diff --git a/translations/da/.co-op-translator.json b/translations/da/.co-op-translator.json
new file mode 100644
index 00000000..12facf3d
--- /dev/null
+++ b/translations/da/.co-op-translator.json
@@ -0,0 +1,398 @@
+{
+ "AGENTS.md": {
+ "original_hash": "6b11a37115944252ab3ed04e358d830d",
+ "translation_date": "2025-10-03T09:23:12+00:00",
+ "source_file": "AGENTS.md",
+ "language_code": "da"
+ },
+ "README.md": {
+ "original_hash": "1984fc89dd304a8a33ab5584691a99aa",
+ "translation_date": "2026-01-30T02:00:41+00:00",
+ "source_file": "README.md",
+ "language_code": "da"
+ },
+ "SECURITY.md": {
+ "original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
+ "translation_date": "2025-08-28T15:01:47+00:00",
+ "source_file": "SECURITY.md",
+ "language_code": "da"
+ },
+ "etc/CODE_OF_CONDUCT.md": {
+ "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+ "translation_date": "2025-08-28T16:06:55+00:00",
+ "source_file": "etc/CODE_OF_CONDUCT.md",
+ "language_code": "da"
+ },
+ "etc/CONTRIBUTING.md": {
+ "original_hash": "847a587aa1b83f4d00858183ff3ed18a",
+ "translation_date": "2025-08-28T16:06:34+00:00",
+ "source_file": "etc/CONTRIBUTING.md",
+ "language_code": "da"
+ },
+ "etc/Mindmap.md": {
+ "original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
+ "translation_date": "2025-08-28T16:05:02+00:00",
+ "source_file": "etc/Mindmap.md",
+ "language_code": "da"
+ },
+ "etc/SUPPORT.md": {
+ "original_hash": "fdfc08baee91e402938a2b1f94fe0949",
+ "translation_date": "2025-08-28T16:04:01+00:00",
+ "source_file": "etc/SUPPORT.md",
+ "language_code": "da"
+ },
+ "etc/TRANSLATIONS.md": {
+ "original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
+ "translation_date": "2025-08-28T16:06:05+00:00",
+ "source_file": "etc/TRANSLATIONS.md",
+ "language_code": "da"
+ },
+ "etc/quiz-app/README.md": {
+ "original_hash": "d699cf8509f74baa5b0b838de5cf0662",
+ "translation_date": "2025-08-28T16:07:27+00:00",
+ "source_file": "etc/quiz-app/README.md",
+ "language_code": "da"
+ },
+ "examples/README.md": {
+ "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
+ "translation_date": "2025-10-03T11:31:26+00:00",
+ "source_file": "examples/README.md",
+ "language_code": "da"
+ },
+ "lessons/0-course-setup/for-teachers.md": {
+ "original_hash": "a094ef9927883de1cfcee51dbd143381",
+ "translation_date": "2025-08-28T15:08:06+00:00",
+ "source_file": "lessons/0-course-setup/for-teachers.md",
+ "language_code": "da"
+ },
+ "lessons/0-course-setup/how-to-run.md": {
+ "original_hash": "a4717bd9103b9f6cd84d534b83534689",
+ "translation_date": "2026-01-16T02:27:08+00:00",
+ "source_file": "lessons/0-course-setup/how-to-run.md",
+ "language_code": "da"
+ },
+ "lessons/0-course-setup/setup.md": {
+ "original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
+ "translation_date": "2025-12-12T19:51:59+00:00",
+ "source_file": "lessons/0-course-setup/setup.md",
+ "language_code": "da"
+ },
+ "lessons/1-Intro/README.md": {
+ "original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
+ "translation_date": "2025-11-18T21:33:49+00:00",
+ "source_file": "lessons/1-Intro/README.md",
+ "language_code": "da"
+ },
+ "lessons/1-Intro/assignment.md": {
+ "original_hash": "a334df77a82aaaf2a29c77065d3e481e",
+ "translation_date": "2025-11-18T21:35:07+00:00",
+ "source_file": "lessons/1-Intro/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/2-Symbolic/README.md": {
+ "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
+ "translation_date": "2026-01-16T02:28:23+00:00",
+ "source_file": "lessons/2-Symbolic/README.md",
+ "language_code": "da"
+ },
+ "lessons/2-Symbolic/assignment.md": {
+ "original_hash": "a057a8604f3976c3e309884453f1fad0",
+ "translation_date": "2025-08-28T15:31:00+00:00",
+ "source_file": "lessons/2-Symbolic/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/README.md": {
+ "original_hash": "c34cbba802058b6fa267e1a294d4e510",
+ "translation_date": "2025-09-23T09:33:47+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
+ "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+ "translation_date": "2025-08-29T08:29:22+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
+ "original_hash": "789d6c3fb6fc7948a470b33078a5983a",
+ "translation_date": "2025-09-23T09:33:13+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
+ "original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
+ "translation_date": "2025-08-28T15:38:12+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/README.md": {
+ "original_hash": "ddd216f558a255260a9374008002c971",
+ "translation_date": "2025-09-23T09:34:04+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
+ "original_hash": "e452d897efb9a89700f41021834cf6e5",
+ "translation_date": "2025-08-28T15:42:04+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/3-NeuralNetworks/README.md": {
+ "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+ "translation_date": "2025-10-03T12:49:32+00:00",
+ "source_file": "lessons/3-NeuralNetworks/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/README.md": {
+ "original_hash": "feeca98225cb420afc89415f24f63d92",
+ "translation_date": "2025-09-23T09:29:06+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
+ "original_hash": "3d53d6409f80970f7281a45dee35328a",
+ "translation_date": "2025-08-28T15:20:13+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
+ "original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
+ "translation_date": "2025-09-23T09:28:10+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/README.md": {
+ "original_hash": "a560d5b845962cf33dc102266e409568",
+ "translation_date": "2025-09-23T09:27:53+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
+ "original_hash": "b70fcf7fcee862990f848c679090943f",
+ "translation_date": "2025-10-03T14:55:29+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/README.md": {
+ "original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
+ "translation_date": "2025-09-23T09:28:36+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
+ "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
+ "translation_date": "2025-08-28T15:16:24+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
+ "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
+ "translation_date": "2025-08-28T15:17:52+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/09-Autoencoders/README.md": {
+ "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
+ "translation_date": "2025-09-23T09:30:20+00:00",
+ "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/10-GANs/README.md": {
+ "original_hash": "0ff65b4da07b23697235de2beb2a3c25",
+ "translation_date": "2025-09-23T09:31:05+00:00",
+ "source_file": "lessons/4-ComputerVision/10-GANs/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/README.md": {
+ "original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
+ "translation_date": "2025-09-23T09:29:37+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
+ "original_hash": "ad568d55ae65c856fe929fc2b278510a",
+ "translation_date": "2025-08-28T15:23:12+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/README.md": {
+ "original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
+ "translation_date": "2025-09-23T09:30:50+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
+ "original_hash": "365f0decfe0f47b460bbde8227c5009d",
+ "translation_date": "2025-08-28T15:26:02+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/4-ComputerVision/README.md": {
+ "original_hash": "58a52f000089c1d8906a4daa4ab1169b",
+ "translation_date": "2025-08-28T15:11:46+00:00",
+ "source_file": "lessons/4-ComputerVision/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/13-TextRep/README.md": {
+ "original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
+ "translation_date": "2025-09-23T09:37:09+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/13-TextRep/assignment.md": {
+ "original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
+ "translation_date": "2025-08-28T16:03:41+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/14-Embeddings/README.md": {
+ "original_hash": "b708c9b85b833864c73c6281f1e6b96e",
+ "translation_date": "2025-09-23T09:36:45+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/14-Embeddings/assignment.md": {
+ "original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
+ "translation_date": "2025-08-28T16:02:00+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/15-LanguageModeling/README.md": {
+ "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
+ "translation_date": "2025-09-23T09:34:48+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/15-LanguageModeling/lab/README.md": {
+ "original_hash": "5130f01fdc5ebb83032b23d489027aac",
+ "translation_date": "2025-08-28T15:54:06+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/16-RNN/README.md": {
+ "original_hash": "e2273cc150380a5e191903cea858f021",
+ "translation_date": "2025-09-23T09:36:15+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/16-RNN/assignment.md": {
+ "original_hash": "47f7d3c6a5373543e051e4d1140ce898",
+ "translation_date": "2025-08-28T16:00:34+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/README.md": {
+ "original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
+ "translation_date": "2025-09-23T09:34:27+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
+ "original_hash": "439e12796197a90e7623d4c9c057b9c2",
+ "translation_date": "2025-08-28T15:53:04+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/18-Transformers/README.md": {
+ "original_hash": "f335dfcb4a993920504c387973a36957",
+ "translation_date": "2025-09-23T09:35:02+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/18-Transformers/assignment.md": {
+ "original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
+ "translation_date": "2025-08-28T15:55:53+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/19-NER/README.md": {
+ "original_hash": "6522312ff835796ca34136a9462fafb2",
+ "translation_date": "2025-09-23T09:35:57+00:00",
+ "source_file": "lessons/5-NLP/19-NER/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/19-NER/lab/README.md": {
+ "original_hash": "032bda5068f543d6c1fcb30c34231461",
+ "translation_date": "2025-08-28T15:58:16+00:00",
+ "source_file": "lessons/5-NLP/19-NER/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/20-LangModels/README.md": {
+ "original_hash": "97836d30a6bec736f8e3b4411c572bc2",
+ "translation_date": "2025-09-23T09:35:38+00:00",
+ "source_file": "lessons/5-NLP/20-LangModels/README.md",
+ "language_code": "da"
+ },
+ "lessons/5-NLP/README.md": {
+ "original_hash": "8ef02a9318257ea140ed3ed74442096d",
+ "translation_date": "2025-08-28T15:51:00+00:00",
+ "source_file": "lessons/5-NLP/README.md",
+ "language_code": "da"
+ },
+ "lessons/6-Other/21-GeneticAlgorithms/README.md": {
+ "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
+ "translation_date": "2025-09-23T09:26:28+00:00",
+ "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
+ "language_code": "da"
+ },
+ "lessons/6-Other/22-DeepRL/README.md": {
+ "original_hash": "04395657fc01648f8f70484d0e55ab67",
+ "translation_date": "2025-09-23T09:27:25+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/README.md",
+ "language_code": "da"
+ },
+ "lessons/6-Other/22-DeepRL/lab/README.md": {
+ "original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
+ "translation_date": "2025-08-28T15:07:40+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
+ "language_code": "da"
+ },
+ "lessons/6-Other/23-MultiagentSystems/README.md": {
+ "original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
+ "translation_date": "2025-09-23T09:26:42+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
+ "language_code": "da"
+ },
+ "lessons/6-Other/23-MultiagentSystems/assignment.md": {
+ "original_hash": "cf654ca60c7f86c8dad28596fb42994b",
+ "translation_date": "2025-08-28T15:05:53+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
+ "language_code": "da"
+ },
+ "lessons/7-Ethics/README.md": {
+ "original_hash": "437c988596e751072e41a5aad3fcc5d9",
+ "translation_date": "2025-08-28T15:31:28+00:00",
+ "source_file": "lessons/7-Ethics/README.md",
+ "language_code": "da"
+ },
+ "lessons/README.md": {
+ "original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
+ "translation_date": "2025-08-28T15:02:19+00:00",
+ "source_file": "lessons/README.md",
+ "language_code": "da"
+ },
+ "lessons/X-Extras/X1-MultiModal/README.md": {
+ "original_hash": "9c592c26aca16ca085d268c732284187",
+ "translation_date": "2025-08-28T15:10:45+00:00",
+ "source_file": "lessons/X-Extras/X1-MultiModal/README.md",
+ "language_code": "da"
+ },
+ "lessons/sketchnotes/LICENSE.md": {
+ "original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
+ "translation_date": "2025-08-28T15:46:18+00:00",
+ "source_file": "lessons/sketchnotes/LICENSE.md",
+ "language_code": "da"
+ },
+ "lessons/sketchnotes/README.md": {
+ "original_hash": "050b8bddebafba55b129414e6ab096ab",
+ "translation_date": "2025-08-28T15:42:23+00:00",
+ "source_file": "lessons/sketchnotes/README.md",
+ "language_code": "da"
+ },
+ "troubleshoot.md": {
+ "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
+ "translation_date": "2025-10-03T09:45:25+00:00",
+ "source_file": "troubleshoot.md",
+ "language_code": "da"
+ }
+}
\ No newline at end of file
diff --git a/translations/da/AGENTS.md b/translations/da/AGENTS.md
index 62673b77..175e8500 100644
--- a/translations/da/AGENTS.md
+++ b/translations/da/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## Projektoversigt
diff --git a/translations/da/README.md b/translations/da/README.md
index 72d10c9b..cc6be82c 100644
--- a/translations/da/README.md
+++ b/translations/da/README.md
@@ -1,12 +1,3 @@
-
[](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/)
@@ -21,13 +12,13 @@ CO_OP_TRANSLATOR_METADATA:
[](https://discord.gg/nTYy5BXMWG)
-# Kunstig Intelligens for Begyndere - Et Kursusprogram
+# Kunstig Intelligens for Begyndere - Et Læseplan
-||
+||
|:---:|
| AI For Beginners - _Sketchnote af [@girlie_mac](https://twitter.com/girlie_mac)_ |
-Udforsk verdenen af **Kunstig Intelligens** (AI) med vores 12-ugers, 24-lektioners kursusprogram! Det inkluderer praktiske lektioner, quizzer og laboratorier. Kursusprogrammet er begyndervenligt og dækker værktøjer som TensorFlow og PyTorch samt etik inden for AI.
+Udforsk verdenen af **Kunstig Intelligens** (AI) med vores 12-ugers, 24-lektioners læseplan! Den inkluderer praktiske lektioner, quizzer og laboratorier. Læseplanen er begynder-venlig og dækker værktøjer som TensorFlow og PyTorch samt etik inden for AI.
### 🌐 Fleresproget Support
@@ -35,111 +26,112 @@ Udforsk verdenen af **Kunstig Intelligens** (AI) med vores 12-ugers, 24-lektione
#### Understøttet via GitHub Action (Automatiseret & Altid Opdateret)
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](./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](../id/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)](../br/README.md) | [Portuguese (Portugal)](../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)
+[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](./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](../id/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)
> **Foretrækker du at klone lokalt?**
-> Dette repository inkluderer 50+ sprogoversættelser, som væsentligt øger downloadstørrelsen. For at klone uden oversættelser, brug spars_checkout:
+> Dette repository inkluderer 50+ sprogoversættelser, hvilket i væsentlig grad øger downloadstørrelsen. For at klone uden oversættelser, brug 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'
> ```
-> Dette giver dig alt, hvad du behøver for at gennemføre kurset med en meget hurtigere download.
+> Dette giver dig alt, hvad du behøver for at gennemføre kurset med en langt hurtigere download.
-**Hvis du ønsker, at yderligere oversættelsessprog understøttes, er de listet [her](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**Hvis du ønsker yderligere sprogunderstøttelse, er de understøttede sprog listet [her](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
## Deltag i fællesskabet
[](https://discord.gg/nTYy5BXMWG)
## Hvad du vil lære
-**[Mindmap af Kurset](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
+**[Mindmap for Kurset](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
-I dette kursusprogram vil du lære:
+I denne læseplan vil du lære:
-* Forskellige tilgange til Kunstig Intelligens, inklusive den "gode gamle" symbolske tilgang med **Videnrepræsentation** og ræsonnering ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
-* **Neurale Netværk** og **Deep Learning**, som er kernen i moderne AI. Vi vil illustrere begreberne bag disse vigtige emner ved brug af kode i to af de mest populære frameworks - [TensorFlow](http://Tensorflow.org) og [PyTorch](http://pytorch.org).
-* **Neurale Arkitekturer** til arbejde med billeder og tekst. Vi vil dække nyere modeller, men kan være en smule mangelfulde i forhold til det nyeste og mest avancerede.
+* Forskellige tilgange til Kunstig Intelligens, inklusive den "gamle gode" symbolske tilgang med **Vidensrepræsentation** og ræsonnering ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
+* **Neurale Netværk** og **Deep Learning**, som er kernen i moderne AI. Vi vil illustrere begreberne bag disse vigtige emner ved hjælp af kode i to af de mest populære frameworks - [TensorFlow](http://Tensorflow.org) og [PyTorch](http://pytorch.org).
+* **Neurale Arkitekturer** til arbejde med billeder og tekst. Vi dækker nyere modeller, men kan være lidt mangelfulde med hensyn til state-of-the-art.
* Mindre populære AI-tilgange, såsom **Genetiske Algoritmer** og **Multi-Agent Systemer**.
-Hvad vi ikke vil dække i dette kursusprogram:
+Hvad vi ikke dækker i denne læseplan:
-> [Find alle yderligere ressourcer til dette kursus i vores Microsoft Learn samling](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
+> [Find alle yderligere ressourcer til dette kursus i vores Microsoft Learn-kollektion](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
-* Forretningscases for brug af **AI i forretning**. Overvej at tage [Introduktion til AI for forretningsbrugere](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) læringssti på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), udviklet i samarbejde med [INSEAD](https://www.insead.edu/).
-* **Klassisk Maskinlæring**, som er godt beskrevet i vores [Maskinlæring for Begyndere Kursusprogram](http://github.com/Microsoft/ML-for-Beginners).
-* Praktiske AI-applikationer bygget ved hjælp af **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Til dette anbefaler vi, at du starter med moduler på Microsoft Learn om [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [naturlig sprogbehandling](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativ AI med Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** og andre.
-* Specifikke ML **Cloud Frameworks**, såsom [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), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overvej at bruge læringsstierne [Byg og drift maskinlæringsløsninger med Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) og [Byg og drift maskinlæringsløsninger med Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
-* **Samtale-baseret AI** og **Chat Bots**. Der findes en separat [Opret samtale-AI løsninger](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) læringssti, og du kan også henvise til [denne blogpost](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for flere detaljer.
-* **Dyb matematik** bag deep learning. Til dette anbefaler vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) af Ian Goodfellow, Yoshua Bengio og Aaron Courville, som også er tilgængelig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
+* Business cases for brugen af **AI i Forretning**. Overvej at tage [Introduktion til AI for forretningsbrugere](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) læringssti på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), udviklet i samarbejde med [INSEAD](https://www.insead.edu/).
+* **Klassisk Maskinlæring**, som er godt beskrevet i vores [Maskinlæring for Begyndere-læseplan](http://github.com/Microsoft/ML-for-Beginners).
+* Praktiske AI-applikationer bygget ved hjælp af **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. For dette anbefaler vi, at du starter med moduler fra Microsoft Learn for [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [naturlig sprogbehandling](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativ AI med Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** og andre.
+* Specifikke ML **Cloud Frameworks**, såsom [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), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Overvej at bruge [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) og [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) læringsstier.
+* **Samtale-AI** og **Chatbots**. Der findes en separat [Opret samtale-AI-løsninger](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) læringssti, og du kan også henvise til [dette blogindlæg](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) for flere detaljer.
+* **Dybtgående matematik** bag deep learning. Til dette anbefaler vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) af Ian Goodfellow, Yoshua Bengio og Aaron Courville, som også er tilgængelig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
-For en blid introduktion til _AI i skyen_ emner kan du overveje at tage [Kom godt i gang med kunstig intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) læringssti.
+For en blid introduktion til _AI i Skyen_ -emner kan du overveje at tage [Kom godt i gang med kunstig intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) læringssti.
# Indhold
| | Lektion Link | PyTorch/Keras/TensorFlow | Laboratorium |
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
-| 0 | [Opsætning af Kurset](./lessons/0-course-setup/setup.md) | [Opsæt dit Udviklingsmiljø](./lessons/0-course-setup/how-to-run.md) | |
+| 0 | [Kursusopsætning](./lessons/0-course-setup/setup.md) | [Opsæt dit udviklingsmiljø](./lessons/0-course-setup/how-to-run.md) | |
| I | [**Introduktion til AI**](./lessons/1-Intro/README.md) | | |
-| 01 | [Introduktion og Historie om AI](./lessons/1-Intro/README.md) | - | - |
+| 01 | [Introduktion og historie om AI](./lessons/1-Intro/README.md) | - | - |
| II | **Symbolsk AI** |
-| 02 | [Videnrepræsentation og Ekspertsystemer](./lessons/2-Symbolic/README.md) | [Ekspertsystemer](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Konceptgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
-| III | [**Introduktion til Neurale Netværk**](./lessons/3-NeuralNetworks/README.md) |||
+| 02 | [Vidensrepræsentation og ekspertsystemer](./lessons/2-Symbolic/README.md) | [Ekspertsystemer](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Begrebsgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
+| III | [**Introduktion til neurale netværk**](./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 and Creating our own Framework](./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 to Frameworks (PyTorch/TensorFlow) and Overfitting](./lessons/3-NeuralNetworks/05-Frameworks/README.md) | [PyTorch](./lessons/3-NeuralNetworks/05-Frameworks/IntroPyTorch.ipynb) / [Keras](./lessons/3-NeuralNetworks/05-Frameworks/IntroKeras.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
+| 04 | [Multi-Layered Perceptron og oprettelse af vores eget framework](./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 til frameworks (PyTorch/TensorFlow) og 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)| [Udforsk Computer Vision på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
-| 06 | [Intro to 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) & [CNN Architectures](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [Lab](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
-| 08 | [Pre-trained Networks and Transfer Learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [Training Tricks](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [Lab](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
-| 09 | [Autoencoders and 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 & Artistic Style Transfer](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
-| 11 | [Object Detection](./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 | [Semantic Segmentation. 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) | [Udforsk Natural Language Processing på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
-| 13 | [Text Representation. 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 | [Semantic word embeddings. Word2Vec and GloVe](./lessons/5-NLP/14-Embeddings/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/14-Embeddings/EmbeddingsTF.ipynb) | |
-| 15 | [Language Modeling. Training your own embeddings](./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) |
+| 06 | [Intro til 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) & [CNN-arkitekturer](./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 | [Fortrænede netværk og transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) og [Træningstricks](./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 og 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 & kunstnerisk stiloverførsel](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
+| 11 | [Objektdetektion](./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 | [Semantisk segmentering. 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 | [**Naturlig Sprogbehandling**](./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) | [Udforsk Naturlig Sprogbehandling på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
+| 13 | [Tekstrepræsentation. 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 | [Semantiske ord-embeddings. Word2Vec og 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 | [Sprogsmodellering. Træning af dine egne embeddings](./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) | |
| 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 | [Large Language Models, Prompt Programming and Few-Shot Tasks](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
+| 20 | [Store sprogmodeller, promptprogrammering og few-shot opgaver](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **Andre AI-teknikker** || |
-| 21 | [Genetic Algorithms](./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) |
-| 23 | [Multi-Agent Systems](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
+| 21 | [Genetiske algoritmer](./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) |
+| 23 | [Multi-agent systemer](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **AI-etik** | | |
-| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Responsible AI Principles](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
-| IX | **Ekstra materiale** | | |
-| 25 | [Multi-Modal Networks, CLIP and VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
+| 24 | [AI-etik og ansvarligt AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Principper for ansvarligt AI](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
+| IX | **Ekstra** | | |
+| 25 | [Multi-modale netværk, CLIP og VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
## Hver lektion indeholder
-* Forlæsningsmateriale
-* Eksekverbare Jupyter-notebooks, som ofte er specifikke for frameworket (**PyTorch** eller **TensorFlow**). Den eksekverbare notebook indeholder også meget teoretisk materiale, så for at forstå emnet skal man igennem mindst én version af notebook’en (enten PyTorch eller TensorFlow).
-* **Laboratorier** tilgængelige for nogle emner, som giver dig mulighed for at prøve at anvende det lærte materiale på et specifikt problem.
+* Forudgående læsemateriale
+* Eksekverbare Jupyter notebooks, som ofte er specifikke for frameworket (**PyTorch** eller **TensorFlow**). Den eksekverbare notebook indeholder også meget teoretisk materiale, så for at forstå emnet skal du gennemgå mindst én version af notebook'en (enten PyTorch eller TensorFlow).
+* **Labs** tilgængelige for nogle emner, som giver dig mulighed for at prøve at anvende materialet, du har lært, på et specifikt problem.
* Nogle sektioner indeholder links til [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduler, der dækker relaterede emner.
## Kom godt i gang
### 🎯 Ny til AI? Start her!
-Hvis du er helt ny til AI og vil have hurtige, praktiske eksempler, så tjek vores [**Begyndervenlige eksempler**](./examples/README.md)! Disse inkluderer:
+Hvis du er helt ny til AI og ønsker hurtige, praktiske eksempler, så kig på vores [**Begynder-venlige eksempler**](./examples/README.md)! Disse inkluderer:
-- 🌟 **Hello AI World** - Dit første AI-program (mønster genkendelse)
-- 🧠 **Simple Neural Network** - Byg et neuralt netværk fra bunden
-- 🖼️ **Image Classifier** - Klassificer billeder med detaljerede kommentarer
-- 💬 **Tekstfølelse** - Analyser positiv/negativ tekst
+- 🌟 **Hej AI-verden** - Dit første AI-program (mønster-genkendelse)
+- 🧠 **Simpelt neuralt netværk** - Byg et neuralt netværk fra bunden
-Disse eksempler er designet til at hjælpe dig med at forstå AI-koncepter, før du dykker ned i det fulde pensum.
+- 🖼️ **Billedklassifikator** - Klassificer billeder med detaljerede kommentarer
+- 💬 **Tekst-sentiment** - Analyser positiv/negativ tekst
-### 📚 Opsætning af hele pensum
+Disse eksempler er designet til at hjælpe dig med at forstå AI-koncepter, inden du dykker ned i det fulde pensum.
-- Vi har oprettet en [opsætningslektion](./lessons/0-course-setup/setup.md) for at hjælpe dig med at sætte dit udviklingsmiljø op. - For undervisere har vi også oprettet en [pensumopsætningslektion](./lessons/0-course-setup/for-teachers.md)!
-- Sådan [kører du koden i VSCode eller en Codespace](./lessons/0-course-setup/how-to-run.md)
+### 📚 Opsætning af det fulde pensum
+
+- Vi har lavet en [opsætningslektion](./lessons/0-course-setup/setup.md) for at hjælpe dig med opsætningen af dit udviklingsmiljø. - For undervisere har vi også lavet en [pensumopsætningslektion](./lessons/0-course-setup/for-teachers.md)!
+- Hvordan du [kører koden i VSCode eller en Codespace](./lessons/0-course-setup/how-to-run.md)
Følg disse trin:
@@ -147,33 +139,33 @@ Fork Repository: Klik på knappen "Fork" øverst til højre på denne side.
Klon Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
-Glem ikke at give denne repo en stjerne (🌟) for nemmere at finde den senere.
+Glem ikke at give denne repo en stjerne (🌟), så du nemmere kan finde den senere.
## Mød andre lærende
-Deltag i vores [officielle AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) for at møde og netværke med andre, der tager dette kursus, og få support.
+Deltag i vores [officielle AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) for at møde og netværke med andre lærende, der tager dette kursus, og få støtte.
-Hvis du har produktfeedback eller spørgsmål, mens du bygger, så besøg vores [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
+Hvis du har feedback på produktet eller spørgsmål undervejs, besøg vores [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
## Quizzer
-> **En note om quizzer**: Alle quizzer findes i Quiz-app mappen under etc\quiz-app, eller [Online her](https://ff-quizzes.netlify.app/) De er linket fra lektionerne, quiz-appen kan køre lokalt eller implementeres til Azure; følg instruktionerne i `quiz-app` mappen. De lokaliseres gradvist.
+> **En note om quizzer**: Alle quizzer findes i Quiz-app mappen i etc\quiz-app, eller [Online Her](https://ff-quizzes.netlify.app/) De er linket fra lektionerne, quiz-appen kan køres lokalt eller deployeres til Azure; følg instruktionerne i `quiz-app` mappen. De bliver gradvist oversat.
-## Hjælp ønskes
+## Brug for hjælp
-Har du forslag eller fundet stavefejl eller kodefejl? Opret et issue eller lav en pull request.
+Har du forslag eller har fundet stave- eller kodefejl? Opret en issue eller et pull request.
-## Særlige tak
+## Speciel tak
-* **✍️ Hovedforfatter:** [Dmitry Soshnikov](http://soshnikov.com), PhD
+* **✍️ Primær forfatter:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **🔥 Redaktør:** [Jen Looper](https://twitter.com/jenlooper), PhD
* **🎨 Sketchnote illustrator:** [Tomomi Imura](https://twitter.com/girlie_mac)
-* **✅ Quiz-skaber:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
-* **🙏 Kernenbidragydere:** [Evgenii Pishchik](https://github.com/Pe4enIks)
+* **✅ Quizskaber:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
+* **🙏 Kernebidragydere:** [Evgenii Pishchik](https://github.com/Pe4enIks)
-## Andre pensummer
+## Andre pensumforløb
-Vores team producerer andre pensummer! Tjek:
+Vores team laver andre pensumforløb! Se her:
### LangChain
@@ -221,7 +213,7 @@ Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag med andre
[](https://discord.gg/nTYy5BXMWG)
-Hvis du har produktfeedback eller fejl under udvikling, besøg:
+Hvis du har produktfeedback eller fejl under udviklingen, besøg:
[](https://aka.ms/foundry/forum)
@@ -229,5 +221,5 @@ Hvis du har produktfeedback eller fejl under udvikling, besøg:
**Ansvarsfraskrivelse**:
-Dette dokument er oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.
+Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål skal betragtes som den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse.
\ No newline at end of file
diff --git a/translations/da/SECURITY.md b/translations/da/SECURITY.md
index 423c72d9..d4d3fd7f 100644
--- a/translations/da/SECURITY.md
+++ b/translations/da/SECURITY.md
@@ -1,12 +1,3 @@
-
## Sikkerhed
Microsoft tager sikkerheden af vores softwareprodukter og -tjenester alvorligt, hvilket inkluderer alle kildekoderepositorier, der administreres gennem vores GitHub-organisationer, som inkluderer [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) og [vores GitHub-organisationer](https://opensource.microsoft.com/).
diff --git a/translations/da/etc/CODE_OF_CONDUCT.md b/translations/da/etc/CODE_OF_CONDUCT.md
index 86d45f3a..eb3d0058 100644
--- a/translations/da/etc/CODE_OF_CONDUCT.md
+++ b/translations/da/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# Microsoft Open Source Adfærdskodeks
Dette projekt har vedtaget [Microsoft Open Source Adfærdskodeks](https://opensource.microsoft.com/codeofconduct/).
diff --git a/translations/da/etc/CONTRIBUTING.md b/translations/da/etc/CONTRIBUTING.md
index e12cb229..db562717 100644
--- a/translations/da/etc/CONTRIBUTING.md
+++ b/translations/da/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# Bidrag
Dette projekt byder velkommen til bidrag og forslag. De fleste bidrag kræver, at du accepterer en Contributor License Agreement (CLA), der erklærer, at du har retten til, og faktisk giver os rettighederne til at bruge dit bidrag. For detaljer, besøg https://cla.microsoft.com.
diff --git a/translations/da/etc/Mindmap.md b/translations/da/etc/Mindmap.md
index 17848a0a..755f750e 100644
--- a/translations/da/etc/Mindmap.md
+++ b/translations/da/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# AI
## [Introduktion til AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/da/etc/SUPPORT.md b/translations/da/etc/SUPPORT.md
index f8e74402..cb9df34f 100644
--- a/translations/da/etc/SUPPORT.md
+++ b/translations/da/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# Support
## Sådan indsender du problemer og får hjælp
diff --git a/translations/da/etc/TRANSLATIONS.md b/translations/da/etc/TRANSLATIONS.md
index 6d465e47..a6753a29 100644
--- a/translations/da/etc/TRANSLATIONS.md
+++ b/translations/da/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# Bidrag ved at oversætte lektioner
Vi byder velkommen til oversættelser af lektionerne i dette pensum!
diff --git a/translations/da/etc/quiz-app/README.md b/translations/da/etc/quiz-app/README.md
index 2ed01279..bc118854 100644
--- a/translations/da/etc/quiz-app/README.md
+++ b/translations/da/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# Quizzer
Disse quizzer er før- og efterforelæsningsquizzer for AI-læseplanen på https://aka.ms/ai-beginners
diff --git a/translations/da/examples/README.md b/translations/da/examples/README.md
index 9f76d2ce..67eac562 100644
--- a/translations/da/examples/README.md
+++ b/translations/da/examples/README.md
@@ -1,12 +1,3 @@
-
# Begynder-venlige AI-eksempler
Velkommen! Denne mappe indeholder enkle, selvstændige eksempler, der hjælper dig med at komme i gang med AI og maskinlæring. Hvert eksempel er designet til at være begyndervenligt med detaljerede kommentarer og trin-for-trin forklaringer.
diff --git a/translations/da/lessons/0-course-setup/for-teachers.md b/translations/da/lessons/0-course-setup/for-teachers.md
index 4b660c25..48341dc7 100644
--- a/translations/da/lessons/0-course-setup/for-teachers.md
+++ b/translations/da/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# For undervisere
Vil du gerne bruge dette pensum i dit klasseværelse? Du er meget velkommen!
diff --git a/translations/da/lessons/0-course-setup/how-to-run.md b/translations/da/lessons/0-course-setup/how-to-run.md
index ba89f00c..ecabe398 100644
--- a/translations/da/lessons/0-course-setup/how-to-run.md
+++ b/translations/da/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# Sådan kører du koden
Dette kursusindhold indeholder mange eksekverbare eksempler og laboratorier, som du vil ønske at køre. For at kunne gøre dette, har du brug for muligheden for at eksekvere Python-kode i Jupyter Notebooks, som leveres som en del af dette kursusindhold. Du har flere muligheder for at køre koden:
diff --git a/translations/da/lessons/0-course-setup/setup.md b/translations/da/lessons/0-course-setup/setup.md
index 4ddd515f..5e00eb7c 100644
--- a/translations/da/lessons/0-course-setup/setup.md
+++ b/translations/da/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# Kom godt i gang med dette pensum
## Er du studerende?
diff --git a/translations/da/lessons/1-Intro/README.md b/translations/da/lessons/1-Intro/README.md
index 4901fb13..74af696e 100644
--- a/translations/da/lessons/1-Intro/README.md
+++ b/translations/da/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# Introduktion til AI
diff --git a/translations/da/lessons/1-Intro/assignment.md b/translations/da/lessons/1-Intro/assignment.md
index 3f9df248..074cc5a7 100644
--- a/translations/da/lessons/1-Intro/assignment.md
+++ b/translations/da/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# Spil Jam
Spil er et område, der i høj grad er blevet påvirket af udviklingen inden for AI og ML. I denne opgave skal du skrive en kort opgave om et spil, som du kan lide, og som er blevet påvirket af AI's udvikling. Det skal være et spil, der er gammelt nok til at være blevet påvirket af flere typer computerbehandlingssystemer. Et godt eksempel er skak eller Go, men kig også på videospil som Pong eller Pac-Man. Skriv et essay, der diskuterer spillets fortid, nutid og AI-fremtid.
diff --git a/translations/da/lessons/2-Symbolic/README.md b/translations/da/lessons/2-Symbolic/README.md
index a83f0a65..4ff54c66 100644
--- a/translations/da/lessons/2-Symbolic/README.md
+++ b/translations/da/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# Videnrepræsentation og Ekspertsystemer
-
+
> Sketchnote af [Tomomi Imura](https://twitter.com/girlie_mac)
@@ -41,7 +32,7 @@ Ofte definerer vi ikke viden strengt, men vi placerer den i forhold til andre re
Derfor er problemet med **videnrepræsentation** at finde en effektiv måde at repræsentere viden inden i en computer i form af data, så det kan bruges automatisk. Dette kan ses som et spektrum:
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
@@ -94,7 +85,7 @@ Blok-syntaks | Indrykning | | |
En af de tidlige succeser inden for symbolsk AI var de såkaldte **ekspertsystemer** – computersystemer designet til at optræde som eksperter inden for et begrænset problemområde. De var baseret på en **videndatabase** udvundet fra én eller flere menneskelige eksperter, og indeholdt en **inferenmotor**, der udførte ræsonnering ovenpå denne.
- | 
+ | 
---------------------------------------------|------------------------------------------------
Forenklet struktur af et menneskeligt neuralt system | Arkitektur af et videnbaseret system
@@ -106,7 +97,7 @@ Ekspertsystemer er bygget som det menneskelige ræsonneringssystem, der indehold
Som eksempel kan vi tage følgende ekspertsystem til at bestemme et dyr baseret på dets fysiske karakteristika:
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/da/lessons/2-Symbolic/assignment.md b/translations/da/lessons/2-Symbolic/assignment.md
index cb1307f4..df604e9e 100644
--- a/translations/da/lessons/2-Symbolic/assignment.md
+++ b/translations/da/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# Byg en ontologi
At opbygge en vidensbase handler om at kategorisere en model, der repræsenterer fakta om et emne. Vælg et emne - som en person, et sted eller en ting - og byg derefter en model af det emne. Brug nogle af de teknikker og modelopbygningsstrategier, der er beskrevet i denne lektion. Et eksempel kunne være at skabe en ontologi for en stue med møbler, lamper osv. Hvordan adskiller stuen sig fra køkkenet? Badeværelset? Hvordan ved du, at det er en stue og ikke en spisestue? Brug [Protégé](https://protege.stanford.edu/) til at opbygge din ontologi.
diff --git a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md
index c86568ce..17f98843 100644
--- a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# Introduktion til Neurale Netværk: Perceptron
## [Quiz før lektionen](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@@ -15,7 +6,7 @@ En af de første forsøg på at implementere noget, der minder om et moderne neu
| | |
|--------------|-----------|
-|
| 
|
+|
| 
|
> Billeder [fra Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
hvor f er en step-aktiveringsfunktion
-
+
## Træning af Perceptron
diff --git a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index 94efca9e..d76da33e 100644
--- a/translations/da/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# Multi-klasse klassifikation med Perceptron
Lab-opgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index bd308442..d172b0f4 100644
--- a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# Introduktion til Neurale Netværk. Multi-Layered Perceptron
I den forrige sektion lærte du om den simpleste model for neurale netværk - enlaget perceptron, en lineær to-klasse klassifikationsmodel.
@@ -65,7 +56,7 @@ Gradient descent-algoritmen forbliver den samme, men det bliver mere udfordrende
Bemærk, at den venstre del af alle disse udtryk er den samme, og derfor kan vi effektivt beregne afledte ved at starte fra tab-funktionen og gå "baglæns" gennem beregningsgrafen. Derfor kaldes metoden til træning af et flerlaget perceptron for **backpropagation**, eller 'backprop'.
-
+
> TODO: billedhenvisning
diff --git a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index 5d0504c8..a8571408 100644
--- a/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# MNIST Klassifikation med Vores Egen Ramme
Lab-opgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md
index cd60ad3f..9c6eab7d 100644
--- a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# Neural Netværk Frameworks
Som vi allerede har lært, skal vi gøre to ting for at kunne træne neurale netværk effektivt:
diff --git a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index 2d574d85..3b7466ed 100644
--- a/translations/da/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassifikation med PyTorch/TensorFlow
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/3-NeuralNetworks/README.md b/translations/da/lessons/3-NeuralNetworks/README.md
index 4da08e80..9adf9e1f 100644
--- a/translations/da/lessons/3-NeuralNetworks/README.md
+++ b/translations/da/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# Introduktion til Neurale Netværk
diff --git a/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md
index 980d7e82..8a56a3b9 100644
--- a/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/da/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# Introduktion til Computer Vision
[Computer Vision](https://wikipedia.org/wiki/Computer_vision) er en disciplin, der har til formål at give computere en højere forståelse af digitale billeder. Dette er en bred definition, da *forståelse* kan betyde mange forskellige ting, herunder at finde et objekt på et billede (**objektdetektion**), forstå hvad der sker (**begivenhedsdetektion**), beskrive et billede med tekst eller rekonstruere en scene i 3D. Der er også særlige opgaver relateret til menneskelige billeder: alder- og følelsesestimering, ansigtsdetektion og -identifikation samt 3D-positur-estimering, for blot at nævne nogle få.
@@ -115,7 +106,7 @@ Læs mere om optisk flow [i denne fremragende tutorial](https://learnopencv.com/
I denne opgave skal du tage en video med simple gestusser, og dit mål er at udtrække op/ned/venstre/højre bevægelser ved hjælp af optisk flow.
-
+
---
diff --git a/translations/da/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/da/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index 28f05bf1..adb4d460 100644
--- a/translations/da/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/da/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# Registrering af bevægelser ved hjælp af optisk flow
Laboratorieopgave fra [AI for Beginners Curriculum](https://aka.ms/ai-beginners).
diff --git a/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index 938f9a91..57ad9f7a 100644
--- a/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/da/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# Velkendte CNN-arkitekturer
### VGG-16
@@ -25,7 +16,7 @@ Som du kan se, følger VGG en traditionel pyramidearkitektur, som er en sekvens
ResNet er en familie af modeller foreslået af Microsoft Research i 2015. Hovedideen bag ResNet er brugen af **residualblokke**:
-
+
> Billede fra [denne artikel](https://arxiv.org/pdf/1512.03385.pdf)
@@ -37,7 +28,7 @@ Du kan også tænke på dette netværk som værende i stand til at justere sin k
Google Inception-arkitekturen tager denne idé et skridt videre og bygger hvert netværkslag som en kombination af flere forskellige veje:
-
+
> Billede fra [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md
index 1d13fa1f..437cfa29 100644
--- a/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/da/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# Konvolutionelle Neurale Netværk
Vi har tidligere set, at neurale netværk er ret gode til at arbejde med billeder, og selv et enkeltlags perceptron kan genkende håndskrevne cifre fra MNIST-datasættet med rimelig nøjagtighed. Dog er MNIST-datasættet meget specielt, da alle cifre er centreret i billedet, hvilket gør opgaven enklere.
@@ -24,7 +15,7 @@ For at udtrække mønstre vil vi bruge begrebet **konvolutionelle filtre**. Som
For eksempel, hvis vi anvender 3x3 vertikale og horisontale kantfiltre på MNIST-cifre, kan vi fremhæve (f.eks. høje værdier), hvor der er vertikale og horisontale kanter i vores oprindelige billede. Disse to filtre kan således bruges til at "lede efter" kanter. På samme måde kan vi designe forskellige filtre til at finde andre lavniveau-mønstre:
-
+
> Billede af [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/da/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/da/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index 6f4965a1..f2bcaa26 100644
--- a/translations/da/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/da/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassifikation af kæledyrs ansigter
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md
index f5dfd4b0..97dd490f 100644
--- a/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/da/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# Forudtrænede Netværk og Transfer Learning
Træning af CNN'er kan tage meget tid, og der kræves en stor mængde data til denne opgave. Meget af tiden bruges dog på at lære de bedste lavniveau-filtre, som et netværk kan bruge til at udtrække mønstre fra billeder. Et naturligt spørgsmål opstår: Kan vi bruge et neuralt netværk, der er trænet på ét datasæt, og tilpasse det til at klassificere andre billeder uden at skulle gennemgå en fuld træningsproces?
diff --git a/translations/da/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/da/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index 09537946..0736cabd 100644
--- a/translations/da/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/da/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# Tricks til træning af dybe neurale netværk
Når neurale netværk bliver dybere, bliver træningsprocessen mere og mere udfordrende. Et stort problem er de såkaldte [forsvindende gradienter](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) eller [eksploderende gradienter](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Denne artikel](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) giver en god introduktion til disse problemer.
diff --git a/translations/da/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/da/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index 40577f53..ca5eedbc 100644
--- a/translations/da/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/da/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassificering af Oxford Pets ved hjælp af Transfer Learning
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md
index c5f8852e..91929dba 100644
--- a/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/da/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# Autoencodere
Når vi træner CNN'er, er en af udfordringerne, at vi har brug for en stor mængde mærkede data. I tilfælde af billedklassifikation skal vi opdele billeder i forskellige klasser, hvilket kræver manuelt arbejde.
@@ -46,7 +37,7 @@ Opsummeret:
* Vi sampler en vektor `sample` fra fordelingen N(zmean,exp(zlog\_sigma)).
* Decoderen forsøger at dekode det oprindelige billede ved hjælp af `sample` som inputvektor.
- 
+ 
> Billede fra [denne blogpost](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) af Isaak Dykeman
@@ -57,13 +48,13 @@ Variationsautoencodere bruger en kompleks tab-funktion, der består af to dele:
En vigtig fordel ved VAE'er er, at de gør det relativt nemt at generere nye billeder, fordi vi ved, hvilken fordeling vi skal sample latente vektorer fra. For eksempel, hvis vi træner en VAE med en 2D latent vektor på MNIST, kan vi derefter variere komponenterne i den latente vektor for at få forskellige cifre:
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
Bemærk, hvordan billederne flyder ind i hinanden, når vi begynder at tage latente vektorer fra forskellige dele af det latente parameter-rum. Vi kan også visualisere dette rum i 2D:
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/da/lessons/4-ComputerVision/10-GANs/README.md b/translations/da/lessons/4-ComputerVision/10-GANs/README.md
index d7d0d932..33baed30 100644
--- a/translations/da/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/da/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# Generative Adversarial Networks
I den forrige sektion lærte vi om **generative modeller**: modeller, der kan generere nye billeder, der ligner dem i træningsdatasættet. VAE var et godt eksempel på en generativ model.
@@ -17,7 +8,7 @@ Men hvis vi forsøger at generere noget virkelig meningsfuldt, som et maleri i r
Hovedideen bag en GAN er at have to neurale netværk, der trænes mod hinanden:
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
@@ -41,7 +32,7 @@ En generator er lidt mere kompleks. Du kan betragte den som en omvendt discrimin
> ✅ Fordi konvolutionslaget implementeres som et lineært filter, der bevæger sig hen over billedet, er dekonvolution i bund og grund det samme som konvolution og kan implementeres med samme laglogik.
-
+
> Billede af [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md
index 3974c5ec..01b0caff 100644
--- a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# Objektgenkendelse
De billedklassifikationsmodeller, vi hidtil har arbejdet med, tog et billede og producerede et kategorisk resultat, som f.eks. klassen 'nummer' i et MNIST-problem. Men i mange tilfælde ønsker vi ikke blot at vide, at et billede viser objekter – vi vil også kunne bestemme deres præcise placering. Det er netop formålet med **objektgenkendelse**.
diff --git a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index 18b6f313..6e92f667 100644
--- a/translations/da/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/da/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# Hoveddetektion ved brug af Hollywood Heads Dataset
Lab-opgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md
index fc4492e8..8309c38c 100644
--- a/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/da/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# Segmentering
Vi har tidligere lært om Objektgenkendelse, som giver os mulighed for at lokalisere objekter i et billede ved at forudsige deres *bounding boxes*. Men til nogle opgaver har vi ikke kun brug for bounding boxes, men også mere præcis objektlokalisering. Denne opgave kaldes **segmentering**.
@@ -20,7 +11,7 @@ Segmentering kan betragtes som **pixelklassificering**, hvor vi for **hver** pix
Ved instance segmentering er disse får forskellige objekter, men ved semantisk segmentering repræsenteres alle får af én klasse.
-
+
> Billede fra [denne blogpost](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@@ -29,7 +20,7 @@ Der findes forskellige neurale arkitekturer til segmentering, men de har alle sa
* **Encoder** udtrækker features fra inputbilledet.
* **Decoder** transformerer disse features til **maske-billedet**, med samme størrelse og antal kanaler svarende til antallet af klasser.
-
+
> Billede fra [denne publikation](https://arxiv.org/pdf/2001.05566.pdf)
@@ -43,7 +34,7 @@ I denne lektion vil vi se segmentering i praksis ved at træne et netværk til a
> ✅ Denne teknik er særligt velegnet til denne type medicinsk billedbehandling, men hvilke andre anvendelser i den virkelige verden kan du forestille dig?
-
+
> Billede fra PH2 Database
diff --git a/translations/da/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/da/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index 21f18861..48b34b2a 100644
--- a/translations/da/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/da/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# Segmentering af menneskekroppen
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/4-ComputerVision/README.md b/translations/da/lessons/4-ComputerVision/README.md
index 49c4502f..db89f6de 100644
--- a/translations/da/lessons/4-ComputerVision/README.md
+++ b/translations/da/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# Computer Vision
diff --git a/translations/da/lessons/5-NLP/13-TextRep/README.md b/translations/da/lessons/5-NLP/13-TextRep/README.md
index 337c987b..f48d1723 100644
--- a/translations/da/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/da/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# Repræsentation af tekst som tensorer
## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@@ -25,7 +16,7 @@ Vores mål vil være at klassificere nyhedsartiklen i en af kategorierne baseret
Hvis vi vil løse opgaver inden for Natural Language Processing (NLP) med neurale netværk, skal vi finde en måde at repræsentere tekst som tensorer. Computere repræsenterer allerede teksttegn som tal, der kortlægges til skrifttyper på din skærm ved hjælp af kodninger som ASCII eller UTF-8.
-
+
> [Billedkilde](https://www.seobility.net/en/wiki/ASCII)
@@ -48,7 +39,7 @@ I nogle tilfælde kan vi overveje at bruge tri-grams -- kombinationer af tre ord
Når vi løser opgaver som tekstklassifikation, skal vi kunne repræsentere tekst med én vektor af fast størrelse, som vi vil bruge som input til den endelige tætte klassifikator. En af de enkleste måder at gøre dette på er at kombinere alle individuelle ordrepræsentationer, f.eks. ved at lægge dem sammen. Hvis vi lægger one-hot encodings af hvert ord sammen, ender vi med en vektor af frekvenser, der viser, hvor mange gange hvert ord optræder i teksten. En sådan repræsentation af tekst kaldes **bag of words** (BoW).
-
+
> Billede af forfatteren
diff --git a/translations/da/lessons/5-NLP/13-TextRep/assignment.md b/translations/da/lessons/5-NLP/13-TextRep/assignment.md
index f7d16507..2df428c2 100644
--- a/translations/da/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/da/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# Opgave: Notebooks
Brug de notebooks, der er tilknyttet denne lektion (enten PyTorch- eller TensorFlow-versionen), og kør dem igen med dit eget datasæt, måske et fra Kaggle, brugt med korrekt kildeangivelse. Omskriv notebooken for at fremhæve dine egne resultater. Prøv nogle innovative datasæt, der måske kan overraske, såsom [dette om UFO-observationer](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) fra NUFORC.
diff --git a/translations/da/lessons/5-NLP/14-Embeddings/README.md b/translations/da/lessons/5-NLP/14-Embeddings/README.md
index 955e8495..61d90448 100644
--- a/translations/da/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/da/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# Indlejring
## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/da/lessons/5-NLP/14-Embeddings/assignment.md b/translations/da/lessons/5-NLP/14-Embeddings/assignment.md
index e0eca0a3..f5dc49dd 100644
--- a/translations/da/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/da/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# Opgave: Notebooks
Brug de notebooks, der er knyttet til denne lektion (enten PyTorch- eller TensorFlow-versionen), og kør dem igen med dit eget datasæt, måske et fra Kaggle, brugt med korrekt kildeangivelse. Omskriv notebooken for at fremhæve dine egne resultater. Prøv en anden type datasæt og dokumentér dine resultater, ved at bruge tekst som [disse Beatles-sangtekster](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
diff --git a/translations/da/lessons/5-NLP/15-LanguageModeling/README.md b/translations/da/lessons/5-NLP/15-LanguageModeling/README.md
index a553522c..4967aa5d 100644
--- a/translations/da/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/da/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# Sproglig Modellering
Semantiske indlejringer, såsom Word2Vec og GloVe, er faktisk et første skridt mod **sproglig modellering** - at skabe modeller, der på en eller anden måde *forstår* (eller *repræsenterer*) sprogets natur.
diff --git a/translations/da/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/da/lessons/5-NLP/15-LanguageModeling/lab/README.md
index 5a5e7966..3fddff08 100644
--- a/translations/da/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/da/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# Træning af Skip-Gram Model
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/5-NLP/16-RNN/README.md b/translations/da/lessons/5-NLP/16-RNN/README.md
index 2ce77e5f..f5a1b208 100644
--- a/translations/da/lessons/5-NLP/16-RNN/README.md
+++ b/translations/da/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# Rekurrente Neurale Netværk
## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@@ -31,7 +22,7 @@ Lad os se, hvordan en simpel RNN-celle er organiseret. Den accepterer den tidlig
En simpel RNN-celle har to vægtmatricer indeni: én transformerer et inputsymbol (lad os kalde den W), og en anden transformerer en inputtilstand (H). I dette tilfælde beregnes netværkets output som σ(W×Xi+H×Si-1+b), hvor σ er aktiveringsfunktionen, og b er en ekstra bias.
-
+
> Billede af forfatteren
diff --git a/translations/da/lessons/5-NLP/16-RNN/assignment.md b/translations/da/lessons/5-NLP/16-RNN/assignment.md
index 64232930..835803ca 100644
--- a/translations/da/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/da/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# Opgave: Notebooks
Brug de notebooks, der er knyttet til denne lektion (enten PyTorch- eller TensorFlow-versionen), og kør dem igen med dit eget datasæt, måske et fra Kaggle, brugt med korrekt kildeangivelse. Omskriv notebooken for at fremhæve dine egne resultater. Prøv en anden type datasæt og dokumentér dine resultater, ved at bruge tekst som [dette Kaggle-konkurrence-datasæt om vejrtweets](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
diff --git a/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md
index dbfd8297..797abdcf 100644
--- a/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/da/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# Generative netværk
## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@@ -36,7 +27,7 @@ Vi vil træne denne RNN til at generere tekst trin for trin. Ved hvert trin tage
Når vi genererer tekst (under inferens), starter vi med en **prompt**, som sendes gennem RNN-celler for at generere dens mellemliggende tilstand, og derefter starter genereringen fra denne tilstand. Vi genererer ét tegn ad gangen og sender tilstanden og det genererede tegn til en anden RNN-celle for at generere det næste, indtil vi har genereret nok tegn.
-
+
> Billede af forfatteren
diff --git a/translations/da/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/da/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index b8d4844c..47ebdc5d 100644
--- a/translations/da/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/da/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Ord-niveau Tekstgenerering med RNN'er
Laboratorieopgave fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/5-NLP/18-Transformers/README.md b/translations/da/lessons/5-NLP/18-Transformers/README.md
index 32578ed9..12af4392 100644
--- a/translations/da/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/da/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# Attention Mekanismer og Transformers
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@@ -56,7 +47,7 @@ Idéen med positionskodning er følgende:
* Trænbar embedding, svarende til token-embedding. Dette er den tilgang, vi overvejer her. Vi anvender embedding-lag oven på både tokens og deres positioner, hvilket resulterer i embedding-vektorer af samme dimensioner, som vi derefter lægger sammen.
* Fast positionskodningsfunktion, som foreslået i det originale papir.
-
+
> Billede af forfatteren
diff --git a/translations/da/lessons/5-NLP/18-Transformers/assignment.md b/translations/da/lessons/5-NLP/18-Transformers/assignment.md
index 90c553f4..5d55993b 100644
--- a/translations/da/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/da/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# Opgave: Transformers
Eksperimentér med Transformers på HuggingFace! Prøv nogle af de scripts, de stiller til rådighed, for at arbejde med de forskellige modeller, der er tilgængelige på deres side: https://huggingface.co/docs/transformers/run_scripts. Prøv et af deres datasæt, og importer derefter et af dine egne fra dette pensum eller fra Kaggle, og se, om du kan generere interessante tekster. Lav en notebook med dine resultater.
diff --git a/translations/da/lessons/5-NLP/19-NER/README.md b/translations/da/lessons/5-NLP/19-NER/README.md
index 1a5c0a85..3d58dbbc 100644
--- a/translations/da/lessons/5-NLP/19-NER/README.md
+++ b/translations/da/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# Navngiven Enhedsgenkendelse
Indtil nu har vi primært fokuseret på én NLP-opgave - klassifikation. Men der findes også andre NLP-opgaver, som kan løses med neurale netværk. En af disse opgaver er **[Navngiven Enhedsgenkendelse](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), som handler om at genkende specifikke enheder i tekst, såsom steder, personnavne, dato-tidsintervaller, kemiske formler og så videre.
@@ -17,7 +8,7 @@ Indtil nu har vi primært fokuseret på én NLP-opgave - klassifikation. Men der
Forestil dig, at du vil udvikle en chatbot, der fungerer som Amazon Alexa eller Google Assistant. Intelligente chatbots arbejder ved at *forstå*, hvad brugeren ønsker, ved at udføre tekstklassifikation på den indtastede sætning. Resultatet af denne klassifikation kaldes **intent**, som afgør, hvad chatbotten skal gøre.
-
+
> Billede af forfatteren
diff --git a/translations/da/lessons/5-NLP/19-NER/lab/README.md b/translations/da/lessons/5-NLP/19-NER/lab/README.md
index 0206057e..dfa2c5bc 100644
--- a/translations/da/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/da/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# NER
Labøvelse fra [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/da/lessons/5-NLP/20-LangModels/README.md b/translations/da/lessons/5-NLP/20-LangModels/README.md
index 44386148..22b5e4ae 100644
--- a/translations/da/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/da/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# Forudtrænede Store Sproglige Modeller
I alle vores tidligere opgaver har vi trænet et neuralt netværk til at udføre en bestemt opgave ved hjælp af et mærket datasæt. Med store transformer-modeller, såsom BERT, bruger vi sprogmodellering på en selv-superviseret måde til at bygge en sprogmodel, som derefter specialiseres til specifikke downstream-opgaver med yderligere domænespecifik træning. Det er dog blevet demonstreret, at store sproglige modeller også kan løse mange opgaver uden nogen form for domænespecifik træning. En familie af modeller, der kan gøre dette, kaldes **GPT**: Generative Pre-Trained Transformer.
diff --git a/translations/da/lessons/5-NLP/README.md b/translations/da/lessons/5-NLP/README.md
index b28e8046..d9d6b46e 100644
--- a/translations/da/lessons/5-NLP/README.md
+++ b/translations/da/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# Naturlig Sprogbehandling
diff --git a/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md
index d163b9b3..ef571ec1 100644
--- a/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/da/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# Genetiske Algoritmer
## [Quiz før forelæsning](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/da/lessons/6-Other/22-DeepRL/README.md b/translations/da/lessons/6-Other/22-DeepRL/README.md
index 70b5e286..aad72261 100644
--- a/translations/da/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/da/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# Deep Reinforcement Learning
Forstærkningslæring (RL) betragtes som en af de grundlæggende paradigmer inden for maskinlæring, ved siden af superviseret læring og usuperviseret læring. Mens vi i superviseret læring baserer os på datasæt med kendte resultater, er RL baseret på **at lære ved at gøre**. For eksempel, når vi ser et computerspil for første gang, begynder vi at spille, selv uden at kende reglerne, og snart bliver vi bedre, blot ved at spille og justere vores adfærd.
