल फ्लो** छवि में कुछ विशिष्ट विशेषताओं (जैसे किनारों) को लेता है और फ्रेम से फ्रेम तक उनकी प्रक्षेपवक्र बनाता है। -![ऑप्टिकल फ्लो की छवि](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.hi.png) +![ऑप्टिकल फ्लो की छवि](../../../../../translated_images/optical.1f4a94464579a83a.hi.png) > छवि [OpenCV.ipynb](OpenCV.ipynb) से diff --git a/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index 7131e25a..8142b2fa 100644 --- a/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hi/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 एक नेटवर्क है जिसने 2014 में ImageNet टॉप-5 क्लासिफिकेशन में 92.7% सटीकता हासिल की। इसका लेयर स्ट्रक्चर निम्नलिखित है: -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.hi.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.hi.jpg) जैसा कि आप देख सकते हैं, VGG एक पारंपरिक पिरामिड आर्किटेक्चर का अनुसरण करता है, जो कि कॉन्वोल्यूशन-पूलिंग लेयर्स का अनुक्रम है। -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.hi.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.hi.jpg) > चित्र [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) से लिया गया है diff --git a/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md index 64219b87..8c1cae05 100644 --- a/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hi/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: पैटर्न्स निकालने के लिए, हम **कॉन्वोल्यूशनल फिल्टर्स** की अवधारणा का उपयोग करेंगे। जैसा कि आप जानते हैं, एक इमेज को 2D-मैट्रिक्स या रंग गहराई के साथ 3D-टेंसर के रूप में दर्शाया जाता है। फिल्टर लागू करने का मतलब है कि हम एक अपेक्षाकृत छोटा **फिल्टर कर्नल** मैट्रिक्स लेते हैं, और मूल इमेज के प्रत्येक पिक्सल के लिए पड़ोसी बिंदुओं के साथ भारित औसत की गणना करते हैं। इसे हम ऐसे देख सकते हैं जैसे एक छोटी विंडो पूरी इमेज पर स्लाइड कर रही हो और फिल्टर कर्नल मैट्रिक्स में वज़न के अनुसार सभी पिक्सल्स को औसत कर रही हो। -![वर्टिकल एज फिल्टर](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.hi.png) | ![हॉरिज़ॉन्टल एज फिल्टर](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.hi.png) +![वर्टिकल एज फिल्टर](../../../../../translated_images/filter-vert.b7148390ca0bc356.hi.png) | ![हॉरिज़ॉन्टल एज फिल्टर](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.hi.png) ----|---- > छवि: दिमित्री सोश्निकोव द्वारा @@ -38,7 +38,7 @@ CNNs जिस तरह से काम करते हैं, वह नि * हम नेटवर्क को इस तरह डिज़ाइन कर सकते हैं कि फिल्टर्स स्वचालित रूप से प्रशिक्षित हों * हम केवल मूल इमेज में ही नहीं, बल्कि उच्च-स्तरीय फीचर्स में भी पैटर्न्स ढूंढने के लिए इसी दृष्टिकोण का उपयोग कर सकते हैं। इस प्रकार, CNN फीचर एक्सट्रैक्शन फीचर्स की एक पदानुक्रम पर काम करता है, जो लो-लेवल पिक्सल संयोजनों से शुरू होकर, इमेज के हिस्सों के उच्च-स्तरीय संयोजनों तक जाता है। -![पदानुक्रमिक फीचर एक्सट्रैक्शन](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.hi.png) +![पदानुक्रमिक फीचर एक्सट्रैक्शन](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.hi.png) > छवि: [Hislop-Lynch के पेपर](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d) से, उनके [अनुसंधान](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) पर आधारित @@ -55,9 +55,9 @@ CNNs जिस तरह से काम करते हैं, वह नि उदाहरण के लिए, आइए VGG-16 की आर्किटेक्चर पर नज़र डालें, एक नेटवर्क जिसने 2014 में ImageNet के टॉप-5 वर्गीकरण में 92.7% सटीकता प्राप्त की: -![ImageNet लेयर्स](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.hi.jpg) +![ImageNet लेयर्स](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.hi.jpg) -![ImageNet पिरामिड](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.hi.jpg) +![ImageNet पिरामिड](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.hi.jpg) > छवि: [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) से diff --git a/translations/hi/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/hi/lessons/4-ComputerVision/07-ConvNets/lab/README.md index d0c9c05a..c9c45fd1 100644 --- a/translations/hi/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/hi/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA: हम [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) का उपयोग करेंगे, जिसमें कुत्तों और बिल्लियों की 37 विभिन्न नस्लों की छवियां शामिल हैं। -![हम जिस डेटासेट पर काम करेंगे](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.hi.png) +![हम जिस डेटासेट पर काम करेंगे](../../../../../../translated_images/data.50b2a9d5484bdbf0.hi.png) डेटासेट डाउनलोड करने के लिए, इस कोड स्निपेट का उपयोग करें: diff --git a/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md index d94c2b5a..d93a885f 100644 --- a/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hi/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Keras और PyTorch दोनों में कुछ सामान्य यहाँ VGG-16 नेटवर्क द्वारा एक बिल्ली की तस्वीर से निकाले गए फीचर्स का एक उदाहरण है: -![VGG-16 द्वारा निकाले गए फीचर्स](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.hi.png) +![VGG-16 द्वारा निकाले गए फीचर्स](../../../../../translated_images/features.6291f9c7ba3a0b95.hi.png) ## कैट्स बनाम डॉग्स डेटासेट @@ -48,19 +48,19 @@ Keras और PyTorch दोनों में कुछ सामान्य एक दृष्टिकोण यह हो सकता है कि हम एक रैंडम इमेज से शुरू करें, और फिर **ग्रेडिएंट डिसेंट ऑप्टिमाइज़ेशन** तकनीक का उपयोग करके उस इमेज को इस तरह से समायोजित करें कि नेटवर्क इसे बिल्ली मानने लगे। -![इमेज ऑप्टिमाइज़ेशन लूप](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.hi.png) +![इमेज ऑप्टिमाइज़ेशन लूप](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.hi.png) हालांकि, यदि हम ऐसा करते हैं, तो हमें कुछ ऐसा मिलेगा जो रैंडम नॉइज़ के बहुत करीब होगा। ऐसा इसलिए है क्योंकि *नेटवर्क को यह सोचने के लिए कई तरीके हैं कि इनपुट इमेज एक बिल्ली है*, जिनमें से कुछ दृश्य रूप से समझ में नहीं आते। जबकि उन इमेज में बिल्ली के लिए विशिष्ट कई पैटर्न होते हैं, उन्हें दृश्य रूप से विशिष्ट बनाने के लिए कुछ भी बाध्य नहीं करता। परिणाम को बेहतर बनाने के लिए, हम लॉस फंक्शन में एक और टर्म जोड़ सकते हैं, जिसे **वेरिएशन लॉस** कहा जाता है। यह एक मीट्रिक है जो दिखाता है कि इमेज के पड़ोसी पिक्सल कितने समान हैं। वेरिएशन लॉस को कम करने से इमेज स्मूथ हो जाती है और नॉइज़ हट जाता है - जिससे अधिक दृश्य रूप से आकर्षक पैटर्न सामने आते हैं। यहाँ ऐसे "आदर्श" इमेज का एक उदाहरण है, जिन्हें उच्च संभावना के साथ बिल्ली और ज़ेब्रा के रूप में वर्गीकृत किया गया है: -![आदर्श बिल्ली](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.hi.png) | ![आदर्श ज़ेब्रा](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.hi.png) +![आदर्श बिल्ली](../../../../../translated_images/ideal-cat.203dd4597643d6b0.hi.png) | ![आदर्श ज़ेब्रा](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.hi.png) -----|----- *आदर्श बिल्ली* | *आदर्श ज़ेब्रा* इसी तरह का दृष्टिकोण तथाकथित **एडवर्सेरियल अटैक्स** करने के लिए उपयोग किया जा सकता है। मान लें कि हम एक न्यूरल नेटवर्क को धोखा देना चाहते हैं और कुत्ते को बिल्ली जैसा दिखाना चाहते हैं। यदि हम कुत्ते की इमेज लें, जिसे नेटवर्क द्वारा कुत्ते के रूप में पहचाना जाता है, तो हम इसे थोड़ा सा समायोजित कर सकते हैं, जब तक कि नेटवर्क इसे बिल्ली के रूप में वर्गीकृत करना शुरू न कर दे: -![कुत्ते की तस्वीर](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.hi.png) | ![कुत्ते की तस्वीर जिसे बिल्ली के रूप में वर्गीकृत किया गया](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.hi.png) +![कुत्ते की तस्वीर](../../../../../translated_images/original-dog.8f68a67d2fe0911f.hi.png) | ![कुत्ते की तस्वीर जिसे बिल्ली के रूप में वर्गीकृत किया गया](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.hi.png) -----|----- *कुत्ते की मूल तस्वीर* | *कुत्ते की तस्वीर जिसे बिल्ली के रूप में वर्गीकृत किया गया* diff --git a/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md index 5f65ad35..cf61c31e 100644 --- a/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hi/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: चूंकि हम ऑटोएन्कोडर को मूल इमेज से अधिकतम जानकारी को कैप्चर करने के लिए ट्रेन कर रहे हैं ताकि सटीक पुनर्निर्माण हो सके, नेटवर्क इनपुट इमेज का सबसे अच्छा **एम्बेडिंग** खोजने की कोशिश करता है। -![ऑटोएन्कोडर डायग्राम](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.hi.jpg) +![ऑटोएन्कोडर डायग्राम](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.hi.jpg) > इमेज [Keras ब्लॉग](https://blog.keras.io/building-autoencoders-in-keras.html) से diff --git a/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md index 8956e928..1a88b26f 100644 --- a/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hi/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [प्री-लेक्चर क्विज़](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![ऑब्जेक्ट डिटेक्शन](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.hi.png) +![ऑब्जेक्ट डिटेक्शन](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.hi.png) > इमेज [YOLO v2 वेबसाइट](https://pjreddie.com/darknet/yolov2/) से @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 2. प्रत्येक टाइल पर इमेज क्लासिफिकेशन चलाएं। 3. जिन टाइल्स में पर्याप्त उच्च सक्रियता होती है, उन्हें उस वस्तु को शामिल करने वाला माना जा सकता है। -![साधारण ऑब्जेक्ट डिटेक्शन](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.hi.png) +![साधारण ऑब्जेक्ट डिटेक्शन](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.hi.png) > *इमेज [एक्सरसाइज नोटबुक](ObjectDetection-TF.ipynb) से* @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 क्लासेस * [COCO](http://cocodataset.org/#home) - कॉमन ऑब्जेक्ट्स इन कॉन्टेक्स्ट। 80 क्लासेस, बॉक्स और सेगमेंटेशन मास्क्स -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.hi.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.hi.jpg) ## ऑब्जेक्ट डिटेक्शन मेट्रिक्स @@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA: जहां इमेज क्लासिफिकेशन के लिए एल्गोरिदम के प्रदर्शन को मापना आसान है, वहीं ऑब्जेक्ट डिटेक्शन के लिए हमें क्लास की सही पहचान और बॉक्स की लोकेशन की सटीकता दोनों को मापना होता है। लोकेशन की सटीकता के लिए, हम **इंटरसेक्शन ओवर यूनियन** (IoU) का उपयोग करते हैं, जो मापता है कि दो बॉक्स (या दो क्षेत्र) कितने अच्छे से ओवरलैप करते हैं। -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.hi.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.hi.png) > *फिगर 2 [इस उत्कृष्ट ब्लॉग पोस्ट](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) से* @@ -98,11 +98,11 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) का उपयोग करता है ताकि ROI क्षेत्रों की एक पदानुक्रमित संरचना उत्पन्न की जा सके, जिन्हें फिर CNN फीचर एक्सट्रैक्टर्स और SVM-क्लासिफायर के माध्यम से पास किया जाता है ताकि ऑब्जेक्ट क्लास निर्धारित किया जा सके, और *बॉक्स* निर्देशांक निर्धारित करने के लिए लीनियर रिग्रेशन का उपयोग किया जाता है। [आधिकारिक पेपर](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.hi.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.hi.png) > *इमेज van de Sande et al. ICCV’11 से* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.hi.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.hi.png) > *इमेज [इस ब्लॉग](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e) से* @@ -110,7 +110,7 @@ $$ यह दृष्टिकोण R-CNN के समान है, लेकिन रीजन को परिभाषित किया जाता है जब कॉन्वोल्यूशन लेयर्स लागू हो चुकी होती हैं। -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.hi.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.hi.png) > इमेज [आधिकारिक पेपर](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 से @@ -118,7 +118,7 @@ $$ इस दृष्टिकोण का मुख्य विचार है कि रीजन की भविष्यवाणी करने के लिए न्यूरल नेटवर्क का उपयोग किया जाए - जिसे *रीजन प्रपोजल नेटवर्क* कहा जाता है। [पेपर](https://arxiv.org/pdf/1506.01497.pdf), 2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.hi.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.hi.png) > इमेज [आधिकारिक पेपर](https://arxiv.org/pdf/1506.01497.pdf) से @@ -130,7 +130,7 @@ $$ 2. फीचर्स को **पोजिशन-सेंसिटिव स्कोर मैप** द्वारा प्रोसेस किया जाता है। $C$ क्लासेस के प्रत्येक ऑब्जेक्ट को $k\times k$ क्षेत्रों में विभाजित किया जाता है, और हम ऑब्जेक्ट्स के भागों की भविष्यवाणी करने के लिए प्रशिक्षण देते हैं। 3. $k\times k$ क्षेत्रों के प्रत्येक भाग के लिए सभी नेटवर्क ऑब्जेक्ट क्लासेस के लिए वोट करते हैं, और अधिकतम वोट वाले ऑब्जेक्ट क्लास को चुना जाता है। -![r-fcn इमेज](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.hi.png) +![r-fcn इमेज](../../../../../translated_images/r-fcn.13eb88158b99a3da.hi.png) > इमेज [आधिकारिक पेपर](https://arxiv.org/abs/1605.06409) से @@ -141,7 +141,7 @@ YOLO एक रियलटाइम वन-पास एल्गोरिद * इमेज को $S\times S$ क्षेत्रों में विभाजित किया जाता है। * प्रत्येक क्षेत्र के लिए, **CNN** $n$ संभावित ऑब्जेक्ट्स, *बॉक्स* निर्देशांक और *कॉन्फिडेंस*=*प्रोबेबिलिटी* * IoU की भविष्यवाणी करता है। - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.hi.