chore(i18n): sync translations with latest source changes (chunk 1/1, 201 changes)
This commit is contained in:
localizeflow[bot]
parent
7a9b37f3b1
commit
c0566b76f0
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:24:51+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:10:40+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:42+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:31+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:13:10+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:11:54+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:13+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:43+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:14:09+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:11+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:19:11+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:33:24+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:58:30+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:43:29+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:44:31+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:35:15+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:21+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:22:12+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:42:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:21:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:50+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:22:33+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:51:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:17:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:16:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:16:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:17:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:28:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T10:18:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T10:19:21+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T10:17:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-28T19:33:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T10:19:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-28T19:36:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-28T19:23:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:25:24+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-28T20:09:57+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:25:01+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-28T20:08:32+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:23:22+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-28T20:00:49+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:24:33+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-28T20:07:16+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:23:00+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-28T19:59:49+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:23:31+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-28T20:02:46+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:24:17+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-28T20:05:23+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:23:55+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-28T19:58:00+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T10:15:12+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T10:16:08+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-28T19:18:50+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T10:15:28+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-28T19:17:08+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-28T19:42:03+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-28T19:14:06+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-28T19:22:51+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-28T19:56:06+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-28T19:51:23+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "he"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:46:53+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:24:51+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## סקירת הפרויקט
|
||||
|
|
|
|||
|
|
@ -1,232 +1,225 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T03:29:50+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# אינטליגנציה מלאכותית למתחילים - תוכנית לימודים
|
||||
# אינטיליגנציה מלאכותית למתחילים - תוכנית לימודים
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| אינטליגנציה מלאכותית למתחילים - _סכמוט שירטוט על ידי [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI למתחילים - _סכמטה מאת [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
חקור את עולם **האינטיליגנציה המלאכותית** (AI) עם תוכנית הלימודים שלנו ל-12 שבועות ו-24 שיעורים! היא כוללת שיעורים מעשיים, חידונים ומעבדות. התוכנית מותאמת למתחילים וכוללת כלים כמו TensorFlow ו-PyTorch, וכן אתיקה ב-AI
|
||||
|
||||
חקור את העולם של **אינטליגנציה מלאכותית** (AI) עם תוכנית הלימודים שלנו בת 12 שבועות, 24 שיעורים! התוכנית כוללת שיעורים מעשיים, מבחנים ומעבדות. התוכנית ידידותית למתחילים ומכסה כלים כמו TensorFlow ו-PyTorch, לצד אתיקה באינטליגנציה מלאכותית
|
||||
|
||||
### 🌐 תמיכה בריבוי שפות
|
||||
|
||||
#### נתמכת באמצעות GitHub Action (אוטומטי ותמיד מעודכן)
|
||||
#### נתמך באמצעות GitHub Action (אוטומטי ותמיד מעודכן)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[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, טייוואן)](../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) | [קנדה](../kn/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מאליאלאם](../ml/README.md) | [מרהטית](../mr/README.md) | [נפאלית](../ne/README.md) | [פידג'ין ניגרית](../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) | [פונג׳אבית (גורמוכ׳י)](../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) | [סווהילי](../sw/README.md) | [שבדית](../sv/README.md) | [טגלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלאגו](../te/README.md) | [תאית](../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-CN/README.md) | [סינית (מסורתית, הונג קונג)](../zh-HK/README.md) | [סינית (מסורתית, מקאו)](../zh-MO/README.md) | [סינית (מסורתית, טאיוואן)](../zh-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) | [קנדה](../kn/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מאליאלאם](../ml/README.md) | [מרטהית](../mr/README.md) | [נפאלית](../ne/README.md) | [פידג'ין ניגרי](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פרסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../pt-BR/README.md) | [פורטוגזית (פורטוגל)](../pt-PT/README.md) | [פונג'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) | [סוואהילי](../sw/README.md) | [שוודית](../sv/README.md) | [טגלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלווגו](../te/README.md) | [תאית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [וייטנאמית](../vi/README.md)
|
||||
|
||||
> **מעדיפים לשכפל מקומית?**
|
||||
|
||||
> מאגר זה כולל יותר מ-50 תרגומים לשפות שונות, מה שמגדיל משמעותית את גודל ההורדה. כדי לשכפל ללא תרגומים, השתמשו ב-sparse checkout:
|
||||
> מאגר זה כולל יותר מ-50 שפות תרגום שמגדילות משמעותית את גודל ההורדה. כדי לשכפל בלי תרגומים, השתמשו ב-sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
||||
> ```
|
||||
> זה נותן לך את כל מה שאתה צריך כדי להשלים את הקורס עם הורדה הרבה יותר מהירה.
|
||||
> זה נותן לכם את כל מה שאתם צריכים כדי להשלים את הקורס במהירות הורדה הרבה יותר גבוהה.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**אם ברצונך שהתמיכה בשפות תרגום נוספות, רשימות אלו מופיעות [כאן](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**אם ברצונכם לתמוך בשפות תרגום נוספות, הרשימה מופיעה [כאן](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## הצטרף לקהילה
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
## הצטרפו לקהילה
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## מה תלמד
|
||||
## מה תלמדו
|
||||
|
||||
**[מפת רעיונות של הקורס](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[מפת חשיבה של הקורס](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
בתכנית זו תלמד:
|
||||
בתוכנית זו, תלמדו:
|
||||
|
||||
* גישות שונות לאינטליגנציה מלאכותית, כולל הגישה הסימבולית "הטובה הישנה" עם **ייצוג ידע** והסקת מסקנות ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **רשתות עצביות** ו**למידה עמוקה**, שעומדות במרכז האינטליגנציה המודרנית. נמחיש את המושגים המרכזיים הללו באמצעות קוד בשתי המסגרות הפופולריות ביותר - [TensorFlow](http://Tensorflow.org) ו-[PyTorch](http://pytorch.org).
|
||||
* **ארכיטקטורות עצביות** לעבודה עם תמונות וטקסט. נכסה מודלים עדכניים אך ייתכן ונחסרה מעט תמיכה בטכנולוגיה העדכנית ביותר.
|
||||
* גישות פחות נפוצות ב-AI, כמו **אלגוריתמים גנטיים** ו**מערכות מרובי-סוכנים**.
|
||||
* גישות שונות לאינטיליגנציה מלאכותית, כולל הגישה הסימבולית ה"טובה הישנה" עם **ייצוג ידע** והסקת מסקנות ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **רשתות נוירונים** ו**למידה עמוקה**, שהן בליבת ה-AI המודרני. נדגים את המושגים מאחורי הנושאים החשובים הללו באמצעות קוד בשני הפלטפורמות הפופולריות ביותר - [TensorFlow](http://Tensorflow.org) ו-[PyTorch](http://pytorch.org).
|
||||
* **ארכיטקטורות עצביות** לעבודה עם תמונות וטקסט. נכסה מודלים אחרונים אך ייתכן שיהיה חוסר קל בסטייט-אוף-דה-ארט.
|
||||
* גישות AI פחות פופולריות, כמו **אלגוריתמים גנטיים** ו**מערכות רב-סוכניים**.
|
||||
|
||||
מה שלא נכסה בתכנית זו:
|
||||
מה לא נכסה בתוכנית זו:
|
||||
|
||||
> [מצא את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [מצאו את כל המשאבים הנוספים לקורס זה באוסף שלנו ב-Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* מקרי עסקים לשימוש ב**AI בעסקים**. מומלץ לקחת 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 עם [INSEAD](https://www.insead.edu/).
|
||||
* **למידת מכונה קלאסית**, המתוארת היטב בתכנית הלימודים שלנו [למידת מכונה למתחילים](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* יישומי AI מעשיים שנבנו באמצעות **[שירותי קוגניציה](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. לשם כך, אנו ממליצים להתחיל במודולים ב-Microsoft Learn בנושא [ראייה ממוחשבת](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), **[AI גנרטיבי עם 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, כמו [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). מומלץ 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).
|
||||
* **AI שיחתי** ו**צ׳אט בוטים**. יש מסלול למידה נפרד [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), וניתן גם לעיין ב-[פוסט בבלוג](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) לפרטים נוספים.
|
||||
* **מתמטיקה עמוקה** שמאחורי למידה עמוקה. לשם כך, נמליץ על הספר [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) מאת Ian Goodfellow, Yoshua Bengio ו-Aaron Courville, הזמין גם באינטרנט ב[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* מקרים עסקיים של שימוש ב-**AI בעסקים**. מומלץ לקחת את מסלול הלמידה [מבוא ל-AI למשתמשים עסקיים](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) ב-Microsoft Learn, או את [בית הספר העסקי של AI](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 בתוכנית הלימודים שלנו [למידת מכונה למתחילים](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* יישומי AI מעשיים שנבנו באמצעות **[שירותי קוגניציה](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. עבור זה, אנו ממליצים להתחיל במודולים של Microsoft Learn עבור [ראייה](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), **[AI יוצר עם 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 ייחודיות ללמידת מכונה**, 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 למידה כמו [בניית פתרונות למידת מכונה והפעלתם עם Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) ו-[בניית פתרונות למידת מכונה והפעלתם עם Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **AI שיחתי** ו**בוטים לצ'אט**. יש מסלול למידה נפרד ל-[יצירת פתרונות AI שיחתי](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), וגם ניתן לעיין ב-[פוסט בלוג זה](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) לפרטים נוספים.
|
||||
* **מתמטיקה עמוקה** שמאחורי הלמידה העמוקה. עבור זה, מומלץ לקרוא את [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) מאת Ian Goodfellow, Yoshua Bengio ו-Aaron Courville, הזמין גם באינטרנט ב-[https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
למבוא עדין לנושאי _AI בענן_ ניתן 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).
|
||||
למבוא עדין לנושאי _AI בענן_ תוכלו לשקול לקחת את מסלול הלמידה [התחילו עם אינטיליגנציה מלאכותית ב-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 |
|
||||
| | קישור לשיעור | PyTorch/Keras/TensorFlow | מעבדה |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [הגדרת הקורס](./lessons/0-course-setup/setup.md) | [הגדר את סביבת הפיתוח שלך](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**מבוא לאינטליגנציה מלאכותית**](./lessons/1-Intro/README.md) | | |
|
||||
| I | [**מבוא ל-AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [מבוא והיסטוריה של AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **אינטליגנציה מלאכותית 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 קונספט](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| II | **AI סימבולי** |
|
||||
| 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 | [**מבוא לרשתות עצביות**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [פרספטרון](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [دفتر הערות](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [מעבדה](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [פרספטרון רב-שכבתי ויצירת המסגרת שלנו](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [دفتر הערות](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [מעבדה](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [מבוא למסגרות עבודה (PyTorch/TensorFlow) והתאמת 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 במיקרוסופט אזור](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) | [دفتر הערות](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [מעבדה](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 03 | [פרסטרון](./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 | [פרסטרון רב-שכבתי ויצירת המסגרת שלנו](./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) והתחמקות מעודף התאמה](./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) ו[טריקים לאימון](./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 מתנגדות יצירתיות 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 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) |
|
||||
| 10 | [רשתות אדברסיאליות גנרטיביות 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) | |
|
||||
| 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 במיקרוסופט אזור](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 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. 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 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 | [מודל 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) |
|
||||
| 15 | [דוגמנות 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 עצביות 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 יצירתיות](./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) |
|
||||
| 17 | [רשתות גנרטיביות חוזרות](./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 ממוספרות](./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 גדולים של שפה, תכנות הפרומפט ומשימות בדוגמאות מועטות](./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 נוספות בבינה מלאכותית** || |
|
||||
| 21 | [אלגוריתמים גנטיים](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [دفتر הערות](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [למידה מחזקת 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) |
|
||||
| 19 | [זיהוי ישויות שמיות](./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 גדולים של שפה, תכנות הנחיות 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 ב-AI** || |
|
||||
| 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 מולטי-סוכן](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **אתיקה בבינה מלאכותית** | | |
|
||||
| 24 | [אתיקה בבינה מלאכותית ובינה מלאכותית אחראית](./lessons/7-Ethics/README.md) | [Microsoft Learn: עקרונות בינה מלאכותית אחראית](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| VII | **אתיקה ב-AI** | | |
|
||||
| 24 | [אתיקה ב-AI ו-AI אחראי](./lessons/7-Ethics/README.md) | [Microsoft Learn: עקרונות AI אחראי](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **תוספות** | | |
|
||||
| 25 | [רשתות מולטי-מודל, CLIP ו-VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [دفتر הערות](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 25 | [רשתות מולטימודליות, CLIP ו-VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [מחברת](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## כל שיעור מכיל
|
||||
## כל שיעור כולל
|
||||
|
||||
* חומר לקריאה מוקדמת
|
||||
* מחברות Jupyter ניתנות להרצה, שלרוב מותאמות למערכת מסוימת (**PyTorch** או **TensorFlow**). מחברת ההרצה כוללת גם חומר תיאורטי רב, לכן כדי להבין את הנושא יש לעבור לפחות על אחד הגירסאות של המחברת (או PyTorch או TensorFlow).