@@ -34,7 +25,7 @@ I har sikkert alle set moderne balanceringsenheder som *Segway* eller *Gyroscoot
En forenklet version af balancering er kendt som **CartPole**-problemet. I CartPole-verdenen har vi en horisontal slider, der kan bevæge sig til venstre eller højre, og målet er at balancere en vertikal stang oven på slideren, mens den bevæger sig.
-
+
For at oprette og bruge dette miljø har vi brug for et par linjer Python-kode:
diff --git a/translations/da/lessons/6-Other/22-DeepRL/lab/README.md b/translations/da/lessons/6-Other/22-DeepRL/lab/README.md
index 8d53a1cc..267901a0 100644
--- a/translations/da/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/da/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## Miljøet
Mountain Car-miljøet består af en bil, der er fanget i en dal. Dit mål er at hoppe ud af dalen og nå flaget. De handlinger, du kan udføre, er at accelerere til venstre, til højre eller gøre ingenting. Du kan observere bilens position langs x-aksen og dens hastighed.
diff --git a/translations/da/lessons/6-Other/23-MultiagentSystems/README.md b/translations/da/lessons/6-Other/23-MultiagentSystems/README.md
index 2bab8b34..d10c4544 100644
--- a/translations/da/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/da/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# Multi-Agent Systemer
En af de mulige måder at opnå intelligens på er den såkaldte **emergente** (eller **synergetiske**) tilgang, som er baseret på, at den samlede adfærd af mange relativt simple agenter kan resultere i en mere kompleks (eller intelligent) adfærd for systemet som helhed. Teoretisk set bygger dette på principperne om [Kollektiv Intelligens](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentisme](https://en.wikipedia.org/wiki/Global_brain) og [Evolutionær Kybernetik](https://en.wikipedia.org/wiki/Global_brain), som siger, at højere niveau-systemer opnår en form for merværdi, når de korrekt kombineres fra lavere niveau-systemer (det såkaldte *princip om metasystem-transition*).
@@ -60,7 +51,7 @@ Du kan [downloade](https://ccl.northwestern.edu/netlogo/download.shtml) og insta
En fantastisk ting ved NetLogo er, at det indeholder et bibliotek med fungerende modeller, som du kan prøve. Gå til **File → Models Library**, og du har mange kategorier af modeller at vælge imellem.
-
+
> Et skærmbillede af modelbiblioteket af Dmitry Soshnikov
diff --git a/translations/da/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/da/lessons/6-Other/23-MultiagentSystems/assignment.md
index ba000713..f5e04a86 100644
--- a/translations/da/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/da/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# NetLogo Opgave
Tag en af modellerne i NetLogos bibliotek og brug den til at simulere en virkelighedsnær situation så præcist som muligt. Et godt eksempel kunne være at justere Virus-modellen i mappen Alternative Visualizations for at vise, hvordan den kan bruges til at modellere spredningen af COVID-19. Kan du bygge en model, der efterligner en virkelig viral spredning?
diff --git a/translations/da/lessons/7-Ethics/README.md b/translations/da/lessons/7-Ethics/README.md
index b0b23678..99c01bd4 100644
--- a/translations/da/lessons/7-Ethics/README.md
+++ b/translations/da/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# Etisk og Ansvarlig AI
Du er næsten færdig med dette kursus, og jeg håber, at du nu tydeligt kan se, at AI er baseret på en række formelle matematiske metoder, der gør det muligt for os at finde sammenhænge i data og træne modeller til at efterligne nogle aspekter af menneskelig adfærd. På dette tidspunkt i historien betragter vi AI som et meget kraftfuldt værktøj til at udtrække mønstre fra data og anvende disse mønstre til at løse nye problemer.
diff --git a/translations/da/lessons/README.md b/translations/da/lessons/README.md
index c0f545b0..3b166574 100644
--- a/translations/da/lessons/README.md
+++ b/translations/da/lessons/README.md
@@ -1,12 +1,3 @@
-
# Oversigt
diff --git a/translations/da/lessons/X-Extras/X1-MultiModal/README.md b/translations/da/lessons/X-Extras/X1-MultiModal/README.md
index 5065fcd7..18be9ce8 100644
--- a/translations/da/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/da/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# Multi-Modal Netværk
Efter succesen med transformer-modeller til løsning af NLP-opgaver, er de samme eller lignende arkitekturer blevet anvendt til computer vision-opgaver. Der er en stigende interesse i at bygge modeller, der kan *kombinere* vision og naturlige sprogfunktioner. En af disse forsøg blev gjort af OpenAI, og det kaldes CLIP og DALL.E.
diff --git a/translations/da/lessons/sketchnotes/LICENSE.md b/translations/da/lessons/sketchnotes/LICENSE.md
index 20520a99..63ec9fc0 100644
--- a/translations/da/lessons/sketchnotes/LICENSE.md
+++ b/translations/da/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
Attribution-ShareAlike 4.0 International
=======================================================================
diff --git a/translations/da/lessons/sketchnotes/README.md b/translations/da/lessons/sketchnotes/README.md
index 5cfa4ab9..5dae5f83 100644
--- a/translations/da/lessons/sketchnotes/README.md
+++ b/translations/da/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
Alle sketchnotes fra pensum kan downloades her.
🎨 Oprettet af: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
diff --git a/translations/da/troubleshoot.md b/translations/da/troubleshoot.md
index 07bf5863..aadbe87b 100644
--- a/translations/da/troubleshoot.md
+++ b/translations/da/troubleshoot.md
@@ -1,12 +1,3 @@
-
# AI-For-Beginners Fejlfindingsguide
Denne guide hjælper dig med at løse almindelige problemer, der opstår ved brug eller bidrag til [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners)-repositoryet. Hvert problem inkluderer baggrund, symptomer, forklaringer og trin-for-trin løsninger.
diff --git a/translations/sv/.co-op-translator.json b/translations/sv/.co-op-translator.json
new file mode 100644
index 00000000..2e5c2f75
--- /dev/null
+++ b/translations/sv/.co-op-translator.json
@@ -0,0 +1,398 @@
+{
+ "AGENTS.md": {
+ "original_hash": "6b11a37115944252ab3ed04e358d830d",
+ "translation_date": "2025-10-03T09:22:45+00:00",
+ "source_file": "AGENTS.md",
+ "language_code": "sv"
+ },
+ "README.md": {
+ "original_hash": "1984fc89dd304a8a33ab5584691a99aa",
+ "translation_date": "2026-01-30T01:59:08+00:00",
+ "source_file": "README.md",
+ "language_code": "sv"
+ },
+ "SECURITY.md": {
+ "original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
+ "translation_date": "2025-08-28T15:01:34+00:00",
+ "source_file": "SECURITY.md",
+ "language_code": "sv"
+ },
+ "etc/CODE_OF_CONDUCT.md": {
+ "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+ "translation_date": "2025-08-28T16:06:50+00:00",
+ "source_file": "etc/CODE_OF_CONDUCT.md",
+ "language_code": "sv"
+ },
+ "etc/CONTRIBUTING.md": {
+ "original_hash": "847a587aa1b83f4d00858183ff3ed18a",
+ "translation_date": "2025-08-28T16:06:24+00:00",
+ "source_file": "etc/CONTRIBUTING.md",
+ "language_code": "sv"
+ },
+ "etc/Mindmap.md": {
+ "original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
+ "translation_date": "2025-08-28T16:04:36+00:00",
+ "source_file": "etc/Mindmap.md",
+ "language_code": "sv"
+ },
+ "etc/SUPPORT.md": {
+ "original_hash": "fdfc08baee91e402938a2b1f94fe0949",
+ "translation_date": "2025-08-28T16:03:53+00:00",
+ "source_file": "etc/SUPPORT.md",
+ "language_code": "sv"
+ },
+ "etc/TRANSLATIONS.md": {
+ "original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
+ "translation_date": "2025-08-28T16:05:54+00:00",
+ "source_file": "etc/TRANSLATIONS.md",
+ "language_code": "sv"
+ },
+ "etc/quiz-app/README.md": {
+ "original_hash": "d699cf8509f74baa5b0b838de5cf0662",
+ "translation_date": "2025-08-28T16:07:07+00:00",
+ "source_file": "etc/quiz-app/README.md",
+ "language_code": "sv"
+ },
+ "examples/README.md": {
+ "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
+ "translation_date": "2025-10-03T11:31:15+00:00",
+ "source_file": "examples/README.md",
+ "language_code": "sv"
+ },
+ "lessons/0-course-setup/for-teachers.md": {
+ "original_hash": "a094ef9927883de1cfcee51dbd143381",
+ "translation_date": "2025-08-28T15:07:54+00:00",
+ "source_file": "lessons/0-course-setup/for-teachers.md",
+ "language_code": "sv"
+ },
+ "lessons/0-course-setup/how-to-run.md": {
+ "original_hash": "a4717bd9103b9f6cd84d534b83534689",
+ "translation_date": "2026-01-16T02:22:35+00:00",
+ "source_file": "lessons/0-course-setup/how-to-run.md",
+ "language_code": "sv"
+ },
+ "lessons/0-course-setup/setup.md": {
+ "original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
+ "translation_date": "2025-12-12T19:50:22+00:00",
+ "source_file": "lessons/0-course-setup/setup.md",
+ "language_code": "sv"
+ },
+ "lessons/1-Intro/README.md": {
+ "original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
+ "translation_date": "2025-11-18T21:31:40+00:00",
+ "source_file": "lessons/1-Intro/README.md",
+ "language_code": "sv"
+ },
+ "lessons/1-Intro/assignment.md": {
+ "original_hash": "a334df77a82aaaf2a29c77065d3e481e",
+ "translation_date": "2025-11-18T21:32:40+00:00",
+ "source_file": "lessons/1-Intro/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/2-Symbolic/README.md": {
+ "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
+ "translation_date": "2026-01-16T02:22:50+00:00",
+ "source_file": "lessons/2-Symbolic/README.md",
+ "language_code": "sv"
+ },
+ "lessons/2-Symbolic/assignment.md": {
+ "original_hash": "a057a8604f3976c3e309884453f1fad0",
+ "translation_date": "2025-08-28T15:30:53+00:00",
+ "source_file": "lessons/2-Symbolic/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/README.md": {
+ "original_hash": "c34cbba802058b6fa267e1a294d4e510",
+ "translation_date": "2025-09-23T09:22:26+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
+ "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+ "translation_date": "2025-08-29T08:26:33+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
+ "original_hash": "789d6c3fb6fc7948a470b33078a5983a",
+ "translation_date": "2025-09-23T09:21:43+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
+ "original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
+ "translation_date": "2025-08-28T15:38:05+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/README.md": {
+ "original_hash": "ddd216f558a255260a9374008002c971",
+ "translation_date": "2025-09-23T09:22:45+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
+ "original_hash": "e452d897efb9a89700f41021834cf6e5",
+ "translation_date": "2025-08-28T15:41:56+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/3-NeuralNetworks/README.md": {
+ "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+ "translation_date": "2025-10-03T12:49:15+00:00",
+ "source_file": "lessons/3-NeuralNetworks/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/README.md": {
+ "original_hash": "feeca98225cb420afc89415f24f63d92",
+ "translation_date": "2025-09-23T09:17:24+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
+ "original_hash": "3d53d6409f80970f7281a45dee35328a",
+ "translation_date": "2025-08-28T15:20:05+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
+ "original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
+ "translation_date": "2025-09-23T09:16:43+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/README.md": {
+ "original_hash": "a560d5b845962cf33dc102266e409568",
+ "translation_date": "2025-09-23T09:16:25+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
+ "original_hash": "b70fcf7fcee862990f848c679090943f",
+ "translation_date": "2025-10-03T14:55:20+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/README.md": {
+ "original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
+ "translation_date": "2025-09-23T09:17:00+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
+ "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
+ "translation_date": "2025-08-28T15:15:46+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
+ "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
+ "translation_date": "2025-08-28T15:17:45+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/09-Autoencoders/README.md": {
+ "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
+ "translation_date": "2025-09-23T09:18:34+00:00",
+ "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/10-GANs/README.md": {
+ "original_hash": "0ff65b4da07b23697235de2beb2a3c25",
+ "translation_date": "2025-09-23T09:19:20+00:00",
+ "source_file": "lessons/4-ComputerVision/10-GANs/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/README.md": {
+ "original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
+ "translation_date": "2025-09-23T09:17:55+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
+ "original_hash": "ad568d55ae65c856fe929fc2b278510a",
+ "translation_date": "2025-08-28T15:22:59+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/README.md": {
+ "original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
+ "translation_date": "2025-09-23T09:19:02+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
+ "original_hash": "365f0decfe0f47b460bbde8227c5009d",
+ "translation_date": "2025-08-28T15:25:54+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/4-ComputerVision/README.md": {
+ "original_hash": "58a52f000089c1d8906a4daa4ab1169b",
+ "translation_date": "2025-08-28T15:11:39+00:00",
+ "source_file": "lessons/4-ComputerVision/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/13-TextRep/README.md": {
+ "original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
+ "translation_date": "2025-09-23T09:26:11+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/13-TextRep/assignment.md": {
+ "original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
+ "translation_date": "2025-08-28T16:03:35+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/14-Embeddings/README.md": {
+ "original_hash": "b708c9b85b833864c73c6281f1e6b96e",
+ "translation_date": "2025-09-23T09:25:49+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/14-Embeddings/assignment.md": {
+ "original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
+ "translation_date": "2025-08-28T16:01:54+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/15-LanguageModeling/README.md": {
+ "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
+ "translation_date": "2025-09-23T09:23:36+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/15-LanguageModeling/lab/README.md": {
+ "original_hash": "5130f01fdc5ebb83032b23d489027aac",
+ "translation_date": "2025-08-28T15:53:58+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/16-RNN/README.md": {
+ "original_hash": "e2273cc150380a5e191903cea858f021",
+ "translation_date": "2025-09-23T09:25:23+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/16-RNN/assignment.md": {
+ "original_hash": "47f7d3c6a5373543e051e4d1140ce898",
+ "translation_date": "2025-08-28T16:00:27+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/README.md": {
+ "original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
+ "translation_date": "2025-09-23T09:23:09+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
+ "original_hash": "439e12796197a90e7623d4c9c057b9c2",
+ "translation_date": "2025-08-28T15:52:59+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/18-Transformers/README.md": {
+ "original_hash": "f335dfcb4a993920504c387973a36957",
+ "translation_date": "2025-09-23T09:23:48+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/18-Transformers/assignment.md": {
+ "original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
+ "translation_date": "2025-08-28T15:55:47+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/19-NER/README.md": {
+ "original_hash": "6522312ff835796ca34136a9462fafb2",
+ "translation_date": "2025-09-23T09:25:02+00:00",
+ "source_file": "lessons/5-NLP/19-NER/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/19-NER/lab/README.md": {
+ "original_hash": "032bda5068f543d6c1fcb30c34231461",
+ "translation_date": "2025-08-28T15:58:05+00:00",
+ "source_file": "lessons/5-NLP/19-NER/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/20-LangModels/README.md": {
+ "original_hash": "97836d30a6bec736f8e3b4411c572bc2",
+ "translation_date": "2025-09-23T09:24:25+00:00",
+ "source_file": "lessons/5-NLP/20-LangModels/README.md",
+ "language_code": "sv"
+ },
+ "lessons/5-NLP/README.md": {
+ "original_hash": "8ef02a9318257ea140ed3ed74442096d",
+ "translation_date": "2025-08-28T15:50:08+00:00",
+ "source_file": "lessons/5-NLP/README.md",
+ "language_code": "sv"
+ },
+ "lessons/6-Other/21-GeneticAlgorithms/README.md": {
+ "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
+ "translation_date": "2025-09-23T09:15:06+00:00",
+ "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
+ "language_code": "sv"
+ },
+ "lessons/6-Other/22-DeepRL/README.md": {
+ "original_hash": "04395657fc01648f8f70484d0e55ab67",
+ "translation_date": "2025-09-23T09:15:59+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/README.md",
+ "language_code": "sv"
+ },
+ "lessons/6-Other/22-DeepRL/lab/README.md": {
+ "original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
+ "translation_date": "2025-08-28T15:07:34+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
+ "language_code": "sv"
+ },
+ "lessons/6-Other/23-MultiagentSystems/README.md": {
+ "original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
+ "translation_date": "2025-09-23T09:15:24+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
+ "language_code": "sv"
+ },
+ "lessons/6-Other/23-MultiagentSystems/assignment.md": {
+ "original_hash": "cf654ca60c7f86c8dad28596fb42994b",
+ "translation_date": "2025-08-28T15:05:46+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
+ "language_code": "sv"
+ },
+ "lessons/7-Ethics/README.md": {
+ "original_hash": "437c988596e751072e41a5aad3fcc5d9",
+ "translation_date": "2025-08-28T15:31:12+00:00",
+ "source_file": "lessons/7-Ethics/README.md",
+ "language_code": "sv"
+ },
+ "lessons/README.md": {
+ "original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
+ "translation_date": "2025-08-28T15:02:14+00:00",
+ "source_file": "lessons/README.md",
+ "language_code": "sv"
+ },
+ "lessons/X-Extras/X1-MultiModal/README.md": {
+ "original_hash": "9c592c26aca16ca085d268c732284187",
+ "translation_date": "2025-08-28T15:10:16+00:00",
+ "source_file": "lessons/X-Extras/X1-MultiModal/README.md",
+ "language_code": "sv"
+ },
+ "lessons/sketchnotes/LICENSE.md": {
+ "original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
+ "translation_date": "2025-08-28T15:43:45+00:00",
+ "source_file": "lessons/sketchnotes/LICENSE.md",
+ "language_code": "sv"
+ },
+ "lessons/sketchnotes/README.md": {
+ "original_hash": "050b8bddebafba55b129414e6ab096ab",
+ "translation_date": "2025-08-28T15:42:17+00:00",
+ "source_file": "lessons/sketchnotes/README.md",
+ "language_code": "sv"
+ },
+ "troubleshoot.md": {
+ "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
+ "translation_date": "2025-10-03T09:44:58+00:00",
+ "source_file": "troubleshoot.md",
+ "language_code": "sv"
+ }
+}
\ No newline at end of file
diff --git a/translations/sv/AGENTS.md b/translations/sv/AGENTS.md
index 49407386..cc3cc743 100644
--- a/translations/sv/AGENTS.md
+++ b/translations/sv/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## Projektöversikt
diff --git a/translations/sv/README.md b/translations/sv/README.md
index ea40691c..6b020ca1 100644
--- a/translations/sv/README.md
+++ b/translations/sv/README.md
@@ -1,12 +1,3 @@
-
[](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/)
@@ -23,23 +14,23 @@ CO_OP_TRANSLATOR_METADATA:
# Artificiell Intelligens för Nybörjare - En Kursplan
-||
+||
|:---:|
| AI För Nybörjare - _Sketchnote av [@girlie_mac](https://twitter.com/girlie_mac)_ |
-Utforska världen av **Artificiell Intelligens** (AI) med vår 12-veckors, 24-lektioners kursplan! Den inkluderar praktiska lektioner, quiz och labbar. Kursplanen är nybörjarvänlig och täcker verktyg som TensorFlow och PyTorch, samt etik inom AI
+Utforska världen av **Artificiell Intelligens** (AI) med vår 12-veckors, 24-lektioners kursplan! Den inkluderar praktiska lektioner, quiz och labbar. Kursplanen är nybörjarvänlig och täcker verktyg som TensorFlow och PyTorch, samt etik inom AI.
-### 🌐 Stöds på flera språk
+### 🌐 Flerspråkigt Stöd
#### Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../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](../id/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)](../br/README.md) | [Portuguese (Portugal)](../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](./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)
+[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](../id/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](./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)
> **Föredrar du att klona lokalt?**
-> Detta arkiv innehåller över 50 språköversättningar vilket avsevärt ökar nedladdningsstorleken. För att klona utan översättningar, använd sparse checkout:
+> Detta arkiv inkluderar över 50 språköversättningar som avsevärt ökar storleken vid nedladdning. För att klona utan översättningar, använd sparse checkout:
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
> cd AI-For-Beginners
@@ -48,9 +39,9 @@ Utforska världen av **Artificiell Intelligens** (AI) med vår 12-veckors, 24-le
> Detta ger dig allt du behöver för att genomföra kursen med en mycket snabbare nedladdning.
-**Om du vill få stöd för fler översättningsspråk finns de listade [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**Om du önskar att fler översättningsspråk ska stödjas finns de listade [här](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
-## Gå med i gemenskapen
+## Gå med i communityn
[](https://discord.gg/nTYy5BXMWG)
## Vad du kommer att lära dig
@@ -59,54 +50,54 @@ Utforska världen av **Artificiell Intelligens** (AI) med vår 12-veckors, 24-le
I denna kursplan kommer du att lära dig:
-* Olika tillvägagångssätt för Artificiell Intelligens, inklusive det "goda gamla" symboliska tillvägagångssättet med **Kunskapsrepresentation** och resonemang ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
-* **Neurala Nätverk** och **Djupinlärning**, som är kärnan i modern AI. Vi kommer att illustrera koncepten bakom dessa viktiga ämnen med kod i två av de mest populära ramverken - [TensorFlow](http://Tensorflow.org) och [PyTorch](http://pytorch.org).
-* **Neurala Arkitekturer** för arbete med bilder och text. Vi kommer att täcka nyare modeller men kan sakna en del av det allra senaste.
-* Mindre vanliga AI-tillvägagångssätt, såsom **Genetiska Algoritmer** och **Multi-Agent System**.
+* Olika tillvägagångssätt till Artificiell Intelligens, inklusive det "goda gamla" symboliska tillvägagångssättet med **Kunskapsrepresentation** och resonemang ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
+* **Neurala Nätverk** och **Djupinlärning**, som är kärnan i modern AI. Vi kommer att illustrera koncepten bakom dessa viktiga ämnen med hjälp av kod i två av de mest populära ramverken - [TensorFlow](http://Tensorflow.org) och [PyTorch](http://pytorch.org).
+* **Neurala Arkitekturer** för att arbeta med bilder och text. Vi kommer att täcka senaste modeller men kan vara något bristfälliga i det senaste inom fältet.
+* Mindre populära AI-tillvägagångssätt, såsom **Genetiska Algoritmer** och **Multi-Agent System**.
Vad vi inte kommer att täcka i denna kursplan:
> [Hitta alla extra resurser för denna kurs i vår Microsoft Learn-samling](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
-* Affärsfall för att använda **AI i företag**. Överväg att ta [Introduktion till AI för affärsanvändare](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) lärväg på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utvecklad i samarbete med [INSEAD](https://www.insead.edu/).
-* **Klassisk Maskininlärning**, som omfattas väl i vår [Maskininlärning för Nybörjare Kursplan](http://github.com/Microsoft/ML-for-Beginners).
-* Praktiska AI-applikationer byggda med **[Kognitiva Tjänster](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. För detta rekommenderar vi att du börjar med moduler på Microsoft Learn för [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [naturlig språkbehandling](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativ AI med Azure OpenAI-tjänst](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** med flera.
-* Specifika ML **molnramverk**, såsom [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) eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Överväg att använda lärvägarna [Bygg och driftsätt maskininlärningslösningar med Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) och [Bygg och driftsätt maskininlärningslösningar med Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
-* **Konverserande AI** och **Chattbotar**. Det finns en separat lärväg för [Skapa konverserande AI-lösningar](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), och du kan även hänvisa till [detta blogginlägg](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) för mer detaljer.
-* **Djup matematik** bakom djupinlärning. För detta rekommenderar vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) av Ian Goodfellow, Yoshua Bengio och Aaron Courville, som också är tillgänglig online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
+* Affärsfall för användning av **AI i affärer**. Överväg att ta [Introduktion till AI för affärsanvändare](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) lärväg på Microsoft Learn, eller [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), utvecklad i samarbete med [INSEAD](https://www.insead.edu/).
+* **Klassisk Maskininlärning**, som är väl beskriven i vår [Maskininlärning för nybörjare-kursplan](http://github.com/Microsoft/ML-for-Beginners).
+* Praktiska AI-applikationer byggda med **[Kognitiva Tjänster](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. För detta rekommenderar vi att du börjar med moduler på Microsoft Learn för [datorseende](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [bearbetning av naturligt språk](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generativ AI med Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** och andra.
+* Specifika ML **molnramverk**, såsom [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), eller [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Överväg att använda lärvägarna [Bygg och driftsätt maskininlärningslösningar med Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) och [Bygg och driftsätt maskininlärningslösningar med Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum).
+* **Konversations-AI** och **Chattbottar**. Det finns en separat [Skapa konversations-AI lösningar](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) lärväg, och du kan även läsa [detta blogginlägg](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) för mer detaljer.
+* **Djup matematik** bakom djupinlärning. För detta rekommenderar vi [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) av Ian Goodfellow, Yoshua Bengio och Aaron Courville, som också finns online på [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
-För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att ta lärvägen [Kom igång med artificiell intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
+För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att gå lärvägen [Kom igång med artificiell intelligens på Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
# Innehåll
-| | Lektionlänk | PyTorch/Keras/TensorFlow | Lab |
+| | Lektion Länk | PyTorch/Keras/TensorFlow | Lab |
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
| 0 | [Kursinställning](./lessons/0-course-setup/setup.md) | [Ställ in din utvecklingsmiljö](./lessons/0-course-setup/how-to-run.md) | |
| I | [**Introduktion till AI**](./lessons/1-Intro/README.md) | | |
| 01 | [Introduktion och AI:s historia](./lessons/1-Intro/README.md) | - | - |
| II | **Symbolisk AI** |
| 02 | [Kunskapsrepresentation och expertsystem](./lessons/2-Symbolic/README.md) | [Expertsystem](./lessons/2-Symbolic/Animals.ipynb) / [Ontologi](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Begreppsgraf](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
-| III | [**Introduktion till Neurala Nätverk**](./lessons/3-NeuralNetworks/README.md) |||
+| III | [**Introduktion till neurala nätverk**](./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 | [Flerlagers Perceptron och skapa vårt eget ramverk](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Notebook](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Lab](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
+| 04 | [Flerlagers perceptron och skapa vårt eget ramverk](./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 | [Introduktion till ramverk (PyTorch/TensorFlow) och överanpassning](./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 | [**Datorseende**](./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)| [Utforska datorseende på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
| 06 | [Introduktion till datorseende. 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 | [Konvolutionella neurala nätverk](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN-arkitekturer](./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 | [Förtränade nätverk och överföringsinlärning](./lessons/4-ComputerVision/08-TransferLearning/README.md) och [Träningsknep](./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) |
+| 08 | [Förtränade nätverk och transfer learning](./lessons/4-ComputerVision/08-TransferLearning/README.md) och [Träningsknep](./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 | [Autoenkodare och VAE:er](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
-| 10 | [Generativa adversariella nätverk & konstnärlig stilöverföring](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
-| 11 | [Objektigenkänning](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
+| 10 | [Generativa adversariella nätverk och stilöverföring](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
+| 11 | [Objektdetektering](./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 | [Semantisk segmentering. 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 | [**Naturlig språkbehandling**](./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) | [Utforska naturlig språkbehandling på Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
-| 13 | [Textrepresentation. 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) | |
+| 13 | [Textrepresentation. Bag of Words/TF-IDF](./lessons/5-NLP/13-TextRep/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb) / [TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb) | |
| 14 | [Semantiska ordinbäddningar. Word2Vec och 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 | [Språkmodellering. Träna dina egna inbäddningar](./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) |
+| 15 | [Språkmodellering. Träna egna inbäddningar](./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 | [Generativa rekurrenta nätverk](./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) | |
-| 19 | [Namngiven entities-igenkänning](./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 | [Stora språkmodeller, promptprogrammering och få-skott-uppgifter](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
+| 19 | [Named Entity Recognition (NAMN)](./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 | [Stora språkmodeller, promptprogrammering och få-skotts-uppgifter](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
| VI | **Andra AI-tekniker** || |
| 21 | [Genetiska algoritmer](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
| 22 | [Djup förstärkningsinlärning](./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) |
@@ -119,51 +110,52 @@ För en mjuk introduktion till _AI i molnet_-ämnen kan du överväga att ta lä
## Varje lektion innehåller
* Förberedande läsmaterial
-* Exekverbara Jupyter Notebooks, som ofta är specifika för ramverket (**PyTorch** eller **TensorFlow**). Den exekverbara notebooken innehåller också mycket teoretiskt material, så för att förstå ämnet behöver du gå igenom minst en version av notebooken (antingen PyTorch eller TensorFlow).