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.hi.png) > इमेज [आधिकारिक पेपर](https://arxiv.org/abs/1506.02640) से diff --git a/translations/hi/lessons/5-NLP/14-Embeddings/README.md b/translations/hi/lessons/5-NLP/14-Embeddings/README.md index edd60d73..ebfbd896 100644 --- a/translations/hi/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hi/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: हमारे क्लासिफायर नेटवर्क में एम्बेडिंग लेयर को पहली लेयर के रूप में उपयोग करके, हम बैग-ऑफ-वर्ड्स से **एम्बेडिंग बैग** मॉडल में स्विच कर सकते हैं, जहां हम पहले अपने टेक्स्ट में प्रत्येक शब्द को संबंधित एम्बेडिंग में बदलते हैं और फिर उन सभी एम्बेडिंग्स पर कुछ समग्र फ़ंक्शन की गणना करते हैं, जैसे `sum`, `average` या `max`। -![पांच अनुक्रम शब्दों के लिए एम्बेडिंग क्लासिफायर दिखाने वाली छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.hi.png) +![पांच अनुक्रम शब्दों के लिए एम्बेडिंग क्लासिफायर दिखाने वाली छवि।](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.hi.png) > लेखक द्वारा बनाई गई छवि @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW तेज है, जबकि स्किप-ग्राम धीमा है, लेकिन यह दुर्लभ शब्दों को बेहतर तरीके से रिप्रेजेंट करता है। -![CBoW और स्किप-ग्राम एल्गोरिदम को शब्दों को वेक्टर में बदलने के लिए दिखाने वाली छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.hi.png) +![CBoW और स्किप-ग्राम एल्गोरिदम को शब्दों को वेक्टर में बदलने के लिए दिखाने वाली छवि।](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.hi.png) > [इस पेपर](https://arxiv.org/pdf/1301.3781.pdf) से ली गई छवि diff --git a/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md index 64ea237e..5a1e4a0b 100644 --- a/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hi/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA: * **कंटीन्युअस बैग-ऑफ-वर्ड्स** (CBoW), जिसमें हम टोकन अनुक्रम $W_{-N}$, ..., $W_N$ में मध्य टोकन $W_0$ की भविष्यवाणी करते हैं। * **स्किप-ग्राम**, जिसमें हम मध्य टोकन $W_0$ से पड़ोसी टोकन {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} का सेट भविष्यवाणी करते हैं। -![शब्दों को वेक्टर में बदलने के लिए पेपर से छवि](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.hi.png) +![शब्दों को वेक्टर में बदलने के लिए पेपर से छवि](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.hi.png) > छवि [इस पेपर](https://arxiv.org/pdf/1301.3781.pdf) से diff --git a/translations/hi/lessons/5-NLP/16-RNN/README.md b/translations/hi/lessons/5-NLP/16-RNN/README.md index d4e1b437..277ae293 100644 --- a/translations/hi/lessons/5-NLP/16-RNN/README.md +++ b/translations/hi/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: टेक्स्ट अनुक्रम के अर्थ को पकड़ने के लिए, हमें एक अन्य न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करना होगा, जिसे **पुनरावर्ती न्यूरल नेटवर्क** या RNN कहा जाता है। RNN में, हम अपने वाक्य को नेटवर्क के माध्यम से एक समय में एक प्रतीक पास करते हैं, और नेटवर्क कुछ **स्थिति** उत्पन्न करता है, जिसे हम अगले प्रतीक के साथ नेटवर्क में फिर से पास करते हैं। -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.hi.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.hi.png) > चित्र लेखक द्वारा @@ -61,7 +61,7 @@ LSTM नेटवर्क RNN के समान तरीके से सं एक पुनरावर्ती नेटवर्क, चाहे वह एक-दिशात्मक हो या बाईडायरेक्शनल, अनुक्रम के भीतर कुछ पैटर्न को कैप्चर करता है, और उन्हें स्थिति वेक्टर में संग्रहीत कर सकता है या आउटपुट में पास कर सकता है। जैसे कि कन्वोल्यूशनल नेटवर्क्स के साथ, हम पहले लेयर द्वारा निकाले गए निम्न-स्तरीय पैटर्न से उच्च-स्तरीय पैटर्न को कैप्चर करने के लिए पहले लेयर के ऊपर एक और पुनरावर्ती लेयर बना सकते हैं। यह हमें **मल्टी-लेयर RNN** की धारणा तक ले जाता है, जिसमें दो या अधिक पुनरावर्ती नेटवर्क होते हैं, जहां पिछले लेयर का आउटपुट अगले लेयर में इनपुट के रूप में पास होता है। -![मल्टीलेयर लॉन्ग-शॉर्ट-टर्म-मेमोरी RNN का चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.hi.jpg) +![मल्टीलेयर लॉन्ग-शॉर्ट-टर्म-मेमोरी RNN का चित्र](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.hi.jpg) *चित्र [इस शानदार पोस्ट](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) से लिया गया है, लेखक: फर्नांडो लोपेज़* diff --git a/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md index b2cf1131..485d5c54 100644 --- a/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hi/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ Recurrent Neural Networks (RNNs) और उनके gated cell वेरिए यह विभिन्न neural architectures की अनुमति देता है, जो नीचे दी गई तस्वीर में दिखाए गए हैं: -![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.hi.jpg) +![Image showing common recurrent neural network patterns.](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.hi.jpg) > चित्र ब्लॉग पोस्ट [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) से लिया गया है, लेखक [Andrej Karpaty](http://karpathy.github.io/)। @@ -32,7 +32,7 @@ Recurrent Neural Networks (RNNs) और उनके gated cell वेरिए हम इस RNN को टेक्स्ट step-by-step उत्पन्न करने के लिए प्रशिक्षित करेंगे। प्रत्येक चरण में, हम `nchars` लंबाई के characters का एक sequence लेंगे, और नेटवर्क से प्रत्येक इनपुट character के लिए अगला आउटपुट character उत्पन्न करने के लिए कहेंगे: -![Image showing an example RNN generation of the word 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.hi.png) +![Image showing an example RNN generation of the word 'HELLO'.](../../../../../translated_images/rnn-generate.56c54afb52f9781d.hi.png) जब टेक्स्ट उत्पन्न किया जाता है (inference के दौरान), हम कुछ **prompt** के साथ शुरू करते हैं, जिसे RNN cells के माध्यम से पास किया जाता है ताकि इसका intermediate state उत्पन्न हो सके, और फिर इस state से जनरेशन शुरू होती है। हम एक बार में एक character उत्पन्न करते हैं, और state और उत्पन्न character को अगले RNN cell में पास करते हैं ताकि अगला character उत्पन्न हो सके, जब तक कि हम पर्याप्त characters उत्पन्न न कर लें। diff --git a/translations/hi/lessons/5-NLP/18-Transformers/README.md b/translations/hi/lessons/5-NLP/18-Transformers/README.md index 766224dd..cd67af85 100644 --- a/translations/hi/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hi/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ RNNs के साथ, सीक्वेंस-टू-सीक्वेंस **ध्यान तंत्र** प्रत्येक इनपुट वेक्टर के संदर्भ प्रभाव को प्रत्येक आउटपुट भविष्यवाणी पर वेटिंग प्रदान करने का एक तरीका है। इसे लागू करने का तरीका यह है कि इनपुट RNN और आउटपुट RNN की मध्यवर्ती अवस्थाओं के बीच शॉर्टकट बनाए जाते हैं। इस प्रकार, जब आउटपुट प्रतीक yt उत्पन्न किया जाता है, तो हम सभी इनपुट हिडन स्टेट्स hi को विभिन्न वेट कोएफिशिएंट्स αt,i के साथ ध्यान में रखते हैं। -![एन्कोडर/डिकोडर मॉडल जिसमें एडिटिव ध्यान लेयर है](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.hi.png) +![एन्कोडर/डिकोडर मॉडल जिसमें एडिटिव ध्यान लेयर है](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.hi.png) > [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) में एडिटिव ध्यान तंत्र के साथ एन्कोडर-डिकोडर मॉडल, [इस ब्लॉग पोस्ट](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) से लिया गया। ध्यान मैट्रिक्स {αi,j} यह दर्शाता है कि आउटपुट सीक्वेंस में दिए गए शब्द के निर्माण में कुछ इनपुट शब्दों की भूमिका कितनी है। नीचे एक उदाहरण दिया गया है: -![Bahdanau - arviz.org से लिया गया RNNsearch-50 द्वारा पाया गया एक नमूना संरेखण](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.hi.png) +![Bahdanau - arviz.org से लिया गया RNNsearch-50 द्वारा पाया गया एक नमूना संरेखण](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.hi.png) > [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) से चित्र (Fig.3) @@ -66,7 +66,7 @@ RNNs के साथ, सीक्वेंस-टू-सीक्वेंस अब हमें अपने सीक्वेंस के भीतर कुछ पैटर्न कैप्चर करने की आवश्यकता है। ऐसा करने के लिए, ट्रांसफॉर्मर्स **सेल्फ-अटेंशन** तंत्र का उपयोग करते हैं, जो मूल रूप से इनपुट और आउटपुट के रूप में एक ही सीक्वेंस पर लागू ध्यान है। सेल्फ-अटेंशन लागू करने से हमें वाक्य के भीतर **संदर्भ** को ध्यान में रखने और यह देखने की अनुमति मिलती है कि कौन से शब्द आपस में संबंधित हैं। उदाहरण के लिए, यह हमें यह देखने की अनुमति देता है कि कौन से शब्द *it* जैसे कोरफेरेंस द्वारा संदर्भित हैं, और संदर्भ को ध्यान में रखता है: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.hi.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.hi.png) > [Google ब्लॉग](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) से छवि @@ -91,7 +91,7 @@ RNNs के साथ, सीक्वेंस-टू-सीक्वेंस **BERT** (Bidirectional Encoder Representations from Transformers) एक बहुत बड़ा मल्टी लेयर ट्रांसफॉर्मर नेटवर्क है जिसमें *BERT-base* के लिए 12 लेयर और *BERT-large* के लिए 24 लेयर हैं। मॉडल को पहले एक बड़े टेक्स्ट डेटा कॉर्पस (WikiPedia + किताबें) पर अनसुपरवाइज्ड ट्रेनिंग (वाक्य में मास्क किए गए शब्दों की भविष्यवाणी) का उपयोग करके प्री-ट्रेन किया जाता है। प्री-ट्रेनिंग के दौरान मॉडल महत्वपूर्ण स्तर की भाषा समझ को अवशोषित करता है, जिसे फिर अन्य डेटासेट्स के साथ फाइन ट्यूनिंग का उपयोग करके लाभ उठाया जा सकता है। इस प्रक्रिया को **ट्रांसफर लर्निंग** कहा जाता है। -![चित्र http://jalammar.github.io/illustrated-bert/ से](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.hi.png) +![चित्र http://jalammar.github.io/illustrated-bert/ से](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.hi.png) > छवि [स्रोत](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md b/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md index 5c1d4a18..c2837f08 100644 --- a/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md +++ b/translations/hi/lessons/5-NLP/18-Transformers/READMEtransformers.md @@ -11,13 +11,13 @@ RNNs के साथ, क्रम-से-क्रम को दो आवर **ध्यान तंत्र** प्रत्येक इनपुट वेक्टर के संदर्भात्मक प्रभाव को RNN के प्रत्येक आउटपुट भविष्यवाणी पर वजन देने का एक साधन प्रदान करते हैं। इसे लागू करने का तरीका इनपुट RNN और आउटपुट RNN के मध्यवर्ती राज्यों के बीच शॉर्टकट बनाना है। इस तरह, जब आउटपुट प्रतीक yt उत्पन्न करते हैं, तो हम सभी इनपुट छिपी हुई स्थितियों hi को विभिन्न वजन गुणांक αt,i के साथ ध्यान में रखते हैं। -![एक एन्कोडर/डिकोडर मॉडल को दर्शाने वाली छवि जिसमें एक जोड़ात्मक ध्यान परत है](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.hi.png) +![एक एन्कोडर/डिकोडर मॉडल को दर्शाने वाली छवि जिसमें एक जोड़ात्मक ध्यान परत है](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.hi.png) > एन्कोडर-डिकोडर मॉडल जिसमें जोड़ात्मक ध्यान तंत्र है [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) से, [इस ब्लॉग पोस्ट](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) से उद्धृत। ध्यान मैट्रिक्स {αi,j} यह दर्शाएगा कि कुछ इनपुट शब्दों का एक दिए गए शब्द के उत्पादन में क्या योगदान है। नीचे एक ऐसे मैट्रिक्स का उदाहरण दिया गया है: -![RNNsearch-50 द्वारा पाए गए एक नमूना संरेखण को दर्शाने वाली छवि, Bahdanau - arviz.org से ली गई](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.hi.png) +![RNNsearch-50 द्वारा पाए गए एक नमूना संरेखण को दर्शाने वाली छवि, Bahdanau - arviz.org से ली गई](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.hi.png) > चित्र [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) से (चित्र 3) @@ -57,7 +57,7 @@ RNNs के साथ, क्रम-से-क्रम को दो आवर अगला, हमें अपने अनुक्रम में कुछ पैटर्न कैप्चर करने की आवश्यकता है। ऐसा करने के लिए, ट्रांसफार्मर **आत्म-ध्यान** तंत्र का उपयोग करते हैं, जो मूल रूप से इनपुट और आउटपुट के रूप में उसी अनुक्रम पर लागू ध्यान है। आत्म-ध्यान लागू करने से हमें वाक्य के भीतर **संदर्भ** को ध्यान में रखने की अनुमति मिलती है, और यह देखने की अनुमति मिलती है कि कौन से शब्द आपस में संबंधित हैं। उदाहरण के लिए, यह हमें यह देखने की अनुमति देता है कि कौन से शब्द सहसंबंधों द्वारा संदर्भित हैं, जैसे *यह*, और संदर्भ को भी ध्यान में रखते हैं: -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.hi.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.hi.png) > चित्र [Google ब्लॉग](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) से @@ -82,7 +82,7 @@ RNNs के साथ, क्रम-से-क्रम को दो आवर **BERT** (Bidirectional Encoder Representations from Transformers) एक बहुत बड़ा मल्टी लेयर ट्रांसफार्मर नेटवर्क है जिसमें *BERT-base* के लिए 12 परतें और *BERT-large* के लिए 24 परतें हैं। मॉडल को पहले एक बड़े पाठ डेटा (WikiPedia + पुस्तकें) के कॉर्पस पर बिना पर्यवेक्षण प्रशिक्षण का उपयोग करके पूर्व-प्रशिक्षित किया जाता है (एक वाक्य में मास्क किए गए शब्दों की भविष्यवाणी करना)। पूर्व-प्रशिक्षण के दौरान, मॉडल भाषा समझने के महत्वपूर्ण स्तरों को अवशोषित करता है जिसे फिर अन्य डेटासेट के साथ फाइन ट्यूनिंग के माध्यम से लाभ उठाया जा सकता है। इस प्रक्रिया को **हस्तांतरण शिक्षण** कहा जाता है। -![चित्र http://jalammar.github.io/illustrated-bert/ से](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.hi.png) +![चित्र http://jalammar.github.io/illustrated-bert/ से](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.hi.png) > चित्र [स्रोत](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/hi/lessons/5-NLP/19-NER/README.md b/translations/hi/lessons/5-NLP/19-NER/README.md index 47f5e45d..2e5b999f 100644 --- a/translations/hi/lessons/5-NLP/19-NER/README.md +++ b/translations/hi/lessons/5-NLP/19-NER/README.md @@ -58,7 +58,7 @@ infant | O चूंकि हमें टोकन और वर्गों के बीच एक-से-एक पत्राचार बनाना है, हम इस चित्र से एक सही **कई-से-कई** तंत्रिका नेटवर्क मॉडल को प्रशिक्षित कर सकते हैं: -![सामान्य पुनरावर्ती तंत्रिका नेटवर्क पैटर्न दिखाने वाली छवि।