|
||||
* **מעבדות** זמינות לחלק מהנושאים, המספקות לך הזדמנות לנסות ליישם את החומר שלמדת על בעיה מסוימת.
|
||||
* חלק מהפרקים מכילים קישורים ל[**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) מודולים המכסים נושאים קשורים.
|
||||
* מחברות Jupyter הניתנות להרצה, שלעיתים קרובות ייחודיות למסגרת (**PyTorch** או **TensorFlow**). המחברת הניתנת להרצה כוללת גם הרבה חומר תיאורטי, ולכן להבנת הנושא יש צורך לעבור לפחות על גרסה אחת של המחברת (או PyTorch או TensorFlow).
|
||||
* **מעבדות** זמינות לכמה נושאים, המאפשרות לך לנסות ליישם את החומר שלמדת על בעיה ספציפית.
|
||||
* חלק מהסעיפים מכילים קישורים ל[**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) מודולים המכסים נושאים קשורים.
|
||||
|
||||
## התחלה
|
||||
## מתחילים
|
||||
|
||||
### 🎯 חדש בבינה מלאכותית? התחל כאן!
|
||||
### 🎯 חדש ב-AI? התחילו כאן!
|
||||
|
||||
אם אתה חדש לחלוטין בבינה מלאכותית ורוצה דוגמאות מהירות עם התנסות מעשית, בדוק את [**דוגמאות ידידותיות למתחילים**](./examples/README.md)! הן כוללות:
|
||||
אם אתה חדש לחלוטין ב-AI ורוצה דוגמאות מהירות ומעשיות, בדוק את [**דוגמאות למתחילים**](./examples/README.md)! הן כוללות:
|
||||
|
||||
- 🌟 **שלום עולם של בינה מלאכותית** - התכנית הראשונה שלך בבינה מלאכותית (זיהוי תבניות)
|
||||
- 🌟 **שלום עולם AI** - תוכנית AI ראשונה שלך (זיהוי תבניות)
|
||||
- 🧠 **רשת עצבית פשוטה** - בניית רשת עצבית מאפס
|
||||
- 🖼️ **מךין תמונות** - סיווג תמונות עם הערות מפורטות
|
||||
- 💬 **רגש בטקסט** - ניתוח טקסט חיובי/שלילי
|
||||
|
||||
דוגמאות אלו מיועדות לעזור לך להבין מושגי בינה מלאכותית לפני הכניסה לתכנית הלימודים המלאה.
|
||||
- 🖼️ **ממיין תמונות** - מיון תמונות עם הערות מפורטות
|
||||
- 💬 **סנטימנט טקסט** - ניתוח טקסט חיובי/שלילי
|
||||
|
||||
### 📚 הגדרת תכנית לימודים מלאה
|
||||
דוגמאות אלו נועדו לעזור לך להבין מושגי בינה מלאכותית לפני שמצטרפים לתוכנית הלימודים המלאה.
|
||||
|
||||
- יצרנו [שיעור הגדרה](./lessons/0-course-setup/setup.md) שיעזור לך בהגדרת סביבת הפיתוח שלך. - למורים, יצרנו גם [שיעור הגדרת תוכניות לימודים](./lessons/0-course-setup/for-teachers.md)!
|
||||
- איך [להריץ את הקוד ב-VSCode או Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
### 📚 הגדרת תוכנית לימודים מלאה
|
||||
|
||||
עקוב אחר השלבים האלה:
|
||||
- יצרנו [שיעור הגדרה](./lessons/0-course-setup/setup.md) שיעזור לך בהגדרת סביבת הפיתוח שלך. - עבור מחנכים, יצרנו עבורך גם [שיעור הגדרת תוכנית לימודים](./lessons/0-course-setup/for-teachers.md)!
|
||||
- כיצד [להריץ את הקוד ב-VSCode או ב-Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
פרוש את המאגר: לחץ על כפתור ה-"Fork" בפינה הימנית העליונה של הדף.
|
||||
עקוב אחר השלבים הבאים:
|
||||
|
||||
שכפל את המאגר: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
התפצל מהמאגר: לחץ על כפתור "Fork" בפינה הימנית-עליונה של עמוד זה.
|
||||
|
||||
אל תשכח להוסיף כוכב (🌟) למאגר הזה כדי למצוא אותו בקלות מאוחר יותר.
|
||||
שכפל את המאגר: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
## פגוש לומדים נוספים
|
||||
אל תשכח להעניק כוכב (🌟) לרפוזיטורי זה כדי למצוא אותו בקלות אחר כך.
|
||||
|
||||
הצטרף ל[שרת הדיסקורד הרשמי של בינה מלאכותית](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) לפגוש ולרשת עם לומדים נוספים הקורס ולקבל תמיכה.
|
||||
## פגוש לומדים אחרים
|
||||
|
||||
אם יש לך משוב או שאלות בזמן בנייה בקר באתר [פורום מפתחי Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
הצטרף לשרת ה-Discord הרשמי של AI שלנו בכתובת [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) כדי להכיר וליצור קשר עם לומדים אחרים שלקחו את הקורס ולקבל תמיכה.
|
||||
|
||||
## חידונים
|
||||
אם יש לך משוב על המוצר או שאלות בזמן הבנייה, בקר בפורום מפתחי Azure AI Foundry שלנו ב-[Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
> **הערה לגבי חידונים**: כל החידונים נמצאים בתיקיית Quiz-app ב-etc\quiz-app, או [מקוון כאן](https://ff-quizzes.netlify.app/) הם מקושרים מתוך השיעורים, ניתן להריץ את אפליקציית החידון מקומית או לפרוס ל-Azure; עקוב אחרי ההוראות בתיקיית `quiz-app`. הם מתורגמים בהדרגה.
|
||||
## בחנים
|
||||
|
||||
## דרושים עזרה
|
||||
> **הערה בנוגע לבחנים**: כל הבחנים נמצאים בתיקיית Quiz-app בתיקייה etc\quiz-app, או ב-[Online Here](https://ff-quizzes.netlify.app/). הם מקושרים מתוך השיעורים, אפשר להריץ את אפליקציית הבחנים מקומית או לפרוס ב-Azure; עקוב אחר ההוראות בתיקיית `quiz-app`. הם מתורגמים בהדרגה.
|
||||
|
||||
יש לך הצעות או מצאת שגיאות כתיב או קוד? פתח נושא או צור בקשת משיכה.
|
||||
## רוצים עזרה
|
||||
|
||||
## תודות מיוחדות
|
||||
יש לך הצעות או מצאת טעויות איות או קוד? פתח בעיה או צור בקשת משיכה.
|
||||
|
||||
* **✍️ מחבר ראשי:** [דמיטרי סושניקוב](http://soshnikov.com), PhD
|
||||
* **🔥 עורך:** [ג'ן לופר](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 מאייר סקצ'נוט:** [תומומי אימורה](https://twitter.com/girlie_mac)
|
||||
* **✅ יוצר חידונים:** [לטיפה בללו](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 תורמים מרכזיים:** [אבגניי פישצ'יק](https://github.com/Pe4enIks)
|
||||
## תודה מיוחדת
|
||||
|
||||
## תכניות לימודים נוספות
|
||||
* **✍️ 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 הבחנים:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 תורמים מרכזיים:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
הצוות שלנו מייצר תוכניות לימודים נוספות! עיין ב:
|
||||
## תוכניות לימודים נוספות
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
הצוות שלנו מפיק תוכניות לימודים נוספות! בדוק:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / סוכנים
|
||||
### Azure / Edge / MCP / Agents
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### סדרת בינה מלאכותית גנרטיבית
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### ליבת הלמידה
|
||||
---
|
||||
|
||||
### ליבת הלימודים
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### סדרת Copilot
|
||||
---
|
||||
|
||||
### סדרת קופיילוט
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## לקבלת עזרה
|
||||
## לקבלת עזרה
|
||||
|
||||
אם נתקעת או יש לך שאלות לגבי בניית אפליקציות בינה מלאכותית, הצטרף ללומדים אחרים ולמפתחים מנוסים בדיונים לגבי MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה וידע נעשה זמין בחופשיות.
|
||||
אם נתקעת או יש לך שאלות לגבי בניית אפליקציות AI, הצטרף ללומדים ולמפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
אם יש לך משוב על מוצר או שגיאות בזמן הבנייה בקר:
|
||||
אם יש לך משוב על המוצר או שגיאות בזמן הבנייה, בקר:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**כתב ויתור**:
|
||||
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, נא לשים לב כי תרגומים אוטומטיים עשויים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפת המקור שלו מהווה את המקור הסמכותי. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי אדם. אנו לא אחראים לכל אי הבנה או פרשנות שגויה הנובעות משימוש בתרגום זה.
|
||||
**כתב ויתור**:
|
||||
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדייק, יש לקחת בחשבון כי תרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להתייחס למסמך המקורי בשפת המקור כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי אנושי. אנו אינם אחראים לכל אי הבנה או פרשנות שגויה הנובעת מהשימוש בתרגום זה.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-28T19:13:42+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
## אבטחה
|
||||
|
||||
מיקרוסופט מתייחסת ברצינות לאבטחת מוצרי התוכנה והשירותים שלה, כולל כל מאגרי הקוד הפתוח המנוהלים דרך הארגונים שלנו ב-GitHub, הכוללים את [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ו-[הארגונים שלנו ב-GitHub](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-28T20:13:31+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# קוד ההתנהגות של קוד פתוח של מיקרוסופט
|
||||
|
||||
הפרויקט הזה אימץ את [קוד ההתנהגות של קוד פתוח של מיקרוסופט](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-28T20:13:10+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# תרומה
|
||||
|
||||
פרויקט זה מקבל בברכה תרומות והצעות. רוב התרומות דורשות ממך להסכים להסכם רישיון תורם (CLA) שמצהיר שיש לך את הזכות, ואתה אכן מעניק לנו את הזכויות להשתמש בתרומתך. לפרטים נוספים, בקר בכתובת https://cla.microsoft.com.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-28T20:11:54+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# בינה מלאכותית
|
||||
|
||||
## [מבוא לבינה מלאכותית](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-28T20:10:13+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# תמיכה
|
||||
|
||||
## כיצד לדווח על בעיות ולקבל עזרה
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-28T20:12:43+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# תרמו על ידי תרגום שיעורים
|
||||
|
||||
אנחנו מזמינים אתכם לתרגם את השיעורים בתוכנית הלימודים הזו!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-28T20:14:09+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# חידונים
|
||||
|
||||
החידונים האלו הם החידונים שלפני ואחרי ההרצאות בתוכנית הלימודים של AI בכתובת https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:11+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# דוגמאות AI ידידותיות למתחילים
|
||||
|
||||
ברוכים הבאים! ספרייה זו מכילה דוגמאות פשוטות ועצמאיות שיעזרו לכם להתחיל עם AI ולמידת מכונה. כל דוגמה תוכננה להיות ידידותית למתחילים עם הערות מפורטות והסברים שלב אחר שלב.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-28T19:19:11+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# למורים
|
||||
|
||||
האם תרצו להשתמש בתוכנית הלימודים הזו בכיתה שלכם? אתם מוזמנים לעשות זאת!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:33:24+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# כיצד להריץ את הקוד
|
||||
|
||||
תכנית הלימודים הזו מכילה הרבה דוגמאות מעשיות ומעבדות שתרצו להריץ. כדי לעשות זאת, עליכם להיות מסוגלים להריץ קוד פייתון ב-Jupyter Notebooks המסופקים כחלק מתכנית הלימודים הזו. יש לכם כמה אפשרויות להרצת הקוד:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T19:58:30+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# התחלת עבודה עם תכנית הלימודים הזו
|
||||
|
||||
## האם אתה סטודנט?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:43:29+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לבינה מלאכותית
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:44:31+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# ג'אם משחקים
|
||||
|
||||
משחקים הם תחום שהושפע רבות מההתפתחויות בבינה מלאכותית ולמידת מכונה. במשימה זו, כתבו מאמר קצר על משחק שאתם אוהבים שהושפע מההתפתחות של הבינה המלאכותית. זה צריך להיות משחק מספיק ותיק כדי שהושפע ממספר סוגים של מערכות עיבוד מחשב. דוגמה טובה היא שחמט או גו, אך גם כדאי להסתכל על משחקי וידאו כמו פונג או פאק-מן. כתבו מאמר שמדבר על העבר, ההווה והעתיד של המשחק בהקשר של בינה מלאכותית.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:35:15+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# ייצוג ידע ומערכות מומחים
|
||||
|
||||
|
||||
|
||||
|
||||
> סקצ'נוט מאת [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
לכן, בעיית ה**ייצוג ידע** היא למצוא דרך יעילה לייצג ידע בתוך מחשב בצורת נתונים, כדי שניתן יהיה להשתמש בו באופן אוטומטי. זה ניתן לראות כספקטרום:
|
||||
|
||||
|
||||
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Python | תחביר בלוקים | הזחה
|
|||
|
||||
אחד ההצלחות המוקדמות של הבינה המלאכותית הסמלית היו מה שנקרא **מערכות מומחים** - מערכות מחשב שמטרתן לפעול כמומחים בתחום בעיה מוגבל. הן התבססו על **בסיס ידע** שחולץ מאחד או יותר מומחים אנושיים, והכילו **מנוע היסק** שביצע היסק על בסיס זה.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
מבנה מפושט של מערכת עצבית אנושית | ארכיטקטורה של מערכת מבוססת ידע
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Python | תחביר בלוקים | הזחה
|
|||
|
||||
לדוגמה, נשקול את מערכת המומחה הבאה לקביעת חיה בהתבסס על התכונות הפיזיות שלה:
|
||||
|
||||
|
||||
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-28T19:41:21+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# בניית אונטולוגיה
|
||||
|
||||
בניית בסיס ידע עוסקת בקטלוג מודל שמייצג עובדות על נושא מסוים. בחרו נושא - כמו אדם, מקום או דבר - ואז בנו מודל של אותו נושא. השתמשו בכמה מהטכניקות ואסטרטגיות בניית המודל שתוארו בשיעור הזה. דוגמה יכולה להיות יצירת אונטולוגיה של סלון עם רהיטים, תאורה וכדומה. איך הסלון שונה מהמטבח? מהאמבטיה? איך אתם יודעים שזה סלון ולא חדר אוכל? השתמשו ב-[Protégé](https://protege.stanford.edu/) כדי לבנות את האונטולוגיה שלכם.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:22:12+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לרשתות עצביות: פרספטרון
|
||||
|
||||
## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/he/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/he/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> תמונות [מוויקיפדיה](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
כאשר f היא פונקציית הפעלה מדרגה.