-* **Laborationer** tillgängliga för vissa ämnen, som ger dig möjlighet att prova att tillämpa materialet du har lärt dig på ett specifikt problem.
+* Körbara Jupyter Notebooks, som ofta är specifika för ramverket (**PyTorch** eller **TensorFlow**). Den körbara notebooken innehåller också mycket teoretiskt material, så för att förstå ämnet behöver du gå igenom minst en version av notebooken (antingen PyTorch eller TensorFlow).
+* **Laborationer** tillgängliga för vissa ämnen, som ger dig möjlighet att prova att tillämpa materialet du lärt dig på ett specifikt problem.
* Vissa avsnitt innehåller länkar till [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) moduler som täcker relaterade ämnen.
## Kom igång
-### 🎯 Ny till AI? Börja här!
+### 🎯 Nybörjare inom AI? Börja här!
-Om du är helt ny inom AI och vill ha snabba, praktiska exempel, kolla in våra [**nybörjarvänliga exempel**](./examples/README.md)! Dessa inkluderar:
+Om du är helt ny inom AI och vill ha snabba, praktiska exempel, kolla in våra [**Nybörjarvänliga exempel**](./examples/README.md)! Dessa inkluderar:
-- 🌟 **Hello AI World** - Ditt första AI-program (mönsterigenkänning)
+- 🌟 **Hej AI-världen** - Ditt första AI-program (mönsterigenkänning)
- 🧠 **Enkel neuralt nätverk** - Bygg ett neuralt nätverk från grunden
+
- 🖼️ **Bildklassificerare** - Klassificera bilder med detaljerade kommentarer
- 💬 **Textsentiment** - Analysera positiv/negativ text
Dessa exempel är utformade för att hjälpa dig att förstå AI-koncept innan du dyker in i hela läroplanen.
-### 📚 Fullständig läroplansinstallation
+### 📚 Fullständig Curriculum-inställning
-- Vi har skapat en [installationslektion](./lessons/0-course-setup/setup.md) för att hjälpa dig att sätta upp din utvecklingsmiljö. - För lärare har vi också skapat en [läroplansinstallationslektion](./lessons/0-course-setup/for-teachers.md)!
+- Vi har skapat en [installationslektion](./lessons/0-course-setup/setup.md) för att hjälpa dig med att ställa in din utvecklingsmiljö. - För lärare har vi också skapat en [curriculum-inställningslektion](./lessons/0-course-setup/for-teachers.md)!
- Hur man [kör koden i VSCode eller en Codespace](./lessons/0-course-setup/how-to-run.md)
Följ dessa steg:
-Forka arkivet: Klicka på knappen "Fork" uppe till höger på denna sida.
+Gaffla arkivet: Klicka på "Fork"-knappen i övre högra hörnet av denna sida.
-Klona arkivet: `git clone https://github.com/microsoft/AI-For-Beginners.git`
+Klon arkivet: `git clone https://github.com/microsoft/AI-For-Beginners.git`
-Glöm inte att ge stjärna (🌟) till detta repo för att hitta det lättare senare.
+Glöm inte att stjärnmärka (🌟) detta repo för att hitta det lättare senare.
-## Träffa andra studerande
+## Möt andra elever
-Gå med i vår [officiella AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) för att träffa och nätverka med andra som tar denna kurs och få support.
+Gå med i vår [officiella AI Discord-server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) för att mötas och nätverka med andra elever som går kursen och få stöd.
-Om du har produktfeedback eller frågor under byggandet, besök vår [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
+Om du har produktfeedback eller frågor under byggandet, besök vårt [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
-## Quizzer
+## Quiz
-> **En notis om quizzer**: Alla quizzer finns i Quiz-app-mappen i etc\quiz-app, eller [Online här](https://ff-quizzes.netlify.app/) De är länkade från lektionerna, quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De håller på att gradvis lokaliseras.
+> **En notis om quiz**: Alla quiz finns i Quiz-app-mappen i etc\quiz-app, eller [online här](https://ff-quizzes.netlify.app/). De länkas från lektionerna; quiz-appen kan köras lokalt eller distribueras till Azure; följ instruktionerna i `quiz-app`-mappen. De lokaliseras gradvis.
-## Hjälp efterfrågas
+## Hjälp önskas
-Har du förslag eller hittat stavfel eller kodfel? Skapa en issue eller skicka en pull request.
+Har du förslag eller hittat stavfel eller kodfel? Skapa en issue eller ett pull request.
-## Specialtack
+## Speciella tack
* **✍️ Huvudförfattare:** [Dmitry Soshnikov](http://soshnikov.com), PhD
* **🔥 Redaktör:** [Jen Looper](https://twitter.com/jenlooper), PhD
@@ -182,7 +174,7 @@ Vårt team producerar andra läroplaner! Kolla in:
---
-### Azure / Edge / MCP / Agenter
+### 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)
@@ -198,36 +190,36 @@ Vårt team producerar andra läroplaner! Kolla in:
---
-### Kärninlärning
+### Kärnlärande
[](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/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)
---
### Copilot-serie
-[](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)
## Få hjälp
-Om du fastnar eller har frågor om att bygga AI-appar. Gå med i diskussioner med medstudenter och erfarna utvecklare om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.
+Om du fastnar eller har frågor om att bygga AI-appar. Gå med bland andra elever och erfarna utvecklare i diskussioner om MCP. Det är en stödjande gemenskap där frågor är välkomna och kunskap delas fritt.
[](https://discord.gg/nTYy5BXMWG)
-Om du har produktfeedback eller felmeddelanden under byggandet, besök:
+Om du har produktfeedback eller fel under byggandet, besök:
[](https://aka.ms/foundry/forum)
---
-**Ansvarsfriskrivning**:
-Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Trots att vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess ursprungliga språk ska betraktas som den auktoritativa källan. För viktig information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som kan uppstå till följd av användningen av denna översättning.
+**Ansvarsfriskrivning**:
+Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller brister. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår genom användningen av denna översättning.
\ No newline at end of file
diff --git a/translations/sv/SECURITY.md b/translations/sv/SECURITY.md
index 7c449aab..97d4019e 100644
--- a/translations/sv/SECURITY.md
+++ b/translations/sv/SECURITY.md
@@ -1,12 +1,3 @@
-
## Säkerhet
Microsoft tar säkerheten för våra mjukvaruprodukter och tjänster på största allvar, vilket inkluderar alla källkodsförråd som hanteras via våra GitHub-organisationer, såsom [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) och [våra GitHub-organisationer](https://opensource.microsoft.com/).
diff --git a/translations/sv/etc/CODE_OF_CONDUCT.md b/translations/sv/etc/CODE_OF_CONDUCT.md
index 5b6d0c60..3a9235e0 100644
--- a/translations/sv/etc/CODE_OF_CONDUCT.md
+++ b/translations/sv/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# Microsoft Open Source Uppförandekod
Det här projektet har antagit [Microsoft Open Source Uppförandekod](https://opensource.microsoft.com/codeofconduct/).
diff --git a/translations/sv/etc/CONTRIBUTING.md b/translations/sv/etc/CONTRIBUTING.md
index e1baa673..949d9e47 100644
--- a/translations/sv/etc/CONTRIBUTING.md
+++ b/translations/sv/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# Bidra
Det här projektet välkomnar bidrag och förslag. De flesta bidrag kräver att du godkänner ett Contributor License Agreement (CLA) som intygar att du har rätt att, och faktiskt gör, ge oss rättigheterna att använda ditt bidrag. För mer information, besök https://cla.microsoft.com.
diff --git a/translations/sv/etc/Mindmap.md b/translations/sv/etc/Mindmap.md
index 40504bfa..63b92524 100644
--- a/translations/sv/etc/Mindmap.md
+++ b/translations/sv/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# AI
## [Introduktion till AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/sv/etc/SUPPORT.md b/translations/sv/etc/SUPPORT.md
index b57c2502..36b9ddc7 100644
--- a/translations/sv/etc/SUPPORT.md
+++ b/translations/sv/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# Support
## Hur man rapporterar problem och får hjälp
diff --git a/translations/sv/etc/TRANSLATIONS.md b/translations/sv/etc/TRANSLATIONS.md
index e1b7317a..99ebe6b9 100644
--- a/translations/sv/etc/TRANSLATIONS.md
+++ b/translations/sv/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# Bidra genom att översätta lektioner
Vi välkomnar översättningar av lektionerna i detta läroplan!
diff --git a/translations/sv/etc/quiz-app/README.md b/translations/sv/etc/quiz-app/README.md
index f85999de..b8cb35d8 100644
--- a/translations/sv/etc/quiz-app/README.md
+++ b/translations/sv/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# Quizzer
Dessa quizzer är för- och efterföreläsningsquizzer för AI-kursplanen på https://aka.ms/ai-beginners
diff --git a/translations/sv/examples/README.md b/translations/sv/examples/README.md
index 50a475c7..ccb060ac 100644
--- a/translations/sv/examples/README.md
+++ b/translations/sv/examples/README.md
@@ -1,12 +1,3 @@
-
# Nybörjarvänliga AI-exempel
Välkommen! Den här katalogen innehåller enkla, fristående exempel för att hjälpa dig komma igång med AI och maskininlärning. Varje exempel är utformat för att vara nybörjarvänligt med detaljerade kommentarer och steg-för-steg-förklaringar.
diff --git a/translations/sv/lessons/0-course-setup/for-teachers.md b/translations/sv/lessons/0-course-setup/for-teachers.md
index 521c0eb2..fe9efcc4 100644
--- a/translations/sv/lessons/0-course-setup/for-teachers.md
+++ b/translations/sv/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# För lärare
Vill du använda detta kursmaterial i ditt klassrum? Varsågod!
diff --git a/translations/sv/lessons/0-course-setup/how-to-run.md b/translations/sv/lessons/0-course-setup/how-to-run.md
index 8aaa6aae..a3701216 100644
--- a/translations/sv/lessons/0-course-setup/how-to-run.md
+++ b/translations/sv/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# Hur man kör koden
Detta kursmaterial innehåller många exekverbara exempel och labbar som du vill köra. För att göra detta behöver du möjligheten att köra Python-kod i Jupyter Notebook-filer som tillhandahålls som en del av detta kursmaterial. Du har flera alternativ för att köra koden:
diff --git a/translations/sv/lessons/0-course-setup/setup.md b/translations/sv/lessons/0-course-setup/setup.md
index 7e385de0..f2935d46 100644
--- a/translations/sv/lessons/0-course-setup/setup.md
+++ b/translations/sv/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# Komma igång med denna läroplan
## Är du en student?
diff --git a/translations/sv/lessons/1-Intro/README.md b/translations/sv/lessons/1-Intro/README.md
index b3d95878..b7addf8d 100644
--- a/translations/sv/lessons/1-Intro/README.md
+++ b/translations/sv/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# Introduktion till AI
diff --git a/translations/sv/lessons/1-Intro/assignment.md b/translations/sv/lessons/1-Intro/assignment.md
index e48acc48..4e1e1d8d 100644
--- a/translations/sv/lessons/1-Intro/assignment.md
+++ b/translations/sv/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# Speljam
Spel är ett område som har påverkats starkt av utvecklingen inom AI och ML. I denna uppgift ska du skriva en kort uppsats om ett spel som du gillar och som har påverkats av AI:s utveckling. Det bör vara ett tillräckligt gammalt spel för att ha påverkats av flera typer av databehandlingssystem. Ett bra exempel är schack eller Go, men titta också på videospel som Pong eller Pac-Man. Skriv en uppsats som diskuterar spelets förflutna, nutid och AI-framtid.
diff --git a/translations/sv/lessons/2-Symbolic/README.md b/translations/sv/lessons/2-Symbolic/README.md
index 485bb545..7c934c7a 100644
--- a/translations/sv/lessons/2-Symbolic/README.md
+++ b/translations/sv/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# Kunskapsrepresentation och expertsystem
-
+
> Sketchnote av [Tomomi Imura](https://twitter.com/girlie_mac)
@@ -41,7 +32,7 @@ Ofta definierar vi inte kunskap strikt, utan vi relaterar det till andra närlig
Således är problemet med **kunskapsrepresentation** att finna ett effektivt sätt att representera kunskap i en dator i form av data, för att göra den automatiskt användbar. Detta kan ses som ett spektrum:
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
@@ -94,7 +85,7 @@ Blocksyntax | Indent | | |
En av de tidiga framgångarna för symbolisk AI var de så kallade **expertsystemen** – datasystem utformade för att agera som experter inom ett begränsat problemområde. De byggde på en **kunskapsbas** extraherad från en eller flera mänskliga experter, och innehöll en **slutledningsmotor** som utförde resonemang ovanpå den.
- | 
+ | 
---------------------------------------------|------------------------------------------------
Förenklad struktur av ett mänskligt nervsystem | Arkitektur för ett kunskapsbaserat system
@@ -106,7 +97,7 @@ Expertsystem byggs som det mänskliga resonemangssystemet, som innehåller **kor
Som exempel, låt oss betrakta följande expertsystem för att bestämma ett djur baserat på dess fysiska egenskaper:
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/sv/lessons/2-Symbolic/assignment.md b/translations/sv/lessons/2-Symbolic/assignment.md
index c016806c..fbc9d81c 100644
--- a/translations/sv/lessons/2-Symbolic/assignment.md
+++ b/translations/sv/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# Bygg en ontologi
Att bygga en kunskapsbas handlar om att kategorisera en modell som representerar fakta om ett ämne. Välj ett ämne - som en person, en plats eller en sak - och bygg sedan en modell av det ämnet. Använd några av de tekniker och strategier för modellbyggande som beskrivs i denna lektion. Ett exempel skulle vara att skapa en ontologi för ett vardagsrum med möbler, lampor och så vidare. Hur skiljer sig vardagsrummet från köket? Badrummet? Hur vet du att det är ett vardagsrum och inte en matsal? Använd [Protégé](https://protege.stanford.edu/) för att bygga din ontologi.
diff --git a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md
index 920a7c3b..81571fa2 100644
--- a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# Introduktion till neurala nätverk: Perceptron
## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@@ -15,7 +6,7 @@ Ett av de första försöken att implementera något liknande ett modernt neural
| | |
|--------------|-----------|
-| | |
+|
| 
|
> Bilder [från Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
där f är en stegaktiveringsfunktion
-
+
## Träning av perceptron
diff --git a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index 396948b6..dc09999b 100644
--- a/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# Multi-klassklassificering med Perceptron
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index 203ee2da..f4f4764b 100644
--- a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# Introduktion till neurala nätverk. Flerlagers perceptron
I föregående avsnitt lärde du dig om den enklaste modellen för neurala nätverk – en enlagers perceptron, en linjär tvåklassklassificeringsmodell.
@@ -65,7 +56,7 @@ Gradientnedstigningsalgoritmen förblir densamma, men det blir svårare att ber
Observera att den vänstra delen av alla dessa uttryck är densamma, och därför kan vi effektivt beräkna derivatorna genom att börja från förlustfunktionen och gå "bakåt" genom beräkningsgrafen. Därför kallas metoden för att träna ett flerlagers perceptron för **backpropagation**, eller 'backprop'.
-
+
> TODO: bildcitering
diff --git a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index cfecd915..fe39f49c 100644
--- a/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# MNIST-klassificering med vårt eget ramverk
Labuppgift från [AI för nybörjare-kursen](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md
index 0255ef69..a5017205 100644
--- a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# Ramverk för neurala nätverk
Som vi redan har lärt oss, för att kunna träna neurala nätverk effektivt behöver vi göra två saker:
diff --git a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index 9205b4ca..a9198a3c 100644
--- a/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassificering med PyTorch/TensorFlow
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/3-NeuralNetworks/README.md b/translations/sv/lessons/3-NeuralNetworks/README.md
index 33e5cab0..546adc2e 100644
--- a/translations/sv/lessons/3-NeuralNetworks/README.md
+++ b/translations/sv/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# Introduktion till neurala nätverk
diff --git a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md
index 0fa880b5..3b76bb2d 100644
--- a/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/sv/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# Introduktion till datorseende
[Computer Vision](https://wikipedia.org/wiki/Computer_vision) är ett område som syftar till att ge datorer en hög nivå av förståelse för digitala bilder. Detta är en ganska bred definition, eftersom *förståelse* kan innebära många olika saker, inklusive att hitta ett objekt på en bild (**objektdetektion**), förstå vad som händer (**händelsedetektion**), beskriva en bild i text eller rekonstruera en scen i 3D. Det finns också specifika uppgifter relaterade till bilder av människor: ålders- och känsloestimering, ansiktsdetektion och identifiering, samt 3D-positionsestimering, för att nämna några.
@@ -115,7 +106,7 @@ Läs mer om optiskt flöde [i denna utmärkta handledning](https://learnopencv.c
I detta labb kommer du att ta en video med enkla gester, och ditt mål är att extrahera upp/ner/vänster/höger rörelser med hjälp av optiskt flöde.
-
+
---
diff --git a/translations/sv/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/sv/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index 6ac27db9..39326b82 100644
--- a/translations/sv/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/sv/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# Upptäcka rörelser med optisk flöde
Labuppgift från [AI för nybörjare-kursen](https://aka.ms/ai-beginners).
diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index ac571afc..d2416048 100644
--- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# Välkända CNN-arkitekturer
### VGG-16
@@ -25,7 +16,7 @@ Som du kan se följer VGG en traditionell pyramidarkitektur, vilket är en sekve
ResNet är en familj av modeller som föreslogs av Microsoft Research år 2015. Huvudidén med ResNet är att använda **residualblock**:
-
+
> Bild från [denna artikel](https://arxiv.org/pdf/1512.03385.pdf)
@@ -37,7 +28,7 @@ Du kan också tänka på detta nätverk som att det kan anpassa sin komplexitet
Google Inception-arkitekturen tar denna idé ett steg längre och bygger varje nätverkslager som en kombination av flera olika vägar:
-
+
> Bild från [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md
index a478dae1..bc5c3d8d 100644
--- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# Konvolutionella neurala nätverk
Vi har tidigare sett att neurala nätverk är ganska bra på att hantera bilder, och till och med en enkel lager-perceptron kan känna igen handskrivna siffror från MNIST-datasetet med rimlig noggrannhet. Men MNIST-datasetet är väldigt speciellt, eftersom alla siffror är centrerade i bilden, vilket gör uppgiften enklare.
@@ -24,7 +15,7 @@ För att extrahera mönster kommer vi att använda begreppet **konvolutionella f
Till exempel, om vi applicerar 3x3 vertikala och horisontella kantfilter på MNIST-siffrorna, kan vi få framhöjningar (t.ex. höga värden) där det finns vertikala och horisontella kanter i vår ursprungliga bild. Således kan dessa två filter användas för att "leta efter" kanter. På samma sätt kan vi designa olika filter för att leta efter andra låg-nivå mönster:
-
+
> Bild av [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index d706abef..df5e1e84 100644
--- a/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/sv/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassificering av husdjursansikten
Labuppgift från [AI för nybörjare-kursen](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md
index f3f87fe1..a5880f8b 100644
--- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# Förtränade nätverk och transfer learning
Att träna CNNs kan ta mycket tid, och det krävs en stor mängd data för att utföra uppgiften. Mycket av tiden går åt till att lära nätverket de bästa låg-nivåfiltren för att kunna extrahera mönster från bilder. En naturlig fråga uppstår - kan vi använda ett neuralt nätverk som tränats på ett dataset och anpassa det för att klassificera andra bilder utan att behöva genomföra en fullständig träningsprocess?
diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index 98686f5a..e89a683e 100644
--- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# Träningsknep för djupinlärning
När neurala nätverk blir djupare blir processen att träna dem alltmer utmanande. Ett stort problem är de så kallade [försvinnande gradienterna](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) eller [exploderande gradienter](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.). [Det här inlägget](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) ger en bra introduktion till dessa problem.
diff --git a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index 4389f331..b4901b01 100644
--- a/translations/sv/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/sv/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# Klassificering av Oxford Pets med Transfer Learning
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md
index f22858f7..e26bc3db 100644
--- a/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/sv/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# Autoencoders
När vi tränar CNNs är ett av problemen att vi behöver mycket märkt data. När det gäller bildklassificering måste vi dela upp bilder i olika klasser, vilket är en manuell process.
@@ -46,7 +37,7 @@ Sammanfattningsvis:
* Vi samplar en vektor `sample` från fördelningen N(zmean,exp(zlog\_sigma))
* Decodern försöker avkoda den ursprungliga bilden med `sample` som inmatningsvektor
-
+ 
> Bild från [denna blogginlägg](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) av Isaak Dykeman
@@ -57,13 +48,13 @@ Variational autoencoders använder en komplex förlustfunktion som består av tv
En viktig fördel med VAEs är att de gör det relativt enkelt att generera nya bilder, eftersom vi vet vilken fördelning vi ska sampla latenta vektorer från. Till exempel, om vi tränar en VAE med en 2D latent vektor på MNIST, kan vi sedan variera komponenterna i den latenta vektorn för att få olika siffror:
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
Observera hur bilderna smälter samman när vi börjar få latenta vektorer från olika delar av det latenta parameterutrymmet. Vi kan också visualisera detta utrymme i 2D:
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/sv/lessons/4-ComputerVision/10-GANs/README.md b/translations/sv/lessons/4-ComputerVision/10-GANs/README.md
index c0c67add..c739f1c3 100644
--- a/translations/sv/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/sv/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# Generativa Adversariella Nätverk
I föregående avsnitt lärde vi oss om **generativa modeller**: modeller som kan generera nya bilder som liknar de i träningsdatamängden. VAE var ett bra exempel på en generativ modell.
@@ -17,7 +8,7 @@ Men om vi försöker generera något riktigt meningsfullt, som en målning med r
Huvudidén med en GAN är att ha två neurala nätverk som tränas mot varandra:
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
@@ -41,7 +32,7 @@ En generator är något mer komplicerad. Du kan se den som en omvänd discrimina
> ✅ Eftersom konvolutionslagret implementeras som ett linjärt filter som traverserar bilden, är dekonvolution i princip liknande konvolution och kan implementeras med samma lagerlogik.
-
+
> Bild av [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md
index 5818775a..353c1ce6 100644
--- a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# Objektigenkänning
De bildklassificeringsmodeller vi har arbetat med hittills tar en bild och producerar ett kategoriskt resultat, som klassen 'nummer' i ett MNIST-problem. Men i många fall vill vi inte bara veta att en bild föreställer objekt - vi vill kunna bestämma deras exakta position. Det är precis detta som är syftet med **objektigenkänning**.
diff --git a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index bbf39f00..67f9b76c 100644
--- a/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/sv/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# Huvuddetektion med Hollywood Heads Dataset
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md
index 6d018ff7..0d3c5195 100644
--- a/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/sv/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# Segmentering
Vi har tidigare lärt oss om objektigenkänning, som gör det möjligt att lokalisera objekt i en bild genom att förutsäga deras *begränsningsramar*. Men för vissa uppgifter behöver vi inte bara begränsningsramar, utan också mer exakt objektlokalisering. Denna uppgift kallas **segmentering**.
@@ -20,7 +11,7 @@ Segmentering kan ses som **pixelklassificering**, där vi för **varje** pixel i
Vid instancesegmentering är dessa får olika objekt, men vid semantisk segmentering representeras alla får av en och samma klass.
-
+
> Bild från [denna bloggpost](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@@ -29,7 +20,7 @@ Det finns olika neurala arkitekturer för segmentering, men de har alla samma st
* **Encoder** extraherar funktioner från inmatningsbilden.
* **Decoder** omvandlar dessa funktioner till **maskbilden**, med samma storlek och antal kanaler som motsvarar antalet klasser.
-
+
> Bild från [denna publikation](https://arxiv.org/pdf/2001.05566.pdf)
@@ -43,7 +34,7 @@ I denna lektion kommer vi att se segmentering i praktiken genom att träna nätv
> ✅ Denna teknik är särskilt lämplig för denna typ av medicinsk bildbehandling, men vilka andra verkliga tillämpningar kan du föreställa dig?
-
+
> Bild från PH2-databasen
diff --git a/translations/sv/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/sv/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index 9421c216..87992f33 100644
--- a/translations/sv/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/sv/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# Segmentering av människokroppen
Labuppgift från [AI för nybörjare-kursen](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/4-ComputerVision/README.md b/translations/sv/lessons/4-ComputerVision/README.md
index b8c5a1f7..9038b11b 100644
--- a/translations/sv/lessons/4-ComputerVision/README.md
+++ b/translations/sv/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# Datorseende
diff --git a/translations/sv/lessons/5-NLP/13-TextRep/README.md b/translations/sv/lessons/5-NLP/13-TextRep/README.md
index d1a8965b..cbee979f 100644
--- a/translations/sv/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/sv/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# Representera text som tensorer
## [Förhandsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@@ -25,7 +16,7 @@ Vårt mål kommer att vara att klassificera nyhetsartikeln i en av kategorierna
Om vi vill lösa uppgifter inom Natural Language Processing (NLP) med neurala nätverk behöver vi ett sätt att representera text som tensorer. Datorer representerar redan texttecken som siffror som mappas till typsnitt på din skärm med hjälp av kodningar som ASCII eller UTF-8.
-
+
> [Bildkälla](https://www.seobility.net/en/wiki/ASCII)
@@ -48,7 +39,7 @@ I vissa fall kan vi överväga att använda tri-gram – kombinationer av tre or
När vi löser uppgifter som textklassificering behöver vi kunna representera text med en fast storlek på vektorn, som vi kommer att använda som indata till den slutliga täta klassificeraren. Ett av de enklaste sätten att göra detta är att kombinera alla individuella ordrepresentationer, t.ex. genom att addera dem. Om vi adderar one-hot-kodningar av varje ord kommer vi att få en frekvensvektor som visar hur många gånger varje ord förekommer i texten. En sådan representation av text kallas **bag of words** (BoW).
-
+
> Bild av författaren
diff --git a/translations/sv/lessons/5-NLP/13-TextRep/assignment.md b/translations/sv/lessons/5-NLP/13-TextRep/assignment.md
index 4bef7c60..54c14647 100644
--- a/translations/sv/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/sv/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# Uppgift: Anteckningsböcker
Använd anteckningsböckerna som hör till denna lektion (antingen PyTorch- eller TensorFlow-versionen) och kör dem igen med ditt eget dataset, kanske ett från Kaggle, använt med korrekt attribution. Skriv om anteckningsboken för att lyfta fram dina egna slutsatser. Prova några innovativa dataset som kan vara överraskande, till exempel [detta om UFO-observationer](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) från NUFORC.
diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/README.md b/translations/sv/lessons/5-NLP/14-Embeddings/README.md
index 5458c8f6..c064a96f 100644
--- a/translations/sv/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/sv/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# Inbäddningar
## [Förföreläsningsquiz](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/sv/lessons/5-NLP/14-Embeddings/assignment.md b/translations/sv/lessons/5-NLP/14-Embeddings/assignment.md
index d7332930..4052f0ca 100644
--- a/translations/sv/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/sv/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# Uppgift: Anteckningsböcker
Använd anteckningsböckerna som hör till denna lektion (antingen PyTorch- eller TensorFlow-versionen) och kör dem igen med din egen dataset, kanske en från Kaggle, använd med korrekt attribution. Skriv om anteckningsboken för att lyfta fram dina egna slutsatser. Prova en annan typ av dataset och dokumentera dina resultat, med hjälp av text som [dessa Beatles-texter](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics).
diff --git a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md
index 7e80a8c4..574e9055 100644
--- a/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/sv/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# Språkmodellering
Semantiska inbäddningar, såsom Word2Vec och GloVe, är faktiskt ett första steg mot **språkmodellering** – att skapa modeller som på något sätt *förstår* (eller *representerar*) språkets natur.
diff --git a/translations/sv/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/sv/lessons/5-NLP/15-LanguageModeling/lab/README.md
index 3add83a6..b0a1dee0 100644
--- a/translations/sv/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/sv/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# Träna Skip-Gram-modell
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/5-NLP/16-RNN/README.md b/translations/sv/lessons/5-NLP/16-RNN/README.md
index 6790808d..54bce181 100644
--- a/translations/sv/lessons/5-NLP/16-RNN/README.md
+++ b/translations/sv/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# Rekurrenta neurala nätverk
## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@@ -31,7 +22,7 @@ Låt oss se hur en enkel RNN-cell är organiserad. Den tar emot det tidigare til
En enkel RNN-cell har två viktmatriser inuti: en som transformerar en inmatningssymbol (vi kallar den W), och en annan som transformerar ett inmatningstillstånd (H). I detta fall beräknas nätverkets utgång som σ(W×Xi+H×Si-1+b), där σ är aktiveringsfunktionen och b är en ytterligare bias.