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.hi.jpg) +![सामान्य पुनरावर्ती तंत्रिका नेटवर्क पैटर्न दिखाने वाली छवि।](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.hi.jpg) > *[Andrej Karpathy](http://karpathy.github.io/) द्वारा [इस ब्लॉग पोस्ट](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) से छवि। NER टोकन वर्गीकरण मॉडल इस चित्र में सबसे दाईं ओर नेटवर्क आर्किटेक्चर से मेल खाते हैं।* diff --git a/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md index 752bcddd..2f028373 100644 --- a/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hi/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ NetLogo की एक शानदार बात यह है कि इस मॉडल खोलने के बाद, आप मुख्य NetLogo स्क्रीन पर ले जाए जाते हैं। यहां एक नमूना मॉडल है जो सीमित संसाधनों (घास) को ध्यान में रखते हुए भेड़ियों और भेड़ों की आबादी का वर्णन करता है। -![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.hi.png) +![NetLogo Main Screen](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.hi.png) > दिमित्री सोश्निकोव द्वारा स्क्रीनशॉट diff --git a/translations/hk/README.md b/translations/hk/README.md index 4db73620..33b58192 100644 --- a/translations/hk/README.md +++ b/translations/hk/README.md @@ -1,8 +1,8 @@ -[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語 (Myanmar)](../my/README.md) | [中文（簡體）](../zh/README.md) | [中文（繁體，香港）](./README.md) | [中文（繁體，澳門）](../mo/README.md) | [中文（繁體，台灣）](../tw/README.md) | [克羅地亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印尼語](../id/README.md) | [意大利語](../it/README.md) | [日語](../ja/README.md) | [卡納達語 (Kannada)](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [奈及利亞皮欽語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語 (Farsi)](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語（巴西）](../br/README.md) | [葡萄牙語（葡萄牙）](../pt/README.md) | [旁遮普語（Gurmukhi）](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語（西里爾字）](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛文尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [他加祿語（菲律賓）](../tl/README.md) | [泰米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md) +[阿拉伯語](../ar/README.md) | [孟加拉語](../bn/README.md) | [保加利亞語](../bg/README.md) | [緬甸語 (Myanmar)](../my/README.md) | [中文 (簡體)](../zh/README.md) | [中文 (繁體，香港)](./README.md) | [中文 (繁體，澳門)](../mo/README.md) | [中文 (繁體，台灣)](../tw/README.md) | [克羅地亞語](../hr/README.md) | [捷克語](../cs/README.md) | [丹麥語](../da/README.md) | [荷蘭語](../nl/README.md) | [愛沙尼亞語](../et/README.md) | [芬蘭語](../fi/README.md) | [法語](../fr/README.md) | [德語](../de/README.md) | [希臘語](../el/README.md) | [希伯來語](../he/README.md) | [印地語](../hi/README.md) | [匈牙利語](../hu/README.md) | [印尼語](../id/README.md) | [義大利語](../it/README.md) | [日語](../ja/README.md) | [卡納達語](../kn/README.md) | [韓語](../ko/README.md) | [立陶宛語](../lt/README.md) | [馬來語](../ms/README.md) | [馬拉雅拉姆語](../ml/README.md) | [馬拉地語](../mr/README.md) | [尼泊爾語](../ne/README.md) | [尼日利亞皮欽語](../pcm/README.md) | [挪威語](../no/README.md) | [波斯語 (Farsi)](../fa/README.md) | [波蘭語](../pl/README.md) | [葡萄牙語 (巴西)](../br/README.md) | [葡萄牙語 (葡萄牙)](../pt/README.md) | [旁遮普語 (Gurmukhi)](../pa/README.md) | [羅馬尼亞語](../ro/README.md) | [俄語](../ru/README.md) | [塞爾維亞語 (西里爾字母)](../sr/README.md) | [斯洛伐克語](../sk/README.md) | [斯洛文尼亞語](../sl/README.md) | [西班牙語](../es/README.md) | [斯瓦希里語](../sw/README.md) | [瑞典語](../sv/README.md) | [他加祿語 (菲律賓)](../tl/README.md) | [泰米爾語](../ta/README.md) | [泰盧固語](../te/README.md) | [泰語](../th/README.md) | [土耳其語](../tr/README.md) | [烏克蘭語](../uk/README.md) | [烏爾都語](../ur/README.md) | [越南語](../vi/README.md) -**如果你希望加入其他翻譯，支援的語言列表詳見 [這裡](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** +**如果您希望新增其他翻譯，可在 [這裡](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) 查看支援的語言。** ## 加入社群 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -## 你將會學到 +## 你將會學到什麼 **[課程心智圖](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** -在本課程中，你會學到： +在此課程中，您將學到： -* 不同的人工智能方法，包括帶有 **知識表示** 與推理的「古典」符號主義方法（[GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)）。 -* **神經網絡** 和 **深度學習**，是現代 AI 的核心。我們會用兩個最流行的框架——[TensorFlow](http://Tensorflow.org) 和 [PyTorch](http://pytorch.org) 的程式碼來示範這些重要主題背後的概念。 -* 用於影像和文字處理的 **神經架構**。我們會涵蓋近年的模型，但在最新最先進的部分可能稍有不足。 -* 較少見的 AI 方法，例如 **遺傳演算法** 和 **多智能體系統**。 +* 不同的人工智能方法，包括傳統的符號方法，搭配 **知識表示** 與推理（[GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)）。 +* **神經網絡** 與 **深度學習**，是現代 AI 的核心。我們會用兩個最受歡迎的框架 - [TensorFlow](http://Tensorflow.org) 和 [PyTorch](http://pytorch.org) 的程式碼來說明這些重要主題背後的概念。 +* 用於處理影像與文字的 **神經架構**。我們會涵蓋近期的模型，但在最新技術方面可能略有不足。 +* 較不常見的 AI 方法，例如 **遺傳演算法** 與 **多代理系統**。 本課程不會涵蓋： -> [在我們的 Microsoft Learn 集合中查找本課程的所有額外資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [在我們的 Microsoft Learn 集合中找到本課程的所有額外資源](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* 有關在商業中使用 **AI 的商業案例**。建議參考 Microsoft Learn 上的 [給商業使用者的 AI 入門](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，或與 [INSEAD](https://www.insead.edu/) 合作開發的 [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。 -* **傳統機器學習**，可在我們的 [機器學習入門課程](http://github.com/Microsoft/ML-for-Beginners) 中找到詳盡說明。 -* 使用 **[認知服務](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 建置的實際 AI 應用。為此，我們建議你先從 Microsoft Learn 的 [視覺](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum)、[自然語言處理](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum)、**[使用 Azure OpenAI Service 的生成式 AI](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** 等模組開始。 -* 特定的機器學習 **雲端框架**，例如 [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)，或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。可考慮使用 [使用 Azure Machine Learning 建置與操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) 和 [在 Azure Databricks 上建置並操作機器學習解決方案](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum) 的學習路徑。 -* **對話式 AI** 與 **聊天機器人**。有一條獨立的 [建立對話式 AI 解決方案](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，亦可參考 [這篇部落格文章](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) 以獲得更多細節。 -* 深入探討深度學習背後的**深度數學**。就此我們推薦 Ian Goodfellow、Yoshua Bengio 與 Aaron Courville 的著作 [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)，該書亦可在 [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) 線上取得。 +* 在商業中使用 **AI 在商務的應用案例**。建議您參考 Microsoft Learn 上的 [企業用戶 AI 入門](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) 學習路徑，或與 [INSEAD](https://www.insead.edu/) 合作開發的 [AI 商業學院](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum)。 +* **經典機器學習**，我們在 [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) 中有詳盡說明。 +* 使用 **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** 所構建的實用 AI 應用。針對此部分，我們建議您先從 Microsoft Learn 的 [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)** 等模組開始。 +* 特定的機器學習 **雲端框架**，例如 [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)，或 [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum)。可考慮使用 [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) 與 [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) 等學習路徑。 +* **會話式 AI** 與 **聊天機器人**。有獨立的 [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) 學習路徑；您也可以參考 [這篇部落格文章](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) 以取得更多細節。 +* 深入探討深度學習背後的 **高等數學**。針對這部分，我們建議參考 Ian Goodfellow、Yoshua Bengio 與 Aaron Courville 所著的 [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618)，該書亦可線上閱讀於 [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)。 -若想對「雲端中的 AI」主題做溫和的入門，可考慮修習 [在 Azure 開始使用人工智慧](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) 學習路徑。 +若想溫和地入門「雲端上的 AI」主題，您可以考慮參加 [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) 學習路徑。 # 內容 | | 課程連結 | PyTorch/Keras/TensorFlow | 實驗 | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | | 0 | [課程設定](./lessons/0-course-setup/setup.md) | [設定你的開發環境](./lessons/0-course-setup/how-to-run.md) | | -| I | [**AI 介紹**](./lessons/1-Intro/README.md) | | | +| I | [**人工智能介紹**](./lessons/1-Intro/README.md) | | | | 01 | [人工智能的介紹與歷史](./lessons/1-Intro/README.md) | - | - | | II | **符號式 AI** | | 02 | [知識表示與專家系統](./lessons/2-Symbolic/README.md) | [專家系統](./lessons/2-Symbolic/Animals.ipynb) / [本體論](./lessons/2-Symbolic/FamilyOntology.ipynb) /[概念圖](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**神經網絡入門**](./lessons/3-NeuralNetworks/README.md) ||| -| 03 | [感知機](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [筆記本](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [實作](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [多層感知機及建立我們自己的框架](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [筆記本](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [實作](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [框架入門 (PyTorch/TensorFlow) 及過擬合](./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) | [實作](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | -| IV | [**電腦視覺**](./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)| [在 Microsoft Azure 探索電腦視覺](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | -| 06 | [電腦視覺入門。OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [筆記本](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [實作](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | -| 07 | [卷積神經網絡](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN 架構](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [實作](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | -| 08 | [預訓練網絡與遷移學習](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [訓練技巧](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [實作](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | +| 03 | [感知器](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [筆記本](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [實驗](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | +| 04 | [多層感知器及建立我們自己的框架](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [筆記本](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [實驗](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [框架簡介 (PyTorch/TensorFlow) 及過度擬合](./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) | [實驗](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) | +| IV | [**電腦視覺**](./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)| [在 Microsoft Azure 上探索電腦視覺](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | +| 06 | [電腦視覺入門。OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [筆記本](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [實驗](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | +| 07 | [卷積神經網絡](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN 架構](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [實驗](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) | +| 08 | [預訓練網絡與遷移學習](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [訓練技巧](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [實驗](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) | | 09 | [自編碼器與變分自編碼器 (VAEs)](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | | -| 10 | [生成對抗網絡及藝術風格轉移](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | -| 11 | [物件偵測](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [實作](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | +| 10 | [生成對抗網絡與藝術風格轉換](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 11 | [物件檢測](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [實驗](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) | | 12 | [語義分割。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 | [**自然語言處理**](./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) | [在 Microsoft Azure 探索自然語言處理](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [文本表示。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 | [語意詞嵌入。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 | [語言建模。訓練你自己的詞嵌入](./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) | [實作](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | +| V | [**自然語言處理**](./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) | [在 Microsoft Azure 上探索自然語言處理](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| +| 13 | [文本表示。詞袋模型/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 | [語意詞嵌入。Word2Vec 與 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 | [語言模型。訓練你自己的詞嵌入](./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) | [實驗](./lessons/5-NLP/15-LanguageModeling/lab/README.md) | | 16 | [循環神經網絡](./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 | [生成式循環網絡](./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) | [實作](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | +| 17 | [生成式循環網絡](./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) | [實驗](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformers。BERT。](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | | -| 19 | [命名實體識別](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [實作](./lessons/5-NLP/19-NER/lab/README.md) | +| 19 | [命名實體識別](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [實驗](./lessons/5-NLP/19-NER/lab/README.md) | | 20 | [大型語言模型、提示程式設計與少量示例任務](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **其他 AI 技術** || | | 21 | [遺傳演算法](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [筆記本](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [深度強化學習](./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) | [實作](./lessons/6-Other/22-DeepRL/lab/README.md) | +| 22 | [深度強化學習](./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) | [實驗](./lessons/6-Other/22-DeepRL/lab/README.md) | | 23 | [多智能體系統](./lessons/6-Other/23-MultiagentSystems/README.md) | | | | VII | **AI 倫理** | | | -| 24 | [AI 倫理與負責任的 AI](./lessons/7-Ethics/README.md) | [Microsoft Learn：負責任的 AI 原則](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| 24 | [AI 倫理與負責任的 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 | **額外內容** | | | | 25 | [多模態網絡、CLIP 與 VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [筆記本](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | -## 每課包含 +## 每堂課包含 -* 預讀資料 -* 可執行的 Jupyter 筆記本，通常針對某個框架（**PyTorch** 或 **TensorFlow**）。可執行筆記本也包含大量理論內容，所以要理解該主題，您需要至少通讀其中一個版本的筆記本（任選 PyTorch 或 TensorFlow）。 -* **實作**：某些主題提供實作，讓您有機會將所學應用到特定問題上。 -* 某些章節包含連結到 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 模組，涵蓋相關主題。 +* 預讀材料 +* 可執行的 Jupyter 筆記本，通常依框架（**PyTorch** 或 **TensorFlow**）而異。可執行的筆記本也包含大量理論內容，所以為了理解該主題，你需要至少通讀一個版本的筆記本（**PyTorch** 或 **TensorFlow**）。 +* **實驗**（Labs）適用於某些主題，讓你有機會將所學應用到特定問題上。 +* 有些章節包含連結到 [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) 的模組，涵蓋相關主題。 ## 開始使用 -### 🎯 剛接觸 AI？從這裡開始！ +### 🎯 初接觸 AI？從這裡開始！ -如果您完全沒有 AI 經驗，想要快速、實作式的範例，請查看我們的 [**初學者友好範例**](./examples/README.md)! 這些包括： +如果你完全沒接觸過 AI，想要快速實作範例，請查看我們的 [**適合初學者的範例**](./examples/README.md)! 這些包括： -- 🌟 **Hello AI 世界** - 你的第一個 AI 程式（模式識別） -- 🧠 **簡單神經網絡** - 從零開始建立一個神經網絡 -- 🖼️ **影像分類器** - 使用詳細註解對影像進行分類 -- 💬 **Text Sentiment** - 分析正面/負面文字 +- 🌟 **Hello AI World** - 你的第一個 AI 程式（模式辨識） +- 🧠 **Simple Neural Network** - 從零開始建構一個神經網絡 +- 🖼️ **Image Classifier** - 使用詳細註釋對圖像進行分類 +- 💬 **文字情感** - 分析正面/負面文字 -These examples are designed to help you understand AI concepts before diving into the full curriculum. +這些範例旨在幫助你在開始完整課程之前理解 AI 概念。 -### 📚 Full Curriculum Setup +### 📚 完整課程設定 -- 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) +- 我們已建立一個[設定課程](./lessons/0-course-setup/setup.md)來協助你設定開發環境。 - 針對教育工作者，我們也為你建立了一個[課程設定教學](./lessons/0-course-setup/for-teachers.md)！ +- 如何[在 VSCode 或 Codepace 中執行程式碼](./lessons/0-course-setup/how-to-run.md) -Follow these steps: +跟隨以下步驟： Fork the Repository: Click on the "Fork" button at the top-right corner of this page. @@ -138,36 +138,36 @@ 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 +## 認識其他學習者 -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. +加入我們的[官方 AI Discord 伺服器](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum)與其他參加此課程的學習者交流並獲得支援。 -If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) +如果在建構過程中有產品回饋或問題，請造訪我們的[Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) -## Quizzes +## 測驗 -> **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. +> **關於測驗的小提醒**: 所有測驗都包含在 Quiz-app 資料夾的 etc\quiz-app，或[線上查看](https://ff-quizzes.netlify.app/) 它們在課程內容中有連結，測驗應用可以在本機執行或部署到 Azure；請遵循 `quiz-app` 資料夾中的說明。它們正在逐步本地化。 -## Help Wanted +## 徵求協助 -Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request. +你有建議或發現拼字或程式碼錯誤嗎？提出 issue 或建立 pull request。 -## Special Thanks +## 特別感謝 -* **✍️ 主要作者:** [Dmitry Soshnikov](http://soshnikov.com), PhD -* **🔥 編輯:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 手繪筆記插畫:** [Tomomi Imura](https://twitter.com/girlie_mac) -* **✅ 小測驗創作者:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) -* **🙏 核心貢獻者:** [Evgenii Pishchik](https://github.com/Pe4enIks) +* **✍️ 主要作者：** [Dmitry Soshnikov](http://soshnikov.com), PhD +* **🔥 編輯：** [Jen Looper](https://twitter.com/jenlooper), PhD +* **🎨 草圖插畫：** [Tomomi Imura](https://twitter.com/girlie_mac) +* **✅ 測驗創建者：** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) +* **🙏 主要貢獻者：** [Evgenii Pishchik](https://github.com/Pe4enIks) -## Other Curricula +## 其他課程 -Our team produces other curricula! Check out: +我們團隊還製作了其他課程！看看： ### LangChain -[![LangChain4j 入門](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js 入門](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j 初學者](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js 初學者](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- @@ -187,9 +187,9 @@ Our team produces other curricula! Check out: --- -### Core Learning +### 核心學習 [![機器學習 入門](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![數據科學 入門](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![資料科學 入門](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI 入門](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![網絡安全 入門](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [![網頁開發 入門](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) @@ -198,19 +198,19 @@ Our team produces other curricula! Check out: --- -### Copilot Series -[![Copilot（AI 配對編程）](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot 系列 +[![Copilot（AI 配對程式設計）](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot（C#/.NET）](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot 冒險](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Getting Help +## 尋求協助 -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. +如果在建立 AI 應用時遇到困難或有任何問題，請加入其他學習者與經驗豐富的開發者，一同參與有關 MCP 的討論。這是一個歡迎提問並自由分享知識的互助社群。 [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -If you have product feedback or errors while building visit: +如果在建置時有產品回饋或錯誤，請造訪： [![Microsoft Foundry 開發者論壇](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) @@ -218,5 +218,5 @@ If you have product feedback or errors while building visit: **免責聲明**： -本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們會盡力確保準確性，但自動翻譯可能包含錯誤或不準確之處，敬請注意。原始文件的母語版本應視為具權威性的版本。對於重要資訊，建議採用專業人工翻譯。我們對因使用本翻譯而引致的任何誤解或誤譯概不承擔責任。 +本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們努力確保準確性，但請留意自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為具權威性的版本。對於重要資訊，建議採用專業人工翻譯。我們不會對因使用此翻譯而導致的任何誤解或誤釋承擔責任。 \ No newline at end of file diff --git a/translations/hk/lessons/1-Intro/README.md b/translations/hk/lessons/1-Intro/README.md index 675cb68f..6128d710 100644 --- a/translations/hk/lessons/1-Intro/README.md +++ b/translations/hk/lessons/1-Intro/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 人工智能簡介 -![人工智能簡介內容的手繪圖](../../../../translated_images/ai-intro.bf28d1ac4235881c096f0ffdb320ba4102940eafcca4e9d7a55a03914361f8f3.hk.png) +![人工智能簡介內容的手繪圖](../../../../translated_images/ai-intro.bf28d1ac4235881c.hk.png) > 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供 @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 最初，電腦是由 [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) 發明的，用於按照明確定義的程序（即算法）處理數字。現代電腦雖然比19世紀提出的原型先進得多，但仍然遵循受控計算的理念。因此，如果我們知道實現目標所需的精確步驟，就可以編程讓電腦完成某些事情。 -![一個人的照片](../../../../translated_images/dsh_age.d212a30d4e54fb5f68b94a624aad64bc086124bcbbec9561ae5bd5da661e22d8.hk.png) +![一個人的照片](../../../../translated_images/dsh_age.d212a30d4e54fb5f.hk.png) > 照片由 [Vickie Soshnikova](http://twitter.com/vickievalerie) 提供 @@ -46,7 +46,7 @@ CO_OP_TRANSLATOR_METADATA: 當討論 **[智能](https://en.wikipedia.org/wiki/Intelligence)** 這個術語時，問題之一是我們對這個術語沒有明確的定義。有人認為智能與 **抽象思維** 或 **自我意識** 有關，但我們無法準確定義它。 -![一隻貓的照片](../../../../translated_images/photo-cat.8c8e8fb760ffe45725c5b9f6b0d954e9bf114475c01c55adf0303982851b7eae.hk.jpg) +![一隻貓的照片](../../../../translated_images/photo-cat.8c8e8fb760ffe457.hk.jpg) > [照片](https://unsplash.com/photos/75715CVEJhI) 由 [Amber Kipp](https://unsplash.com/@sadmax) 提供，來自 Unsplash @@ -98,13 +98,13 @@ CO_OP_TRANSLATOR_METADATA: > | 那麼機器學習呢？ | | > |--------------|-----------| -> | 基於電腦通過一些數據學習解決問題的人工智能部分被稱為 **機器學習**。我們不會在本課程中考慮經典的機器學習——我們建議你參考單獨的 [機器學習初學者課程](http://aka.ms/ml-beginners)。 | ![機器學習初學者課程](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d7d1f7d358302515186579cbf09b2a6c5bd8092b345da7f22.hk.png) | +> | 基於電腦通過一些數據學習解決問題的人工智能部分被稱為 **機器學習**。我們不會在本課程中考慮經典的機器學習——我們建議你參考單獨的 [機器學習初學者課程](http://aka.ms/ml-beginners)。 | ![機器學習初學者課程](../../../../translated_images/ml-for-beginners.9e4fed176fd5817d.hk.png) | ## 人工智能的簡史 人工智能作為一個領域始於20世紀中葉。最初，符號推理是一種流行的方法，並且它帶來了一些重要的成功，例如專家系統——能夠在某些有限問題領域中充當專家的電腦程序。然而，很快就發現這種方法並不適用於大規模應用。從專家那裡提取知識、將其表示在電腦中並保持知識庫的準確性，事實證明這是一項非常複雜且在許多情況下成本過高的任務。這導致了20世紀70年代所謂的 [人工智能寒冬](https://en.wikipedia.org/wiki/AI_winter)。 -人工智能簡史 +人工智能簡史 > 圖片由 [Dmitry Soshnikov](http://soshnikov.com) 提供 @@ -124,7 +124,7 @@ CO_OP_TRANSLATOR_METADATA: * 現代助手，例如 Cortana、Siri 或 Google Assistant，都是混合系統，使用神經網絡將語音轉換為文本並識別我們的意圖，然後使用一些推理或明確的算法執行所需的操作。 * 未來，我們可能會期待一個完全基於神經網絡的模型能夠自行處理對話。最近的 GPT 和 [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) 系列神經網絡在這方面表現出色。 -圖靈測試的演變 +圖靈測試的演變 > 圖片由 Dmitry Soshnikov 提供，[照片](https://unsplash.com/photos/r8LmVbUKgns) 由 [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto) 提供，Unsplash ## 最近的人工智能研究 diff --git a/translations/hk/lessons/2-Symbolic/README.md b/translations/hk/lessons/2-Symbolic/README.md index 64308e6c..48c9a5ed 100644 --- a/translations/hk/lessons/2-Symbolic/README.md +++ b/translations/hk/lessons/2-Symbolic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 知識表示與專家系統 -![Symbolic AI內容摘要](../../../../translated_images/ai-symbolic.715a30cb610411a6964d2e2f23f24364cb338a07cb4844c1f97084d366e586c3.hk.png) +![Symbolic AI內容摘要](../../../../translated_images/ai-symbolic.715a30cb610411a6.hk.png) > Sketchnote由 [Tomomi Imura](https://twitter.com/girlie_mac) 創作 @@ -41,7 +41,7 @@ Symbolic AI的一個重要概念是**知識**。需要將知識與*信息*或* 因此，**知識表示**的問題是找到某種有效的方法，將知識以數據的形式表示在計算機中，使其能夠自動使用。這可以看作是一個光譜： -![知識表示光譜](../../../../translated_images/knowledge-spectrum.b60df631852c0217e941485b79c9eee40ebd574f15f18609cec5758fcb384bf3.hk.png) +![知識表示光譜](../../../../translated_images/knowledge-spectrum.b60df631852c0217.hk.png) > 圖片由 [Dmitry Soshnikov](http://soshnikov.com) 創作 @@ -94,7 +94,7 @@ Untyped-Language | 沒有 | 類型定義 Symbolic AI的一個早期成功是所謂的**專家系統**——設計用於在某些有限問題領域中充當專家的計算機系統。它們基於從一位或多位人類專家提取的**知識庫**，並包含一個**推理引擎**，在其上進行一些推理。 -![人類架構](../../../../translated_images/arch-human.5d4d35f1bba3ab1cdfda96af2f10b89574eb31e9796d0e3011cd9beda1c35112.hk.png) | ![基於知識的系統架構](../../../../translated_images/arch-kbs.3ec5c150b09fa8dadc2beb0931a4983c9e2b03913a89eebcc103b5bb841b0212.hk.png) +![人類架構](../../../../translated_images/arch-human.5d4d35f1bba3ab1c.hk.png) | ![基於知識的系統架構](../../../../translated_images/arch-kbs.3ec5c150b09fa8da.hk.png) ----------------------------------|----------------------------------------- 人類神經系統的簡化結構 | 基於知識的系統的架構 @@ -106,7 +106,7 @@ Symbolic AI的一個早期成功是所謂的**專家系統**——設計用於 例如，讓我們考慮以下基於動物物理特徵的專家系統： -![AND-OR樹](../../../../translated_images/AND-OR-Tree.5592d2c70187f283703c8e9c0d69d6a786eb370f4ace67f9a7aae5ada3d260b0.hk.png) +![AND-OR樹](../../../../translated_images/AND-OR-Tree.5592d2c70187f283.hk.png) > 圖片由 [Dmitry Soshnikov](http://soshnikov.com) 創作 diff --git a/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md index e31ed911..ade6fb65 100644 --- a/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/05-Frameworks/README.md @@ -58,7 +58,7 @@ CO_OP_TRANSLATOR_METADATA: 考慮以下近似 5 個點（圖中的 `x`）的問題： -![線性模型](../../../../../translated_images/overfit1.f24b71c6f652e59e6bed7245ffbeaecc3ba320e16e2221f6832b432052c4da43.hk.jpg) | ![過擬合模型](../../../../../translated_images/overfit2.131f5800ae10ca5e41d12a411f5f705d9ee38b1b10916f284b787028dd55cc1c.hk.jpg) +![線性模型](../../../../../translated_images/overfit1.f24b71c6f652e59e.hk.jpg) | ![過擬合模型](../../../../../translated_images/overfit2.131f5800ae10ca5e.hk.jpg) -------------------------|-------------------------- **線性模型，2 個參數** | **非線性模型，7 個參數** 訓練誤差 = 5.3 | 訓練誤差 = 0 @@ -79,7 +79,7 @@ CO_OP_TRANSLATOR_METADATA: 如上圖所示，過擬合可以通過非常低的訓練誤差和非常高的驗證誤差來檢測。通常在訓練過程中，我們會看到訓練和驗證誤差都開始下降，然後在某個時候驗證誤差可能停止下降並開始上升。這就是過擬合的跡象，表明我們可能應該停止訓練（或者至少保存模型的快照）。 -![過擬合](../../../../../translated_images/Overfitting.408ad91cd90b4371d0a81f4287e1409c359751adeb1ae450332af50e84f08c3e.hk.png) +![過擬合](../../../../../translated_images/Overfitting.408ad91cd90b4371.hk.png) ## 如何防止過擬合 diff --git a/translations/hk/lessons/3-NeuralNetworks/README.md b/translations/hk/lessons/3-NeuralNetworks/README.md index 6a9fd738..b319fe0c 100644 --- a/translations/hk/lessons/3-NeuralNetworks/README.md +++ b/translations/hk/lessons/3-NeuralNetworks/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 神經網絡簡介 -![神經網絡簡介內容的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e834f497844866a26d3e0886650a67a4bbe29442e2f157d3b18.hk.png) +![神經網絡簡介內容的手繪圖](../../../../translated_images/ai-neuralnetworks.1c687ae40bc86e83.hk.png) 正如我們在介紹中所討論的，實現智能的一種方法是訓練一個**計算機模型**或**人工大腦**。