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/he/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## אימון הפרספטרון
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T11:42:49+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סיווג רב-קטגורי עם פרספטרון
|
||||
|
||||
תרגיל מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:21:43+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לרשתות נוירונים. פרספטרון רב-שכבתי
|
||||
|
||||
בפרק הקודם למדתם על מודל הרשת הנוירונית הפשוט ביותר - פרספטרון חד-שכבתי, מודל סיווג ליניארי לשתי קטגוריות.
|
||||
|
|
@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
שימו לב שהחלק השמאלי ביותר של כל הביטויים הללו זהה, ולכן ניתן לחשב נגזרות בצורה יעילה על ידי התחלה מפונקציית הפסד והתקדמות "אחורה" דרך גרף החישוב. לכן שיטת האימון של פרספטרון רב-שכבתי נקראת **בקפרופגציה**, או 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/he/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: ציון מקור התמונה
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-28T19:47:50+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סיווג MNIST עם המסגרת שלנו
|
||||
|
||||
מטלת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:22:33+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מסגרות רשתות עצביות
|
||||
|
||||
כפי שלמדנו כבר, כדי לאמן רשתות עצביות בצורה יעילה, יש לבצע שני דברים:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-28T19:51:04+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סיווג עם PyTorch/TensorFlow
|
||||
|
||||
מטלת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:50:35+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לרשתות עצביות
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:17:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מבוא לראייה ממוחשבת
|
||||
|
||||
[ראייה ממוחשבת](https://wikipedia.org/wiki/Computer_vision) היא תחום שמטרתו לאפשר למחשבים להבין ברמה גבוהה תמונות דיגיטליות. זו הגדרה רחבה למדי, כי *הבנה* יכולה להתייחס לדברים רבים, כולל זיהוי אובייקט בתמונה (**זיהוי אובייקטים**), הבנת מה מתרחש (**זיהוי אירועים**), תיאור תמונה בטקסט, או שחזור סצנה בתלת-ממד. יש גם משימות מיוחדות הקשורות לתמונות של בני אדם: הערכת גיל ורגשות, זיהוי פנים וזיהוי זהות, והערכת תנוחה בתלת-ממד, בין היתר.
|
||||
|
|
@ -115,7 +106,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
|
|||
|
||||
במעבדה זו, תצלמו וידאו עם מחוות פשוטות, והמטרה שלכם היא לחלץ תנועות למעלה/למטה/שמאלה/ימינה באמצעות זרימה אופטית.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="פריים תנועת כף יד"/>
|
||||
<img src="../../../../../translated_images/he/palm-movement.341495f0e9c47da3.webp" width="30%" alt="פריים תנועת כף יד"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-28T19:31:31+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# זיהוי תנועות באמצעות זרימה אופטית
|
||||
|
||||
מטלת מעבדה מתוך [תוכנית הלימודים למתחילים ב-AI](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:16:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# ארכיטקטורות CNN ידועות
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ VGG-16 היא רשת שהשיגה דיוק של 92.7% בסיווג ImageNet top-
|
|||
|
||||
ResNet היא משפחת מודלים שהוצעה על ידי Microsoft Research בשנת 2015. הרעיון המרכזי של ResNet הוא שימוש ב**בלוקים שאריתיים**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/he/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> תמונה מ-[המאמר הזה](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ ResNet היא משפחת מודלים שהוצעה על ידי Microsoft Researc
|
|||
|
||||
ארכיטקטורת Google Inception לוקחת את הרעיון הזה צעד אחד קדימה, ובונה כל שכבת רשת כקומבינציה של מספר מסלולים שונים:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/he/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> תמונה מ-[Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:16:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות נוירונים קונבולוציוניות
|
||||
|
||||
כבר ראינו בעבר שרשתות נוירונים טובות מאוד בעבודה עם תמונות, ואפילו פרספטרון בעל שכבה אחת מסוגל לזהות ספרות כתובות ביד מתוך מאגר הנתונים MNIST בדיוק סביר. עם זאת, מאגר הנתונים MNIST הוא מיוחד מאוד, וכל הספרות ממורכזות בתוך התמונה, מה שהופך את המשימה לפשוטה יותר.
|
||||
|
|
@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
לדוגמה, אם ניישם פילטרים של קצה אנכי וקצה אופקי בגודל 3x3 על הספרות של MNIST, נוכל לקבל הדגשות (למשל, ערכים גבוהים) היכן שיש קצוות אנכיים ואופקיים בתמונה המקורית שלנו. כך ניתן להשתמש בשני הפילטרים הללו כדי "לחפש" קצוות. באופן דומה, ניתן לעצב פילטרים שונים כדי לחפש תבניות בסיסיות אחרות:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/he/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> תמונה של [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:02+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סיווג פנים של חיות מחמד
|
||||
|
||||
משימת מעבדה מתוך [תוכנית הלימודים AI למתחילים](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:17:12+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות מאומנות מראש ולמידת העברה
|
||||
|
||||
אימון רשתות CNN יכול לקחת זמן רב, ודורש כמות גדולה של נתונים. עם זאת, חלק גדול מהזמן מושקע בלמידת המסננים ברמה נמוכה שהרשת יכולה להשתמש בהם כדי לחלץ דפוסים מתמונות. עולה שאלה טבעית - האם ניתן להשתמש ברשת עצבית שאומנה על מערך נתונים אחד ולהתאים אותה לסיווג תמונות שונות מבלי לדרוש תהליך אימון מלא?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-28T19:28:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# טריקים לאימון למידה עמוקה
|
||||
|
||||
ככל שרשתות עצביות נעשות עמוקות יותר, תהליך האימון שלהן הופך למאתגר יותר ויותר. אחת הבעיות המרכזיות היא מה שמכונה [גרדיאנטים נעלמים](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) או [גרדיאנטים מתפוצצים](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [הפוסט הזה](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) מספק מבוא טוב לבעיות הללו.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-28T19:29:33+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סיווג חיות מחמד של אוקספורד באמצעות למידה מעבירה
|
||||
|
||||
משימת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T10:18:34+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# אוטואנקודרים
|
||||
|
||||
בעת אימון רשתות CNN, אחת הבעיות היא הצורך בכמות גדולה של נתונים מתויגים. במקרה של סיווג תמונות, יש להפריד את התמונות לקבוצות שונות, מה שדורש מאמץ ידני.
|
||||
|
|
@ -46,7 +37,7 @@ VAE הוא אוטואנקודר שלומד לחזות *התפלגות סטטיס
|
|||
* אנו דוגמים וקטור `sample` מההתפלגות N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>))
|
||||
* המפענח מנסה לפענח את התמונה המקורית באמצעות `sample` כוקטור קלט
|
||||
|
||||
<img src="images/vae.png" width="50%">
|
||||
<img src="../../../../../translated_images/he/vae.464c465a5b6a9e25.webp" width="50%">
|
||||
|
||||
> תמונה מתוך [פוסט בבלוג](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) מאת Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +48,13 @@ VAE הוא אוטואנקודר שלומד לחזות *התפלגות סטטיס
|
|||
|
||||
יתרון חשוב של VAEs הוא שהם מאפשרים לנו ליצור תמונות חדשות יחסית בקלות, מכיוון שאנו יודעים מאיזו התפלגות לדגום וקטורים לטנטיים. לדוגמה, אם נאמן VAE עם וקטור לטנטי דו-ממדי על MNIST, נוכל לשנות את רכיבי הוקטור הלטנטי כדי לקבל ספרות שונות:
|
||||
|
||||
<img alt="vaemnist" src="images/vaemnist.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/he/vaemnist.cab9e602dc08dc50.webp" width="50%"/>
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
שימו לב כיצד התמונות מתמזגות זו בזו, כאשר אנו מתחילים לקבל וקטורים לטנטיים מחלקים שונים של מרחב הפרמטרים הלטנטיים. ניתן גם להמחיש את המרחב הזה ב-2D:
|
||||
|
||||
<img alt="vaemnist cluster" src="images/vaemnist-diag.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/he/vaemnist-diag.694315f775d5d666.webp" width="50%"/>
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T10:19:21+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות גנרטיביות מתחרותיות (GANs)
|
||||
|
||||
בפרק הקודם למדנו על **מודלים גנרטיביים**: מודלים שיכולים לייצר תמונות חדשות הדומות לאלו שבמערך האימון. VAE היה דוגמה טובה למודל גנרטיבי.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
הרעיון המרכזי של GAN הוא להפעיל שתי רשתות נוירונים שמתאמנות אחת נגד השנייה:
|
||||
|
||||
<img src="images/gan_architecture.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/he/gan_architecture.8f3a5ab62b8d5d69.webp" width="70%"/>
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ מכיוון ששכבת הקונבולוציה מיושמת כפילטר לינארי שעובר על התמונה, deconvolution דומה למעשה לקונבולוציה, וניתן ליישם אותו באמצעות אותה לוגיקה של שכבה.
|
||||
|
||||
<img src="images/gan_arch_detail.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/he/gan_arch_detail.46b95fd366f8e543.webp" width="70%"/>
|
||||
|
||||
> תמונה מאת [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T10:17:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# זיהוי אובייקטים
|
||||
|
||||
המודלים של סיווג תמונות שעסקנו בהם עד כה לקחו תמונה והפיקו תוצאה קטגורית, כמו הקטגוריה 'מספר' בבעיה של MNIST. עם זאת, במקרים רבים אנחנו לא רוצים רק לדעת שתמונה מציגה אובייקטים - אנחנו רוצים להיות מסוגלים לקבוע את המיקום המדויק שלהם. זה בדיוק הנקודה של **זיהוי אובייקטים**.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-28T19:33:44+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# זיהוי ראשים באמצעות Hollywood Heads Dataset
|
||||
|
||||
מטלת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T10:19:03+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סגמנטציה
|
||||
|
||||
למדנו בעבר על זיהוי אובייקטים, שמאפשר לנו לאתר אובייקטים בתמונה על ידי חיזוי *תיבות גבול*. עם זאת, עבור משימות מסוימות אנחנו לא רק צריכים תיבות גבול, אלא גם לוקליזציה מדויקת יותר של האובייקט. משימה זו נקראת **סגמנטציה**.