-
+
> Bild av författaren
diff --git a/translations/sv/lessons/5-NLP/16-RNN/assignment.md b/translations/sv/lessons/5-NLP/16-RNN/assignment.md
index 8ceeea77..5d5c7f64 100644
--- a/translations/sv/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/sv/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# Uppgift: Anteckningsböcker
Använd anteckningsböckerna som hör till denna lektion (antingen PyTorch- eller TensorFlow-versionen) och kör dem igen med ditt eget dataset, kanske ett från Kaggle, använt med korrekt attribution. Skriv om anteckningsboken för att lyfta fram dina egna slutsatser. Prova en annan typ av dataset och dokumentera dina resultat, med exempeltext som [detta Kaggle-tävlingsdataset om väder-tweets](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv).
diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md
index 2ee7b8ad..5afa61da 100644
--- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# Generativa nätverk
## [Quiz före föreläsning](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@@ -36,7 +27,7 @@ Vi kommer att träna denna RNN att generera text steg för steg. Vid varje steg
När vi genererar text (under inferens), börjar vi med en **prompt**, som passeras genom RNN-celler för att generera dess mellanliggande tillstånd, och sedan börjar genereringen från detta tillstånd. Vi genererar ett tecken i taget och skickar tillståndet och det genererade tecknet till en annan RNN-cell för att generera nästa, tills vi har genererat tillräckligt många tecken.
-
+
> Bild av författaren
diff --git a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index 162964be..97721157 100644
--- a/translations/sv/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/sv/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# Ordnivå Textgenerering med RNNs
Labuppgift från [AI för Nybörjare Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/5-NLP/18-Transformers/README.md b/translations/sv/lessons/5-NLP/18-Transformers/README.md
index f170c929..a93366f9 100644
--- a/translations/sv/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/sv/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# Uppmärksamhetsmekanismer och Transformatorer
## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@@ -56,7 +47,7 @@ Idén med positionskodning är följande.
* Träningsbar inbäddning, liknande tokeninbäddning. Detta är tillvägagångssättet vi överväger här. Vi applicerar inbäddningslager ovanpå både token och deras positioner, vilket resulterar i inbäddningsvektorer med samma dimensioner, som vi sedan lägger ihop.
* Fast positionskodningsfunktion, som föreslogs i den ursprungliga artikeln.
-
+
> Bild av författaren
diff --git a/translations/sv/lessons/5-NLP/18-Transformers/assignment.md b/translations/sv/lessons/5-NLP/18-Transformers/assignment.md
index a0b914cc..5b69cb9c 100644
--- a/translations/sv/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/sv/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# Uppgift: Transformers
Experimentera med Transformers på HuggingFace! Testa några av de skript de tillhandahåller för att arbeta med de olika modellerna som finns på deras webbplats: https://huggingface.co/docs/transformers/run_scripts. Prova en av deras dataset, importera sedan en egen från denna kursplan eller från Kaggle och se om du kan generera intressanta texter. Skapa en notebook med dina resultat.
diff --git a/translations/sv/lessons/5-NLP/19-NER/README.md b/translations/sv/lessons/5-NLP/19-NER/README.md
index 60bcfde1..6c88db8c 100644
--- a/translations/sv/lessons/5-NLP/19-NER/README.md
+++ b/translations/sv/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# Namngiven Entityigenkänning
Hittills har vi mest fokuserat på en NLP-uppgift - klassificering. Men det finns också andra NLP-uppgifter som kan lösas med neurala nätverk. En av dessa uppgifter är **[Namngiven Entityigenkänning](https://wikipedia.org/wiki/Named-entity_recognition)** (NER), som handlar om att identifiera specifika entiteter i text, såsom platser, personnamn, tidsintervall, kemiska formler och så vidare.
@@ -17,7 +8,7 @@ Hittills har vi mest fokuserat på en NLP-uppgift - klassificering. Men det finn
Anta att du vill utveckla en naturlig språkchatbot, liknande Amazon Alexa eller Google Assistant. Intelligenta chatbots fungerar genom att *förstå* vad användaren vill genom att utföra textklassificering på den inmatade meningen. Resultatet av denna klassificering är den så kallade **intentionen**, som avgör vad chatboten ska göra.
-
+
> Bild av författaren
diff --git a/translations/sv/lessons/5-NLP/19-NER/lab/README.md b/translations/sv/lessons/5-NLP/19-NER/lab/README.md
index f3d1776b..3dcdbd8a 100644
--- a/translations/sv/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/sv/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# NER
Labuppgift från [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/sv/lessons/5-NLP/20-LangModels/README.md b/translations/sv/lessons/5-NLP/20-LangModels/README.md
index 1a5f9b0b..da3a7290 100644
--- a/translations/sv/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/sv/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# Förtränade stora språkmodeller
I alla våra tidigare uppgifter har vi tränat ett neuralt nätverk för att utföra en viss uppgift med hjälp av en märkt dataset. Med stora transformer-modeller, såsom BERT, använder vi språkinlärning i självövervakad form för att bygga en språkmodell, som sedan specialiseras för specifika nedströmsuppgifter med ytterligare domänspecifik träning. Det har dock visat sig att stora språkmodeller också kan lösa många uppgifter utan någon domänspecifik träning. En familj av modeller som kan göra detta kallas **GPT**: Generative Pre-Trained Transformer.
diff --git a/translations/sv/lessons/5-NLP/README.md b/translations/sv/lessons/5-NLP/README.md
index 148c97ec..93758bcd 100644
--- a/translations/sv/lessons/5-NLP/README.md
+++ b/translations/sv/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# Naturlig Språkbearbetning
diff --git a/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md
index ab41db55..a9a1dff7 100644
--- a/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/sv/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# Genetiska Algoritmer
## [Quiz före föreläsningen](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/sv/lessons/6-Other/22-DeepRL/README.md b/translations/sv/lessons/6-Other/22-DeepRL/README.md
index 05935bba..da46cac4 100644
--- a/translations/sv/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/sv/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# Djup Förstärkningsinlärning
Förstärkningsinlärning (RL) ses som en av de grundläggande paradigmerna inom maskininlärning, vid sidan av övervakad inlärning och oövervakad inlärning. Medan vi i övervakad inlärning förlitar oss på dataset med kända resultat, bygger RL på **att lära genom att göra**. Till exempel, när vi först ser ett datorspel börjar vi spela, även utan att känna till reglerna, och snart kan vi förbättra våra färdigheter bara genom att spela och justera vårt beteende.
@@ -34,7 +25,7 @@ Ni har förmodligen alla sett moderna balansapparater som *Segway* eller *Gyrosc
En förenklad version av balansproblemet är känt som **CartPole**-problemet. I CartPole-världen har vi en horisontell slider som kan röra sig åt vänster eller höger, och målet är att balansera en vertikal stång ovanpå slidern medan den rör sig.
-
+
För att skapa och använda denna miljö behöver vi några rader Python-kod:
diff --git a/translations/sv/lessons/6-Other/22-DeepRL/lab/README.md b/translations/sv/lessons/6-Other/22-DeepRL/lab/README.md
index b2b819da..56d8a79b 100644
--- a/translations/sv/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/sv/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## Miljön
Mountain Car-miljön består av en bil som är fast i en dal. Målet är att hoppa ut ur dalen och nå flaggan. De handlingar du kan utföra är att accelerera åt vänster, åt höger eller att inte göra något alls. Du kan observera bilens position längs x-axeln och dess hastighet.
diff --git a/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md b/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md
index 553729ea..8b2415e8 100644
--- a/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/sv/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# Multi-Agent System
Ett av de möjliga sätten att uppnå intelligens är den så kallade **emergenta** (eller **synergetiska**) metoden, som bygger på att det kombinerade beteendet hos många relativt enkla agenter kan resultera i ett mer komplext (eller intelligent) beteende hos systemet som helhet. Teoretiskt baseras detta på principerna för [Kollektiv Intelligens](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) och [Evolutionär Cybernetik](https://en.wikipedia.org/wiki/Global_brain), som hävdar att högre nivåers system får någon form av mervärde när de kombineras korrekt från lägre nivåers system (den så kallade *principen om metasystemövergång*).
@@ -60,7 +51,7 @@ Du kan [ladda ner](https://ccl.northwestern.edu/netlogo/download.shtml) och inst
En fantastisk sak med NetLogo är att det innehåller ett bibliotek med fungerande modeller som du kan prova. Gå till **File → Models Library**, och du har många kategorier av modeller att välja mellan.
-
+
> En skärmdump av modellbiblioteket av Dmitry Soshnikov
diff --git a/translations/sv/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/sv/lessons/6-Other/23-MultiagentSystems/assignment.md
index bfc35a35..98493528 100644
--- a/translations/sv/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/sv/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# NetLogo-uppgift
Ta en av modellerna i NetLogos bibliotek och använd den för att simulera en verklig situation så nära som möjligt. Ett bra exempel skulle vara att justera Virus-modellen i mappen Alternative Visualizations för att visa hur den kan användas för att modellera spridningen av COVID-19. Kan du skapa en modell som efterliknar en verklig virusspridning?
diff --git a/translations/sv/lessons/7-Ethics/README.md b/translations/sv/lessons/7-Ethics/README.md
index 01749b70..981b1e62 100644
--- a/translations/sv/lessons/7-Ethics/README.md
+++ b/translations/sv/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# Etisk och Ansvarsfull AI
Du har nästan avslutat den här kursen, och jag hoppas att du nu tydligt ser att AI bygger på ett antal formella matematiska metoder som gör det möjligt för oss att hitta samband i data och träna modeller för att efterlikna vissa aspekter av mänskligt beteende. Vid denna tidpunkt i historien betraktar vi AI som ett mycket kraftfullt verktyg för att extrahera mönster från data och tillämpa dessa mönster för att lösa nya problem.
diff --git a/translations/sv/lessons/README.md b/translations/sv/lessons/README.md
index 0b545ab3..d10bb2d8 100644
--- a/translations/sv/lessons/README.md
+++ b/translations/sv/lessons/README.md
@@ -1,12 +1,3 @@
-
# Översikt
diff --git a/translations/sv/lessons/X-Extras/X1-MultiModal/README.md b/translations/sv/lessons/X-Extras/X1-MultiModal/README.md
index f6e1c412..f1b43fb0 100644
--- a/translations/sv/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/sv/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# Multi-Modala Nätverk
Efter framgången med transformer-modeller för att lösa NLP-uppgifter har samma eller liknande arkitekturer tillämpats på datorseende-uppgifter. Det finns ett växande intresse för att bygga modeller som kan *kombinera* vision och naturligt språk. Ett av dessa försök gjordes av OpenAI och kallas CLIP och DALL.E.
diff --git a/translations/sv/lessons/sketchnotes/LICENSE.md b/translations/sv/lessons/sketchnotes/LICENSE.md
index 1973553a..4bb535e8 100644
--- a/translations/sv/lessons/sketchnotes/LICENSE.md
+++ b/translations/sv/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
Attribution-ShareAlike 4.0 Internationell
=======================================================================
diff --git a/translations/sv/lessons/sketchnotes/README.md b/translations/sv/lessons/sketchnotes/README.md
index d9490333..4b1b86e1 100644
--- a/translations/sv/lessons/sketchnotes/README.md
+++ b/translations/sv/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
Alla sketchnotes för läroplanen kan laddas ner här.
🎨 Skapad av: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
diff --git a/translations/sv/troubleshoot.md b/translations/sv/troubleshoot.md
index 9760efa9..722e818d 100644
--- a/translations/sv/troubleshoot.md
+++ b/translations/sv/troubleshoot.md
@@ -1,12 +1,3 @@
-
# AI-For-Beginners Felsökningsguide
Den här guiden hjälper dig att lösa vanliga problem som kan uppstå när du använder eller bidrar till [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners)-repositoryn. Varje problem inkluderar bakgrund, symtom, förklaringar och steg-för-steg-lösningar.
diff --git a/translations/th/.co-op-translator.json b/translations/th/.co-op-translator.json
new file mode 100644
index 00000000..796282e5
--- /dev/null
+++ b/translations/th/.co-op-translator.json
@@ -0,0 +1,398 @@
+{
+ "AGENTS.md": {
+ "original_hash": "6b11a37115944252ab3ed04e358d830d",
+ "translation_date": "2025-10-03T09:22:09+00:00",
+ "source_file": "AGENTS.md",
+ "language_code": "th"
+ },
+ "README.md": {
+ "original_hash": "1984fc89dd304a8a33ab5584691a99aa",
+ "translation_date": "2026-01-30T01:57:42+00:00",
+ "source_file": "README.md",
+ "language_code": "th"
+ },
+ "SECURITY.md": {
+ "original_hash": "a583f49d359c7ebba61433e4dfcd05a9",
+ "translation_date": "2025-08-29T08:37:09+00:00",
+ "source_file": "SECURITY.md",
+ "language_code": "th"
+ },
+ "etc/CODE_OF_CONDUCT.md": {
+ "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+ "translation_date": "2025-08-29T09:31:47+00:00",
+ "source_file": "etc/CODE_OF_CONDUCT.md",
+ "language_code": "th"
+ },
+ "etc/CONTRIBUTING.md": {
+ "original_hash": "847a587aa1b83f4d00858183ff3ed18a",
+ "translation_date": "2025-08-29T09:31:30+00:00",
+ "source_file": "etc/CONTRIBUTING.md",
+ "language_code": "th"
+ },
+ "etc/Mindmap.md": {
+ "original_hash": "f2f88dbd2debd38e26149b27b1fd272d",
+ "translation_date": "2025-08-29T09:30:28+00:00",
+ "source_file": "etc/Mindmap.md",
+ "language_code": "th"
+ },
+ "etc/SUPPORT.md": {
+ "original_hash": "fdfc08baee91e402938a2b1f94fe0949",
+ "translation_date": "2025-08-29T09:28:47+00:00",
+ "source_file": "etc/SUPPORT.md",
+ "language_code": "th"
+ },
+ "etc/TRANSLATIONS.md": {
+ "original_hash": "62b3e3ad5182edb905eec649a87eeeb4",
+ "translation_date": "2025-08-29T09:31:09+00:00",
+ "source_file": "etc/TRANSLATIONS.md",
+ "language_code": "th"
+ },
+ "etc/quiz-app/README.md": {
+ "original_hash": "d699cf8509f74baa5b0b838de5cf0662",
+ "translation_date": "2025-08-29T09:32:19+00:00",
+ "source_file": "etc/quiz-app/README.md",
+ "language_code": "th"
+ },
+ "examples/README.md": {
+ "original_hash": "0d1babfdcbeb46525f2db3fbaaa54cd7",
+ "translation_date": "2025-10-03T11:30:59+00:00",
+ "source_file": "examples/README.md",
+ "language_code": "th"
+ },
+ "lessons/0-course-setup/for-teachers.md": {
+ "original_hash": "a094ef9927883de1cfcee51dbd143381",
+ "translation_date": "2025-08-29T08:42:18+00:00",
+ "source_file": "lessons/0-course-setup/for-teachers.md",
+ "language_code": "th"
+ },
+ "lessons/0-course-setup/how-to-run.md": {
+ "original_hash": "a4717bd9103b9f6cd84d534b83534689",
+ "translation_date": "2026-01-16T02:18:09+00:00",
+ "source_file": "lessons/0-course-setup/how-to-run.md",
+ "language_code": "th"
+ },
+ "lessons/0-course-setup/setup.md": {
+ "original_hash": "7b4e5b8956915870d0a0ed3cc5890042",
+ "translation_date": "2025-12-12T19:48:44+00:00",
+ "source_file": "lessons/0-course-setup/setup.md",
+ "language_code": "th"
+ },
+ "lessons/1-Intro/README.md": {
+ "original_hash": "f57e8aa46141fd220b16ffed8f11aec7",
+ "translation_date": "2025-11-18T21:28:42+00:00",
+ "source_file": "lessons/1-Intro/README.md",
+ "language_code": "th"
+ },
+ "lessons/1-Intro/assignment.md": {
+ "original_hash": "a334df77a82aaaf2a29c77065d3e481e",
+ "translation_date": "2025-11-18T21:30:23+00:00",
+ "source_file": "lessons/1-Intro/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/2-Symbolic/README.md": {
+ "original_hash": "f9f06b266b8b2bfc6b8792ff2bb1bea4",
+ "translation_date": "2026-01-16T02:18:27+00:00",
+ "source_file": "lessons/2-Symbolic/README.md",
+ "language_code": "th"
+ },
+ "lessons/2-Symbolic/assignment.md": {
+ "original_hash": "a057a8604f3976c3e309884453f1fad0",
+ "translation_date": "2025-08-29T09:02:54+00:00",
+ "source_file": "lessons/2-Symbolic/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/README.md": {
+ "original_hash": "c34cbba802058b6fa267e1a294d4e510",
+ "translation_date": "2025-09-23T09:11:01+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md": {
+ "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+ "translation_date": "2025-08-29T09:10:14+00:00",
+ "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/README.md": {
+ "original_hash": "789d6c3fb6fc7948a470b33078a5983a",
+ "translation_date": "2025-09-23T09:10:35+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md": {
+ "original_hash": "48fdd704d483e19bc3d7464074c9fcbe",
+ "translation_date": "2025-08-29T09:09:01+00:00",
+ "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/README.md": {
+ "original_hash": "ddd216f558a255260a9374008002c971",
+ "translation_date": "2025-09-23T09:11:23+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md": {
+ "original_hash": "e452d897efb9a89700f41021834cf6e5",
+ "translation_date": "2025-08-29T09:11:52+00:00",
+ "source_file": "lessons/3-NeuralNetworks/05-Frameworks/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/3-NeuralNetworks/README.md": {
+ "original_hash": "f862a99d88088163df12270e2f2ad6c3",
+ "translation_date": "2025-10-03T12:48:58+00:00",
+ "source_file": "lessons/3-NeuralNetworks/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/README.md": {
+ "original_hash": "feeca98225cb420afc89415f24f63d92",
+ "translation_date": "2025-09-23T09:04:26+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/06-IntroCV/lab/README.md": {
+ "original_hash": "3d53d6409f80970f7281a45dee35328a",
+ "translation_date": "2025-08-29T08:52:34+00:00",
+ "source_file": "lessons/4-ComputerVision/06-IntroCV/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md": {
+ "original_hash": "53faab85adfcebd8c10bcd71dc2fa557",
+ "translation_date": "2025-09-23T09:03:36+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/README.md": {
+ "original_hash": "a560d5b845962cf33dc102266e409568",
+ "translation_date": "2025-09-23T09:03:08+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/07-ConvNets/lab/README.md": {
+ "original_hash": "b70fcf7fcee862990f848c679090943f",
+ "translation_date": "2025-10-03T14:55:11+00:00",
+ "source_file": "lessons/4-ComputerVision/07-ConvNets/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/README.md": {
+ "original_hash": "178c0b5ee5395733eb18aec51e71a0a9",
+ "translation_date": "2025-09-23T09:03:57+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md": {
+ "original_hash": "ae074cd940fc2f4dc24fc07b66ccbd99",
+ "translation_date": "2025-08-29T08:49:27+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/08-TransferLearning/lab/README.md": {
+ "original_hash": "7765935c35fcee69b9fe2d0cfd6963e2",
+ "translation_date": "2025-08-29T08:50:50+00:00",
+ "source_file": "lessons/4-ComputerVision/08-TransferLearning/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/09-Autoencoders/README.md": {
+ "original_hash": "1b8d9e1b3a6f1daa864b1ff3dfc3076d",
+ "translation_date": "2025-09-23T09:05:59+00:00",
+ "source_file": "lessons/4-ComputerVision/09-Autoencoders/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/10-GANs/README.md": {
+ "original_hash": "0ff65b4da07b23697235de2beb2a3c25",
+ "translation_date": "2025-09-23T09:06:58+00:00",
+ "source_file": "lessons/4-ComputerVision/10-GANs/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/README.md": {
+ "original_hash": "d76a7eda28de5210c8b1ba50a6216c69",
+ "translation_date": "2025-09-23T09:05:13+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md": {
+ "original_hash": "ad568d55ae65c856fe929fc2b278510a",
+ "translation_date": "2025-08-29T08:54:40+00:00",
+ "source_file": "lessons/4-ComputerVision/11-ObjectDetection/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/README.md": {
+ "original_hash": "6568aaae7e0e4afed4b5d74b5b223700",
+ "translation_date": "2025-09-23T09:06:37+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/12-Segmentation/lab/README.md": {
+ "original_hash": "365f0decfe0f47b460bbde8227c5009d",
+ "translation_date": "2025-08-29T08:57:23+00:00",
+ "source_file": "lessons/4-ComputerVision/12-Segmentation/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/4-ComputerVision/README.md": {
+ "original_hash": "58a52f000089c1d8906a4daa4ab1169b",
+ "translation_date": "2025-08-29T08:45:21+00:00",
+ "source_file": "lessons/4-ComputerVision/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/13-TextRep/README.md": {
+ "original_hash": "dbd3f73e4139f030ecb2e20387d70fee",
+ "translation_date": "2025-09-23T09:14:40+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/13-TextRep/assignment.md": {
+ "original_hash": "cdc1f2e631f055f3473b36d18e4760b3",
+ "translation_date": "2025-08-29T09:28:31+00:00",
+ "source_file": "lessons/5-NLP/13-TextRep/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/14-Embeddings/README.md": {
+ "original_hash": "b708c9b85b833864c73c6281f1e6b96e",
+ "translation_date": "2025-09-23T09:14:18+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/14-Embeddings/assignment.md": {
+ "original_hash": "bc690ecf68b38d311cc9e12f3144a28c",
+ "translation_date": "2025-08-29T09:27:08+00:00",
+ "source_file": "lessons/5-NLP/14-Embeddings/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/15-LanguageModeling/README.md": {
+ "original_hash": "7ba20f54a5bfcd6521018cdfb17c7c57",
+ "translation_date": "2025-09-23T09:12:27+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/15-LanguageModeling/lab/README.md": {
+ "original_hash": "5130f01fdc5ebb83032b23d489027aac",
+ "translation_date": "2025-08-29T09:19:22+00:00",
+ "source_file": "lessons/5-NLP/15-LanguageModeling/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/16-RNN/README.md": {
+ "original_hash": "e2273cc150380a5e191903cea858f021",
+ "translation_date": "2025-09-23T09:13:46+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/16-RNN/assignment.md": {
+ "original_hash": "47f7d3c6a5373543e051e4d1140ce898",
+ "translation_date": "2025-08-29T09:25:50+00:00",
+ "source_file": "lessons/5-NLP/16-RNN/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/README.md": {
+ "original_hash": "51be6057374d01d70e07dd5ec88ebc0d",
+ "translation_date": "2025-09-23T09:12:01+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/17-GenerativeNetworks/lab/README.md": {
+ "original_hash": "439e12796197a90e7623d4c9c057b9c2",
+ "translation_date": "2025-08-29T09:18:24+00:00",
+ "source_file": "lessons/5-NLP/17-GenerativeNetworks/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/18-Transformers/README.md": {
+ "original_hash": "f335dfcb4a993920504c387973a36957",
+ "translation_date": "2025-09-23T09:12:40+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/18-Transformers/assignment.md": {
+ "original_hash": "177f3ea3995d725e6f9f5c66af16edcd",
+ "translation_date": "2025-08-29T09:21:20+00:00",
+ "source_file": "lessons/5-NLP/18-Transformers/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/19-NER/README.md": {
+ "original_hash": "6522312ff835796ca34136a9462fafb2",
+ "translation_date": "2025-09-23T09:13:26+00:00",
+ "source_file": "lessons/5-NLP/19-NER/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/19-NER/lab/README.md": {
+ "original_hash": "032bda5068f543d6c1fcb30c34231461",
+ "translation_date": "2025-08-29T09:23:40+00:00",
+ "source_file": "lessons/5-NLP/19-NER/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/20-LangModels/README.md": {
+ "original_hash": "97836d30a6bec736f8e3b4411c572bc2",
+ "translation_date": "2025-09-23T09:13:06+00:00",
+ "source_file": "lessons/5-NLP/20-LangModels/README.md",
+ "language_code": "th"
+ },
+ "lessons/5-NLP/README.md": {
+ "original_hash": "8ef02a9318257ea140ed3ed74442096d",
+ "translation_date": "2025-08-29T09:16:38+00:00",
+ "source_file": "lessons/5-NLP/README.md",
+ "language_code": "th"
+ },
+ "lessons/6-Other/21-GeneticAlgorithms/README.md": {
+ "original_hash": "6bbd632dfe6c62e5f66bb51fd78c174a",
+ "translation_date": "2025-09-23T09:01:37+00:00",
+ "source_file": "lessons/6-Other/21-GeneticAlgorithms/README.md",
+ "language_code": "th"
+ },
+ "lessons/6-Other/22-DeepRL/README.md": {
+ "original_hash": "04395657fc01648f8f70484d0e55ab67",
+ "translation_date": "2025-09-23T09:02:41+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/README.md",
+ "language_code": "th"
+ },
+ "lessons/6-Other/22-DeepRL/lab/README.md": {
+ "original_hash": "7bd8dc72040e98e35e7225e34058cd4e",
+ "translation_date": "2025-08-29T08:41:58+00:00",
+ "source_file": "lessons/6-Other/22-DeepRL/lab/README.md",
+ "language_code": "th"
+ },
+ "lessons/6-Other/23-MultiagentSystems/README.md": {
+ "original_hash": "38a1185ae3d54b180378bbd71ae3ef16",
+ "translation_date": "2025-09-23T09:01:56+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/README.md",
+ "language_code": "th"
+ },
+ "lessons/6-Other/23-MultiagentSystems/assignment.md": {
+ "original_hash": "cf654ca60c7f86c8dad28596fb42994b",
+ "translation_date": "2025-08-29T08:40:18+00:00",
+ "source_file": "lessons/6-Other/23-MultiagentSystems/assignment.md",
+ "language_code": "th"
+ },
+ "lessons/7-Ethics/README.md": {
+ "original_hash": "437c988596e751072e41a5aad3fcc5d9",
+ "translation_date": "2025-08-29T09:03:27+00:00",
+ "source_file": "lessons/7-Ethics/README.md",
+ "language_code": "th"
+ },
+ "lessons/README.md": {
+ "original_hash": "5fef1a0b22498d7188959e2a2cb08af7",
+ "translation_date": "2025-08-29T08:37:28+00:00",
+ "source_file": "lessons/README.md",
+ "language_code": "th"
+ },
+ "lessons/X-Extras/X1-MultiModal/README.md": {
+ "original_hash": "9c592c26aca16ca085d268c732284187",
+ "translation_date": "2025-08-29T08:44:41+00:00",
+ "source_file": "lessons/X-Extras/X1-MultiModal/README.md",
+ "language_code": "th"
+ },
+ "lessons/sketchnotes/LICENSE.md": {
+ "original_hash": "45ab63a2cd8f5faef6c9b150618837a4",
+ "translation_date": "2025-08-29T09:15:17+00:00",
+ "source_file": "lessons/sketchnotes/LICENSE.md",
+ "language_code": "th"
+ },
+ "lessons/sketchnotes/README.md": {
+ "original_hash": "050b8bddebafba55b129414e6ab096ab",
+ "translation_date": "2025-08-29T09:12:13+00:00",
+ "source_file": "lessons/sketchnotes/README.md",
+ "language_code": "th"
+ },
+ "troubleshoot.md": {
+ "original_hash": "8d9c5a4a7c7798d699672a22cb7fea86",