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到近年來這一方向證明非常成功。這些模仿大腦的數學模型被稱為**神經網絡**。 @@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA: 從生物學中我們知道，大腦由神經細胞（神經元）組成，每個神經元有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都可以傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這由神經遞質調節。 -![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6a3ce8fec51c0b9bec6181946dca0fe4e829bc12fa3bacf01.hk.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f5824ddb89fba0bdaaf49f67e8230c1afbec42909df1fc17e.hk.png) +![神經元模型](../../../../translated_images/synapse-wikipedia.ed20a9e4726ea1c6.hk.jpg) | ![神經元模型](../../../../translated_images/artneuron.1a5daa88d20ebe6f.hk.png) ----|---- 真實神經元 *（[圖片](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 來自維基百科）* | 人工神經元 *（作者提供圖片）* 因此，神經元的最簡單數學模型包含若干輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為： -Y = f\left(\sum_{i=1}^N X_iW_i\right) +Y = f\left(\sum_{i=1}^N X_iW_i\right) 其中 f 是某種非線性的**激活函數**。 diff --git a/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md index f7e28594..3f6db96e 100644 --- a/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md +++ b/translations/hk/lessons/4-ComputerVision/06-IntroCV/README.md @@ -75,14 +75,14 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) * **預處理盲文書籍的照片**。我們專注於如何使用閾值處理、特徵檢測、透視變換和 NumPy 操作來分離單個盲文符號，以便神經網絡進一步分類。 -![盲文圖像](../../../../../translated_images/braille.341962ff76b1bd7044409371d3de09ced5028132aef97344ea4b7468c1208126.hk.jpeg) | ![盲文圖像預處理](../../../../../translated_images/braille-result.46530fea020b03c76aac532d7d6eeef7f6fb35b55b1001cd21627907dabef3ed.hk.png) | ![盲文符號](../../../../../translated_images/braille-symbols.0159185ab69d533909dc4d7d26a1971b51401c6a80eb3a5584f250ea880af88b.hk.png) +![盲文圖像](../../../../../translated_images/braille.341962ff76b1bd70.hk.jpeg) | ![盲文圖像預處理](../../../../../translated_images/braille-result.46530fea020b03c7.hk.png) | ![盲文符號](../../../../../translated_images/braille-symbols.0159185ab69d5339.hk.png) ----|-----|----- > 圖片來自 [OpenCV.ipynb](OpenCV.ipynb) * **使用幀差檢測視頻中的運動**。如果攝像機是固定的，那麼來自攝像機的幀應該彼此非常相似。由於幀表示為數組，只需對兩個連續幀的數組進行減法運算，我們就能得到像素差異，靜態幀的差異應該很小，而當圖像中有顯著運動時，差異會變大。 -![視頻幀和幀差的圖像](../../../../../translated_images/frame-difference.706f805491a0883c938e16447bf5eb2f7d69e812c7f743cbe7d7c7645168f81f.hk.png) +![視頻幀和幀差的圖像](../../../../../translated_images/frame-difference.706f805491a0883c.hk.png) > 圖片來自 [OpenCV.ipynb](OpenCV.ipynb) @@ -91,7 +91,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB) - **密集光流** 計算顯示每個像素移動方向的向量場 - **稀疏光流** 基於圖像中的一些顯著特徵（例如邊緣），並從幀到幀構建它們的軌跡。 -![光流圖像](../../../../../translated_images/optical.1f4a94464579a83a10784f3c07fe7228514714b96782edf50e70ccd59d2d8c4f.hk.png) +![光流圖像](../../../../../translated_images/optical.1f4a94464579a83a.hk.png) > 圖片來自 [OpenCV.ipynb](OpenCV.ipynb) diff --git a/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md index ff19e478..720172c3 100644 --- a/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md +++ b/translations/hk/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md @@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA: VGG-16 是一個在 2014 年 ImageNet top-5 分類中達到 92.7% 準確率的網絡。它的層結構如下： -![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.hk.jpg) +![ImageNet Layers](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.hk.jpg) 如你所見，VGG 採用了傳統的金字塔架構，即一系列的卷積-池化層。 -![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.hk.jpg) +![ImageNet Pyramid](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.hk.jpg) > 圖片來源：[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) diff --git a/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md index 40129469..b8cfe80a 100644 --- a/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md +++ b/translations/hk/lessons/4-ComputerVision/07-ConvNets/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 為了提取模式，我們將使用**卷積濾波器**的概念。正如你所知，圖像是由一個二維矩陣或帶有色彩深度的三維張量表示的。應用濾波器意味著我們取一個相對較小的**濾波核**矩陣，並對原始圖像中的每個像素與其鄰近點進行加權平均。我們可以將其視為一個小窗口在整個圖像上滑動，並根據濾波核矩陣中的權重對所有像素進行平均。 -![垂直邊緣濾波器](../../../../../translated_images/filter-vert.b7148390ca0bc356ddc7e55555d2481819c1e86ddde9dce4db5e71a69d6f887f.hk.png) | ![水平邊緣濾波器](../../../../../translated_images/filter-horiz.59b80ed4feb946efbe201a7fe3ca95abb3364e266e6fd90820cb893b4d3a6dda.hk.png) +![垂直邊緣濾波器](../../../../../translated_images/filter-vert.b7148390ca0bc356.hk.png) | ![水平邊緣濾波器](../../../../../translated_images/filter-horiz.59b80ed4feb946ef.hk.png) ----|---- > 圖片由 Dmitry Soshnikov 提供 @@ -38,7 +38,7 @@ CNN 的工作方式基於以下重要思想： * 我們可以設計網絡，使濾波器能夠自動訓練 * 我們可以使用相同的方法來在高層次特徵中尋找模式，而不僅僅是在原始圖像中。因此，CNN 的特徵提取在特徵層次上工作，從低層次的像素組合開始，到更高層次的圖像部分組合。 -![層次特徵提取](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb643fde3032b81b2940e3cf8be842e29afac3f482725ba7f95c.hk.png) +![層次特徵提取](../../../../../translated_images/FeatureExtractionCNN.d9b456cbdae7cb64.hk.png) > 圖片來自 [Hislop-Lynch 的論文](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d)，基於[他們的研究](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) @@ -55,9 +55,9 @@ CNN 的工作方式基於以下重要思想： 例如，讓我們看看 VGG-16 的架構，這是一個在 2014 年 ImageNet 的前五名分類中達到 92.7% 準確率的網絡： -![ImageNet 層](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51baeaab3e768567d921e5d54befa46e1e642616c5458c934028.hk.jpg) +![ImageNet 層](../../../../../translated_images/vgg-16-arch1.d901a5583b3a51ba.hk.jpg) -![ImageNet 金字塔](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49fdaa786e3f3a975b3f22615efd13efb19c5d22f12e01451a1.hk.jpg) +![ImageNet 金字塔](../../../../../translated_images/vgg-16-arch.64ff2137f50dd49f.hk.jpg) > 圖片來自 [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) diff --git a/translations/hk/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/hk/lessons/4-ComputerVision/07-ConvNets/lab/README.md index 67abbd7d..5f438cc7 100644 --- a/translations/hk/lessons/4-ComputerVision/07-ConvNets/lab/README.md +++ b/translations/hk/lessons/4-ComputerVision/07-ConvNets/lab/README.md @@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA: 我們將使用 [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/)，該數據集包含37種不同品種的狗和貓的圖片。 -![我們將處理的數據集](../../../../../../translated_images/data.50b2a9d5484bdbf0f52f5765b381cec9efe2bd296a98f007f90bedb6ac67f2a8.hk.png) +![我們將處理的數據集](../../../../../../translated_images/data.50b2a9d5484bdbf0.hk.png) 要下載數據集，請使用以下代碼片段： diff --git a/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md index 03e6785a..99493c89 100644 --- a/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md +++ b/translations/hk/lessons/4-ComputerVision/08-TransferLearning/README.md @@ -29,7 +29,7 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見 以下是 VGG-16 網絡從一張貓的圖片中提取的特徵示例： -![VGG-16 提取的特徵](../../../../../translated_images/features.6291f9c7ba3a0b951af88fc9864632b9115365410765680680d30c927dd67354.hk.png) +![VGG-16 提取的特徵](../../../../../translated_images/features.6291f9c7ba3a0b95.hk.png) ## 貓與狗數據集 @@ -48,19 +48,19 @@ Keras 和 PyTorch 都包含了方便的函數，可以輕鬆加載一些常見 我們可以採取的一種方法是從一張隨機圖像開始，然後嘗試使用**梯度下降優化**技術調整該圖像，使得網絡認為它是一隻貓。 -![圖像優化循環](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044f997032f4eef9152b453e6a990e449bbfb107de2493cc37e.hk.png) +![圖像優化循環](../../../../../translated_images/ideal-cat-loop.999fbb8ff306e044.hk.png) 然而，如果我們這樣做，我們會得到一些非常接近隨機噪聲的東西。這是因為*有很多方法可以讓網絡認為輸入圖像是一隻貓*，其中一些方法在視覺上並不合理。雖然這些圖像包含了許多典型於貓的模式，但並沒有任何約束使它們在視覺上具有辨識度。 為了改善結果，我們可以在損失函數中添加另一個項，稱為**變化損失**。這是一種衡量圖像中相鄰像素相似程度的指標。最小化變化損失可以使圖像更平滑，並消除噪聲——從而揭示出更具視覺吸引力的模式。以下是一些這樣的「理想」圖像的例子，它們被高概率分類為貓和斑馬： -![理想貓](../../../../../translated_images/ideal-cat.203dd4597643d6b0bd73038b87f9c0464322725e3a06ab145d25d4a861c70592.hk.png) | ![理想斑馬](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a314000bb5df38a6cfe086ea04d60df4d3ef313d046b98a2b.hk.png) +![理想貓](../../../../../translated_images/ideal-cat.203dd4597643d6b0.hk.png) | ![理想斑馬](../../../../../translated_images/ideal-zebra.7f70e8b54ee15a7a.hk.png) -----|----- *理想貓* | *理想斑馬* 類似的方法可以用於對神經網絡進行所謂的**對抗性攻擊**。假設我們想要欺騙神經網絡，讓一隻狗看起來像一隻貓。如果我們拿一張狗的圖片，該圖片被網絡識別為狗，然後稍微調整它，使用梯度下降優化，直到網絡開始將其分類為貓： -![狗的圖片](../../../../../translated_images/original-dog.8f68a67d2fe0911f33041c0f7fce8aa4ea919f9d3917ec4b468298522aeb6356.hk.png) | ![被分類為貓的狗圖片](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89752539bfbf884118de845b3851c5162146ea0b8809fc820f.hk.png) +![狗的圖片](../../../../../translated_images/original-dog.8f68a67d2fe0911f.hk.png) | ![被分類為貓的狗圖片](../../../../../translated_images/adversarial-dog.d9fc7773b0142b89.hk.png) -----|----- *原始狗圖片* | *被分類為貓的狗圖片* diff --git a/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md index 0a7ee68c..38440e0e 100644 --- a/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md +++ b/translations/hk/lessons/4-ComputerVision/09-Autoencoders/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 由於我們訓練自動編碼器以捕捉原始圖像中的盡可能多的信息以進行準確重建，網絡會嘗試找到最佳的**嵌入**方式來捕捉輸入圖像的含義。 -![自動編碼器示意圖](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb6197f3513cf3baf4dfbe1389a6ae74daebda64de9f1c99f142.hk.jpg) +![自動編碼器示意圖](../../../../../translated_images/autoencoder_schema.5e6fc9ad98a5eb61.hk.jpg) > 圖片來源：[Keras 博客](https://blog.keras.io/building-autoencoders-in-keras.html) diff --git a/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md index 027e2df9..2af86470 100644 --- a/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md +++ b/translations/hk/lessons/4-ComputerVision/11-ObjectDetection/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ## [課前測驗](https://ff-quizzes.netlify.app/en/ai/quiz/21) -![物件偵測](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be1b905373ed9c858102c054b16e4595c76ec3f7bba0feb549.hk.png) +![物件偵測](../../../../../translated_images/Screen_Shot_2016-11-17_at_11.14.54_AM.b4bb3769353287be.hk.png) > 圖片來源：[YOLO v2 官方網站](https://pjreddie.com/darknet/yolov2/) @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: 2. 對每個區塊進行影像分類。 3. 將分類結果中激活值足夠高的區塊視為包含目標物件的區域。 -![簡單的物件偵測](../../../../../translated_images/naive-detection.e7f1ba220ccd08c68a2ea8e06a7ed75c3fcc738c2372f9e00b7f4299a8659c01.hk.png) +![簡單的物件偵測](../../../../../translated_images/naive-detection.e7f1ba220ccd08c6.hk.png) > *圖片來源：[練習筆記本](ObjectDetection-TF.ipynb)* @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: * [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 包含 20 個類別 * [COCO](http://cocodataset.org/#home) - 常見物件上下文數據集，包含 80 個類別、邊界框和分割遮罩 -![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb7caad48bd09e35b6028caabd363aa04fee89c414e0870e86.hk.jpg) +![COCO](../../../../../translated_images/coco-examples.71bc60380fa6cceb.hk.jpg) ## 物件偵測的評估指標 @@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA: 對於影像分類來說，衡量算法表現的方式很簡單，但對於物件偵測，我們需要同時衡量類別的正確性以及推測邊界框位置的精確性。後者使用所謂的**交集比聯集** (IoU) 來衡量，這是一種用來測量兩個框（或任意兩個區域）重疊程度的方法。 -![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e119ecd0a7bcca4e71ab1dc83e0d4f2a0d66ff0859736f593cf.hk.png) +![IoU](../../../../../translated_images/iou_equation.9a4751d40fff4e11.hk.png) > *圖片來源：[這篇優秀的 IoU 部落格文章](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)* @@ -97,11 +97,11 @@ $$ [R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) 使用 [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) 生成 ROI 區域的層次結構，然後通過 CNN 特徵提取器和 SVM 分類器來確定物件類別，並通過線性回歸確定*邊界框*座標。[官方論文](https://arxiv.org/pdf/1506.01497v1.pdf) -![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1fb572656e44f75cd6c512cc220591c116c506652c10e47f26.hk.png) +![RCNN](../../../../../translated_images/rcnn1.cae407020dfb1d1f.hk.png) > *圖片來源：van de Sande et al. ICCV’11* -![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484ec65b250c22dbf37d3d23244f32864ebcb91d98fe7c3112c.hk.png) +![RCNN-1](../../../../../translated_images/rcnn2.2d9530bb83516484.hk.png) > *圖片來源：[這篇部落格](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)* @@ -109,7 +109,7 @@ $$ 這種方法與 R-CNN 類似，但區域是在卷積層應用後定義的。 -![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb41888754037d2d9763e2298a96de5d9bc2a21db3147357aa5da9b1a.hk.png) +![FRCNN](../../../../../translated_images/f-rcnn.3cda6d9bb4188875.hk.png) > 圖片來源：[官方論文](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 @@ $$ 這種方法的主要思想是使用神經網絡來預測 ROI，即所謂的*區域提議網絡* (Region Proposal Network)。[論文](https://arxiv.org/pdf/1506.01497.pdf)，2016 -![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30ab2ea26dbc4bdd85b974a57ba8eb526f65dc4cd0a4711de30.hk.png) +![FasterRCNN](../../../../../translated_images/faster-rcnn.8d46c099b87ef30a.hk.png) > 圖片來源：[官方論文](https://arxiv.org/pdf/1506.01497.pdf) @@ -129,7 +129,7 @@ $$ 2. 特徵經過**位置敏感得分圖** (Position-Sensitive Score Map) 處理。每個來自 $C$ 類別的物件被劃分為 $k\times k$ 區域，我們訓練網絡來預測物件的部分。 3. 對於 $k\times k$ 區域中的每個部分，所有網絡對物件類別進行投票，選擇得票最多的物件類別。 -![r-fcn 圖片](../../../../../translated_images/r-fcn.13eb88158b99a3da50fa2787a6be5cb310d47f0e9655cc93a1090dc7aab338d1.hk.png) +![r-fcn 圖片](../../../../../translated_images/r-fcn.13eb88158b99a3da.hk.png) > 圖片來源：[官方論文](https://arxiv.org/abs/1605.06409) @@ -140,7 +140,7 @@ YOLO 是一種實時單次通過算法。主要思想如下： * 將圖片劃分為 $S\times S$ 區域。 * 對於每個區域，**CNN** 預測 $n$ 個可能的物件、*邊界框*座標以及*置信度*=*概率* * IoU。 - ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4ea27537677adb482fd4b733ca1705c561b6a24a85102dced5.hk.png) + ![YOLO](../../../../../translated_images/yolo.a2648ec82ee8bb4e.hk.png) > 圖片來源：[官方論文](https://arxiv.org/abs/1506.02640) diff --git a/translations/hk/lessons/4-ComputerVision/README.md b/translations/hk/lessons/4-ComputerVision/README.md index 48a169e8..d3033cc1 100644 --- a/translations/hk/lessons/4-ComputerVision/README.md +++ b/translations/hk/lessons/4-ComputerVision/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 電腦視覺 -![電腦視覺內容摘要的手繪圖](../../../../translated_images/ai-computervision.6506ebebac3fbf76cdb78989d7d3dfea87e88285c0feaade53aa7804a22b248f.hk.png) +![電腦視覺內容摘要的手繪圖](../../../../translated_images/ai-computervision.6506ebebac3fbf76.hk.png) 在這部分，我們將學習以下內容： diff --git a/translations/hk/lessons/5-NLP/14-Embeddings/README.md b/translations/hk/lessons/5-NLP/14-Embeddings/README.md index 52eef1f2..0b3eaaa3 100644 --- a/translations/hk/lessons/5-NLP/14-Embeddings/README.md +++ b/translations/hk/lessons/5-NLP/14-Embeddings/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 通過在分類器網絡中使用嵌入層作為第一層，我們可以從詞袋模型切換到 **嵌入袋** 模型。在嵌入袋模型中，我們首先將文本中的每個詞轉換為相應的嵌入，然後對所有嵌入計算某種聚合函數，例如 `sum`、`average` 或 `max`。 -![展示五個序列詞嵌入分類器的圖片。](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eeec8e68bfe11636c5b97d6eaa067515a129bfb1d0034b1ac5b.hk.png) +![展示五個序列詞嵌入分類器的圖片。](../../../../../translated_images/embedding-classifier-example.b77f021a7ee67eee.hk.png) > 圖片由作者提供 @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: CBoW 的速度更快，而 Skip-Gram 雖然較慢，但在表示不常見詞方面效果更好。 -![展示 CBoW 和 Skip-Gram 將詞轉換為向量的算法圖片。](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.hk.png) +![展示 CBoW 和 Skip-Gram 將詞轉換為向量的算法圖片。](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.hk.png) > 圖片來源：[這篇論文](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md b/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md index 94577af6..21a0756d 100644 --- a/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md +++ b/translations/hk/lessons/5-NLP/15-LanguageModeling/README.md @@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA: * **連續詞袋模型** (CBoW)，通過預測詞元序列 $W_{-N}$, ..., $W_N$ 中的中間詞元 $W_0$。 * **Skip-gram**，通過中間詞元 $W_0$ 預測一組相鄰詞元 {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$}。 -![來自論文的將詞語轉換為向量的算法示例](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6f0f5de66427e8a6eda63809356114e28fb1fa5f4a83ebda7.hk.png) +![來自論文的將詞語轉換為向量的算法示例](../../../../../translated_images/example-algorithms-for-converting-words-to-vectors.fbe9207a726922f6.hk.png) > 圖片來源：[這篇論文](https://arxiv.org/pdf/1301.3781.pdf) diff --git a/translations/hk/lessons/5-NLP/16-RNN/README.md b/translations/hk/lessons/5-NLP/16-RNN/README.md index d2149df2..6864e043 100644 --- a/translations/hk/lessons/5-NLP/16-RNN/README.md +++ b/translations/hk/lessons/5-NLP/16-RNN/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 為了捕捉文本序列的意義，我們需要使用另一種神經網絡架構，稱為**循環神經網絡**（Recurrent Neural Network，簡稱 RNN）。在 RNN 中，我們將句子逐個符號地輸入網絡，網絡會生成某種**狀態**，然後將該狀態與下一個符號一起再次輸入網絡。 -![RNN](../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.hk.png) +![RNN](../../../../../translated_images/rnn.27f5c29c53d727b5.hk.png) > 圖片由作者提供 @@ -61,7 +61,7 @@ LSTM 網絡的組織方式與 RNN 類似，但有兩個狀態會從層到層傳 循環網絡，無論是單向還是雙向，都能捕捉序列中的某些模式，並將其存儲到狀態向量中或傳遞到輸出中。與卷積網絡類似，我們可以在第一層之上構建另一個循環層，以捕捉更高層次的模式，並基於第一層提取的低層次模式進行構建。這引出了**多層 RNN**的概念，它由兩個或更多循環網絡組成，其中前一層的輸出作為下一層的輸入。 -![顯示多層長短期記憶 RNN 的圖片](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe58b429db833932d734c81f211cad2783797a9608984acb8c.hk.jpg) +![顯示多層長短期記憶 RNN 的圖片](../../../../../translated_images/multi-layer-lstm.dd975e29bb2a59fe.hk.jpg) *圖片來自 [這篇精彩文章](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) 作者 Fernando López* diff --git a/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md index fbd6ac9d..8b3b03b2 100644 --- a/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md +++ b/translations/hk/lessons/5-NLP/17-GenerativeNetworks/README.md @@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA: 這使得不同的神經架構成為可能，如下圖所示： -![展示常見循環神經網絡模式的圖片。](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.hk.jpg) +![展示常見循環神經網絡模式的圖片。](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.hk.jpg) > 圖片來自 [Andrej Karpaty](http://karpathy.github.io/) 的博客文章 [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) @@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA: 我們將訓練這個 RNN 逐步生成文本。在每一步中，我們將取一個長度為 `nchars` 的字符序列，並要求網絡為每個輸入字符生成下一個輸出字符： -![展示 RNN 生成單詞 'HELLO' 的示例圖片。](../../../../../translated_images/rnn-generate.56c54afb52f9781d63a7c16ea9c1b86cb70e6e1eae6a742b56b7b37468576b17.hk.png) +![展示 RNN 生成單詞 'HELLO' 的示例圖片。](../../../../../translated_images/rnn-generate.56c54afb52f9781d.hk.png) 在生成文本（推理過程中）時，我們從某個**提示**開始，將其通過 RNN 單元生成中間狀態，然後從該狀態開始生成。我們一次生成一個字符，並將狀態和生成的字符傳遞給另一個 RNN 單元以生成下一個字符，直到生成足夠的字符。 diff --git a/translations/hk/lessons/5-NLP/18-Transformers/README.md b/translations/hk/lessons/5-NLP/18-Transformers/README.md index d22832df..0a28a8fc 100644 --- a/translations/hk/lessons/5-NLP/18-Transformers/README.md +++ b/translations/hk/lessons/5-NLP/18-Transformers/README.md @@ -20,13 +20,13 @@ CO_OP_TRANSLATOR_METADATA: **注意力機制**提供了一種方法，能夠對每個輸入向量對RNN輸出預測的上下文影響進行加權。其實現方式是通過在輸入RNN的中間狀態與輸出RNN之間創建捷徑。這樣，在生成輸出符號yt時，我們會考慮所有輸入隱藏狀態hi，並賦予不同的權重係數αt,i。 -![顯示帶有加性注意力層的編碼器/解碼器模型的圖片](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567aa2898c94b17b3289087f6705c11907df8301df9e5eeb3de.hk.png) +![顯示帶有加性注意力層的編碼器/解碼器模型的圖片](../../../../../translated_images/encoder-decoder-attention.7a726296894fb567.hk.png) > [Bahdanau等人, 2015](https://arxiv.org/pdf/1409.0473.pdf)中的加性注意力機制編碼器-解碼器模型，圖片來源於[這篇博客文章](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) 注意力矩陣{αi,j}表示某些輸入詞在生成給定輸出序列中的某個詞時所起的作用程度。以下是一個這樣的矩陣示例： -![顯示RNNsearch-50找到的示例對齊的圖片，取自Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af11de6c82d2d197830ba5f4528d9ea430eb65fd3a75065973.hk.png) +![顯示RNNsearch-50找到的示例對齊的圖片，取自Bahdanau - arviz.org](../../../../../translated_images/bahdanau-fig3.09ba2d37f202a6af.hk.png) > 圖片來自[Bahdanau等人, 2015](https://arxiv.org/pdf/1409.0473.pdf)（圖3） @@ -66,7 +66,7 @@ Transformer的主要思想之一是避免RNN的序列性質，並創建一個在 接下來，我們需要捕捉序列中的一些模式。為此，Transformer使用了**自注意力**機制，這本質上是將注意力應用於相同的輸入和輸出序列。應用自注意力使我們能夠考慮句子中的**上下文**，並查看哪些詞是相互關聯的。例如，它使我們能夠看到哪些詞由指代詞（如*it*）指代，並考慮上下文： -![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d68d8d0039d06a71a151f18a796b8b1330239d3590bd4947eb.hk.png) +![](../../../../../translated_images/CoreferenceResolution.861924d6d384a7d6.hk.png) > 圖片來自[Google博客](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) @@ -91,7 +91,7 @@ Transformer的主要思想之一是避免RNN的序列性質，並創建一個在 **BERT**（Bidirectional Encoder Representations from Transformers）是一個非常大的多層Transformer網絡，*BERT-base*有12層，*BERT-large*有24層。該模型首先在大規模文本數據語料庫（維基百科+書籍）上進行無監督預訓練（預測句子中的被遮蔽詞）。在預訓練過程中，模型吸收了大量的語言理解能力，這些能力可以通過微調其他數據集來利用。這個過程被稱為**遷移學習**。 -![圖片來自http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362e39ee4381aab7cad06b5465a0b5f053a0f2aa05fbe14e746.hk.png) +![圖片來自http://jalammar.github.io/illustrated-bert/](../../../../../translated_images/jalammarBERT-language-modeling-masked-lm.34f113ea5fec4362.hk.png) > 圖片[來源](http://jalammar.github.io/illustrated-bert/) diff --git a/translations/hk/lessons/5-NLP/19-NER/README.md b/translations/hk/lessons/5-NLP/19-NER/README.md index 7a705423..c23be72a 100644 --- a/translations/hk/lessons/5-NLP/19-NER/README.md +++ b/translations/hk/lessons/5-NLP/19-NER/README.md @@ -57,7 +57,7 @@ NER 模型本質上是 **標記分類模型**，因為對於每個輸入標記 由於我們需要在標記和類別之間建立一對一的對應關係，我們可以從這張圖中訓練一個最右側的 **多對多** 神經網絡模型： -![展示常見循環神經網絡模式的圖片。](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42dce6c42d8a56c184729aa2378d059b851be4ce12b993033df.hk.jpg) +![展示常見循環神經網絡模式的圖片。](../../../../../translated_images/unreasonable-effectiveness-of-rnn.541ead816778f42d.hk.jpg) > *圖片來自 [這篇博客文章](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) 作者 [Andrej Karpathy](http://karpathy.github.io/)。NER 標記分類模型對應於圖片中最右側的網絡架構。* diff --git a/translations/hk/lessons/5-NLP/README.md b/translations/hk/lessons/5-NLP/README.md index 1908cbd4..5b316489 100644 --- a/translations/hk/lessons/5-NLP/README.md +++ b/translations/hk/lessons/5-NLP/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 自然語言處理 -![NLP 任務的手繪圖概述](../../../../translated_images/ai-nlp.b22dcb8ca4707ceaee8576db1c5f4089c8cac2f454e9e03ea554f07fda4556b8.hk.png) +![NLP 任務的手繪圖概述](../../../../translated_images/ai-nlp.b22dcb8ca4707cea.hk.png) 在本節中，我們將專注於使用神經網絡來處理與**自然語言處理 (NLP)** 相關的任務。我們希望計算機能夠解決許多 NLP 問題： diff --git a/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md b/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md index 542c707b..4991748a 100644 --- a/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md +++ b/translations/hk/lessons/6-Other/23-MultiagentSystems/README.md @@ -70,7 +70,7 @@ NetLogo的一大優勢是它包含一個可供試用的工作模型庫。進入* 打開模型後，你會進入NetLogo的主屏幕。以下是一個描述狼和羊的種群模型，給定有限資源（草地）。 -![NetLogo主屏幕](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3cab22ec0b148e64193d0b979b055285bef329d5e3d6958c5.hk.png) +![NetLogo主屏幕](../../../../../translated_images/NetLogo-Main.32653711ec1a01b3.hk.png) > Dmitry Soshnikov提供的截圖 diff --git a/translations/hk/lessons/README.md b/translations/hk/lessons/README.md index ed351ea9..221db26b 100644 --- a/translations/hk/lessons/README.md +++ b/translations/hk/lessons/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # 概覽 -![概覽的手繪圖](../../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.hk.png) +![概覽的手繪圖](../../../translated_images/ai-overview.0857791951d19500.hk.png) > 手繪筆記由 [Tomomi Imura](https://twitter.com/girlie_mac) 提供 diff --git a/translations/hk/lessons/X-Extras/X1-MultiModal/README.md b/translations/hk/lessons/X-Extras/X1-MultiModal/README.md index 807a9827..ca162ed3 100644 --- a/translations/hk/lessons/X-Extras/X1-MultiModal/README.md +++ b/translations/hk/lessons/X-Extras/X1-MultiModal/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: CLIP 的主要理念是能夠比較文本提示與圖像，並判斷圖像與提示的匹配程度。 -![CLIP 架構](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be1c38e2bc6100fd3cc257c33cda4692b301be91f791b13ea7.hk.png) +![CLIP 架構](../../../../../translated_images/clip-arch.b3dbf20b4e8ed8be.hk.png) > *圖片來源：[這篇博客文章](https://openai.com/blog/clip/)* @@ -29,7 +29,7 @@ CLIP 模型/庫可從 [OpenAI GitHub](https://github.com/openai/CLIP) 獲得。 假設我們需要將圖像分類為例如貓、狗和人。在這種情況下，我們可以向模型提供一張圖像，以及一系列文本提示：“*一張貓的照片*”、“*一張狗的照片*”、“*一張人的照片*”。在結果的三個概率向量中，我們只需選擇值最高的索引。 -![CLIP 用於圖像分類](../../../../../translated_images/clip-class.3af42ef0b2b19369a633df5f20ddf4f5a01d6c8ffa181e9d3a0572c19f919f72.hk.png) +![CLIP 用於圖像分類](../../../../../translated_images/clip-class.3af42ef0b2b19369.hk.png) > *圖片來源：[這篇博客文章](https://openai.com/blog/clip/)* @@ -53,13 +53,13 @@ VQGAN 與普通 [GAN](../../4-ComputerVision/10-GANs/README.md) 的主要區別 VQGAN 與傳統 GAN 的一個重要區別是，後者可以從任何輸入向量生成一張像樣的圖像，而 VQGAN 則可能生成不連貫的圖像。因此，我們需要進一步引導圖像創建過程，這可以通過 CLIP 來完成。 -![VQGAN+CLIP 架構](../../../../../translated_images/vqgan.5027fe05051dfa3101950cfa930303f66e6478b9bd273e83766731796e462d9b.hk.png) +![VQGAN+CLIP 架構](../../../../../translated_images/vqgan.5027fe05051dfa31.hk.png) 為了生成與文本提示相對應的圖像，我們首先使用一些隨機編碼向量，通過 VQGAN 生成一張圖像。然後使用 CLIP 生成損失函數，顯示圖像與文本提示的匹配程度。目標是最小化該損失，通過反向傳播調整輸入向量的參數。 一個實現 VQGAN+CLIP 的優秀庫是 [Pixray](http://github.com/pixray/pixray)。 -![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d09dc96de938b9f95bde8a7e1c721f48f286a7795bf16d56c7.hk.png) | ![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a439077e1c32cc8afdf714e634fe24dc78dc5aa45fd2f560b0ed5.hk.png) | ![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683b9d36a613b364deb7454760cd39205623fc1e3938fa133c0.hk.png) +![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_watercolor_portrait_of_young_male_teacher_of_literature_with_a_book.2384968e9db8a0d0.hk.png) | ![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_oil_portrait_of_young_female_teacher_of_computer_science_with_a_computer.e0b6495f210a4390.hk.png) | ![由 Pixray 生成的圖片](../../../../../translated_images/a_closeup_oil_portrait_of_old_male_teacher_of_math.5362e67aa7fc2683.hk.png) ----|----|---- 根據提示 *一張年輕男性文學教師拿著書的水彩特寫肖像* 生成的圖片 | 根據提示 *一張年輕女性計算機科學教師拿著電腦的油畫特寫肖像* 生成的圖片 | 根據提示 *一張老年男性數學教師站在黑板前的油畫特寫肖像* 生成的圖片 diff --git a/translations/hr/README.md b/translations/hr/README.md index 41e48a98..55ec5cde 100644 --- a/translations/hr/README.md +++ b/translations/hr/README.md @@ -1,21 +1,21 @@ -[![Licenca GitHub](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) -[![Suradnici GitHub](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) -[![Problemi na GitHubu](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) -[![Pull zahtjevi GitHub](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) +[![GitHub licenca](https://img.shields.io/github/license/microsoft/AI-For-Beginners.svg)](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE) +[![GitHub doprinositelji](https://img.shields.io/github/contributors/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/) +[![GitHub issues](https://img.shields.io/github/issues/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/issues/) +[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/AI-For-Beginners.svg)](https://GitHub.com/microsoft/AI-For-Beginners/pulls/) [![PR-ovi dobrodošli](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![Pratitelji GitHub](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) -[![Forkovi na GitHubu](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) -[![Zvijezde na GitHubu](https://img.shields.io/github/stars/microsoft/AI-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/) +[![GitHub pratitelji](https://img.shields.io/github/watchers/microsoft/AI-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/AI-For-Beginners/watchers/) +[![GitHub forkovi](https://img.shields.io/github/forks/microsoft/AI-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/AI-For-Beginners/network/) +[![GitHub zvijezde](https://img.shields.io/github/stars/microsoft/AI-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/) [![Binder](https://mybinder.org/badge_logo.svg)](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD) [![Gitter](https://badges.gitter.im/Microsoft/ai-for-beginners.svg)](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge) @@ -23,18 +23,18 @@ CO_OP_TRANSLATOR_METADATA: # Umjetna inteligencija za početnike - Nastavni program -|![Sketchnote autorice @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500d0ef8b803d77110c738dcafc52306e6d68724742cd4af167.hr.png)| +|![Sketchnota autora @girlie_mac https://twitter.com/girlie_mac](../../translated_images/ai-overview.0857791951d19500.hr.png)| |:---:| -| Umjetna inteligencija za početnike - _Sketchnote autorice [@girlie_mac](https://twitter.com/girlie_mac)_ | +| AI For Beginners - _Sketchnota autora [@girlie_mac](https://twitter.com/girlie_mac)_ | -Istražite svijet **Umjetne inteligencije** (AI) s našim 12-tjednim, 24-lekcijskim nastavnim programom! Uključuje praktične lekcije, kvizove i laboratorijske vježbe. Nastavni program je pogodan za početnike i pokriva alate poput TensorFlow i PyTorch, kao i etiku u AI +Explore the world of **umjetne inteligencije** (AI) with our 12-week, 24-lesson curriculum! It includes practical lessons, quizzes, and labs. The curriculum is beginner-friendly and covers tools like TensorFlow and PyTorch, as well as ethics in AI ### 🌐 Podrška za više jezika -#### Podržano putem GitHub Action (automatizirano i uvijek ažurirano) +#### Podržano putem GitHub Action (Automatizirano i uvijek ažurno) -[Arapski](../ar/README.md) | [Bengalski](../bn/README.md) | [Bugarski](../bg/README.md) | [Burmanski (Myanmar)](../my/README.md) | [Kineski (pojednostavljeni)](../zh/README.md) | [Kineski (tradicionalni, Hong Kong)](../hk/README.md) | [Kineski (tradicionalni, Macau)](../mo/README.md) | [Kineski (tradicionalni, Taiwan)](../tw/README.md) | [Hrvatski](./README.md) | [Češki](../cs/README.md) | [Danski](../da/README.md) | [Nizozemski](../nl/README.md) | [Estonski](../et/README.md) | [Finski](../fi/README.md) | [Francuski](../fr/README.md) | [Njemački](../de/README.md) | [Grčki](../el/README.md) | [Hebrejski](../he/README.md) | [Hindi](../hi/README.md) | [Mađarski](../hu/README.md) | [Indonezijski](../id/README.md) | [Talijanski](../it/README.md) | [Japanski](../ja/README.md) | [Kannada](../kn/README.md) | [Korejski](../ko/README.md) | [Litavski](../lt/README.md) | [Malajski](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalski](../ne/README.md) | [Nigerijski pidžin](../pcm/README.md) | [Norveški](../no/README.md) | [Perzijski (Farsi)](../fa/README.md) | [Poljski](../pl/README.md) | [Portugalski (Brazil)](../br/README.md) | [Portugalski (Portugal)](../pt/README.md) | [Pandžapski (Gurmukhi)](../pa/README.md) | [Rumunjski](../ro/README.md) | [Ruski](../ru/README.md) | [Srpski (ćirilica)](../sr/README.md) | [Slovački](../sk/README.md) | [Slovenski](../sl/README.md) | [Španjolski](../es/README.md) | [Svahili](../sw/README.md) | [Švedski](../sv/README.md) | [Tagalog (filipinski)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tajlandski](../th/README.md) | [Turski](../tr/README.md) | [Ukrajinski](../uk/README.md) | [Urdu](../ur/README.md) | [Vijetnamski](../vi/README.md) +[Arapski](../ar/README.md) | [Bengalski](../bn/README.md) | [Bugarski](../bg/README.md) | [Burmanski (Myanmar)](../my/README.md) | [Kineski (pojednostavljeni)](../zh/README.md) | [Kineski (tradicionalni, Hong Kong)](../hk/README.md) | [Kineski (tradicionalni, Macau)](../mo/README.md) | [Kineski (tradicionalni, Taiwan)](../tw/README.md) | [Hrvatski](./README.md) | [Češki](../cs/README.md) | [Danski](../da/README.md) | [Nizozemski](../nl/README.md) | [Estonski](../et/README.md) | [Finski](../fi/README.md) | [Francuski](../fr/README.md) | [Njemački](../de/README.md) | [Grčki](../el/README.md) | [Hebrejski](../he/README.md) | [Hindi](../hi/README.md) | [Mađarski](../hu/README.md) | [Indonezijski](../id/README.md) | [Talijanski](../it/README.md) | [Japanski](../ja/README.md) | [Kannada](../kn/README.md) | [Korejski](../ko/README.md) | [Litvanski](../lt/README.md) | [Malajski](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalski](../ne/README.md) | [Nigerijski Pidgin](../pcm/README.md) | [Norveški](../no/README.md) | [Perzijski (Farsi)](../fa/README.md) | [Poljski](../pl/README.md) | [Portugalski (Brazil)](../br/README.md) | [Portugalski (Portugal)](../pt/README.md) | [Pandžapski (Gurmukhi)](../pa/README.md) | [Rumunjski](../ro/README.md) | [Ruski](../ru/README.md) | [Srpski (ћирилица)](../sr/README.md) | [Slovački](../sk/README.md) | [Slovenski](../sl/README.md) | [Španjolski](../es/README.md) | [Svahili](../sw/README.md) | [Švedski](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tajlandski](../th/README.md) | [Turski](../tr/README.md) | [Ukrajinski](../uk/README.md) | [Urdu](../ur/README.md) | [Vijetnamski](../vi/README.md) **Ako želite dodatne prijevode, podržani jezici su navedeni [ovdje](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** @@ -44,125 +44,125 @@ Istražite svijet **Umjetne inteligencije** (AI) s našim 12-tjednim, 24-lekcijs ## Što ćete naučiti -**[Mentalna mapa tečaja](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** +**[Mindmap tečaja](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)** U ovom nastavnom programu naučit ćete: -* Različite pristupe umjetnoj inteligenciji, uključujući "dobro staru" simboličku metodu s **reprezentacijom znanja** i zaključivanjem ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). -* **Neuronske mreže** i **duboko učenje**, koja su u srži moderne AI. Ilustrirat ćemo koncepte iza ovih važnih tema koristeći kod u dva od najpopularnijih okvira - [TensorFlow](http://Tensorflow.org) i [PyTorch](http://pytorch.org). -* **Neuronske arhitekture** za rad sa slikama i tekstom. Pokrit ćemo nedavne modele, ali možda ne u potpunosti najnovije dostignuće. -* Manje popularne pristupe AI, poput **genetskih algoritama** i **sustava s više agenata**. +* Različiti pristupi umjetnoj inteligenciji, uključujući "stari dobri" simbolički pristup s **Reprezentacijom znanja** i zaključivanjem ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)). +* **Neuronske mreže** i **Duboko učenje**, koje su u središtu moderne AI. Pojmove iza ovih važnih tema ilustrirat ćemo koristeći kod u dva od najpopularnijih okvira - [TensorFlow](http://Tensorflow.org) i [PyTorch](http://pytorch.org). +* **Neuronske arhitekture** za rad sa slikama i tekstom. Pokrit ćemo nedavne modele, ali možda ćemo biti malo oskudni u pogledu najnovijih dostignuća. +* Manje popularni pristupi AI-u, poput **genetskih algoritama** i **sustava više agenata**. -Što nećemo pokriti u ovom nastavnom programu: +Što nećemo obuhvatiti u ovom nastavnom programu: -> [Pronađite sve dodatne resurse za ovaj tečaj u našoj kolekciji Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) +> [Pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) -* Poslovne primjere korištenja **AI u poslovanju**. Razmislite o pohađanju staze za učenje [Uvod u AI za poslovne korisnike](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) na Microsoft Learn, ili [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), razvijene u suradnji s [INSEAD](https://www.insead.edu/). -* **Klasično strojno učenje**, koje je dobro opisano u našem [Nastavnom programu Strojno učenje za početnike](http://github.com/Microsoft/ML-for-Beginners). -* Praktične AI aplikacije izgrađene koristeći **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Za ovo preporučamo da započnete s Microsoft Learn modulima za [računalni vid](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [obradu prirodnog 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)** i druge. -* Specifične ML **cloud platforme**, poput [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), ili [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Razmotrite korištenje staza za učenje [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) i [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 umjetna inteligencija** i **chatbotovi**. Postoji zasebna staza za učenje [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), a možete se također pozvati na [ovu objavu na blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) za više detalja. -* **Duboka matematika** iza dubokog učenja. Za to preporučamo knjigu [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autora Iana Goodfellowa, Yoshue Bengioa i Aarona Courvilla, koja je također dostupna online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). +* Poslovni slučajevi primjene **AI u poslovanju**. Razmislite o praćenju puta učenja [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, ili [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), razvijen u suradnji s [INSEAD](https://www.insead.edu/). +* **Klasično strojno učenje**, koje je dobro opisano u našem [Nastavnom programu strojnog učenja za početnike](http://github.com/Microsoft/ML-for-Beginners). +* Praktične AI primjene izgrađene pomoću **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Za to preporučujemo da započnete s modulima Microsoft Learn za [računalni vid](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [obradu prirodnog jezika](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativni AI s Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** i druge. +* Specifični ML **okviri u oblaku**, kao što su [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), ili [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Razmislite o korištenju [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) i [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) putova učenja. +* **Konverzacijska AI** i **chatbotovi**. Postoji zaseban [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) put učenja, a također možete pogledati i [ovu objavu na blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) za više detalja. +* **Duboka matematika** iza dubokog učenja. Za to preporučujemo [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) autora Iana Goodfellowa, Yoshue Bengioa i Aarona Courvillea, koja je također dostupna online na [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/). -Za nježan uvod u teme _AI u oblaku_ možete razmotriti pohađanje staze za učenje [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). +Za blagi uvod u teme _AI u oblaku_ razmislite o praćenju puta učenja [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) Learning Path. # Sadržaj -| | Poveznica na lekciju | PyTorch/Keras/TensorFlow | Laboratorij | +| | Poveznica na lekciju | PyTorch/Keras/TensorFlow | Lab | | :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ | | 0 | [Postavljanje tečaja](./lessons/0-course-setup/setup.md) | [Postavite svoje razvojno okruženje](./lessons/0-course-setup/how-to-run.md) | | | I | [**Uvod u AI**](./lessons/1-Intro/README.md) | | | -| 01 | [Uvod i povijest umjetne inteligencije](./lessons/1-Intro/README.md) | - | - | -| II | **Simbolička umjetna inteligencija** | -| 02 | [Reprezentacija znanja i ekspertni sustavi](./lessons/2-Symbolic/README.md) | [Ekspertski sustavi](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf pojmova](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | +| 01 | [Uvod i povijest AI](./lessons/1-Intro/README.md) | - | - | +| II | **Simbolička AI** | +| 02 | [Reprezentacija znanja i ekspertni sustavi](./lessons/2-Symbolic/README.md) | [Ekspertni sustavi](./lessons/2-Symbolic/Animals.ipynb) / [Ontologija](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf pojmova](./lessons/2-Symbolic/MSConceptGraph.ipynb) | | | III | [**Uvod u neuronske mreže**](./lessons/3-NeuralNetworks/README.md) ||| | 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Bilježnica](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) | -| 04 | [Višeslojni perceptron i izrada vlastitog okvira](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Bilježnica](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | -| 05 | [Uvod u okvire (PyTorch/TensorFlow) i 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) | +| 04 | [Višeslojni perceptron i stvaranje vlastitog okvira](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Bilježnica](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Laboratorij](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) | +| 05 | [Uvod u frameworke (PyTorch/TensorFlow) i 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 | [**Računalni 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)| [Istražite računalni vid na Microsoft Azureu](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) | | 06 | [Uvod u računalni vid. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Bilježnica](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Laboratorij](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) | | 07 | [Konvolucijske neuronske mreže](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arhitekture CNN-a](./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 | [Unaprijed istrenirane mreže i transferno učenje](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Trikovi za treniranje](./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) | +| 08 | [Prethodno trenirane mreže i transferno učenje](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Savjeti za treniranje](./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 | [Autoenkoderi i VAE-i](./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 adversarijalne mreže & Prijenos umjetničkog stila](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | | +| 10 | [Generativne suparničke mreže i prijenos umjetničkog stila](./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 objekata](./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 | [Semantička 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 | [**Obrada prirodnog 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) | [Istražite obradu prirodnog jezika na Microsoft Azureu](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)| -| 13 | [Predstavljanje teksta. 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 | [Semantičke ugradnje riječi. Word2Vec i 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) | | +| 13 | [Reprezentacija teksta. 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 | [Semantičke reprezentacije riječi. Word2Vec i 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. Treniranje vlastitih ugradnji riječi](./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 neuronske 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) | [Laboratorij](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) | | 18 | [Transformeri. 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 entiteta](./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 jezični modeli, programiranje promptova i zadaci s malo primjera](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | +| 20 | [Veliki jezični modeli, programiranje prompta i zadaci s malo primjera](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | | | VI | **Ostale AI tehnike** || | | 21 | [Genetski algoritmi](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Bilježnica](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | | -| 22 | [Duboko učenje s pojačanjem](./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) | +| 22 | [Duboko pojačano 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 | [Sustavi s više agenata](./lessons/6-Other/23-MultiagentSystems/README.md) | | | -| VII | **Etika AI-a** | | | -| 24 | [Etika AI-a i odgovorna AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principi odgovorne AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | +| VII | **Etika umjetne inteligencije** | | | +| 24 | [Etika umjetne inteligencije i odgovorna AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principi odgovorne umjetne inteligencije](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | | | IX | **Dodatno** | | | | 25 | [Višemodalne mreže, CLIP i VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Bilježnica](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | | ## Svaka lekcija sadrži -* Materijal za predčitanje -* Izvršne Jupyter bilježnice, koje su često specifične za okvir (**PyTorch** ili **TensorFlow**). Izvršna bilježnica također sadrži mnogo teorijskog materijala, pa da biste razumjeli temu morate proći kroz barem jednu verziju bilježnice (bilo PyTorch ili TensorFlow). -* **Laboratoriji** dostupni za neke teme, koji vam daju priliku pokušati primijeniti materijal koji ste naučili na određeni problem. -* Neki odjeljci sadrže poveznice na [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) module koji pokrivaju srodne teme. +* Materijale za predčitanje +* Izvršne Jupyter bilježnice, koje su često specifične za framework (**PyTorch** ili **TensorFlow**). Izvršna bilježnica također sadrži puno teorijskog materijala, pa da biste razumjeli temu trebate proći barem jednu verziju bilježnice (bilo PyTorch ili TensorFlow). +* **Laboratoriji** dostupni za neke teme, koji vam pružaju priliku da pokušate primijeniti materijal koji ste naučili na određeni problem. +* Neki odjeljci sadrže poveznice na [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) module koji pokrivaju povezane teme. ## Početak -### 🎯 Novi u AI-u? Počni ovdje! +### 🎯 Novi u AI-u? Počnite ovdje! -If you're completely new to AI and want quick, hands-on examples, check out our [**Primjeri pogodni za početnike**](./examples/README.md)! These include: +Ako ste potpuno novi u AI-u i želite brze, praktične primjere, pogledajte naše [**Primjere za početnike**](./examples/README.md)! Oni uključuju: -- 🌟 **Pozdrav AI svijetu** - Vaš prvi AI program (prepoznavanje uzoraka) +- 🌟 **Hello AI World** - Vaš prvi AI program (prepoznavanje uzoraka) - 🧠 **Jednostavna neuronska mreža** - Izgradite neuronsku mrežu od nule - 🖼️ **Klasifikator slika** - Klasificirajte slike s detaljnim komentarima -- 💬 **Sentiment teksta** - Analizirajte pozitivan/negativan tekst +- 💬 **Tekstualni sentiment** - Analizirajte pozitivni/negativni tekst -Ovi primjeri su dizajnirani da vam pomognu razumjeti AI koncepte prije nego što započnete s punim kurikulumom. +Ovi primjeri su osmišljeni kako bi vam pomogli razumjeti AI koncepte prije nego što prijeđete na puni kurikulum. ### 📚 Postavljanje cijelog kurikuluma -- Stvorili smo [lekciju za postavljanje](./lessons/0-course-setup/setup.md) koja će vam pomoći pri postavljanju razvojne okoline. - Za edukatore, također smo stvorili [lekciju o postavljanju kurikuluma](./lessons/0-course-setup/for-teachers.md) za vas! -- Kako [pokrenuti kod u VSCodeu ili Codepaceu](./lessons/0-course-setup/how-to-run.md) +- Napravili smo [lekciju za postavljanje](./lessons/0-course-setup/setup.md) kako bismo vam pomogli pri postavljanju razvojne okoline. - Za edukatore, također smo pripremili [lekciju o postavljanju kurikuluma](./lessons/0-course-setup/for-teachers.md) za vas! +- Kako [pokrenuti kod u VSCode-u ili Codepaceu](./lessons/0-course-setup/how-to-run.md) Slijedite ove korake: -Fork the Repository: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice. +Forkajte repozitorij: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice. -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 zaboravite označiti zvjezdicom (🌟) ovaj repozitorij kako biste ga lakše pronašli kasnije. ## Upoznajte druge polaznike -Pridružite se našem [službenom AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) kako biste upoznali i umrežili se s drugim polaznicima ovog tečaja i dobili podršku. +Pridružite se našem [službenom AI Discord serveru](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) kako biste se upoznali i povezali s drugim polaznicima ovog tečaja te dobili podršku. Ako imate povratne informacije o proizvodu ili pitanja tijekom izrade posjetite naš [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum) ## Kvizovi -> **Napomena o kvizovima**: Svi kvizovi se nalaze u mapi Quiz-app u etc\quiz-app, ili [Online ovdje](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. +> **Napomena o kvizovima**: Svi kvizovi se nalaze u mapi Quiz-app u etc\quiz-app, ili [Online ovdje](https://ff-quizzes.netlify.app/) Povezani su iz lekcija; aplikacija kvizova može se pokrenuti lokalno ili postaviti na Azure; slijedite upute u mapi `quiz-app`. Postupno se lokaliziraju. -## Tražimo pomoć +## Potrebna pomoć -Imate li prijedloge ili ste pronašli pravopisne ili kodne greške? Otvorite issue ili napravite pull request. +Imate li prijedloge ili ste pronašli pravopisne ili greške u kodu? Otvorite issue ili pošaljite pull request. ## Posebna zahvala * **✍️ Glavni autor:** [Dmitry Soshnikov](http://soshnikov.com), PhD * **🔥 Urednik:** [Jen Looper](https://twitter.com/jenlooper), PhD -* **🎨 Ilustrator sketchnotea:** [Tomomi Imura](https://twitter.com/girlie_mac) +* **🎨 Ilustrator sketchnote-a:** [Tomomi Imura](https://twitter.com/girlie_mac) * **✅ Autor kvizova:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/) * **🙏 Glavni suradnici:** [Evgenii Pishchik](https://github.com/Pe4enIks) ## Ostali kurikulumi -Naš tim izrađuje i druge kurikulume! Pogledajte: +Naš tim stvara i druge kurikulume! Pogledajte: ### LangChain @@ -179,11 +179,11 @@ Naš tim izrađuje i druge kurikulume! Pogledajte: --- -### Serija generativnog AI-a -[![Generativni AI za početnike](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generativni AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generativni AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generativni AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Serija generativne AI +[![Generativna AI za početnike](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generativna AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generativna AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generativna AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- @@ -198,25 +198,25 @@ Naš tim izrađuje i druge kurikulume! Pogledajte: --- -### Copilot serija -[![Copilot za AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Serija Copilot +[![Copilot za AI programiranje u paru](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot za C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot avantura](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Dobivanje pomoći -Ako zapnete ili imate bilo kakvih pitanja o izradi AI aplikacija, pridružite se drugim polaznicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica u kojoj su pitanja dobrodošla i znanje se slobodno dijeli. +Ako zapnete ili imate bilo kakvih pitanja o izradi AI aplikacija. Pridružite se drugim polaznicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica u kojoj su pitanja dobrodošla i znanje se slobodno dijeli. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Ako imate povratne informacije o proizvodu ili greške tijekom izrade posjetite: +Ako imate povratne informacije o proizvodu ili pronalazite pogreške tijekom izrade posjetite: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) --- -**Odricanje odgovornosti**: -Ovaj je dokument preveden pomoću AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo biti točni, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz uporabe ovog prijevoda. +Odricanje odgovornosti: +Ovaj je dokument preveden uz pomoć AI usluge prijevoda [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Originalni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proisteknu iz korištenja ovog prijevoda. \ No newline at end of file