|
||||
|
|
@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
לדוגמה, בסגמנטציה של מופעים, הכבשים הללו הן אובייקטים שונים, אך בסגמנטציה סמנטית כל הכבשים מיוצגות כקטגוריה אחת.
|
||||
|
||||
<img src="images/instance_vs_semantic.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/he/instance_vs_semantic.eee9812bebf8cd45.webp" width="50%">
|
||||
|
||||
> תמונה מתוך [הפוסט הזה](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **מקודד** שמחלץ תכונות מהתמונה המקורית.
|
||||
* **מפענח** שממיר את התכונות הללו לתוך **תמונת המסכה**, עם אותו גודל ומספר ערוצים התואם למספר הקטגוריות.
|
||||
|
||||
<img src="images/segm.png" width="80%">
|
||||
<img src="../../../../../translated_images/he/segm.92442f2cb42ff4fa.webp" width="80%">
|
||||
|
||||
> תמונה מתוך [הפרסום הזה](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ טכניקה זו מתאימה במיוחד לסוג זה של הדמיה רפואית, אך אילו יישומים נוספים בעולם האמיתי אתם יכולים לדמיין?
|
||||
|
||||
<img alt="navi" src="images/navi.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/he/navi.2f20b727910110ea.webp"/>
|
||||
|
||||
> תמונה מתוך מאגר PH<sup>2</sup>
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-28T19:36:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# חיתוך גוף האדם
|
||||
|
||||
משימת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-28T19:23:32+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# ראייה ממוחשבת
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:25:24+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# ייצוג טקסט כטנסורים
|
||||
|
||||
## [מבחן לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/25)
|
||||
|
|
@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
אם אנחנו רוצים לפתור משימות עיבוד שפה טבעית (NLP) באמצעות רשתות נוירונים, אנחנו צריכים דרך לייצג טקסט כטנסורים. מחשבים כבר מייצגים תווים טקסטואליים כמספרים שממופים לגופנים על המסך שלך באמצעות קידודים כמו ASCII או UTF-8.
|
||||
|
||||
<img alt="תמונה המציגה דיאגרמה שממפה תו לייצוג ASCII ובינארי" src="images/ascii-character-map.png" width="50%"/>
|
||||
<img alt="תמונה המציגה דיאגרמה שממפה תו לייצוג ASCII ובינארי" src="../../../../../translated_images/he/ascii-character-map.18ed6aa7f3b0a7ff.webp" width="50%"/>
|
||||
|
||||
> [מקור התמונה](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
כאשר פותרים משימות כמו סיווג טקסט, אנו צריכים להיות מסוגלים לייצג טקסט על ידי וקטור בגודל קבוע, אותו נשתמש כקלט למסווג הסופי הצפוף. אחת הדרכים הפשוטות לעשות זאת היא לשלב את כל ייצוגי המילים הבודדות, למשל על ידי חיבורם. אם נחבר את קידודי ה-one-hot של כל מילה, נקבל וקטור של תדירויות, שמראה כמה פעמים כל מילה מופיעה בתוך הטקסט. ייצוג כזה של טקסט נקרא **bag of words** (BoW).
|
||||
|
||||
<img src="images/bow.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/he/bow.3811869cff59368d.webp" width="90%"/>
|
||||
|
||||
> תמונה מאת המחבר
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-28T20:09:57+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# משימה: מחברות
|
||||
|
||||
באמצעות המחברות הקשורות לשיעור זה (בגרסת PyTorch או TensorFlow), הריצו אותן מחדש עם מערך נתונים משלכם, אולי אחד מ-Kaggle, בשימוש עם קרדיט מתאים. כתבו מחדש את המחברת כדי להדגיש את הממצאים שלכם. נסו מערכי נתונים חדשניים שעשויים להיות מפתיעים, כמו [זה על תצפיות עב"מים](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) מ-NUFORC.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:25:01+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# הטמעות
|
||||
|
||||
## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ai/quiz/27)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-28T20:08:32+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# משימה: מחברות
|
||||
|
||||
בעזרת המחברות הקשורות לשיעור זה (בגרסת PyTorch או TensorFlow), הריצו אותן מחדש עם מערך נתונים משלכם, אולי כזה שמצאתם ב-Kaggle, תוך ציון המקור. ערכו מחדש את המחברת כדי להדגיש את הממצאים שלכם. נסו סוג אחר של מערך נתונים ותעדו את הממצאים שלכם, תוך שימוש בטקסט כמו [מילות השירים של הביטלס](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:23:22+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מודל שפה
|
||||
|
||||
הטמעות סמנטיות, כמו Word2Vec ו-GloVe, הן למעשה צעד ראשון לקראת **מודל שפה** - יצירת מודלים שמבינים (או מייצגים) בצורה כלשהי את טבע השפה.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-28T20:00:49+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# אימון מודל Skip-Gram
|
||||
|
||||
משימת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:24:33+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות עצביות חוזרות
|
||||
|
||||
## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/31)
|
||||
|
|
@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
לתא RNN פשוט יש שני מטריצות משקל בפנים: אחת ממירה סמל קלט (נקרא לה W), ואחת ממירה מצב קלט (H). במקרה זה, הפלט של הרשת מחושב כ-σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b), כאשר σ היא פונקציית האקטיבציה ו-b הוא הטיה נוספת.
|
||||
|
||||
<img alt="אנטומיה של תא RNN" src="images/rnn-anatomy.png" width="50%"/>
|
||||
<img alt="אנטומיה של תא RNN" src="../../../../../translated_images/he/rnn-anatomy.79ee3f3920b3294b.webp" width="50%"/>
|
||||
|
||||
> תמונה מאת המחבר
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-28T20:07:16+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# משימה: מחברות
|
||||
|
||||
באמצעות המחברות הקשורות לשיעור זה (בגרסת PyTorch או TensorFlow), הריצו אותן מחדש עם מערך נתונים משלכם, אולי כזה מ-Kaggle, תוך שימוש עם ייחוס מתאים. כתבו מחדש את המחברת כדי להדגיש את הממצאים שלכם. נסו סוג אחר של מערך נתונים ותעדו את הממצאים שלכם, באמצעות טקסט כמו [מערך הנתונים הזה מתחרות Kaggle על ציוצי מזג אוויר](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:23:00+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות גנרטיביות
|
||||
|
||||
## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/33)
|
||||
|
|
@ -36,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
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.
|
||||
|
||||
<img src="images/rnn-generate-inf.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/he/rnn-generate-inf.5168dc65e0370eea.webp" width="60%"/>
|
||||
|
||||
> תמונה מאת המחבר
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-28T19:59:49+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# יצירת טקסט ברמת מילים באמצעות RNNs
|
||||
|
||||
משימת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:23:31+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מנגנוני קשב ומודלים של טרנספורמרים
|
||||
|
||||
## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/35)
|
||||
|
|
@ -56,7 +47,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* הטמעה ניתנת לאימון, בדומה להטמעת טוקנים. זו הגישה שנשקול כאן. אנו מיישמים שכבות הטמעה על גבי הטוקנים והמיקומים שלהם, ומקבלים וקטורי הטמעה באותם ממדים, אותם אנו מחברים יחד.
|
||||
* פונקציית קידוד מיקום קבועה, כפי שהוצע במאמר המקורי.
|
||||
|
||||
<img src="images/pos-embedding.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/he/pos-embedding.e41ce9b6cf6078af.webp" width="50%"/>
|
||||
|
||||
> תמונה מאת המחבר
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-28T20:02:46+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# משימה: Transformers
|
||||
|
||||
התנסו ב-Transformers על HuggingFace! נסו כמה מהסקריפטים שהם מספקים כדי לעבוד עם המודלים השונים הזמינים באתר שלהם: https://huggingface.co/docs/transformers/run_scripts. נסו אחד מהמאגרי הנתונים שלהם, ולאחר מכן ייבאו אחד משלכם מתוך תוכנית הלימודים הזו או מתוך Kaggle ובדקו אם תוכלו ליצור טקסטים מעניינים. צרו מחברת עם הממצאים שלכם.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:24:17+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# זיהוי ישויות בשם
|
||||
|
||||
עד כה, התמקדנו בעיקר במשימה אחת של עיבוד שפה טבעית (NLP) - סיווג. עם זאת, ישנן משימות נוספות שניתן לבצע באמצעות רשתות עצביות. אחת מהן היא **[זיהוי ישויות בשם](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), שעוסקת בזיהוי ישויות ספציפיות בטקסט, כמו מקומות, שמות אנשים, טווחי זמן, נוסחאות כימיות ועוד.
|
||||
|
|
@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
נניח שברצונך לפתח צ'אטבוט בשפה טבעית, בדומה ל-Amazon Alexa או Google Assistant. הדרך שבה צ'אטבוטים חכמים עובדים היא *להבין* מה המשתמש רוצה על ידי ביצוע סיווג טקסט על המשפט שהוזן. תוצאת הסיווג היא מה שנקרא **כוונה** (intent), שמגדירה מה הצ'אטבוט צריך לעשות.
|
||||
|
||||
<img alt="Bot NER" src="images/bot-ner.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/he/bot-ner.4b09235dbb0ad275.webp" width="50%"/>
|
||||
|
||||
> תמונה מאת המחבר
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-28T20:05:23+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# זיהוי ישויות בשם (NER)
|
||||
|
||||
משימת מעבדה מתוך [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:23:55+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מודלים גדולים של שפה מאומנים מראש
|
||||
|
||||
בכל המשימות הקודמות שלנו, אימנו רשת עצבית לבצע משימה מסוימת באמצעות מערך נתונים מתויג. עם מודלים גדולים של טרנספורמרים, כמו BERT, אנו משתמשים במידול שפה בצורה עצמאית כדי לבנות מודל שפה, אשר לאחר מכן מתמחה למשימה ספציפית באמצעות אימון נוסף בתחום מסוים. עם זאת, הוכח כי מודלים גדולים של שפה יכולים גם לפתור משימות רבות ללא כל אימון ספציפי לתחום. משפחת מודלים המסוגלת לעשות זאת נקראת **GPT**: Generative Pre-Trained Transformer.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-28T19:58:00+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# עיבוד שפה טבעית
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T10:15:12+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# אלגוריתמים גנטיים
|
||||
|
||||
## [שאלון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ai/quiz/41)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T10:16:08+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# למידה חיזוקית עמוקה
|
||||
|
||||
למידה חיזוקית (RL) נחשבת לאחד מהפרדיגמות הבסיסיות של למידת מכונה, לצד למידה מונחית ולמידה בלתי מונחית. בעוד שבלמידה מונחית אנו מסתמכים על מערך נתונים עם תוצאות ידועות, RL מבוססת על **למידה מתוך עשייה**. לדוגמה, כשאנו רואים לראשונה משחק מחשב, אנו מתחילים לשחק, גם בלי לדעת את החוקים, ובמהרה אנו מצליחים לשפר את הכישורים שלנו רק דרך תהליך המשחק והתאמת ההתנהגות שלנו.
|
||||
|
|
@ -34,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
גרסה פשוטה של איזון זו ידועה כבעיה של **CartPole**. בעולם ה-CartPole, יש לנו מחוון אופקי שיכול לזוז שמאלה או ימינה, והמטרה היא לאזן מוט אנכי על גבי המחוון בזמן שהוא זז.
|
||||
|
||||
<img alt="a cartpole" src="images/cartpole.png" width="200"/>
|
||||
<img alt="a cartpole" src="../../../../../translated_images/he/cartpole.f52a67f27e058170.webp" width="200"/>
|
||||
|
||||
כדי ליצור ולהשתמש בסביבה זו, אנו צריכים כמה שורות קוד ב-Python:
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-28T19:18:50+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
## הסביבה
|
||||
|
||||
סביבת Mountain Car מורכבת ממכונית שנתקעה בתוך עמק. המטרה שלך היא לקפוץ החוצה מהעמק ולהגיע לדגל. הפעולות שאתה יכול לבצע הן להאיץ שמאלה, להאיץ ימינה, או לא לעשות דבר. ניתן לצפות במיקום המכונית לאורך ציר ה-x ובמהירות שלה.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T10:15:28+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מערכות רב-סוכנים
|
||||
|
||||
אחת הדרכים האפשריות להשגת אינטליגנציה היא הגישה המכונה **מתהווה** (או **סינרגטית**), המבוססת על העובדה שהתנהגות משולבת של סוכנים פשוטים יחסית יכולה להוביל להתנהגות מורכבת יותר (או אינטליגנטית) של המערכת כולה. באופן תיאורטי, הדבר מבוסס על עקרונות של [אינטליגנציה קולקטיבית](https://en.wikipedia.org/wiki/Collective_intelligence), [מתהוות](https://en.wikipedia.org/wiki/Global_brain) ו[סייברנטיקה אבולוציונית](https://en.wikipedia.org/wiki/Global_brain), אשר טוענים שמערכות ברמה גבוהה יותר מקבלות ערך מוסף כאשר הן משולבות בצורה נכונה ממערכות ברמה נמוכה יותר (מה שמכונה *עקרון המעבר למטאסיסטם*).