+ "translation_date": "2025-10-03T09:44:29+00:00",
+ "source_file": "troubleshoot.md",
+ "language_code": "th"
+ }
+}
\ No newline at end of file
diff --git a/translations/th/AGENTS.md b/translations/th/AGENTS.md
index 5ef094ef..a8d1fd9f 100644
--- a/translations/th/AGENTS.md
+++ b/translations/th/AGENTS.md
@@ -1,12 +1,3 @@
-
# AGENTS.md
## ภาพรวมโครงการ
diff --git a/translations/th/README.md b/translations/th/README.md
index b39d4584..d8856257 100644
--- a/translations/th/README.md
+++ b/translations/th/README.md
@@ -1,12 +1,3 @@
-
[](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/)
@@ -21,33 +12,33 @@ CO_OP_TRANSLATOR_METADATA:
[](https://discord.gg/nTYy5BXMWG)
-# ปัญญาประดิษฐ์สำหรับผู้เริ่มต้น - หลักสูตร
+# ปัญญาประดิษฐ์สำหรับผู้เริ่มต้น - หลักสูตรหนึ่งชุด
-||
+||
|:---:|
-| AI For Beginners - _ภาพร่างโดย [@girlie_mac](https://twitter.com/girlie_mac)_ |
+| AI สำหรับผู้เริ่มต้น - _สเก็ตช์โน้ตโดย [@girlie_mac](https://twitter.com/girlie_mac)_ |
-สำรวจโลกของ **ปัญญาประดิษฐ์** (AI) ด้วยหลักสูตร 12 สัปดาห์ 24 บทเรียน! รวมถึงบทเรียนเชิงปฏิบัติแบบฝึกหัด และแลป หลักสูตรนี้เหมาะกับผู้เริ่มต้นและครอบคลุมเครื่องมือ เช่น TensorFlow และ PyTorch รวมถึงจริยธรรมใน AI
+สำรวจโลกของ **ปัญญาประดิษฐ์** (AI) ด้วยหลักสูตร 12 สัปดาห์ 24 บทเรียนของเรา! ซึ่งรวมถึงบทเรียนเชิงปฏิบัติแบบทดสอบ และห้องทดลอง หลักสูตรนี้เหมาะสำหรับผู้เริ่มต้นและครอบคลุมเครื่องมือต่างๆ เช่น TensorFlow และ PyTorch รวมทั้งจริยธรรมใน AI
-### 🌐 การสนับสนุนหลายภาษา
+### 🌐 การรองรับหลายภาษา
-#### รองรับผ่าน GitHub Action (อัตโนมัติ & อัปเดตเสมอ)
+#### รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../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](../id/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)](../br/README.md) | [Portuguese (Portugal)](../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](./README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../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](../id/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](./README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
-> **ต้องการโคลนแบบโลคอล?**
+> **ต้องการโคลนไว้ใช้ในเครื่องหรือไม่?**
-> ที่เก็บนี้รวมการแปลมากกว่า 50 ภาษา ซึ่งจะเพิ่มขนาดการดาวน์โหลดอย่างมีนัยสำคัญ หากต้องการโคลนโดยไม่รวมการแปล ให้ใช้ sparse checkout:
+> ที่เก็บนี้มีแปลภาษามากกว่า 50 ภาษา ซึ่งจะเพิ่มขนาดดาวน์โหลดอย่างมาก หากต้องการโคลนโดยไม่รวมการแปล ให้ใช้การเช็คเอาท์แบบสแปร์ส:
> ```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'
> ```
-> ซึ่งจะให้ทุกอย่างที่คุณต้องการเพื่อทำหลักสูตรให้เสร็จสิ้นด้วยการดาวน์โหลดที่รวดเร็วขึ้นมาก
+> วิธีนี้จะให้ทุกสิ่งที่คุณต้องการเพื่อทำหลักสูตรให้เสร็จสมบูรณ์ด้วยความเร็วดาวน์โหลดที่เร็วขึ้นมาก
-**หากคุณต้องการให้รองรับภาษาการแปลเพิ่มเติม รายการภาษาที่รองรับอยู่ [ที่นี่](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
+**หากคุณต้องการให้รองรับภาษาแปลเพิ่มเติม โปรดดูรายชื่อ [ที่นี่](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
## เข้าร่วมชุมชน
[](https://discord.gg/nTYy5BXMWG)
@@ -58,175 +49,176 @@ CO_OP_TRANSLATOR_METADATA:
ในหลักสูตรนี้ คุณจะได้เรียนรู้:
-* แนวทางต่าง ๆ ของปัญญาประดิษฐ์ รวมถึงแนวทางสัญลักษณ์ "ดีเดิม" กับ **การนำเสนอความรู้** และการให้เหตุผล ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))
-* **โครงข่ายประสาทเทียม** และ **การเรียนรู้เชิงลึก** ซึ่งเป็นหัวใจหลักของ AI สมัยใหม่ เราจะอธิบายแนวคิดเบื้องหลังหัวข้อสำคัญเหล่านี้โดยใช้โค้ดในสองเฟรมเวิร์กยอดนิยม - [TensorFlow](http://Tensorflow.org) และ [PyTorch](http://pytorch.org)
-* **สถาปัตยกรรมโครงข่ายประสาท** สำหรับการทำงานกับภาพและข้อความ เราจะครอบคลุมโมเดลล่าสุดแต่บางส่วนอาจยังไม่ถึงระดับ state-of-the-art
-* แนวทาง AI ที่ไม่เป็นที่นิยมมากนัก เช่น **อัลกอริทึมทางพันธุกรรม** และ **ระบบหลายตัวแทน**
+* วิธีการต่างๆ ของปัญญาประดิษฐ์ รวมถึงแนวทางแบบ "สัญลักษณ์เก่าแก่" ด้วย **การแทนความรู้** และการให้เหตุผล ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence))
+* **โครงข่ายประสาทเทียม** และ **การเรียนรู้เชิงลึก** ซึ่งเป็นใจกลางของ AI สมัยใหม่ เราจะแสดงแนวคิดเบื้องหลังหัวข้อเหล่านี้โดยใช้โค้ดในสองกรอบงานยอดนิยม - [TensorFlow](http://Tensorflow.org) และ [PyTorch](http://pytorch.org)
+* **สถาปัตยกรรมประสาทเทียม** สำหรับการทำงานกับภาพและข้อความ เราจะครอบคลุมโมเดลล่าสุด แต่บางส่วนอาจขาดความทันสมัยที่สุด
+* แนวทาง AI ที่ไม่ค่อยได้รับความนิยมมากนัก เช่น **อัลกอริทึมพันธุกรรม** และ **ระบบเอเจนต์หลายตัว**
-สิ่งที่เราไม่ครอบคลุมในหลักสูตรนี้:
+สิ่งที่เราจะไม่ครอบคลุมในหลักสูตรนี้:
-> [ค้นหาทรัพยากรเพิ่มเติมทั้งหมดสำหรับหลักสูตรนี้ในคอลเลกชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
+> [ค้นหาทรัพยากรเพิ่มเติมสำหรับหลักสูตรนี้ได้ในคอลเล็กชัน Microsoft Learn ของเรา](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
-* กรณีธุรกิจของการใช้ **AI ในธุรกิจ** แนะนำให้เรียนเส้นทางการเรียนรู้ [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) บน Microsoft Learn หรือ [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ซึ่งพัฒนาร่วมกับ [INSEAD](https://www.insead.edu/)
-* **Machine Learning คลาสสิก** ซึ่งอธิบายไว้อย่างดีใน [หลักสูตร Machine Learning for Beginners](http://github.com/Microsoft/ML-for-Beginners)
-* แอปพลิเคชัน AI เชิงปฏิบัติที่สร้างขึ้นโดยใช้ **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** สำหรับเรื่องนี้ แนะนำให้เริ่มจากโมดูล Microsoft Learn สำหรับ [วิสัยทัศน์](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [การประมวลผลภาษาธรรมชาติ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI กับ Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** และอื่น ๆ
-* เฟรมเวิร์ก **Cloud ML เฉพาะทาง** เช่น [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) หรือ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum) แนะนำให้ใช้เส้นทางการเรียนรู้ [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) และ [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 แบบสนทนา** และ **แชทบ็อต** มีเส้นทางการเรียนรู้อีกแบบหนึ่งคือ [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) และคุณยังสามารถดู [โพสต์บล็อกนี้](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) สำหรับรายละเอียดเพิ่มเติม
-* **คณิตศาสตร์ลึกซึ้ง** เบื้องหลัง deep learning สำหรับนี้แนะนำหนังสือ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) โดย Ian Goodfellow, Yoshua Bengio และ Aaron Courville ซึ่งมีออนไลน์ที่ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)
+* กรณีธุรกิจของการใช้ **AI ในธุรกิจ** พิจารณาดูเส้นทางการเรียนรู้ [แนะนำ AI สำหรับผู้ใช้งานธุรกิจ](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) บน Microsoft Learn หรือ [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) ที่พัฒนาร่วมกับ [INSEAD](https://www.insead.edu/)
+* **แมชชีนเลิร์นนิงแบบคลาสสิก** ซึ่งอธิบายไว้ดีใน [หลักสูตรแมชชีนเลิร์นนิงสำหรับผู้เริ่มต้น](http://github.com/Microsoft/ML-for-Beginners)
+* แอปพลิเคชัน AI เชิงปฏิบัติที่สร้างขึ้นโดยใช้ **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** สำหรับสิ่งนี้ เราแนะนำให้คุณเริ่มต้นกับโมดูล Microsoft Learn สำหรับ [การมองเห็น](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [การประมวลผลภาษาธรรมชาติ](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[AI กำเนิดด้วย Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** และอื่นๆ
+* เฟรมเวิร์กคลาวด์ ML เฉพาะทาง เช่น [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) หรือ [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum) พิจารณาใช้เส้นทางการเรียนรู้ [สร้างและดำเนินการแก้ปัญหาแมชชีนเลิร์นนิงด้วย Azure Machine Learning](https://docs.microsoft.com/learn/paths/build-ai-solutions-with-azure-ml-service/?WT.mc_id=academic-77998-bethanycheum) และ [สร้างและดำเนินการแก้ปัญหาแมชชีนเลิร์นนิงด้วย Azure Databricks](https://docs.microsoft.com/learn/paths/build-operate-machine-learning-solutions-azure-databricks/?WT.mc_id=academic-77998-bethanycheum)
+* **AI สำหรับสนทนา** และ **แชทบ็อต** มีเส้นทางการเรียนรู้แยกกัน [สร้างโซลูชัน AI สำหรับสนทนา](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) และคุณยังสามารถดู [บล็อกโพสต์นี้](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) เพื่อรายละเอียดเพิ่มเติม
+* **คณิตศาสตร์ลึกซึ้ง** เบื้องหลังการเรียนรู้เชิงลึก สำหรับสิ่งนี้เราแนะนำหนังสือ [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) โดย Ian Goodfellow, Yoshua Bengio และ Aaron Courville ซึ่งสามารถอ่านออนไลน์ได้ที่ [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/)
-สำหรับการแนะนำที่นุ่มนวลสู่หัวข้อ _AI บนคลาวด์_ คุณอาจพิจารณาเส้นทางการเรียนรู้ [เริ่มต้นกับปัญญาประดิษฐ์บน Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum)
+สำหรับการแนะนำแบบนุ่มนวลในหัวข้อ _AI บนคลาวด์_ คุณอาจพิจารณาเส้นทางการเรียนรู้ [เริ่มต้นกับปัญญาประดิษฐ์บน Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum)
# เนื้อหา
-| | ลิงก์บทเรียน | PyTorch/Keras/TensorFlow | แลป |
+| | ลิงก์บทเรียน | PyTorch/Keras/TensorFlow | ห้องทดลอง |
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
-| 0 | [ตั้งค่าหลักสูตร](./lessons/0-course-setup/setup.md) | [ตั้งค่าสภาพแวดล้อมสำหรับพัฒนา](./lessons/0-course-setup/how-to-run.md) | |
-| I | [**แนะนำเกี่ยวกับ AI**](./lessons/1-Intro/README.md) | | |
-| 01 | [แนะนำและประวัติของ AI](./lessons/1-Intro/README.md) | - | - |
+| 0 | [การติดตั้งหลักสูตร](./lessons/0-course-setup/setup.md) | [การติดตั้งสภาพแวดล้อมการพัฒนา](./lessons/0-course-setup/how-to-run.md) | |
+| I | [**แนะนำ AI**](./lessons/1-Intro/README.md) | | |
+| 01 | [แนะนำและประวัติความเป็นมาของ AI](./lessons/1-Intro/README.md) | - | - |
| II | **AI แบบสัญลักษณ์** |
-| 02 | [การนำเสนอความรู้และระบบผู้เชี่ยวชาญ](./lessons/2-Symbolic/README.md) | [ระบบผู้เชี่ยวชาญ](./lessons/2-Symbolic/Animals.ipynb) / [ออนไทโลยี](./lessons/2-Symbolic/FamilyOntology.ipynb) /[แผนภูมิแนวคิด](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
-| III | [**แนะนำโครงข่ายประสาทเทียม**](./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 | [หลายชั้นของ Perceptron และการสร้างเฟรมเวิร์กของเราเอง](./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 | [บทนำสู่ Frameworks (PyTorch/TensorFlow) และการเรียนรู้เกิน](./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 | [**การมองเห็นด้วยคอมพิวเตอร์**](./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)| [สำรวจการมองเห็นด้วยคอมพิวเตอร์บน Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
-| 06 | [บทนำสู่การมองเห็นด้วยคอมพิวเตอร์ 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 | [โครงข่ายประสาทเทียมคอนโวลูชัน (Convolutional Neural Networks)](./lessons/4-ComputerVision/07-ConvNets/README.md) & [สถาปัตยกรรม 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 | [เครือข่ายที่ฝึกสอนล่วงหน้าและการถ่ายโอนการเรียนรู้](./lessons/4-ComputerVision/08-TransferLearning/README.md) และ [เทคนิคการฝึกสอน](./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 | [ออโต้เอนโคเดอร์และ 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 | [เครือข่ายปัญญาประดิษฐ์เชิงปรปักษ์ & การถ่ายโอนสไตล์ศิลปะ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
-| 11 | [การตรวจจับวัตถุ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
+| 02 | [การแทนความรู้และระบบผู้เชี่ยวชาญ](./lessons/2-Symbolic/README.md) | [ระบบผู้เชี่ยวชาญ](./lessons/2-Symbolic/Animals.ipynb) / [ออนโทโลยี](./lessons/2-Symbolic/FamilyOntology.ipynb) /[แผนภาพแนวคิด](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
+| III | [**บทนำสู่เครือข่ายประสาทเทียม**](./lessons/3-NeuralNetworks/README.md) |||
+| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [สมุดบันทึก](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [ห้องปฏิบัติการ](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
+| 04 | [Multi-Layered Perceptron และการสร้างเฟรมเวิร์กของเราเอง](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [สมุดบันทึก](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [ห้องปฏิบัติการ](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
+| 05 | [บทนำสู่ Frameworks (PyTorch/TensorFlow) และการ 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) | [ห้องปฏิบัติการ](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
+| IV | [**การประมวลผลภาพคอมพิวเตอร์**](./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)| [สำรวจการประมวลผลภาพคอมพิวเตอร์บน Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
+| 06 | [บทนำสู่การประมวลผลภาพคอมพิวเตอร์ OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [สมุดบันทึก](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [ห้องปฏิบัติการ](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
+| 07 | [เครือข่ายประสาทเทียมแบบคอนโวลูชั่น (Convolutional Neural Networks)](./lessons/4-ComputerVision/07-ConvNets/README.md) & [สถาปัตยกรรม 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) | [ห้องปฏิบัติการ](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
+| 08 | [เครือข่ายที่ผ่านการฝึกมาแล้วและการถ่ายโอนการเรียนรู้ (Transfer Learning)](./lessons/4-ComputerVision/08-TransferLearning/README.md) และ [เคล็ดลับการฝึก](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [ห้องปฏิบัติการ](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
+| 09 | [ออโต้เอนโค้ดเดอร์และ 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 | [เครือข่ายปฏิปักษ์สร้างสรรค์และการถ่ายโอนสไตล์ศิลปะ](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
+| 11 | [การตรวจจับวัตถุ](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [ห้องปฏิบัติการ](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
| 12 | [การแบ่งส่วนเชิงความหมาย 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 | [**การประมวลผลภาษาธรรมชาติ**](./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) | [สำรวจการประมวลผลภาษาธรรมชาติเบื้องต้นบน Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
+| V | [**การประมวลผลภาษาธรรมชาติ**](./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) | [สำรวจการประมวลผลภาษาธรรมชาติบน Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
| 13 | [การแทนข้อความ 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 | [การฝังคำเชิงความหมาย Word2Vec และ 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 | [การสร้างแบบจำลองภาษา การฝังคำของคุณเอง](./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 | [โครงข่ายประสาทเทียมแบบวนซ้ำ](./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 | [โครงข่ายก่อกำเนิดแบบวนซ้ำ](./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) | |
-| 19 | [การรู้จำเอนทิตีที่ตั้งชื่อ](./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 | [โมเดลภาษาขนาดใหญ่ การเขียนโปรแกรมพร้อมคำสั่ง และงานFew-Shot](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
+| 14 | [คำฝังความหมาย Semantic word embeddings Word2Vec และ 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 | [การสร้างแบบจำลองภาษาและการฝังคำของคุณเอง](./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) | [ห้องปฏิบัติการ](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
+| 16 | [เครือข่ายประสาทเทียมแบบวนซ้ำ (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 | [เครือข่ายสร้างสรรค์แบบวนซ้ำ (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) | [ห้องปฏิบัติการ](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
+| 18 | [Transformers BERT](./lessons/5-NLP/18-Transformers/README.md) | [PyTorch](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersPyTorch.ipynb) /[TensorFlow](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/5-NLP/18-Transformers/TransformersTF.ipynb) | |
+| 19 | [การจดจำชื่อเอนทิตี (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) | [ห้องปฏิบัติการ](./lessons/5-NLP/19-NER/lab/README.md) |
+| 20 | [โมเดลภาษาใหญ่ การเขียนโปรแกรม Prompt และงาน 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 | **เทคนิค AI อื่นๆ** || |
-| 21 | [อัลกอริทึมทางพันธุกรรม](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Notebook](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
-| 22 | [การเรียนรู้เสริมลึก](./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 | [ระบบหลายเอเย่นต์](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
+| 21 | [อัลกอริทึมพันธุกรรม (Genetic Algorithms)](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [สมุดบันทึก](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
+| 22 | [การเรียนรู้เสริมเชิงลึก (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) | [ห้องปฏิบัติการ](./lessons/6-Other/22-DeepRL/lab/README.md) |
+| 23 | [ระบบผู้แทนหลายตัว (Multi-Agent Systems)](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
| VII | **จริยธรรม AI** | | |
-| 24 | [จริยธรรม AI และ AI ที่รับผิดชอบ](./lessons/7-Ethics/README.md) | [Microsoft Learn: หลักการ AI ที่รับผิดชอบ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
-| IX | **พิเศษ** | | |
-| 25 | [เครือข่ายโมดูลหลายแบบ, CLIP และ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Notebook](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
+| 24 | [จริยธรรม AI และ AI อย่างมีความรับผิดชอบ](./lessons/7-Ethics/README.md) | [Microsoft Learn: หลักการ AI อย่างมีความรับผิดชอบ](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
+| IX | **เพิ่มเติม** | | |
+| 25 | [เครือข่ายมัลติโหมด CLIP และ VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [สมุดบันทึก](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
## แต่ละบทเรียนประกอบด้วย
-* วัสดุก่อนอ่าน
-* Jupyter Notebooks ที่สามารถรันได้ ซึ่งมักจะเฉพาะเจาะจงกับเฟรมเวิร์ก (**PyTorch** หรือ **TensorFlow**) โน้ตบุ๊ครันได้ยังมีเนื้อหาทางทฤษฎีมากมายด้วย ดังนั้นเพื่อเข้าใจหัวข้อคุณต้องผ่านเวอร์ชันโน้ตบุ๊กอย่างน้อยหนึ่งเวอร์ชัน (ทั้ง PyTorch หรือ TensorFlow)
-* **ห้องปฏิบัติการ** สำหรับบางหัวข้อ ซึ่งให้โอกาสทดลองประยุกต์ใช้วัสดุที่คุณเรียนรู้กับปัญหาเฉพาะ
+* เนื้อหาที่ต้องอ่านล่วงหน้า
+* สมุดบันทึก Jupyter ที่สามารถรันได้ ซึ่งมักจะเฉพาะกับเฟรมเวิร์ก (**PyTorch** หรือ **TensorFlow**) สมุดบันทึกที่สามารถรันได้ยังประกอบด้วยเนื้อหาทางทฤษฎีมากมาย ดังนั้นเพื่อเข้าใจหัวข้อ ต้องผ่านสมุดบันทึกเวอร์ชันใดเวอร์ชันหนึ่งอย่างน้อย (ทั้ง PyTorch หรือ TensorFlow)
+* **ห้องปฏิบัติการ** ที่มีให้สำหรับบางหัวข้อ ซึ่งเป็นโอกาสให้คุณลองประยุกต์ใช้เนื้อหาที่เรียนรู้กับปัญหาเฉพาะ
* บางส่วนมีลิงก์ไปยังโมดูล [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) ที่ครอบคลุมหัวข้อที่เกี่ยวข้อง
## เริ่มต้นใช้งาน
### 🎯 ใหม่กับ AI? เริ่มที่นี่!
-ถ้าคุณเป็นมือใหม่กับ AI และต้องการตัวอย่างที่รวดเร็ว ใช้งานได้จริง ตรวจสอบ [**ตัวอย่างสำหรับผู้เริ่มต้น**](./examples/README.md)! ซึ่งรวมถึง:
+ถ้าคุณเป็นมือใหม่กับ AI อย่างสมบูรณ์และต้องการตัวอย่างที่ปฏิบัติได้อย่างรวดเร็ว ลองดู [**ตัวอย่างสำหรับผู้เริ่มต้น**](./examples/README.md) ของเรา! ซึ่งรวมถึง:
- 🌟 **Hello AI World** - โปรแกรม AI แรกของคุณ (การจดจำรูปแบบ)
-- 🧠 **โครงข่ายประสาทเทียมง่ายๆ** - สร้างโครงข่ายประสาทเทียมตั้งแต่ต้น
-- 🖼️ **ตัวจำแนกรูปภาพ** - จำแนกรูปภาพพร้อมคำอธิบายรายละเอียด
-- 💬 **การวิเคราะห์อารมณ์ข้อความ** - วิเคราะห์ข้อความเชิงบวก/ลบ
+- 🧠 **เครือข่ายประสาทเทียมง่ายๆ** - สร้างเครือข่ายประสาทเทียมจากศูนย์
-ตัวอย่างเหล่านี้ออกแบบมาเพื่อช่วยให้คุณเข้าใจแนวคิดของ AI ก่อนที่จะลงลึกในหลักสูตรทั้งหมด
+- 🖼️ **จัดประเภทภาพ** - จัดประเภทภาพพร้อมคำอธิบายรายละเอียด
+- 💬 **การวิเคราะห์อารมณ์ข้อความ** - วิเคราะห์ข้อความที่เป็นบวก/ลบ
-### 📚 การตั้งค่าหลักสูตรทั้งหมด
+ตัวอย่างเหล่านี้ออกแบบมาเพื่อช่วยให้คุณเข้าใจแนวคิด AI ก่อนจะเข้าสู่หลักสูตรเต็มรูปแบบ
-- เราได้สร้าง [บทเรียนการตั้งค่า](./lessons/0-course-setup/setup.md) เพื่อช่วยคุณตั้งค่าสภาพแวดล้อมการพัฒนาของคุณ - สำหรับครูผู้สอน เราได้สร้าง [บทเรียนการตั้งค่าหลักสูตร](./lessons/0-course-setup/for-teachers.md) สำหรับคุณด้วย!
-- วิธีการ [รันโค้ดใน VSCode หรือ Codespace](./lessons/0-course-setup/how-to-run.md)
+### 📚 การตั้งค่าหลักสูตรเต็มรูปแบบ
-ทำตามขั้นตอนเหล่านี้:
+- เราได้สร้าง [บทเรียนการตั้งค่า](./lessons/0-course-setup/setup.md) เพื่อช่วยคุณตั้งค่าสภาพแวดล้อมการพัฒนา - สำหรับครูผู้สอน เราได้สร้าง [บทเรียนการตั้งค่าหลักสูตร](./lessons/0-course-setup/for-teachers.md) ไว้ให้คุณด้วย!
+- วิธี [รันโค้ดใน VSCode หรือ Codespace](./lessons/0-course-setup/how-to-run.md)
-Fork ที่เก็บข้อมูล: คลิกปุ่ม "Fork" ที่มุมบนขวาของหน้านี้
+ทำตามขั้นตอนเหล่านี้:
-โคลนที่เก็บข้อมูล: `git clone https://github.com/microsoft/AI-For-Beginners.git`
+โคลนเก็บข้อมูล: คลิกปุ่ม "Fork" ที่มุมขวาบนของหน้านี้
-อย่าลืมกดดาว (🌟) ที่ repo นี้เพื่อหาง่ายขึ้นในภายหลัง
+โคลนเก็บข้อมูล: `git clone https://github.com/microsoft/AI-For-Beginners.git`
-## พบปะผู้เรียนคนอื่น ๆ
+อย่าลืมกดดาว (🌟) เก็บข้อมูลนี้เพื่อให้ง่ายต่อการค้นหาในภายหลัง
-เข้าร่วม [เซิร์ฟเวอร์ Discord AI อย่างเป็นทางการของเรา](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) เพื่อพบปะและสร้างเครือข่ายกับผู้เรียนคนอื่น ๆ ที่เรียนหลักสูตรนี้และรับการสนับสนุน
+## พบปะผู้เรียนคนอื่น ๆ
-หากคุณมีข้อเสนอแนะหรือคำถามเกี่ยวกับผลิตภัณฑ์ในระหว่างการสร้างโปรเจกต์ ให้เยี่ยมชม [ฟอรัมสำหรับนักพัฒนา Azure AI Foundry](https://aka.ms/foundry/forum)
+เข้าร่วม [เซิร์ฟเวอร์ Discord ทางการของ AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) เพื่อพบปะและสร้างเครือข่ายกับผู้เรียนอื่น ๆ ที่เข้าร่วมหลักสูตรนี้ และขอรับการสนับสนุน
-## แบบทดสอบ
+หากคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือคำถามขณะสร้างโปรแกรม เยี่ยมชม [ฟอรัมนักพัฒนา Azure AI Foundry](https://aka.ms/foundry/forum)
-> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดอยู่ในโฟลเดอร์ Quiz-app ใน etc\quiz-app หรือ [ออนไลน์ที่นี่](https://ff-quizzes.netlify.app/) โดยลิงก์มาจากภายในบทเรียน แอปแบบทดสอบสามารถรันในเครื่องหรือดีพลอยบน Azure ได้; ให้ทำตามคำแนะนำในโฟลเดอร์ `quiz-app` แบบทดสอบกำลังถูกแปลเป็นภาษาต่าง ๆ อย่างต่อเนื่อง
+## แบบทดสอบ
-## ต้องการความช่วยเหลือ
+> **หมายเหตุเกี่ยวกับแบบทดสอบ**: แบบทดสอบทั้งหมดอยู่ในโฟลเดอร์ Quiz-app ใน etc\quiz-app หรือ [ออนไลน์ที่นี่](https://ff-quizzes.netlify.app/) ซึ่งลิงก์มาจากบทเรียน แบบทดสอบนี้สามารถรันแบบท้องถิ่นหรือปรับใช้บน Azure ได้; ปฏิบัติตามคำแนะนำในโฟลเดอร์ `quiz-app` กำลังทยอยแปลเป็นภาษาท้องถิ่น
-ถ้าคุณมีคำแนะนำหรือพบข้อผิดพลาดในการสะกดคำหรือโค้ด โปรดแจ้งปัญหา หรือสร้าง pull request
+## ต้องการความช่วยเหลือ
-## ขอบคุณพิเศษ
+คุณมีข้อเสนอแนะหรือพบข้อผิดพลาดในการสะกดหรือโค้ดไหม? กรุณาสร้าง issue หรือ pull request
-* **✍️ ผู้เขียนหลัก:** [Dmitry Soshnikov](http://soshnikov.com), ปริญญาเอก
-* **🔥 บรรณาธิการ:** [Jen Looper](https://twitter.com/jenlooper), ปริญญาเอก
-* **🎨 นักวาดภาพสเก็ตช์โน้ต:** [Tomomi Imura](https://twitter.com/girlie_mac)
-* **✅ ผู้สร้างแบบทดสอบ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
-* **🙏 ผู้ร่วมพัฒนาหลัก:** [Evgenii Pishchik](https://github.com/Pe4enIks)
+## ขอบคุณเป็นพิเศษ
-## หลักสูตรอื่น ๆ
+* **✍️ ผู้เขียนหลัก:** [Dmitry Soshnikov](http://soshnikov.com), ปริญญาเอก
+* **🔥 บรรณาธิการ:** [Jen Looper](https://twitter.com/jenlooper), ปริญญาเอก
+* **🎨 นักวาดภาพร่าง:** [Tomomi Imura](https://twitter.com/girlie_mac)
+* **✅ ผู้สร้างแบบทดสอบ:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
+* **🙏 ผู้ร่วมสร้างหลัก:** [Evgenii Pishchik](https://github.com/Pe4enIks)
-ทีมงานของเราผลิตหลักสูตรอื่น ๆ ด้วย! ลองดู:
+## หลักสูตรอื่น ๆ
-
-### LangChain
-[](https://aka.ms/langchain4j-for-beginners)
-[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+ทีมของเราผลิตหลักสูตรอื่น ๆ ด้วย! ตรวจสอบที่:
----
+
+### LangChain
+[](https://aka.ms/langchain4j-for-beginners)
+[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-### 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)
+---
----
-
-### ชุด Generative AI
-[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+### 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)
----
-
-### การเรียนรู้พื้นฐาน
-[](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)
+---
+
+### Generative AI Series
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
----
-
-### ชุด 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)
-
+---
+
+### Core Learning
+[](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)
-## การขอความช่วยเหลือ
+---
+
+### Copilot Series
+[](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)
+
-หากคุณติดขัดหรืมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมกับผู้เรียนและนักพัฒนาที่มีประสบการณ์ในชุมชนการอภิปรายเกี่ยวกับ MCP ที่นี่คือชุมชนที่ให้การสนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้ได้อย่างเสรี
+## รับความช่วยเหลือ
-[](https://discord.gg/nTYy5BXMWG)
+หากคุณติดขัดหรือมีคำถามเกี่ยวกับการสร้างแอป AI เข้าร่วมพูดคุยกับผู้เรียนและนักพัฒนาอื่น ๆ ที่มีประสบการณ์ในการอภิปรายเกี่ยวกับ MCP เป็นชุมชนที่สนับสนุนซึ่งยินดีต้อนรับคำถามและแบ่งปันความรู้กันอย่างอิสระ
-หากคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดระหว่างการสร้าง โปรดเยี่ยมชม:
+[](https://discord.gg/nTYy5BXMWG)
+
+หากคุณมีคำติชมเกี่ยวกับผลิตภัณฑ์หรือพบข้อผิดพลาดขณะสร้างโปรแกรม กรุณาเยี่ยมชม:
[](https://aka.ms/foundry/forum)
---
-**ข้อจำกัดความรับผิดชอบ**:
-เอกสารฉบับนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้ความถูกต้องอย่างที่สุด กรุณาทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญขอแนะนำให้ใช้บริการแปลโดยผู้เชี่ยวชาญมนุษย์ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใดๆ ที่เกิดจากการใช้การแปลนี้
+**ข้อจำกัดความรับผิดชอบ**:
+เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้มีความถูกต้องสูงสุด โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารฉบับต้นฉบับในภาษาต้นทางถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่มีความสำคัญ ควรใช้บริการแปลโดยผู้เชี่ยวชาญทางภาษา เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดใดๆ ที่เกิดจากการใช้การแปลนี้
\ No newline at end of file
diff --git a/translations/th/SECURITY.md b/translations/th/SECURITY.md
index 8b6863cc..e9c07a47 100644
--- a/translations/th/SECURITY.md
+++ b/translations/th/SECURITY.md
@@ -1,12 +1,3 @@
-
## ความปลอดภัย
Microsoft ให้ความสำคัญกับความปลอดภัยของผลิตภัณฑ์และบริการซอฟต์แวร์ของเราอย่างจริงจัง ซึ่งรวมถึงคลังซอร์สโค้ดทั้งหมดที่จัดการผ่านองค์กร GitHub ของเรา เช่น [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) และ [องค์กร GitHub ของเรา](https://opensource.microsoft.com/)
diff --git a/translations/th/etc/CODE_OF_CONDUCT.md b/translations/th/etc/CODE_OF_CONDUCT.md
index 7416e8f0..2623c367 100644
--- a/translations/th/etc/CODE_OF_CONDUCT.md
+++ b/translations/th/etc/CODE_OF_CONDUCT.md
@@ -1,12 +1,3 @@
-
# หลักจรรยาบรรณของโค้ดโอเพ่นซอร์สของ Microsoft
โครงการนี้ได้ยึดถือ [หลักจรรยาบรรณของโค้ดโอเพ่นซอร์สของ Microsoft](https://opensource.microsoft.com/codeofconduct/)
diff --git a/translations/th/etc/CONTRIBUTING.md b/translations/th/etc/CONTRIBUTING.md
index f20f6589..be9ed72a 100644
--- a/translations/th/etc/CONTRIBUTING.md
+++ b/translations/th/etc/CONTRIBUTING.md
@@ -1,12 +1,3 @@
-
# การมีส่วนร่วม
โครงการนี้ยินดีต้อนรับการมีส่วนร่วมและข้อเสนอแนะ การมีส่วนร่วมส่วนใหญ่ต้องการให้คุณยอมรับ Contributor License Agreement (CLA) เพื่อยืนยันว่าคุณมีสิทธิ์ และได้มอบสิทธิ์ให้เราใช้ผลงานของคุณ สำหรับรายละเอียดเพิ่มเติม โปรดเยี่ยมชม https://cla.microsoft.com
diff --git a/translations/th/etc/Mindmap.md b/translations/th/etc/Mindmap.md
index 98ff90a7..b06bc284 100644
--- a/translations/th/etc/Mindmap.md
+++ b/translations/th/etc/Mindmap.md
@@ -1,12 +1,3 @@
-
# ปัญญาประดิษฐ์ (AI)
## [แนะนำเกี่ยวกับ AI](https://github.com/microsoft/AI-For-Beginners/blob/main/lessons/1-Intro/README.md)
diff --git a/translations/th/etc/SUPPORT.md b/translations/th/etc/SUPPORT.md
index a283aff3..fdc9c718 100644
--- a/translations/th/etc/SUPPORT.md
+++ b/translations/th/etc/SUPPORT.md
@@ -1,12 +1,3 @@
-
# การสนับสนุน
## วิธีรายงานปัญหาและขอความช่วยเหลือ
diff --git a/translations/th/etc/TRANSLATIONS.md b/translations/th/etc/TRANSLATIONS.md
index 906a819c..a08b61d2 100644
--- a/translations/th/etc/TRANSLATIONS.md
+++ b/translations/th/etc/TRANSLATIONS.md
@@ -1,12 +1,3 @@
-
# มีส่วนร่วมโดยการแปลบทเรียน
เรายินดีต้อนรับการแปลบทเรียนในหลักสูตรนี้!
diff --git a/translations/th/etc/quiz-app/README.md b/translations/th/etc/quiz-app/README.md
index cedd3a2c..238506a8 100644
--- a/translations/th/etc/quiz-app/README.md
+++ b/translations/th/etc/quiz-app/README.md
@@ -1,12 +1,3 @@
-
# แบบทดสอบ
แบบทดสอบเหล่านี้เป็นแบบทดสอบก่อนและหลังการบรรยายสำหรับหลักสูตร AI ที่ https://aka.ms/ai-beginners
diff --git a/translations/th/examples/README.md b/translations/th/examples/README.md
index bf4aec5d..d6046b10 100644
--- a/translations/th/examples/README.md
+++ b/translations/th/examples/README.md
@@ -1,12 +1,3 @@
-
# ตัวอย่าง AI สำหรับผู้เริ่มต้น
ยินดีต้อนรับ! ไดเรกทอรีนี้มีตัวอย่างง่ายๆ ที่แยกออกมาเพื่อช่วยให้คุณเริ่มต้นกับ AI และการเรียนรู้ของเครื่อง แต่ละตัวอย่างถูกออกแบบมาให้เหมาะสำหรับผู้เริ่มต้น พร้อมคำอธิบายและขั้นตอนอย่างละเอียด
diff --git a/translations/th/lessons/0-course-setup/for-teachers.md b/translations/th/lessons/0-course-setup/for-teachers.md
index 79640ab1..533dbce5 100644
--- a/translations/th/lessons/0-course-setup/for-teachers.md
+++ b/translations/th/lessons/0-course-setup/for-teachers.md
@@ -1,12 +1,3 @@
-
# สำหรับครูผู้สอน
คุณต้องการใช้หลักสูตรนี้ในห้องเรียนของคุณหรือไม่? รู้สึกอิสระที่จะใช้ได้เลย!
diff --git a/translations/th/lessons/0-course-setup/how-to-run.md b/translations/th/lessons/0-course-setup/how-to-run.md
index 1b7ddcd9..991fc0e2 100644
--- a/translations/th/lessons/0-course-setup/how-to-run.md
+++ b/translations/th/lessons/0-course-setup/how-to-run.md
@@ -1,12 +1,3 @@
-
# วิธีการรันโค้ด
หลักสูตรนี้ประกอบด้วยตัวอย่างที่สามารถรันได้และแลปมากมายที่คุณต้องการรัน ในการที่จะทำเช่นนี้ คุณจะต้องมีความสามารถในการรันโค้ด Python ใน Jupyter Notebooks ซึ่งจัดเตรียมไว้เป็นส่วนหนึ่งของหลักสูตรนี้ คุณมีตัวเลือกหลายอย่างสำหรับการรันโค้ด:
diff --git a/translations/th/lessons/0-course-setup/setup.md b/translations/th/lessons/0-course-setup/setup.md
index c6b882ea..9c90617d 100644
--- a/translations/th/lessons/0-course-setup/setup.md
+++ b/translations/th/lessons/0-course-setup/setup.md
@@ -1,12 +1,3 @@
-
# เริ่มต้นกับหลักสูตรนี้
## คุณเป็นนักเรียนหรือเปล่า?
diff --git a/translations/th/lessons/1-Intro/README.md b/translations/th/lessons/1-Intro/README.md
index 4462363d..ee00d98f 100644
--- a/translations/th/lessons/1-Intro/README.md
+++ b/translations/th/lessons/1-Intro/README.md
@@ -1,12 +1,3 @@
-
# การแนะนำเกี่ยวกับ AI
diff --git a/translations/th/lessons/1-Intro/assignment.md b/translations/th/lessons/1-Intro/assignment.md
index 9125020a..37a48fa4 100644
--- a/translations/th/lessons/1-Intro/assignment.md
+++ b/translations/th/lessons/1-Intro/assignment.md
@@ -1,12 +1,3 @@
-
# เกมแจม
เกมเป็นหนึ่งในพื้นที่ที่ได้รับอิทธิพลอย่างมากจากการพัฒนา AI และ ML ในงานนี้ ให้เขียนบทความสั้น ๆ เกี่ยวกับเกมที่คุณชอบซึ่งได้รับอิทธิพลจากวิวัฒนาการของ AI เกมนั้นควรเป็นเกมที่มีอายุมากพอที่จะได้รับผลกระทบจากระบบประมวลผลคอมพิวเตอร์หลายประเภท ตัวอย่างที่ดีคือหมากรุกหรือโกะ แต่ลองพิจารณาเกมวิดีโออย่างปองหรือแพคแมนด้วย เขียนเรียงความที่พูดถึงอดีต ปัจจุบัน และอนาคตของ AI ในเกมนั้น
diff --git a/translations/th/lessons/2-Symbolic/README.md b/translations/th/lessons/2-Symbolic/README.md
index 9e5f7baa..2c2ff5ef 100644
--- a/translations/th/lessons/2-Symbolic/README.md
+++ b/translations/th/lessons/2-Symbolic/README.md
@@ -1,15 +1,6 @@
-
# การแทนความรู้และระบบผู้เชี่ยวชาญ
-
+
> สเก็ตช์โน้ตโดย [Tomomi Imura](https://twitter.com/girlie_mac)
@@ -41,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA:
ดังนั้น ปัญหาเรื่อง **การแทนความรู้** คือการหาวิธีที่มีประสิทธิภาพในการแทนความรู้ภายในคอมพิวเตอร์ในรูปแบบข้อมูล เพื่อให้ใช้งานได้โดยอัตโนมัติ ซึ่งสามารถมองเห็นในรูปสเปกตรัมดังนี้:
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
@@ -94,7 +85,7 @@ Block Syntax | Indent | | |
ความสำเร็จในช่วงแรกของ AI เชิงสัญลักษณ์คือที่เรียกว่า **ระบบผู้เชี่ยวชาญ** - ระบบคอมพิวเตอร์ที่ออกแบบมาเพื่อทำหน้าที่เหมือนผู้เชี่ยวชาญในโดเมนปัญหาที่จำกัด พวกมันสร้างจาก **ฐานความรู้** ที่ดึงมาจากผู้เชี่ยวชาญคนหนึ่งหรือหลายคน และมี **เครื่องยนต์อนุมาน (inference engine)** ที่ทำการอนุมานบนฐานความรู้นั้น
- | 
+ | 
---------------------------------------------|------------------------------------------------
โครงสร้างระบบประสาทมนุษย์ที่เรียบง่าย | สถาปัตยกรรมของระบบฐานความรู้
@@ -106,7 +97,7 @@ Block Syntax | Indent | | |
ตัวอย่างของระบบผู้เชี่ยวชาญสำหรับการระบุสัตว์ตามลักษณะทางกายภาพ:
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/th/lessons/2-Symbolic/assignment.md b/translations/th/lessons/2-Symbolic/assignment.md
index e7214876..2cb080ed 100644
--- a/translations/th/lessons/2-Symbolic/assignment.md
+++ b/translations/th/lessons/2-Symbolic/assignment.md
@@ -1,12 +1,3 @@
-
# สร้างออนโทโลจี
การสร้างฐานความรู้คือการจัดหมวดหมู่โมเดลที่แสดงข้อเท็จจริงเกี่ยวกับหัวข้อหนึ่ง เลือกหัวข้อ เช่น บุคคล สถานที่ หรือสิ่งของ แล้วสร้างโมเดลของหัวข้อนั้น ใช้เทคนิคและกลยุทธ์การสร้างโมเดลที่อธิบายไว้ในบทเรียนนี้ ตัวอย่างเช่น การสร้างออนโทโลจีของห้องนั่งเล่นที่มีเฟอร์นิเจอร์ ไฟ และอื่นๆ ห้องนั่งเล่นแตกต่างจากห้องครัวอย่างไร? ห้องน้ำล่ะ? คุณรู้ได้อย่างไรว่ามันคือห้องนั่งเล่นไม่ใช่ห้องรับประทานอาหาร? ใช้ [Protégé](https://protege.stanford.edu/) เพื่อสร้างออนโทโลจีของคุณ
diff --git a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md
index 4acaf295..8dd54b67 100644
--- a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/README.md
@@ -1,12 +1,3 @@
-
# บทนำเกี่ยวกับเครือข่ายประสาท: Perceptron
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/5)
@@ -15,7 +6,7 @@ CO_OP_TRANSLATOR_METADATA:
| | |
|--------------|-----------|
-| | |
+|
| 
|
> รูปภาพ [จาก Wikipedia](https://en.wikipedia.org/wiki/Perceptron)
@@ -34,7 +25,7 @@ y(x) = f(wTx)
โดยที่ f เป็นฟังก์ชันการกระตุ้นแบบขั้นบันได
-
+
## การฝึก Perceptron
diff --git a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
index 99bac728..38b5a0ba 100644
--- a/translations/th/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/03-Perceptron/lab/README.md
@@ -1,12 +1,3 @@
-
# การจำแนกหลายคลาสด้วย Perceptron
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md
index 67a91bf5..100e1b87 100644
--- a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/README.md
@@ -1,12 +1,3 @@
-
# บทนำเกี่ยวกับ Neural Networks: Multi-Layered Perceptron
ในส่วนก่อนหน้านี้ คุณได้เรียนรู้เกี่ยวกับโมเดลเครือข่ายประสาทที่ง่ายที่สุด - one-layered perceptron ซึ่งเป็นโมเดลการจำแนกประเภทสองคลาสแบบเชิงเส้น
@@ -65,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA:
โปรดทราบว่าส่วนที่อยู่ทางซ้ายสุดของนิพจน์ทั้งหมดนั้นเหมือนกัน และดังนั้นเราสามารถคำนวณอนุพันธ์ได้อย่างมีประสิทธิภาพโดยเริ่มจากฟังก์ชัน loss และย้อนกลับ "ย้อนกลับ" ผ่านกราฟการคำนวณ ดังนั้นวิธีการฝึกอบรม multi-layered perceptron จึงเรียกว่า **backpropagation** หรือ 'backprop'
-
+
> TODO: อ้างอิงภาพ
diff --git a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
index f9450b6d..a49a6fb0 100644
--- a/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md
@@ -1,12 +1,3 @@
-
# การจำแนก MNIST ด้วยเฟรมเวิร์คของเราเอง
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md
index 61e65c2a..d5c47fa4 100644
--- a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/README.md
@@ -1,12 +1,3 @@
-
# เฟรมเวิร์กของโครงข่ายประสาทเทียม
จากที่เราได้เรียนรู้ไปแล้ว การฝึกโครงข่ายประสาทเทียมให้มีประสิทธิภาพนั้นต้องทำสองสิ่งนี้:
diff --git a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
index b2cd877a..45af759c 100644
--- a/translations/th/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/05-Frameworks/lab/README.md
@@ -1,12 +1,3 @@
-
# การจำแนกประเภทด้วย PyTorch/TensorFlow
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/3-NeuralNetworks/README.md b/translations/th/lessons/3-NeuralNetworks/README.md
index d61efac0..62c8f597 100644
--- a/translations/th/lessons/3-NeuralNetworks/README.md
+++ b/translations/th/lessons/3-NeuralNetworks/README.md
@@ -1,12 +1,3 @@
-
# แนะนำเกี่ยวกับเครือข่ายประสาทเทียม
diff --git a/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md b/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md
index a984596b..2c8ae56c 100644
--- a/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md
+++ b/translations/th/lessons/4-ComputerVision/06-IntroCV/README.md
@@ -1,12 +1,3 @@
-
# บทนำสู่การมองเห็นด้วยคอมพิวเตอร์
[Computer Vision](https://wikipedia.org/wiki/Computer_vision) เป็นสาขาหนึ่งที่มีเป้าหมายเพื่อให้คอมพิวเตอร์สามารถเข้าใจภาพดิจิทัลในระดับสูงได้ คำว่า *เข้าใจ* ในที่นี้มีความหมายกว้างมาก เช่น การค้นหาวัตถุในภาพ (**object detection**), การเข้าใจเหตุการณ์ที่เกิดขึ้น (**event detection**), การอธิบายภาพด้วยข้อความ หรือการสร้างฉากในรูปแบบ 3D นอกจากนี้ยังมีงานเฉพาะที่เกี่ยวข้องกับภาพมนุษย์ เช่น การประมาณอายุและอารมณ์, การตรวจจับและระบุตัวตนใบหน้า, และการประมาณท่าทางในรูปแบบ 3D เป็นต้น
@@ -115,7 +106,7 @@ im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
ในห้องปฏิบัติการนี้ คุณจะถ่ายวิดีโอที่มีท่าทางง่าย ๆ และเป้าหมายของคุณคือการดึงการเคลื่อนไหวขึ้น/ลง/ซ้าย/ขวาโดยใช้ optical flow
-
+
---
diff --git a/translations/th/lessons/4-ComputerVision/06-IntroCV/lab/README.md b/translations/th/lessons/4-ComputerVision/06-IntroCV/lab/README.md
index 60fcca4f..fbcc960a 100644
--- a/translations/th/lessons/4-ComputerVision/06-IntroCV/lab/README.md
+++ b/translations/th/lessons/4-ComputerVision/06-IntroCV/lab/README.md
@@ -1,12 +1,3 @@
-
# การตรวจจับการเคลื่อนไหวด้วย Optical Flow
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://aka.ms/ai-beginners).
diff --git a/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md b/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
index b9a8673b..313bc886 100644
--- a/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
+++ b/translations/th/lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md
@@ -1,12 +1,3 @@
-
# สถาปัตยกรรม CNN ที่เป็นที่รู้จัก
### VGG-16
@@ -25,7 +16,7 @@ VGG-16 เป็นเครือข่ายที่ทำคะแนนค
ResNet เป็นตระกูลของโมเดลที่ถูกเสนอโดย Microsoft Research ในปี 2015 แนวคิดหลักของ ResNet คือการใช้ **residual blocks**:
-
+
> ภาพจาก [this paper](https://arxiv.org/pdf/1512.03385.pdf)
@@ -37,7 +28,7 @@ ResNet เป็นตระกูลของโมเดลที่ถูก
สถาปัตยกรรม Google Inception นำแนวคิดนี้ไปอีกขั้น โดยสร้างแต่ละเลเยอร์ของเครือข่ายเป็นการผสมผสานของหลายเส้นทาง:
-
+
> ภาพจาก [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454)
diff --git a/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md b/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md
index de00e9e7..3a025c05 100644
--- a/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md
+++ b/translations/th/lessons/4-ComputerVision/07-ConvNets/README.md
@@ -1,12 +1,3 @@
-
# เครือข่ายประสาทเทียมแบบคอนโวลูชัน
เราเคยเห็นมาก่อนว่าเครือข่ายประสาทเทียมมีความสามารถที่ดีในการจัดการกับภาพ และแม้แต่เพอร์เซปตรอนชั้นเดียวก็สามารถจดจำตัวเลขที่เขียนด้วยมือจากชุดข้อมูล MNIST ได้ด้วยความแม่นยำที่น่าพอใจ อย่างไรก็ตาม ชุดข้อมูล MNIST มีลักษณะพิเศษที่ตัวเลขทั้งหมดถูกจัดให้อยู่ตรงกลางของภาพ ซึ่งทำให้การจำแนกง่ายขึ้น
@@ -24,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
ตัวอย่างเช่น หากเราใช้ฟิลเตอร์ขอบแนวตั้งและแนวนอนขนาด 3x3 กับตัวเลขใน MNIST เราจะได้ไฮไลต์ (เช่น ค่าที่สูง) ในจุดที่มีขอบแนวตั้งและแนวนอนในภาพต้นฉบับ ดังนั้นฟิลเตอร์ทั้งสองนี้สามารถใช้เพื่อ "ค้นหา" ขอบได้ ในทำนองเดียวกัน เราสามารถออกแบบฟิลเตอร์ต่าง ๆ เพื่อค้นหารูปแบบระดับต่ำอื่น ๆ:
-
+
> ภาพจาก [Leung-Malik Filter Bank](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html)
diff --git a/translations/th/lessons/4-ComputerVision/07-ConvNets/lab/README.md b/translations/th/lessons/4-ComputerVision/07-ConvNets/lab/README.md
index 9d922c2e..91be3af0 100644
--- a/translations/th/lessons/4-ComputerVision/07-ConvNets/lab/README.md
+++ b/translations/th/lessons/4-ComputerVision/07-ConvNets/lab/README.md
@@ -1,12 +1,3 @@
-
# การจำแนกใบหน้าสัตว์เลี้ยง
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md b/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md
index 7fcc1825..0d35a180 100644
--- a/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md
+++ b/translations/th/lessons/4-ComputerVision/08-TransferLearning/README.md
@@ -1,12 +1,3 @@
-
# เครือข่ายที่ผ่านการฝึกฝนล่วงหน้าและการเรียนรู้แบบถ่ายโอน
การฝึกฝน CNNs อาจใช้เวลานานและต้องการข้อมูลจำนวนมาก อย่างไรก็ตาม ส่วนใหญ่ของเวลานั้นถูกใช้ไปกับการเรียนรู้ตัวกรองระดับต่ำที่ดีที่สุดที่เครือข่ายสามารถใช้เพื่อดึงรูปแบบจากภาพ คำถามที่เกิดขึ้นตามธรรมชาติคือ - เราสามารถใช้เครือข่ายประสาทที่ฝึกฝนบนชุดข้อมูลหนึ่งและปรับให้เหมาะสมกับการจำแนกภาพที่แตกต่างกันโดยไม่ต้องฝึกฝนใหม่ทั้งหมดได้หรือไม่?
diff --git a/translations/th/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md b/translations/th/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
index e12ae837..29611825 100644
--- a/translations/th/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
+++ b/translations/th/lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md
@@ -1,12 +1,3 @@
-
# เทคนิคการฝึกสอน Deep Learning
เมื่อเครือข่ายประสาทเทียมมีความลึกมากขึ้น การฝึกสอนเครือข่ายเหล่านี้ก็จะยิ่งท้าทายมากขึ้น หนึ่งในปัญหาหลักคือปัญหาที่เรียกว่า [vanishing gradients](https://en.wikipedia.org/wiki/Vanishing_gradient_problem) หรือ [exploding gradients](https://deepai.org/machine-learning-glossary-and-terms/exploding-gradient-problem#:~:text=Exploding%20gradients%20are%20a%20problem,updates%20are%20small%20and%20controlled.) [บทความนี้](https://towardsdatascience.com/the-vanishing-exploding-gradient-problem-in-deep-neural-networks-191358470c11) อธิบายปัญหาเหล่านี้ได้อย่างดี
diff --git a/translations/th/lessons/4-ComputerVision/08-TransferLearning/lab/README.md b/translations/th/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
index 68b45ef9..7c91124c 100644
--- a/translations/th/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
+++ b/translations/th/lessons/4-ComputerVision/08-TransferLearning/lab/README.md
@@ -1,12 +1,3 @@
-
# การจำแนกสัตว์เลี้ยงจาก Oxford ด้วย Transfer Learning
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md b/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md
index 7cd467ce..26d11a92 100644
--- a/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md
+++ b/translations/th/lessons/4-ComputerVision/09-Autoencoders/README.md
@@ -1,12 +1,3 @@
-
# ออโตเอนโคเดอร์
เมื่อฝึก CNN หนึ่งในปัญหาคือเราต้องการข้อมูลที่มีการติดป้ายกำกับจำนวนมาก ในกรณีของการจำแนกภาพ เราต้องแยกภาพออกเป็นคลาสต่าง ๆ ซึ่งเป็นงานที่ต้องทำด้วยมือ
@@ -46,7 +37,7 @@ VAE คือออโตเอนโคเดอร์ที่เรียน
* เราสุ่มเวกเตอร์ `sample` จากการแจกแจง N(zmean,exp(zlog\_sigma))
* ดีโคเดอร์พยายามถอดรหัสภาพต้นฉบับโดยใช้ `sample` เป็นเวกเตอร์อินพุต
-
+
> ภาพจาก [บล็อกโพสต์นี้](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) โดย Isaak Dykeman
@@ -57,13 +48,13 @@ VAE คือออโตเอนโคเดอร์ที่เรียน
ข้อดีสำคัญของ VAE คือมันช่วยให้เราสร้างภาพใหม่ได้ง่ายขึ้น เพราะเรารู้ว่าควรสุ่มเวกเตอร์แฝงจากการแจกแจงใด ตัวอย่างเช่น หากเราฝึก VAE ด้วยเวกเตอร์แฝง 2 มิติบน MNIST เราสามารถเปลี่ยนแปลงองค์ประกอบของเวกเตอร์แฝงเพื่อให้ได้ตัวเลขต่าง ๆ:
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
สังเกตว่าภาพผสมกันอย่างไร เมื่อเราเริ่มได้เวกเตอร์แฝงจากส่วนต่าง ๆ ของพื้นที่พารามิเตอร์แฝง เราสามารถแสดงภาพพื้นที่นี้ใน 2 มิติได้เช่นกัน:
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/th/lessons/4-ComputerVision/10-GANs/README.md b/translations/th/lessons/4-ComputerVision/10-GANs/README.md
index 3f738814..108ecaa2 100644
--- a/translations/th/lessons/4-ComputerVision/10-GANs/README.md
+++ b/translations/th/lessons/4-ComputerVision/10-GANs/README.md
@@ -1,12 +1,3 @@
-
# เครือข่าย Generative Adversarial Networks
ในส่วนก่อนหน้า เราได้เรียนรู้เกี่ยวกับ **โมเดลการสร้างภาพ**: โมเดลที่สามารถสร้างภาพใหม่ที่คล้ายกับภาพในชุดข้อมูลการฝึกฝน VAE เป็นตัวอย่างที่ดีของโมเดลการสร้างภาพ
@@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
แนวคิดหลักของ GAN คือการมีเครือข่ายประสาทสองชุดที่ถูกฝึกฝนแข่งกัน:
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
@@ -41,7 +32,7 @@ Generator มีความซับซ้อนมากกว่าเล็
> ✅ เนื่องจากชั้นคอนโวลูชันถูกนำมาใช้เป็นตัวกรองเชิงเส้นที่เคลื่อนผ่านภาพ การ deconvolution จึงคล้ายกับคอนโวลูชัน และสามารถนำมาใช้ด้วยตรรกะชั้นเดียวกัน
-
+
> ภาพโดย [Dmitry Soshnikov](http://soshnikov.com)
diff --git a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md
index b09f6c06..12d7e525 100644
--- a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md
+++ b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/README.md
@@ -1,12 +1,3 @@
-
# การตรวจจับวัตถุ
โมเดลการจำแนกภาพที่เราได้ศึกษาไปก่อนหน้านี้จะรับภาพและให้ผลลัพธ์เป็นหมวดหมู่ เช่น คลาส 'ตัวเลข' ในปัญหา MNIST อย่างไรก็ตาม ในหลายกรณีเราไม่ได้ต้องการแค่รู้ว่าภาพนั้นมีวัตถุอะไรบ้าง แต่เราต้องการทราบตำแหน่งที่แน่นอนของวัตถุเหล่านั้นด้วย ซึ่งนี่คือจุดประสงค์ของ **การตรวจจับวัตถุ**
diff --git a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
index 22587b67..1a7102c0 100644
--- a/translations/th/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
+++ b/translations/th/lessons/4-ComputerVision/11-ObjectDetection/lab/README.md
@@ -1,12 +1,3 @@
-
# การตรวจจับศีรษะด้วยชุดข้อมูล Hollywood Heads
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md b/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md
index 0de3b643..18f115b6 100644
--- a/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md
+++ b/translations/th/lessons/4-ComputerVision/12-Segmentation/README.md
@@ -1,12 +1,3 @@
-
# การแบ่งส่วนภาพ
เราได้เรียนรู้เกี่ยวกับการตรวจจับวัตถุ (Object Detection) ซึ่งช่วยให้เราสามารถระบุตำแหน่งของวัตถุในภาพโดยการทำนาย *กรอบสี่เหลี่ยม* (bounding boxes) ของวัตถุ อย่างไรก็ตาม สำหรับบางงาน เราไม่ได้ต้องการแค่กรอบสี่เหลี่ยม แต่ต้องการการระบุตำแหน่งของวัตถุที่แม่นยำยิ่งขึ้น งานนี้เรียกว่า **การแบ่งส่วนภาพ** (segmentation)
@@ -20,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA:
สำหรับ Instance segmentation แกะเหล่านี้ถือเป็นวัตถุที่แตกต่างกัน แต่สำหรับ Semantic segmentation แกะทั้งหมดจะถูกแทนด้วยคลาสเดียวกัน
-
+
> ภาพจาก [บทความนี้](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
@@ -29,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
* **Encoder** สกัดคุณลักษณะจากภาพต้นฉบับ
* **Decoder** แปลงคุณลักษณะเหล่านั้นให้เป็น **ภาพหน้ากาก** (mask image) ที่มีขนาดและจำนวนช่องสัญญาณเท่ากับจำนวนคลาส
-
+
> ภาพจาก [งานวิจัยนี้](https://arxiv.org/pdf/2001.05566.pdf)
@@ -43,7 +34,7 @@ CO_OP_TRANSLATOR_METADATA:
> ✅ เทคนิคนี้เหมาะสมอย่างยิ่งสำหรับการถ่ายภาพทางการแพทย์ประเภทนี้ แต่คุณสามารถจินตนาการถึงการใช้งานในโลกจริงอื่น ๆ ได้หรือไม่?