|
||||
|
|
@ -60,7 +51,7 @@ ask turtles [
|
|||
|
||||
אחד הדברים הנהדרים ב-NetLogo הוא שהיא מכילה ספריית מודלים פעילים שניתן לנסות. גשו ל-**File → Models Library**, ותמצאו קטגוריות רבות של מודלים לבחירה.
|
||||
|
||||
<img alt="ספריית מודלים של NetLogo" src="images/NetLogo-ModelLib.png" width="60%"/>
|
||||
<img alt="ספריית מודלים של NetLogo" src="../../../../../translated_images/he/NetLogo-ModelLib.efe023afb4763c05.webp" width="60%"/>
|
||||
|
||||
> צילום מסך של ספריית המודלים מאת דמיטרי סושניקוב
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-28T19:17:08+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# משימת NetLogo
|
||||
|
||||
קחו אחד מהמודלים בספריית NetLogo והשתמשו בו כדי לדמות מצב מציאותי בצורה הקרובה ביותר. דוגמה טובה תהיה לשנות את מודל הווירוס בתיקיית Alternative Visualizations כדי להראות כיצד ניתן להשתמש בו לדמות את התפשטות COVID-19. האם תוכלו לבנות מודל שמחקה התפשטות ויראלית במציאות?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-28T19:42:03+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# בינה מלאכותית אתית ואחראית
|
||||
|
||||
אתם כמעט מסיימים את הקורס הזה, ואני מקווה שעד עכשיו ברור לכם שבינה מלאכותית מבוססת על מספר שיטות מתמטיות פורמליות שמאפשרות לנו למצוא קשרים בנתונים ולאמן מודלים לשחזר היבטים מסוימים של התנהגות אנושית. בנקודה זו בהיסטוריה, אנו רואים בבינה מלאכותית כלי רב עוצמה לחילוץ תבניות מנתונים וליישום התבניות הללו לפתרון בעיות חדשות.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-28T19:14:06+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# סקירה כללית
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-28T19:22:51+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# רשתות מולטי-מודליות
|
||||
|
||||
לאחר ההצלחה של מודלי טרנספורמר במשימות עיבוד שפה טבעית (NLP), אותן ארכיטקטורות או דומות להן יושמו גם במשימות ראייה ממוחשבת. יש עניין גובר בבניית מודלים שמשלבים יכולות של ראייה ושפה טבעית. אחד הניסיונות הללו נעשה על ידי OpenAI, והוא נקרא CLIP ו-DALL.E.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-28T19:56:06+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
ייחוס-שיתוף זהה 4.0 בינלאומי
|
||||
|
||||
=======================================================================
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-28T19:51:23+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
ניתן להוריד את כל הסקיצות של תכנית הלימודים מכאן.
|
||||
|
||||
🎨 נוצר על ידי: טומומי אימורה (טוויטר: [@girlie_mac](https://twitter.com/girlie_mac), גיטהאב: [girliemac](https://github.com/girliemac))
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:46:53+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "he"
|
||||
}
|
||||
-->
|
||||
# מדריך פתרון תקלות ל-AI-For-Beginners
|
||||
|
||||
מדריך זה יעזור לכם לפתור בעיות נפוצות בעת שימוש או תרומה למאגר [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners). כל בעיה כוללת רקע, תסמינים, הסברים ופתרונות שלב-אחר-שלב.
|
||||
|
|
|
|||
|
|
@ -0,0 +1,398 @@
|
|||
{
|
||||
"AGENTS.md": {
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:25:38+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"README.md": {
|
||||
"original_hash": "1984fc89dd304a8a33ab5584691a99aa",
|
||||
"translation_date": "2026-01-30T02:13:48+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"SECURITY.md": {
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-29T12:11:53+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/CODE_OF_CONDUCT.md": {
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-29T12:52:28+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/CONTRIBUTING.md": {
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-29T12:52:13+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/Mindmap.md": {
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-29T12:51:19+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/SUPPORT.md": {
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-29T12:50:48+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/TRANSLATIONS.md": {
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-29T12:51:53+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"etc/quiz-app/README.md": {
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-29T12:52:47+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"examples/README.md": {
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:36+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/0-course-setup/for-teachers.md": {
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-29T12:16:15+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/0-course-setup/how-to-run.md": {
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:44:39+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/0-course-setup/setup.md": {
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:02:16+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/1-Intro/README.md": {
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:48:28+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/1-Intro/assignment.md": {
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:49:27+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/2-Symbolic/README.md": {
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:45:50+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/2-Symbolic/assignment.md": {
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-29T12:31:27+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/README.md": {
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:43:07+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:36:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:42:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-29T12:35:26+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/README.md": {
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:43:24+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-29T12:37:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/3-NeuralNetworks/README.md": {
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:51:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/README.md": {
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:39:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-29T12:23:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:38:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/README.md": {
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:38:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/README.md": {
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:38:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-29T12:22:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-29T12:22:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/09-Autoencoders/README.md": {
|
||||
"original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
|
||||
"translation_date": "2025-09-23T10:40:04+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/10-GANs/README.md": {
|
||||
"original_hash": "0ff65b4da07b23697235de2beb2a3c25",
|
||||
"translation_date": "2025-09-23T10:40:39+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/10-GANs/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/README.md": {
|
||||
"original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
|
||||
"translation_date": "2025-09-23T10:39:28+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
|
||||
"original_hash": "ad568d55ae65c856fe929fc2b278510a",
|
||||
"translation_date": "2025-08-29T12:25:22+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/README.md": {
|
||||
"original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
|
||||
"translation_date": "2025-09-23T10:40:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
|
||||
"original_hash": "365f0decfe0f47b460bbde8227c5009d",
|
||||
"translation_date": "2025-08-29T12:27:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/4-ComputerVision/README.md": {
|
||||
"original_hash": "58a52f000089c1d8906a4daa4ab1169b",
|
||||
"translation_date": "2025-08-29T12:18:59+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/README.md": {
|
||||
"original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
|
||||
"translation_date": "2025-09-23T10:46:31+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/13-TextRep/assignment.md": {
|
||||
"original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
|
||||
"translation_date": "2025-08-29T12:50:37+00:00",
|
||||
"source_file": "lessons/5-NLP/13-TextRep/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/README.md": {
|
||||
"original_hash": "b708c9b85b833864c73c6281f1e6b96e",
|
||||
"translation_date": "2025-09-23T10:46:13+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/14-Embeddings/assignment.md": {
|
||||
"original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
|
||||
"translation_date": "2025-08-29T12:49:40+00:00",
|
||||
"source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/README.md": {
|
||||
"original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
|
||||
"translation_date": "2025-09-23T10:44:09+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/15-LanguageModeling/lab/README.md": {
|
||||
"original_hash": "5130f01fdc5ebb83032b23d489027aac",
|
||||
"translation_date": "2025-08-29T12:43:35+00:00",
|
||||
"source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/README.md": {
|
||||
"original_hash": "e2273cc150380a5e191903cea858f021",
|
||||
"translation_date": "2025-09-23T10:45:23+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/16-RNN/assignment.md": {
|
||||
"original_hash": "47f7d3c6a5373543e051e4d1140ce898",
|
||||
"translation_date": "2025-08-29T12:48:32+00:00",
|
||||
"source_file": "lessons/5-NLP/16-RNN/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/README.md": {
|
||||
"original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
|
||||
"translation_date": "2025-09-23T10:43:50+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
|
||||
"original_hash": "439e12796197a90e7623d4c9c057b9c2",
|
||||
"translation_date": "2025-08-29T12:42:56+00:00",
|
||||
"source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/README.md": {
|
||||
"original_hash": "f335dfcb4a993920504c387973a36957",
|
||||
"translation_date": "2025-09-23T10:44:19+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/18-Transformers/assignment.md": {
|
||||
"original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
|
||||
"translation_date": "2025-08-29T12:45:19+00:00",
|
||||
"source_file": "lessons/5-NLP/18-Transformers/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/README.md": {
|
||||
"original_hash": "6522312ff835796ca34136a9462fafb2",
|
||||
"translation_date": "2025-09-23T10:45:04+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/19-NER/lab/README.md": {
|
||||
"original_hash": "032bda5068f543d6c1fcb30c34231461",
|
||||
"translation_date": "2025-08-29T12:47:19+00:00",
|
||||
"source_file": "lessons/5-NLP/19-NER/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/20-LangModels/README.md": {
|
||||
"original_hash": "97836d30a6bec736f8e3b4411c572bc2",
|
||||
"translation_date": "2025-09-23T10:44:46+00:00",
|
||||
"source_file": "lessons/5-NLP/20-LangModels/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/5-NLP/README.md": {
|
||||
"original_hash": "8ef02a9318257ea140ed3ed74442096d",
|
||||
"translation_date": "2025-08-29T12:41:43+00:00",
|
||||
"source_file": "lessons/5-NLP/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/6-Other/21-GeneticAlgorithms/README.md": {
|
||||
"original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
|
||||
"translation_date": "2025-09-23T10:36:48+00:00",
|
||||
"source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/README.md": {
|
||||
"original_hash": "04395657fc01648f8f70484d0e55ab67",
|
||||
"translation_date": "2025-09-23T10:37:41+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/6-Other/22-DeepRL/lab/README.md": {
|
||||
"original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
|
||||
"translation_date": "2025-08-29T12:15:59+00:00",
|
||||
"source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/README.md": {
|
||||
"original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
|
||||
"translation_date": "2025-09-23T10:37:04+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/6-Other/23-MultiagentSystems/assignment.md": {
|
||||
"original_hash": "cf654ca60c7f86c8dad28596fb42994b",
|
||||
"translation_date": "2025-08-29T12:14:34+00:00",
|
||||
"source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/7-Ethics/README.md": {
|
||||
"original_hash": "437c988596e751072e41a5aad3fcc5d9",
|
||||
"translation_date": "2025-08-29T12:31:52+00:00",
|
||||
"source_file": "lessons/7-Ethics/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/README.md": {
|
||||
"original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
|
||||
"translation_date": "2025-08-29T12:12:09+00:00",
|
||||
"source_file": "lessons/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/X-Extras/X1-MultiModal/README.md": {
|
||||
"original_hash": "9c592c26aca16ca085d268c732284187",
|
||||
"translation_date": "2025-08-29T12:18:02+00:00",
|
||||
"source_file": "lessons/X-Extras/X1-MultiModal/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/sketchnotes/LICENSE.md": {
|
||||
"original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
|
||||
"translation_date": "2025-08-29T12:40:25+00:00",
|
||||
"source_file": "lessons/sketchnotes/LICENSE.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"lessons/sketchnotes/README.md": {
|
||||
"original_hash": "050b8bddebafba55b129414e6ab096ab",
|
||||
"translation_date": "2025-08-29T12:37:39+00:00",
|
||||
"source_file": "lessons/sketchnotes/README.md",
|
||||
"language_code": "id"
|
||||
},
|
||||
"troubleshoot.md": {
|
||||
"original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
|
||||
"translation_date": "2025-10-03T09:47:49+00:00",
|
||||
"source_file": "troubleshoot.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
}
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "6b11a37115944252ab3ed04e358d830d",
|
||||
"translation_date": "2025-10-03T09:25:38+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## Gambaran Proyek
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "85102ce4bfab31103e99dc8ca2e2f181",
|
||||
"translation_date": "2026-01-16T03:42:41+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
|
|
@ -23,22 +14,23 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Kecerdasan Buatan untuk Pemula - Kurikulum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote oleh [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| Kecerdasan Buatan untuk Pemula - _Sketchnote oleh [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Jelajahi dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12 minggu dan 24 pelajaran kami! Ini termasuk pelajaran praktis, kuis, dan lab. Kurikulumnya ramah pemula dan mencakup alat seperti TensorFlow dan PyTorch, serta etika dalam AI.
|
||||
|
||||
Jelajahi dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12 minggu dan 24 pelajaran kami! Ini mencakup pelajaran praktis, kuis, dan lab. Kurikulum ini ramah pemula dan membahas alat seperti TensorFlow dan PyTorch, serta etika dalam AI.
|
||||
|
||||
### 🌐 Dukungan Multi-Bahasa
|
||||
|
||||
#### Didukung melalui GitHub Action (Otomatis & Selalu Terbaru)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[Arab](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burma (Myanmar)](../my/README.md) | [Cina (Sederhana)](../zh/README.md) | [Cina (Tradisional, Hong Kong)](../hk/README.md) | [Cina (Tradisional, Makau)](../mo/README.md) | [Cina (Tradisional, Taiwan)](../tw/README.md) | [Kroasia](../hr/README.md) | [Ceko](../cs/README.md) | [Denmark](../da/README.md) | [Belanda](../nl/README.md) | [Estonia](../et/README.md) | [Finlandia](../fi/README.md) | [Prancis](../fr/README.md) | [Jerman](../de/README.md) | [Yunani](../el/README.md) | [Ibrani](../he/README.md) | [Hindi](../hi/README.md) | [Hongaria](../hu/README.md) | [Indonesia](./README.md) | [Italia](../it/README.md) | [Jepang](../ja/README.md) | [Kannada](../kn/README.md) | [Korea](../ko/README.md) | [Lituania](../lt/README.md) | [Melayu](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeria](../pcm/README.md) | [Norwegia](../no/README.md) | [Persia (Farsi)](../fa/README.md) | [Polandia](../pl/README.md) | [Portugis (Brasil)](../br/README.md) | [Portugis (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumania](../ro/README.md) | [Rusia](../ru/README.md) | [Serbia (Sirilik)](../sr/README.md) | [Slowakia](../sk/README.md) | [Slovenia](../sl/README.md) | [Spanyol](../es/README.md) | [Swahili](../sw/README.md) | [Swedia](../sv/README.md) | [Tagalog (Filipina)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turki](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md)
|
||||
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](./README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
||||
|
||||
> **Lebih suka Clone Secara Lokal?**
|
||||
|
||||
> Repositori ini mencakup lebih dari 50 bahasa terjemahan yang secara signifikan meningkatkan ukuran unduhan. Untuk mengkloning tanpa terjemahan, gunakan sparse checkout:
|
||||
> Repositori ini mencakup lebih dari 50 terjemahan bahasa yang secara signifikan meningkatkan ukuran unduhan. Untuk clone tanpa terjemahan, gunakan sparse checkout:
|
||||
> ```bash
|
||||
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
|
||||
> cd AI-For-Beginners
|
||||
|
|
@ -47,7 +39,7 @@ Jelajahi dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12 minggu dan 24 pela
|
|||
> Ini memberi Anda semua yang Anda butuhkan untuk menyelesaikan kursus dengan unduhan yang jauh lebih cepat.
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**Jika Anda ingin mendukung bahasa terjemahan tambahan, daftar didukung tersedia [di sini](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
**Jika Anda ingin mendukung bahasa terjemahan tambahan, daftar bahasanya tersedia [di sini](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
||||
|
||||
## Bergabung dengan Komunitas
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
|
@ -56,111 +48,113 @@ Jelajahi dunia **Kecerdasan Buatan** (AI) dengan kurikulum 12 minggu dan 24 pela
|
|||
|
||||
**[Peta Pikiran Kursus](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Dalam kurikulum ini, Anda akan mempelajari:
|
||||
Dalam kurikulum ini, Anda akan belajar:
|
||||
|
||||
* Pendekatan berbeda untuk Kecerdasan Buatan, termasuk pendekatan simbolik "lama tapi emas" dengan **Representasi Pengetahuan** dan penalaran ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Jaringan Saraf** dan **Pembelajaran Mendalam**, yang menjadi inti AI modern. Kami akan menggambarkan konsep-konsep di balik topik penting ini menggunakan kode dalam dua framework paling populer - [TensorFlow](http://Tensorflow.org) dan [PyTorch](http://pytorch.org).
|
||||
* **Arsitektur Saraf** untuk bekerja dengan gambar dan teks. Kami akan membahas model-model terbaru meskipun mungkin kurang dalam hal state-of-the-art.
|
||||
* Pendekatan berbeda untuk Kecerdasan Buatan, termasuk pendekatan simbolik "lama" dengan **Representasi Pengetahuan** dan penalaran ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Jaringan Syaraf** dan **Pembelajaran Mendalam**, yang merupakan inti dari AI modern. Kami akan mengilustrasikan konsep di balik topik penting ini menggunakan kode dalam dua kerangka kerja paling populer - [TensorFlow](http://Tensorflow.org) dan [PyTorch](http://pytorch.org).
|
||||
* **Arsitektur Neural** untuk bekerja dengan gambar dan teks. Kami akan membahas model-model terbaru tetapi mungkin agak kurang dalam state-of-the-art.
|
||||
* Pendekatan AI yang kurang populer, seperti **Algoritma Genetika** dan **Sistem Multi-Agen**.
|
||||
|
||||
Yang tidak akan kami bahas dalam kurikulum ini:
|
||||
Apa yang tidak akan kami bahas dalam kurikulum ini:
|
||||
|
||||
> [Temukan semua sumber daya tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Kasus bisnis penggunaan **AI dalam Bisnis**. Pertimbangkan mengikuti jalur pembelajaran [Pengenalan AI untuk pengguna bisnis](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) di Microsoft Learn, atau [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), yang dikembangkan bekerja sama dengan [INSEAD](https://www.insead.edu/).
|
||||
* **Pembelajaran Mesin Klasik**, yang dijelaskan dengan baik di dalam [Kurikulum Pembelajaran Mesin untuk Pemula](http://github.com/Microsoft/ML-for-Beginners) kami.
|
||||
* Aplikasi AI praktis yang dibangun menggunakan **[Layanan Kognitif](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Untuk ini, kami rekomendasikan memulai dengan modul Microsoft Learn untuk [visi komputer](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [pemrosesan bahasa alami](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI dengan Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** dan lainnya.
|
||||
* **Framework Cloud ML Spesifik**, seperti [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), atau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Pertimbangkan menggunakan jalur pembelajaran [Membangun dan mengoperasikan solusi pembelajaran mesin dengan Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) dan [Membangun dan Mengoperasikan Solusi Pembelajaran Mesin dengan Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **AI Percakapan** dan **Chat Bot**. Ada jalur pembelajaran terpisah [Membuat solusi AI percakapan](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), dan Anda juga bisa merujuk ke [posting blog ini](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) untuk detail lebih lanjut.
|
||||
* **Matematika Mendalam** di balik pembelajaran mendalam. Untuk ini, kami merekomendasikan [Pembelajaran Mendalam](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) oleh Ian Goodfellow, Yoshua Bengio, dan Aaron Courville, yang juga tersedia secara daring di [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Studi kasus bisnis penggunaan **AI dalam Bisnis**. Pertimbangkan untuk mengambil jalur pembelajaran [Pengenalan AI untuk pengguna bisnis](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) di Microsoft Learn, atau [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), yang dikembangkan bekerja sama dengan [INSEAD](https://www.insead.edu/).
|
||||
* **Pembelajaran Mesin Klasik**, yang telah dijelaskan dengan baik dalam [Kurikulum Pembelajaran Mesin untuk Pemula](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Aplikasi AI praktis yang dibangun menggunakan **[Layanan Kognitif](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Untuk ini, kami menyarankan Anda memulai dengan modul Microsoft Learn untuk [visi komputer](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [pemrosesan bahasa alami](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[AI Generatif dengan Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** dan lainnya.
|
||||
* **Framework Cloud ML spesifik**, seperti [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), atau [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Pertimbangkan menggunakan jalur pembelajaran [Bangun dan operasikan solusi pembelajaran mesin dengan Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) dan [Bangun dan Operasikan Solusi Pembelajaran Mesin dengan Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
|
||||
* **AI Percakapan** dan **Chat Bot**. Ada jalur pembelajaran terpisah [Buat solusi AI percakapan](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), dan Anda juga dapat merujuk ke [posting blog ini](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) untuk detail lebih lanjut.
|
||||
* **Matematika Mendalam** di balik pembelajaran mendalam. Untuk ini, kami merekomendasikan [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) oleh Ian Goodfellow, Yoshua Bengio dan Aaron Courville, yang juga tersedia online di [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Untuk pengantar yang ringan tentang topik _AI di Cloud_, Anda dapat mempertimbangkan mengikuti Jalur Pembelajaran [Memulai dengan kecerdasan buatan di Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Untuk pengenalan halus ke topik _AI di Cloud_, Anda dapat mempertimbangkan jalur pembelajaran [Mulai dengan kecerdasan buatan di Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Konten
|
||||
|
||||
| | Tautan Pelajaran | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :---------------------------------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| | Tautan Pelajaran | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Pengaturan Kursus](./lessons/0-course-setup/setup.md) | [Siapkan Lingkungan Pengembangan Anda](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Pengenalan AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Pengenalan dan Sejarah AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| I | [**Pendahuluan AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Pendahuluan dan Sejarah AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **AI Simbolik** |
|
||||
| 02 | [Representasi Pengetahuan dan Sistem Pakar](./lessons/2-Symbolic/README.md) | [Sistem Pakar](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Graf Konsep](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Pengenalan Jaringan Saraf**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| III | [**Pengenalan Jaringan Neural**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Notebook](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Lab](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Multi-Layered Perceptron dan Membuat Framework Sendiri](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Intro ke Frameworks (PyTorch/TensorFlow) dan Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Computer Vision**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Jelajahi Computer Vision di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Intro ke Computer Vision. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Convolutional Neural Networks](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arsitektur CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Jaringan yang Telah Dilatih dan Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) dan [Trik Pelatihan](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoders dan VAEs](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks & Transfer Gaya Artistik](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 04 | [Perceptron Berlapis dan Membuat Framework Sendiri](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Pengenalan Framework (PyTorch/TensorFlow) dan Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Penglihatan Komputer**](./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)| [Jelajahi Penglihatan Komputer di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Pengenalan Penglihatan Komputer. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Notebook](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Lab](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Jaringan Neural Konvolusional](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Arsitektur CNN](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Jaringan Pralatih dan Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) dan [Trik Pelatihan](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [Autoencoder dan 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 | [Jaringan Adversarial Generatif & Transfer Gaya Artistik](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Deteksi Objek](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Segmentasi Semantik. 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 | [**Natural Language Processing**](./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) | [Jelajahi Natural Language Processing di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| V | [**Pengolahan Bahasa Alami**](./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) | [Jelajahi Pengolahan Bahasa Alami di Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Representasi Teks. 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 | [Embedding kata semantik. Word2Vec dan 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 | [Pemodelan Bahasa. Melatih embeddings sendiri](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Recurrent Neural Networks](./lessons/5-NLP/16-RNN/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/16-RNN/RNNTF.ipynb) | |
|
||||
| 17 | [Generative Recurrent Networks](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformers. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 14 | [Embedding Kata Semantik. Word2Vec dan 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 | [Pemodelan Bahasa. Melatih embedding Anda sendiri](./lessons/5-NLP/15-LanguageModeling/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-PyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/15-LanguageModeling/CBoW-TF.ipynb) | [Lab](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Jaringan Neural Rekuren](./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 | [Jaringan Rekuren Generatif](./lessons/5-NLP/17-GenerativeNetworks/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativePyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/17-GenerativeNetworks/GenerativeTF.ipynb) | [Lab](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [Transformer. BERT.](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
|
||||
| 19 | [Named Entity Recognition](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Lab](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [Model Bahasa Besar, Pemrograman Prompt dan Tugas 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 | **Teknik AI Lainnya** || |
|
||||
| 21 | [Algoritme Genetik](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Deep Reinforcement Learning](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 21 | [Algoritma Genetika](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Pembelajaran Penguatan Mendalam](./lessons/6-Other/22-DeepRL/README.md) | [PyTorch](./lessons/6-Other/22-DeepRL/CartPole-RL-PyTorch.ipynb) /[TensorFlow](./lessons/6-Other/22-DeepRL/CartPole-RL-TF.ipynb) | [Lab](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Sistem Multi-Agen](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **Etika AI** | | |
|
||||
| 24 | [Etika AI dan AI yang Bertanggung Jawab](./lessons/7-Ethics/README.md) | [Microsoft Learn: Prinsip AI yang Bertanggung Jawab](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| 24 | [Etika AI dan AI Bertanggung Jawab](./lessons/7-Ethics/README.md) | [Microsoft Learn: Prinsip AI Bertanggung Jawab](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **Tambahan** | | |
|
||||
| 25 | [Jaringan Multi-Modal, CLIP dan VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Setiap pelajaran berisi
|
||||
|
||||
* Materi bacaan pendahuluan
|
||||
* Jupyter Notebook yang dapat dijalankan, yang sering kali spesifik untuk framework (**PyTorch** atau **TensorFlow**). Notebook yang bisa dijalankan juga berisi banyak materi teoretis, jadi untuk memahami topik Anda perlu melalui setidaknya satu versi notebook (baik PyTorch atau TensorFlow).