-
+
> ภาพจากฐานข้อมูล PH2
diff --git a/translations/th/lessons/4-ComputerVision/12-Segmentation/lab/README.md b/translations/th/lessons/4-ComputerVision/12-Segmentation/lab/README.md
index ce529969..68ad918f 100644
--- a/translations/th/lessons/4-ComputerVision/12-Segmentation/lab/README.md
+++ b/translations/th/lessons/4-ComputerVision/12-Segmentation/lab/README.md
@@ -1,12 +1,3 @@
-
# การแบ่งส่วนร่างกายมนุษย์
การบ้านจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/4-ComputerVision/README.md b/translations/th/lessons/4-ComputerVision/README.md
index de38f2d9..d5cf71f5 100644
--- a/translations/th/lessons/4-ComputerVision/README.md
+++ b/translations/th/lessons/4-ComputerVision/README.md
@@ -1,12 +1,3 @@
-
# การมองเห็นของคอมพิวเตอร์
diff --git a/translations/th/lessons/5-NLP/13-TextRep/README.md b/translations/th/lessons/5-NLP/13-TextRep/README.md
index 9a67e113..c81c754f 100644
--- a/translations/th/lessons/5-NLP/13-TextRep/README.md
+++ b/translations/th/lessons/5-NLP/13-TextRep/README.md
@@ -1,12 +1,3 @@
-
# การแสดงข้อความในรูปแบบเทนเซอร์
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/25)
@@ -25,7 +16,7 @@ CO_OP_TRANSLATOR_METADATA:
หากเราต้องการแก้ปัญหาด้านการประมวลผลภาษาธรรมชาติ (NLP) ด้วยเครือข่ายประสาทเทียม เราจำเป็นต้องมีวิธีการแสดงข้อความในรูปแบบเทนเซอร์ คอมพิวเตอร์มีการแสดงตัวอักษรในรูปแบบตัวเลขอยู่แล้ว ซึ่งเชื่อมโยงกับฟอนต์บนหน้าจอของคุณโดยใช้การเข้ารหัส เช่น ASCII หรือ UTF-8
-
+
> [แหล่งที่มาของภาพ](https://www.seobility.net/en/wiki/ASCII)
@@ -48,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA:
เมื่อแก้ปัญหาเช่นการจัดประเภทข้อความ เราจำเป็นต้องสามารถแสดงข้อความในรูปแบบเวกเตอร์ขนาดคงที่ ซึ่งเราจะใช้เป็นอินพุตสำหรับตัวจัดประเภทแบบ dense วิธีที่ง่ายที่สุดวิธีหนึ่งคือการรวมการแสดงคำแต่ละคำ เช่นโดยการบวกกัน หากเราบวกการเข้ารหัสแบบ one-hot ของแต่ละคำ เราจะได้เวกเตอร์ที่แสดงความถี่ ซึ่งแสดงจำนวนครั้งที่แต่ละคำปรากฏในข้อความ การแสดงข้อความในรูปแบบนี้เรียกว่า **bag of words** (BoW)
-
+
> ภาพโดยผู้เขียน
diff --git a/translations/th/lessons/5-NLP/13-TextRep/assignment.md b/translations/th/lessons/5-NLP/13-TextRep/assignment.md
index 119613b6..2c2988bc 100644
--- a/translations/th/lessons/5-NLP/13-TextRep/assignment.md
+++ b/translations/th/lessons/5-NLP/13-TextRep/assignment.md
@@ -1,12 +1,3 @@
-
# งาน: โน้ตบุ๊ก
ใช้โน้ตบุ๊กที่เกี่ยวข้องกับบทเรียนนี้ (ไม่ว่าจะเป็นเวอร์ชัน PyTorch หรือ TensorFlow) รันใหม่โดยใช้ชุดข้อมูลของคุณเอง อาจจะเป็นชุดข้อมูลจาก Kaggle โดยให้เครดิตแหล่งที่มา เขียนโน้ตบุ๊กใหม่เพื่อเน้นผลการค้นพบของคุณเอง ลองใช้ชุดข้อมูลที่น่าสนใจและอาจทำให้ประหลาดใจ เช่น [ชุดข้อมูลเกี่ยวกับการพบเห็น UFO นี้](https://www.kaggle.com/datasets/NUFORC/ufo-sightings) จาก NUFORC
diff --git a/translations/th/lessons/5-NLP/14-Embeddings/README.md b/translations/th/lessons/5-NLP/14-Embeddings/README.md
index 37473f7c..15441a22 100644
--- a/translations/th/lessons/5-NLP/14-Embeddings/README.md
+++ b/translations/th/lessons/5-NLP/14-Embeddings/README.md
@@ -1,12 +1,3 @@
-
# การฝังข้อมูล
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/27)
diff --git a/translations/th/lessons/5-NLP/14-Embeddings/assignment.md b/translations/th/lessons/5-NLP/14-Embeddings/assignment.md
index 5a15e728..5548fcfb 100644
--- a/translations/th/lessons/5-NLP/14-Embeddings/assignment.md
+++ b/translations/th/lessons/5-NLP/14-Embeddings/assignment.md
@@ -1,12 +1,3 @@
-
# งาน: สมุดบันทึก
ใช้สมุดบันทึกที่เกี่ยวข้องกับบทเรียนนี้ (ไม่ว่าจะเป็นเวอร์ชัน PyTorch หรือ TensorFlow) รันใหม่โดยใช้ชุดข้อมูลของคุณเอง อาจเป็นชุดข้อมูลจาก Kaggle โดยให้เครดิตแหล่งที่มา เขียนสมุดบันทึกใหม่เพื่อเน้นผลการค้นพบของคุณเอง ลองใช้ชุดข้อมูลประเภทอื่นและบันทึกผลการค้นพบของคุณ โดยใช้ข้อความ เช่น [เนื้อเพลงของ Beatles เหล่านี้](https://www.kaggle.com/datasets/jenlooper/beatles-lyrics)
diff --git a/translations/th/lessons/5-NLP/15-LanguageModeling/README.md b/translations/th/lessons/5-NLP/15-LanguageModeling/README.md
index d62d41cb..9a64b1b8 100644
--- a/translations/th/lessons/5-NLP/15-LanguageModeling/README.md
+++ b/translations/th/lessons/5-NLP/15-LanguageModeling/README.md
@@ -1,12 +1,3 @@
-
# การสร้างแบบจำลองภาษา
การฝังความหมาย เช่น Word2Vec และ GloVe ถือเป็นก้าวแรกในการสร้าง **แบบจำลองภาษา** - การสร้างโมเดลที่สามารถ *เข้าใจ* (หรือ *แสดงออก*) ลักษณะของภาษาได้ในบางรูปแบบ
diff --git a/translations/th/lessons/5-NLP/15-LanguageModeling/lab/README.md b/translations/th/lessons/5-NLP/15-LanguageModeling/lab/README.md
index 728a2e08..41365e9a 100644
--- a/translations/th/lessons/5-NLP/15-LanguageModeling/lab/README.md
+++ b/translations/th/lessons/5-NLP/15-LanguageModeling/lab/README.md
@@ -1,12 +1,3 @@
-
# การฝึกโมเดล Skip-Gram
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners).
diff --git a/translations/th/lessons/5-NLP/16-RNN/README.md b/translations/th/lessons/5-NLP/16-RNN/README.md
index ff23ecb9..c26a2a66 100644
--- a/translations/th/lessons/5-NLP/16-RNN/README.md
+++ b/translations/th/lessons/5-NLP/16-RNN/README.md
@@ -1,12 +1,3 @@
-
# เครือข่ายประสาทแบบวนซ้ำ
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/31)
@@ -31,7 +22,7 @@ CO_OP_TRANSLATOR_METADATA:
เซลล์ RNN แบบง่ายมีเมทริกซ์ weights สองตัวภายใน: ตัวหนึ่งแปลงสัญลักษณ์อินพุต (เรียกว่า W) และอีกตัวหนึ่งแปลงสถานะอินพุต (H) ในกรณีนี้ ผลลัพธ์ของเครือข่ายจะถูกคำนวณเป็น σ(W×Xi+H×Si-1+b) โดยที่ σ คือฟังก์ชันการกระตุ้น และ b คือ bias เพิ่มเติม
-
+
> ภาพโดยผู้เขียน
diff --git a/translations/th/lessons/5-NLP/16-RNN/assignment.md b/translations/th/lessons/5-NLP/16-RNN/assignment.md
index 718ab921..02f13441 100644
--- a/translations/th/lessons/5-NLP/16-RNN/assignment.md
+++ b/translations/th/lessons/5-NLP/16-RNN/assignment.md
@@ -1,12 +1,3 @@
-
# งาน: สมุดบันทึก
ใช้สมุดบันทึกที่เกี่ยวข้องกับบทเรียนนี้ (ไม่ว่าจะเป็นเวอร์ชัน PyTorch หรือ TensorFlow) รันใหม่โดยใช้ชุดข้อมูลของคุณเอง อาจเป็นชุดข้อมูลจาก Kaggle โดยให้เครดิตแหล่งที่มา เขียนสมุดบันทึกใหม่เพื่อเน้นผลการค้นพบของคุณเอง ลองใช้ชุดข้อมูลประเภทอื่นและบันทึกผลการค้นพบของคุณ โดยใช้ข้อความเช่น [ชุดข้อมูลการแข่งขัน Kaggle เกี่ยวกับทวีตสภาพอากาศนี้](https://www.kaggle.com/competitions/crowdflower-weather-twitter/data?select=train.csv)
diff --git a/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md b/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md
index 76d5c4f5..f8715ff8 100644
--- a/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md
+++ b/translations/th/lessons/5-NLP/17-GenerativeNetworks/README.md
@@ -1,12 +1,3 @@
-
# เครือข่ายการสร้างสรรค์
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/33)
@@ -36,7 +27,7 @@ Recurrent Neural Networks (RNNs) และรูปแบบเซลล์ท
เมื่อสร้างข้อความ (ในระหว่างการอนุมาน) เราจะเริ่มต้นด้วย **คำเริ่มต้น** ซึ่งจะถูกส่งผ่านเซลล์ RNN เพื่อสร้างสถานะกลาง และจากสถานะนี้การสร้างข้อความจะเริ่มต้น เราจะสร้างตัวอักษรทีละตัว และส่งสถานะและตัวอักษรที่สร้างไปยังเซลล์ RNN ตัวถัดไปเพื่อสร้างตัวอักษรถัดไป จนกว่าจะสร้างข้อความครบตามที่ต้องการ
-
+
> ภาพโดยผู้เขียน
diff --git a/translations/th/lessons/5-NLP/17-GenerativeNetworks/lab/README.md b/translations/th/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
index 469515fc..97ca410a 100644
--- a/translations/th/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
+++ b/translations/th/lessons/5-NLP/17-GenerativeNetworks/lab/README.md
@@ -1,12 +1,3 @@
-
# การสร้างข้อความระดับคำด้วย RNNs
งานในห้องปฏิบัติการจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/5-NLP/18-Transformers/README.md b/translations/th/lessons/5-NLP/18-Transformers/README.md
index 4badae9f..6dd4165c 100644
--- a/translations/th/lessons/5-NLP/18-Transformers/README.md
+++ b/translations/th/lessons/5-NLP/18-Transformers/README.md
@@ -1,12 +1,3 @@
-
# กลไก Attention และ Transformers
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/35)
@@ -56,7 +47,7 @@ CO_OP_TRANSLATOR_METADATA:
* embedding ที่สามารถฝึกได้ คล้ายกับ embedding ของ token นี่คือวิธีที่เราพิจารณาในที่นี้ เราใช้ชั้น embedding กับทั้ง tokens และตำแหน่งของพวกมัน ซึ่งส่งผลให้ได้เวกเตอร์ embedding ที่มีมิติเดียวกัน จากนั้นเราจึงนำมาบวกกัน
* ฟังก์ชัน encoding ตำแหน่งแบบคงที่ ตามที่เสนอในงานวิจัยต้นฉบับ
-
+
> ภาพโดยผู้เขียน
diff --git a/translations/th/lessons/5-NLP/18-Transformers/assignment.md b/translations/th/lessons/5-NLP/18-Transformers/assignment.md
index 356a2a3a..178f391a 100644
--- a/translations/th/lessons/5-NLP/18-Transformers/assignment.md
+++ b/translations/th/lessons/5-NLP/18-Transformers/assignment.md
@@ -1,12 +1,3 @@
-
# งาน: Transformers
ทดลองใช้งาน Transformers บน HuggingFace! ลองใช้สคริปต์ที่พวกเขาให้มาเพื่อทำงานกับโมเดลต่างๆ ที่มีอยู่บนเว็บไซต์ของพวกเขา: https://huggingface.co/docs/transformers/run_scripts ลองใช้หนึ่งในชุดข้อมูลของพวกเขา จากนั้นนำเข้าชุดข้อมูลของคุณเองจากหลักสูตรนี้หรือจาก Kaggle แล้วดูว่าคุณสามารถสร้างข้อความที่น่าสนใจได้หรือไม่ สร้างโน้ตบุ๊กที่แสดงผลการทดลองของคุณ
diff --git a/translations/th/lessons/5-NLP/19-NER/README.md b/translations/th/lessons/5-NLP/19-NER/README.md
index 9e71cea5..336c8f65 100644
--- a/translations/th/lessons/5-NLP/19-NER/README.md
+++ b/translations/th/lessons/5-NLP/19-NER/README.md
@@ -1,12 +1,3 @@
-
# การรู้จำชื่อเอนทิตี
จนถึงตอนนี้ เราได้มุ่งเน้นไปที่งาน NLP อย่างหนึ่งเป็นหลัก นั่นคือการจัดประเภท อย่างไรก็ตาม ยังมีงาน NLP อื่นๆ ที่สามารถทำได้ด้วยเครือข่ายประสาทเทียม หนึ่งในงานเหล่านั้นคือ **[การรู้จำชื่อเอนทิตี](https://wikipedia.org/wiki/Named-entity_recognition)** (NER) ซึ่งเกี่ยวข้องกับการระบุเอนทิตีเฉพาะในข้อความ เช่น สถานที่ ชื่อบุคคล ช่วงเวลา สูตรเคมี และอื่นๆ
@@ -17,7 +8,7 @@ CO_OP_TRANSLATOR_METADATA:
สมมติว่าคุณต้องการพัฒนาช่องสนทนาภาษาธรรมชาติ เช่น Amazon Alexa หรือ Google Assistant วิธีการทำงานของช่องสนทนาอัจฉริยะคือการ *เข้าใจ* สิ่งที่ผู้ใช้ต้องการโดยการจัดประเภทข้อความในประโยคที่ป้อน ผลลัพธ์ของการจัดประเภทนี้เรียกว่า **เจตนา** ซึ่งกำหนดสิ่งที่ช่องสนทนาควรทำ
-
+
> ภาพโดยผู้เขียน
diff --git a/translations/th/lessons/5-NLP/19-NER/lab/README.md b/translations/th/lessons/5-NLP/19-NER/lab/README.md
index 5af7dd99..e1f0c13f 100644
--- a/translations/th/lessons/5-NLP/19-NER/lab/README.md
+++ b/translations/th/lessons/5-NLP/19-NER/lab/README.md
@@ -1,12 +1,3 @@
-
# การรู้จำชื่อเฉพาะ (NER)
การบ้านจาก [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners)
diff --git a/translations/th/lessons/5-NLP/20-LangModels/README.md b/translations/th/lessons/5-NLP/20-LangModels/README.md
index 0c7c48ce..db6cd0d4 100644
--- a/translations/th/lessons/5-NLP/20-LangModels/README.md
+++ b/translations/th/lessons/5-NLP/20-LangModels/README.md
@@ -1,12 +1,3 @@
-
# โมเดลภาษาขนาดใหญ่ที่ผ่านการฝึกฝนล่วงหน้า
ในทุกงานที่เราเคยทำมาก่อนหน้านี้ เราได้ฝึกฝนเครือข่ายประสาทเพื่อทำงานบางอย่างโดยใช้ชุดข้อมูลที่มีการติดป้ายกำกับ แต่สำหรับโมเดลทรานส์ฟอร์เมอร์ขนาดใหญ่ เช่น BERT เราใช้การสร้างแบบจำลองภาษาในรูปแบบที่เรียนรู้ด้วยตัวเอง (self-supervised) เพื่อสร้างโมเดลภาษา ซึ่งต่อมาจะถูกปรับให้เหมาะสมกับงานเฉพาะทางด้วยการฝึกฝนเพิ่มเติมในโดเมนเฉพาะ อย่างไรก็ตาม มีการพิสูจน์แล้วว่าโมเดลภาษาขนาดใหญ่สามารถแก้ไขงานหลายอย่างได้โดยไม่ต้องมีการฝึกฝนเฉพาะทางเลย โมเดลที่สามารถทำเช่นนี้ได้เรียกว่า **GPT**: Generative Pre-Trained Transformer
diff --git a/translations/th/lessons/5-NLP/README.md b/translations/th/lessons/5-NLP/README.md
index f3df57bd..c2d4b0b8 100644
--- a/translations/th/lessons/5-NLP/README.md
+++ b/translations/th/lessons/5-NLP/README.md
@@ -1,12 +1,3 @@
-
# การประมวลผลภาษาธรรมชาติ
diff --git a/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md b/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md
index ec080acb..c4a668fc 100644
--- a/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md
+++ b/translations/th/lessons/6-Other/21-GeneticAlgorithms/README.md
@@ -1,12 +1,3 @@
-
# อัลกอริทึมเชิงพันธุกรรม
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ai/quiz/41)
diff --git a/translations/th/lessons/6-Other/22-DeepRL/README.md b/translations/th/lessons/6-Other/22-DeepRL/README.md
index 0808be50..864af5bf 100644
--- a/translations/th/lessons/6-Other/22-DeepRL/README.md
+++ b/translations/th/lessons/6-Other/22-DeepRL/README.md
@@ -1,12 +1,3 @@
-
# การเรียนรู้เสริมกำลังเชิงลึก (Deep Reinforcement Learning)
การเรียนรู้เสริมกำลัง (Reinforcement Learning หรือ RL) ถือเป็นหนึ่งในแนวทางพื้นฐานของการเรียนรู้ของเครื่อง (Machine Learning) ควบคู่ไปกับการเรียนรู้แบบมีผู้สอน (Supervised Learning) และการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) ในขณะที่การเรียนรู้แบบมีผู้สอนอาศัยชุดข้อมูลที่มีผลลัพธ์ที่ทราบล่วงหน้า RL นั้นอิงกับแนวคิด **เรียนรู้จากการลงมือทำ** ตัวอย่างเช่น เมื่อเราเล่นเกมคอมพิวเตอร์ครั้งแรก เราเริ่มเล่นโดยที่ยังไม่รู้กฎเกณฑ์ แต่ไม่นานเราก็สามารถพัฒนาทักษะได้จากการเล่นและปรับเปลี่ยนพฤติกรรมของเรา
@@ -34,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
เวอร์ชันที่เรียบง่ายของการทรงตัวนี้เรียกว่า **ปัญหา CartPole** ในโลกของ CartPole เรามีแถบเลื่อนแนวนอนที่สามารถเคลื่อนที่ไปทางซ้ายหรือขวาได้ และเป้าหมายคือการทรงตัวของเสาตั้งตรงบนแถบเลื่อนในขณะที่มันเคลื่อนที่
-
+
ในการสร้างและใช้สภาพแวดล้อมนี้ เราต้องใช้โค้ด Python เพียงไม่กี่บรรทัด:
diff --git a/translations/th/lessons/6-Other/22-DeepRL/lab/README.md b/translations/th/lessons/6-Other/22-DeepRL/lab/README.md
index 2784956d..d0827287 100644
--- a/translations/th/lessons/6-Other/22-DeepRL/lab/README.md
+++ b/translations/th/lessons/6-Other/22-DeepRL/lab/README.md
@@ -1,12 +1,3 @@
-
## สภาพแวดล้อม
สภาพแวดล้อม Mountain Car ประกอบด้วยรถที่ติดอยู่ในหุบเขา เป้าหมายของคุณคือการกระโดดออกจากหุบเขาและไปถึงธง การกระทำที่คุณสามารถทำได้คือเร่งไปทางซ้าย เร่งไปทางขวา หรือไม่ทำอะไรเลย คุณสามารถสังเกตตำแหน่งของรถตามแกน x และความเร็ว
diff --git a/translations/th/lessons/6-Other/23-MultiagentSystems/README.md b/translations/th/lessons/6-Other/23-MultiagentSystems/README.md
index 9a91952b..d7314910 100644
--- a/translations/th/lessons/6-Other/23-MultiagentSystems/README.md
+++ b/translations/th/lessons/6-Other/23-MultiagentSystems/README.md
@@ -1,12 +1,3 @@
-
# ระบบหลายตัวแทน
หนึ่งในวิธีที่เป็นไปได้ในการสร้างความฉลาดคือวิธีที่เรียกว่า **การเกิดขึ้นเอง** (หรือ **การทำงานร่วมกัน**) ซึ่งอิงจากข้อเท็จจริงที่ว่าพฤติกรรมรวมของตัวแทนที่ค่อนข้างเรียบง่ายจำนวนมากสามารถนำไปสู่พฤติกรรมที่ซับซ้อน (หรือฉลาด) มากขึ้นของระบบโดยรวมได้ ในเชิงทฤษฎี วิธีนี้อิงจากหลักการของ [ปัญญาร่วม](https://en.wikipedia.org/wiki/Collective_intelligence), [Emergentism](https://en.wikipedia.org/wiki/Global_brain) และ [Evolutionary Cybernetics](https://en.wikipedia.org/wiki/Global_brain) ซึ่งระบุว่าระบบระดับสูงจะได้รับคุณค่าเพิ่มเติมบางอย่างเมื่อมีการรวมกันอย่างเหมาะสมจากระบบระดับต่ำ (เรียกว่า *หลักการเปลี่ยนผ่านของเมตาซิสเต็ม*)
@@ -60,7 +51,7 @@ ask turtles [
สิ่งที่ยอดเยี่ยมเกี่ยวกับ NetLogo คือมันมีห้องสมุดโมเดลที่ใช้งานได้ซึ่งคุณสามารถทดลองได้ ไปที่ **File → Models Library** และคุณมีหมวดหมู่โมเดลมากมายให้เลือก
-
+
> ภาพหน้าจอของห้องสมุดโมเดลโดย Dmitry Soshnikov
diff --git a/translations/th/lessons/6-Other/23-MultiagentSystems/assignment.md b/translations/th/lessons/6-Other/23-MultiagentSystems/assignment.md
index 18b1a8f3..7e1363bf 100644
--- a/translations/th/lessons/6-Other/23-MultiagentSystems/assignment.md
+++ b/translations/th/lessons/6-Other/23-MultiagentSystems/assignment.md
@@ -1,12 +1,3 @@
-
# งานมอบหมาย NetLogo
เลือกหนึ่งในโมเดลจากคลังของ NetLogo และใช้มันจำลองสถานการณ์ในชีวิตจริงให้ใกล้เคียงที่สุด ตัวอย่างที่ดีคือการปรับแต่งโมเดล Virus ในโฟลเดอร์ Alternative Visualizations เพื่อแสดงให้เห็นว่ามันสามารถใช้จำลองการแพร่กระจายของ COVID-19 ได้หรือไม่ คุณสามารถสร้างโมเดลที่เลียนแบบการแพร่กระจายของไวรัสในชีวิตจริงได้หรือเปล่า?
diff --git a/translations/th/lessons/7-Ethics/README.md b/translations/th/lessons/7-Ethics/README.md
index d6c88f23..f9499cb4 100644
--- a/translations/th/lessons/7-Ethics/README.md
+++ b/translations/th/lessons/7-Ethics/README.md
@@ -1,12 +1,3 @@
-
# ปัญญาประดิษฐ์ที่มีจริยธรรมและความรับผิดชอบ
คุณใกล้จะจบหลักสูตรนี้แล้ว และหวังว่าจนถึงตอนนี้คุณจะเห็นได้ชัดเจนว่า AI นั้นมีพื้นฐานมาจากวิธีการทางคณิตศาสตร์ที่เป็นทางการหลายวิธี ซึ่งช่วยให้เราค้นหาความสัมพันธ์ในข้อมูลและฝึกโมเดลเพื่อเลียนแบบพฤติกรรมบางอย่างของมนุษย์ ในช่วงเวลานี้ของประวัติศาสตร์ เราถือว่า AI เป็นเครื่องมือที่ทรงพลังมากในการดึงรูปแบบจากข้อมูล และนำรูปแบบเหล่านั้นไปใช้แก้ปัญหาใหม่ๆ
diff --git a/translations/th/lessons/README.md b/translations/th/lessons/README.md
index ab7801e3..c2be51bd 100644
--- a/translations/th/lessons/README.md
+++ b/translations/th/lessons/README.md
@@ -1,12 +1,3 @@
-
# ภาพรวม
diff --git a/translations/th/lessons/X-Extras/X1-MultiModal/README.md b/translations/th/lessons/X-Extras/X1-MultiModal/README.md
index 22a6f079..89916283 100644
--- a/translations/th/lessons/X-Extras/X1-MultiModal/README.md
+++ b/translations/th/lessons/X-Extras/X1-MultiModal/README.md
@@ -1,12 +1,3 @@
-
# เครือข่ายแบบหลายโมดอล
หลังจากความสำเร็จของโมเดล Transformer ในการแก้ปัญหางาน NLP สถาปัตยกรรมเดียวกันหรือคล้ายกันก็ถูกนำมาใช้กับงานด้านคอมพิวเตอร์วิทัศน์ (Computer Vision) มีความสนใจเพิ่มขึ้นในการสร้างโมเดลที่สามารถ *รวม* ความสามารถด้านภาพและภาษาธรรมชาติ หนึ่งในความพยายามดังกล่าวคือโมเดล CLIP และ DALL.E ที่พัฒนาโดย OpenAI
diff --git a/translations/th/lessons/sketchnotes/LICENSE.md b/translations/th/lessons/sketchnotes/LICENSE.md
index 0ed73753..994d908e 100644
--- a/translations/th/lessons/sketchnotes/LICENSE.md
+++ b/translations/th/lessons/sketchnotes/LICENSE.md
@@ -1,12 +1,3 @@
-
สิทธิ์, then the database in which You have Sui Generis Database Rights (but not its individual contents) is Adapted Material; and
c. You must comply with the conditions in Section 3(a) if You Share all or a substantial portion of the contents of the database.
diff --git a/translations/th/lessons/sketchnotes/README.md b/translations/th/lessons/sketchnotes/README.md
index ac5b1c5b..7ebcc3c5 100644
--- a/translations/th/lessons/sketchnotes/README.md
+++ b/translations/th/lessons/sketchnotes/README.md
@@ -1,12 +1,3 @@
-
สเก็ตช์โน้ตทั้งหมดของหลักสูตรสามารถดาวน์โหลดได้ที่นี่
🎨 สร้างโดย: Tomomi Imura (Twitter: [@girlie_mac](https://twitter.com/girlie_mac), GitHub: [girliemac](https://github.com/girliemac))
diff --git a/translations/th/troubleshoot.md b/translations/th/troubleshoot.md
index 0a4cd659..11c9a2fc 100644
--- a/translations/th/troubleshoot.md
+++ b/translations/th/troubleshoot.md
@@ -1,12 +1,3 @@
-
# คู่มือแก้ปัญหา AI-For-Beginners
คู่มือนี้ช่วยคุณแก้ไขปัญหาทั่วไปที่พบเมื่อใช้งานหรือมีส่วนร่วมใน [AI-For-Beginners](https://github.com/microsoft/AI-For-Beginners) repository แต่ละปัญหาจะมีข้อมูลพื้นฐาน อาการ สาเหตุ และวิธีแก้ไขทีละขั้นตอน