|
||||
* **Lab** tersedia untuk beberapa topik, yang memberi Anda kesempatan untuk mencoba menerapkan materi yang telah Anda pelajari ke masalah tertentu.
|
||||
* Beberapa bagian mengandung tautan ke modul [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) yang membahas topik terkait.
|
||||
* Materi pra-baca
|
||||
* Jupyter Notebook yang dapat dijalankan, yang seringkali spesifik untuk framework (**PyTorch** atau **TensorFlow**). Notebook yang dapat dijalankan juga berisi banyak materi teoretis, jadi untuk memahami topiknya Anda perlu mempelajari setidaknya satu versi notebook (baik PyTorch atau TensorFlow).
|
||||
* **Lab** yang tersedia untuk beberapa topik, yang memberi Anda kesempatan untuk mencoba menerapkan materi yang telah Anda pelajari pada masalah tertentu.
|
||||
* Beberapa bagian berisi tautan ke modul [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) yang membahas topik terkait.
|
||||
|
||||
## Memulai
|
||||
|
||||
### 🎯 Baru di AI? Mulai Di Sini!
|
||||
### 🎯 Baru di AI? Mulailah Di Sini!
|
||||
|
||||
Jika Anda benar-benar baru di AI dan menginginkan contoh cepat dan praktis, lihat [**Contoh Ramah Pemula**](./examples/README.md)! Ini mencakup:
|
||||
Jika Anda benar-benar baru dalam AI dan ingin contoh praktis yang cepat, lihat [**Contoh Ramah Pemula**](./examples/README.md) kami! Ini termasuk:
|
||||
|
||||
- 🌟 **Halo Dunia AI** - Program AI pertama Anda (pengenalan pola)
|
||||
- 🧠 **Jaringan Neural Sederhana** - Bangun jaringan neural dari awal
|
||||
- 🖼️ **Klasifikator Gambar** - Klasifikasikan gambar dengan komentar terperinci
|
||||
- 🌟 **Hello AI World** - Program AI pertama Anda (pengenalan pola)
|
||||
- 🧠 **Jaringan Neural Sederhana** - Membangun jaringan neural dari awal
|
||||
|
||||
- 🖼️ **Pengklasifikasi Gambar** - Mengklasifikasikan gambar dengan komentar mendetail
|
||||
- 💬 **Sentimen Teks** - Menganalisis teks positif/negatif
|
||||
|
||||
Contoh-contoh ini dirancang untuk membantu Anda memahami konsep AI sebelum memasuki kurikulum penuh.
|
||||
Contoh-contoh ini dirancang untuk membantu Anda memahami konsep AI sebelum menyelami kurikulum lengkap.
|
||||
|
||||
### 📚 Pengaturan Kurikulum Lengkap
|
||||
|
||||
- Kami telah membuat [pelajaran pengaturan](./lessons/0-course-setup/setup.md) untuk membantu Anda dalam mengatur lingkungan pengembangan Anda. - Untuk Pendidik, kami juga telah membuat [pelajaran pengaturan kurikulum](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Kami telah membuat [pelajaran pengaturan](./lessons/0-course-setup/setup.md) untuk membantu Anda mengatur lingkungan pengembangan Anda.
|
||||
- Untuk Pendidik, kami juga telah membuat [pelajaran pengaturan kurikulum](./lessons/0-course-setup/for-teachers.md)!
|
||||
- Cara [Menjalankan kode di VSCode atau Codespace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Ikuti langkah-langkah ini:
|
||||
|
||||
Fork Repository: Klik tombol "Fork" di pojok kanan atas halaman ini.
|
||||
Fork Repositori: Klik tombol "Fork" di sudut kanan atas halaman ini.
|
||||
|
||||
Clone Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
Clone Repositori: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
Jangan lupa beri bintang (🌟) pada repo ini agar lebih mudah ditemukan nanti.
|
||||
Jangan lupa beri bintang (🌟) repo ini agar mudah ditemukan nanti.
|
||||
|
||||
## Bertemu dengan Learners lain
|
||||
## Bertemu dengan Pelajar Lain
|
||||
|
||||
Bergabunglah dengan [server Discord AI resmi kami](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) untuk bertemu dan berjejaring dengan peserta lain yang mengambil kursus ini serta mendapatkan dukungan.
|
||||
Bergabunglah dengan [server Discord AI resmi kami](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) untuk bertemu dan berjejaring dengan pelajar lain yang mengikuti kursus ini dan dapatkan dukungan.
|
||||
|
||||
Jika Anda memiliki umpan balik produk atau pertanyaan saat membangun, kunjungi [Forum Pengembang Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
Jika Anda memiliki masukan produk atau pertanyaan saat membangun, kunjungi [Forum Pengembang Azure AI Foundry](https://aka.ms/foundry/forum)
|
||||
|
||||
## Kuis
|
||||
|
||||
> **Catatan tentang kuis**: Semua kuis terdapat di folder Quiz-app di etc\quiz-app, atau [Online Di Sini](https://ff-quizzes.netlify.app/) Kuis ini terhubung dari dalam pelajaran, aplikasi kuis dapat dijalankan secara lokal atau di-deploy ke Azure; ikuti petunjuk di folder `quiz-app`. Kuis-kuis ini sedang secara bertahap dialihbahasakan.
|
||||
> **Catatan tentang kuis**: Semua kuis terdapat di folder Quiz-app di etc\quiz-app, atau [Online Di Sini](https://ff-quizzes.netlify.app/) Kuis ini dihubungkan dari dalam pelajaran, aplikasi kuis dapat dijalankan secara lokal atau diterapkan ke Azure; ikuti instruksi di folder `quiz-app`. Mereka sedang diproses untuk dilokalkan secara bertahap.
|
||||
|
||||
## Bantuan Dibutuhkan
|
||||
## Butuh Bantuan
|
||||
|
||||
Apakah Anda memiliki saran atau menemukan kesalahan ejaan atau kode? Buatlah issue atau buat pull request.
|
||||
Apakah Anda memiliki saran atau menemukan kesalahan ejaan atau kode? Ajukan isu atau buat pull request.
|
||||
|
||||
## Terima Kasih Khusus
|
||||
|
||||
|
|
@ -168,59 +162,59 @@ Apakah Anda memiliki saran atau menemukan kesalahan ejaan atau kode? Buatlah iss
|
|||
* **🔥 Editor:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Ilustrator Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Pembuat Kuis:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Kontributor Utama:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
* **🙏 Kontributor Inti:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Kurikulum Lainnya
|
||||
|
||||
Tim kami menghasilkan kurikulum lain! Lihat:
|
||||
Tim kami juga menghasilkan kurikulum lain! Lihat:
|
||||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / Agen
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Seri AI Generatif
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Pembelajaran Inti
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
|
||||
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### Seri Copilot
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
||||
|
||||
## Mendapatkan Bantuan
|
||||
|
||||
Jika Anda mengalami kebuntuan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan secara bebas.
|
||||
Jika Anda mengalami kesulitan atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan pelajar lain dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan dengan bebas.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
Jika Anda memiliki umpan balik produk atau kesalahan saat membangun, kunjungi:
|
||||
Jika Anda memiliki masukan produk atau menemukan kesalahan saat membangun, kunjungi:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
|
|
@ -228,5 +222,5 @@ Jika Anda memiliki umpan balik produk atau kesalahan saat membangun, kunjungi:
|
|||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**Penafian**:
|
||||
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha untuk akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang sahih. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang salah yang timbul dari penggunaan terjemahan ini.
|
||||
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk memberikan terjemahan yang akurat, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang salah yang timbul dari penggunaan terjemahan ini.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
|
||||
"translation_date": "2025-08-29T12:11:53+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
## Keamanan
|
||||
|
||||
Microsoft sangat serius dalam menjaga keamanan produk dan layanan perangkat lunak kami, termasuk semua repositori kode sumber yang dikelola melalui organisasi GitHub kami, seperti [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), dan [organisasi GitHub kami lainnya](https://opensource.microsoft.com/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-08-29T12:52:28+00:00",
|
||||
"source_file": "etc/CODE_OF_CONDUCT.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Kode Etik Sumber Terbuka Microsoft
|
||||
|
||||
Proyek ini telah mengadopsi [Kode Etik Sumber Terbuka Microsoft](https://opensource.microsoft.com/codeofconduct/).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "847a587aa1b83f4d00858183ff3ed18a",
|
||||
"translation_date": "2025-08-29T12:52:13+00:00",
|
||||
"source_file": "etc/CONTRIBUTING.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Berkontribusi
|
||||
|
||||
Proyek ini menyambut kontribusi dan saran. Sebagian besar kontribusi mengharuskan Anda
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
|
||||
"translation_date": "2025-08-29T12:51:19+00:00",
|
||||
"source_file": "etc/Mindmap.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# AI
|
||||
|
||||
## [Pengantar AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fdfc08baee91e402938a2b1f94fe0949",
|
||||
"translation_date": "2025-08-29T12:50:48+00:00",
|
||||
"source_file": "etc/SUPPORT.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Dukungan
|
||||
|
||||
## Cara melaporkan masalah dan mendapatkan bantuan
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
|
||||
"translation_date": "2025-08-29T12:51:53+00:00",
|
||||
"source_file": "etc/TRANSLATIONS.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Berkontribusi dengan menerjemahkan pelajaran
|
||||
|
||||
Kami menyambut terjemahan untuk pelajaran dalam kurikulum ini!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d699cf8509f74baa5b0b838de5cf0662",
|
||||
"translation_date": "2025-08-29T12:52:47+00:00",
|
||||
"source_file": "etc/quiz-app/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Kuis
|
||||
|
||||
Kuis ini adalah kuis sebelum dan sesudah kuliah untuk kurikulum AI di https://aka.ms/ai-beginners
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
|
||||
"translation_date": "2025-10-03T11:32:36+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Contoh AI Ramah Pemula
|
||||
|
||||
Selamat datang! Direktori ini berisi contoh sederhana dan mandiri untuk membantu Anda memulai dengan AI dan pembelajaran mesin. Setiap contoh dirancang agar mudah dipahami dengan komentar yang rinci dan penjelasan langkah demi langkah.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a094ef9927883de1cfcee51dbd143381",
|
||||
"translation_date": "2025-08-29T12:16:15+00:00",
|
||||
"source_file": "lessons/0-course-setup/for-teachers.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Untuk Pendidik
|
||||
|
||||
Apakah Anda ingin menggunakan kurikulum ini di kelas Anda? Silakan saja!
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a4717bd9103b9f6cd84d534b83534689",
|
||||
"translation_date": "2026-01-16T03:44:39+00:00",
|
||||
"source_file": "lessons/0-course-setup/how-to-run.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Cara Menjalankan Kode
|
||||
|
||||
Kurikulum ini berisi banyak contoh dan lab yang dapat dieksekusi yang ingin Anda jalankan. Untuk melakukan ini, Anda memerlukan kemampuan untuk menjalankan kode Python di Jupyter Notebooks yang disediakan sebagai bagian dari kurikulum ini. Anda memiliki beberapa opsi untuk menjalankan kodenya:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
|
||||
"translation_date": "2025-12-12T20:02:16+00:00",
|
||||
"source_file": "lessons/0-course-setup/setup.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Memulai dengan Kurikulum Ini
|
||||
|
||||
## Apakah Anda seorang pelajar?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
|
||||
"translation_date": "2025-11-18T21:48:28+00:00",
|
||||
"source_file": "lessons/1-Intro/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar AI
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a334df77a82aaaf2a29c77065d3e481e",
|
||||
"translation_date": "2025-11-18T21:49:27+00:00",
|
||||
"source_file": "lessons/1-Intro/assignment.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Game Jam
|
||||
|
||||
Game adalah salah satu bidang yang sangat dipengaruhi oleh perkembangan AI dan ML. Dalam tugas ini, tulislah sebuah makalah singkat tentang sebuah game yang Anda sukai yang telah dipengaruhi oleh evolusi AI. Game tersebut harus cukup lama sehingga telah dipengaruhi oleh beberapa jenis sistem pemrosesan komputer. Contoh yang baik adalah Catur atau Go, tetapi Anda juga bisa melihat video game seperti Pong atau Pac-Man. Tulislah esai yang membahas masa lalu, masa kini, dan masa depan AI dalam game tersebut.
|
||||
|
|
|
|||
|
|
@ -1,15 +1,6 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
|
||||
"translation_date": "2026-01-16T03:45:50+00:00",
|
||||
"source_file": "lessons/2-Symbolic/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Representasi Pengetahuan dan Sistem Pakar
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote oleh [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +32,7 @@ Sering kali, kita tidak mendefinisikan pengetahuan secara ketat, tetapi menyelar
|
|||
|
||||
Dengan demikian, masalah **representasi pengetahuan** adalah menemukan cara efektif untuk merepresentasikan pengetahuan di dalam komputer dalam bentuk data, agar dapat digunakan secara otomatis. Ini dapat dilihat sebagai spektrum:
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar oleh [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +85,7 @@ Sintaks Blok | Inden | | |
|
|||
|
||||
Salah satu keberhasilan awal AI simbolik adalah yang disebut **sistem pakar**—sistem komputer yang dirancang untuk bertindak sebagai ahli dalam domain masalah terbatas. Sistem ini didasarkan pada **basis pengetahuan** yang diambil dari satu atau lebih ahli manusia, dan mereka memiliki **mesin inferensi** yang melakukan penalaran di atasnya.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Struktur sederhana sistem saraf manusia | Arsitektur sistem berbasis pengetahuan
|
||||
|
||||
|
|
@ -106,7 +97,7 @@ Sistem pakar dibangun seperti sistem penalaran manusia, yang berisi **memori jan
|
|||
|
||||
Sebagai contoh, mari kita lihat sistem pakar berikut untuk menentukan hewan berdasarkan karakteristik fisiknya:
|
||||
|
||||
|
||||
|
||||
|
||||
> Gambar oleh [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a057a8604f3976c3e309884453f1fad0",
|
||||
"translation_date": "2025-08-29T12:31:27+00:00",
|
||||
"source_file": "lessons/2-Symbolic/assignment.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Membangun Ontologi
|
||||
|
||||
Membangun basis pengetahuan adalah tentang mengategorikan sebuah model yang merepresentasikan fakta-fakta tentang suatu topik. Pilih sebuah topik - seperti seseorang, sebuah tempat, atau sebuah benda - lalu bangun model dari topik tersebut. Gunakan beberapa teknik dan strategi pembangunan model yang dijelaskan dalam pelajaran ini. Contohnya adalah membuat ontologi dari sebuah ruang tamu dengan furnitur, lampu, dan sebagainya. Bagaimana ruang tamu berbeda dari dapur? Kamar mandi? Bagaimana Anda tahu itu adalah ruang tamu dan bukan ruang makan? Gunakan [Protégé](https://protege.stanford.edu/) untuk membangun ontologi Anda.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c34cbba802058b6fa267e1a294d4e510",
|
||||
"translation_date": "2025-09-23T10:43:07+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar Jaringan Neural: Perceptron
|
||||
|
||||
## [Kuis Pra-Pelajaran](https://ff-quizzes.netlify.app/en/ai/quiz/5)
|
||||
|
|
@ -15,7 +6,7 @@ Salah satu upaya pertama untuk mengimplementasikan sesuatu yang mirip dengan jar
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='images/Rosenblatt-wikipedia.jpg' alt='Frank Rosenblatt'/> | <img src='images/Mark_I_perceptron_wikipedia.jpg' alt='The Mark 1 Perceptron' />|
|
||||
|<img src='../../../../../translated_images/id/Rosenblatt-wikipedia.294821b285ac796d.webp' alt='Frank Rosenblatt'/> | <img src='../../../../../translated_images/id/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.webp' alt='The Mark 1 Perceptron' />|
|
||||
|
||||
> Gambar [dari Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +25,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
di mana f adalah fungsi aktivasi langkah.
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="images/activation-func.png"/>
|
||||
<img src="../../../../../translated_images/id/activation-func.b4924007c7ce7764.webp"/>
|
||||
|
||||
## Melatih Perceptron
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
|
||||
"translation_date": "2025-08-29T12:36:22+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Klasifikasi Multi-Kelas dengan Perceptron
|
||||
|
||||
Tugas Lab dari [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "789d6c3fb6fc7948a470b33078a5983a",
|
||||
"translation_date": "2025-09-23T10:42:47+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar Jaringan Neural. Multi-Layered Perceptron
|
||||
|
||||
Pada bagian sebelumnya, Anda telah mempelajari model jaringan neural paling sederhana - perceptron satu lapis, sebuah model klasifikasi linear dua kelas.
|
||||
|
|
@ -65,7 +56,7 @@ Algoritma gradient descent tetap sama, tetapi akan lebih sulit untuk menghitung
|
|||
|
||||
Perhatikan bahwa bagian paling kiri dari semua ekspresi tersebut adalah sama, sehingga kita dapat secara efektif menghitung turunan mulai dari fungsi kerugian dan bergerak "mundur" melalui grafik komputasi. Oleh karena itu, metode pelatihan perceptron multi-lapis disebut **backpropagation**, atau 'backprop'.
|
||||
|
||||
<img alt="compute graph" src="images/ComputeGraphGrad.png"/>
|
||||
<img alt="compute graph" src="../../../../../translated_images/id/ComputeGraphGrad.4626252c0de03507.webp"/>
|
||||
|
||||
> TODO: sitasi gambar
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
|
||||
"translation_date": "2025-08-29T12:35:26+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Klasifikasi MNIST dengan Kerangka Kerja Kita Sendiri
|
||||
|
||||
Tugas Lab dari [Kurikulum AI untuk Pemula](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ddd216f558a255260a9374008002c971",
|
||||
"translation_date": "2025-09-23T10:43:24+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Kerangka Jaringan Neural
|
||||
|
||||
Seperti yang telah kita pelajari sebelumnya, untuk dapat melatih jaringan neural secara efisien, kita perlu melakukan dua hal:
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e452d897efb9a89700f41021834cf6e5",
|
||||
"translation_date": "2025-08-29T12:37:28+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Klasifikasi dengan PyTorch/TensorFlow
|
||||
|
||||
Tugas Lab dari [Kurikulum AI untuk Pemula](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f862a99d88088163df12270e2f2ad6c3",
|
||||
"translation_date": "2025-10-03T12:51:08+00:00",
|
||||
"source_file": "lessons/3-NeuralNetworks/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar Jaringan Neural
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "feeca98225cb420afc89415f24f63d92",
|
||||
"translation_date": "2025-09-23T10:39:05+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Pengantar Computer Vision
|
||||
|
||||
[Computer Vision](https://wikipedia.org/wiki/Computer_vision) adalah disiplin ilmu yang bertujuan untuk memungkinkan komputer memahami gambar digital pada tingkat tinggi. Definisi ini cukup luas, karena *pemahaman* dapat berarti banyak hal, termasuk menemukan objek dalam gambar (**deteksi objek**), memahami apa yang sedang terjadi (**deteksi peristiwa**), mendeskripsikan gambar dalam teks, atau merekonstruksi sebuah adegan dalam 3D. Ada juga tugas-tugas khusus terkait gambar manusia: estimasi usia dan emosi, deteksi dan identifikasi wajah, serta estimasi pose 3D, untuk menyebut beberapa contoh.
|
||||
|
|
@ -115,7 +106,7 @@ Baca lebih lanjut tentang optical flow [dalam tutorial hebat ini](https://learno
|
|||
|
||||
Dalam lab ini, Anda akan merekam video dengan gerakan sederhana, dan tujuan Anda adalah mengekstrak gerakan atas/bawah/kiri/kanan menggunakan optical flow.
|
||||
|
||||
<img src="images/palm-movement.png" width="30%" alt="Frame Gerakan Telapak Tangan"/>
|
||||
<img src="../../../../../translated_images/id/palm-movement.341495f0e9c47da3.webp" width="30%" alt="Frame Gerakan Telapak Tangan"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3d53d6409f80970f7281a45dee35328a",
|
||||
"translation_date": "2025-08-29T12:23:55+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Mendeteksi Gerakan menggunakan Optical Flow
|
||||
|
||||
Tugas Lab dari [Kurikulum AI untuk Pemula](https://aka.ms/ai-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
|
||||
"translation_date": "2025-09-23T10:38:25+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Arsitektur CNN yang Terkenal
|
||||
|
||||
### VGG-16
|
||||
|
|
@ -25,7 +16,7 @@ Seperti yang dapat Anda lihat, VGG mengikuti arsitektur piramida tradisional, ya
|
|||
|
||||
ResNet adalah keluarga model yang diusulkan oleh Microsoft Research pada tahun 2015. Ide utama dari ResNet adalah menggunakan **blok residual**:
|
||||
|
||||
<img src="images/resnet-block.png" width="300"/>
|
||||
<img src="../../../../../translated_images/id/resnet-block.aba4ccbcc0944434.webp" width="300"/>
|
||||
|
||||
> Gambar dari [makalah ini](https://arxiv.org/pdf/1512.03385.pdf)
|
||||
|
||||
|
|
@ -37,7 +28,7 @@ Anda juga dapat menganggap jaringan ini mampu menyesuaikan kompleksitasnya denga
|
|||
|
||||
Arsitektur Google Inception membawa ide ini lebih jauh, dan membangun setiap lapisan jaringan sebagai kombinasi dari beberapa jalur berbeda:
|
||||
|
||||
<img src="images/inception.png" width="400"/>
|
||||
<img src="../../../../../translated_images/id/inception.a6605b85bcbc6f52.webp" width="400"/>
|
||||
|
||||
> Gambar dari [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a560d5b845962cf33dc102266e409568",
|
||||
"translation_date": "2025-09-23T10:38:10+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Convolutional Neural Networks
|
||||
|
||||
Kita telah melihat sebelumnya bahwa jaringan neural cukup baik dalam menangani gambar, bahkan perceptron satu lapis mampu mengenali angka tulisan tangan dari dataset MNIST dengan akurasi yang cukup baik. Namun, dataset MNIST sangatlah spesial, di mana semua angka sudah dipusatkan di dalam gambar, sehingga tugas menjadi lebih sederhana.
|
||||
|
|
@ -24,7 +15,7 @@ Untuk mengekstrak pola, kita akan menggunakan konsep **filter konvolusi**. Seper
|
|||
|
||||
Sebagai contoh, jika kita menerapkan filter tepi vertikal dan horizontal 3x3 pada angka MNIST, kita dapat memperoleh sorotan (misalnya nilai tinggi) di mana terdapat tepi vertikal dan horizontal dalam gambar asli kita. Jadi, kedua filter tersebut dapat digunakan untuk "mencari" tepi. Demikian pula, kita dapat merancang filter berbeda untuk mencari pola tingkat rendah lainnya:
|
||||
|
||||
<img src="images/lmfilters.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/id/lmfilters.ea9e4868a82cf74c.webp" width="500" align="center"/>
|
||||
|
||||
> Gambar dari [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "b70fcf7fcee862990f848c679090943f",
|
||||
"translation_date": "2025-10-03T14:56:19+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Klasifikasi Wajah Hewan Peliharaan
|
||||
|
||||
Tugas Lab dari [Kurikulum AI untuk Pemula](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
|
||||
"translation_date": "2025-09-23T10:38:41+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Jaringan Pra-Latih dan Transfer Learning
|
||||
|
||||
Melatih CNN bisa memakan waktu lama, dan membutuhkan banyak data untuk tugas tersebut. Namun, sebagian besar waktu dihabiskan untuk mempelajari filter tingkat rendah terbaik yang dapat digunakan jaringan untuk mengekstrak pola dari gambar. Pertanyaan alami muncul - bisakah kita menggunakan jaringan neural yang telah dilatih pada satu dataset dan mengadaptasinya untuk mengklasifikasikan gambar yang berbeda tanpa memerlukan proses pelatihan penuh?
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
|
||||
"translation_date": "2025-08-29T12:22:01+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Trik Pelatihan Deep Learning
|
||||
|
||||
Saat jaringan neural menjadi semakin dalam, proses pelatihannya menjadi semakin menantang. Salah satu masalah utama adalah yang disebut [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) atau [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Postingan ini](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) memberikan pengantar yang baik tentang masalah tersebut.
|
||||
|
|
|
|||
|
|
@ -1,12 +1,3 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
|
||||
"translation_date": "2025-08-29T12:22:38+00:00",
|
||||
"source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
|
||||
"language_code": "id"
|
||||
}
|
||||
-->
|
||||
# Klasifikasi Oxford Pets menggunakan Transfer Learning
|
||||
|
||||
Tugas Praktikum dari [Kurikulum AI untuk Pemula](https://github.com/microsoft/ai-for-beginners).
|
||||
|
|
|
|||
Some files were not shown because too many files have changed in this diff Show More
Loading…
Reference in New Issue