chore(i18n): sync translations with latest source changes (chunk 80/148, 100 files)
This commit is contained in:
localizeflow[bot]
parent
4393a749ad
commit
d67c9b941c
|
|
@ -20,13 +20,13 @@ Med RNNs implementeras sekvens-till-sekvens med två rekurrenta nätverk, där e
|
|||
|
||||
**Uppmärksamhetsmekanismer** ger ett sätt att vikta den kontextuella påverkan av varje inmatningsvektor på varje utgångsprediktion av RNN. Detta implementeras genom att skapa genvägar mellan mellanliggande tillstånd i inmatnings-RNN och utgångs-RNN. På detta sätt, när vi genererar utgångssymbolen y<sub>t</sub>, tar vi hänsyn till alla dolda inmatningstillstånd h<sub>i</sub>, med olika viktkoefficienter α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Kodare-avkodare-modellen med additiv uppmärksamhetsmekanism i [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citerad från [denna bloggpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Uppmärksamhetsmatrisen {α<sub>i,j</sub>} representerar graden av påverkan som vissa inmatningsord har på genereringen av ett givet ord i utgångssekvensen. Nedan är ett exempel på en sådan matris:
|
||||
|
||||
|
||||
|
||||
|
||||
> Figur från [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Resultatet vi får med positionsinbäddning inbäddar både den ursprungliga tok
|
|||
|
||||
Nästa steg är att fånga vissa mönster inom vår sekvens. För att göra detta använder transformatorer en **självuppmärksamhetsmekanism**, som i grunden är uppmärksamhet applicerad på samma sekvens som inmatning och utgång. Att applicera självuppmärksamhet gör att vi kan ta hänsyn till **kontext** inom meningen och se vilka ord som är relaterade till varandra. Till exempel gör det att vi kan se vilka ord som refereras av korreferenser, såsom *det*, och också ta kontexten i beaktande:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild från [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Eftersom varje inmatningsposition mappas oberoende till varje utgångsposition k
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) är ett mycket stort flerskikts transformatornätverk med 12 lager för *BERT-base* och 24 för *BERT-large*. Modellen förtränas först på en stor textkorpus (Wikipedia + böcker) med hjälp av oövervakad träning (förutsäga maskerade ord i en mening). Under förträningen absorberar modellen betydande nivåer av språkförståelse som sedan kan utnyttjas med andra dataset genom finjustering. Denna process kallas **transfer learning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild [källa](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Uppmärksamhetsmekanismer** ger ett sätt att vikta den kontextuella påverkan av varje ingångsvektor på varje utgångsprediktion i RNN. Detta implementeras genom att skapa genvägar mellan mellanliggande tillstånd i ingångs-RNN och utgångs-RNN. På detta sätt, när vi genererar utgångssymbolen $y_t$, tar vi hänsyn till alla dolda ingångstillstånd $h_i$, med olika viktkoefficienter $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Encoder-decoder-modellen med additiv uppmärksamhetsmekanism i [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citerad från [denna bloggpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Uppmärksamhetsmatrisen $\\{\\alpha_{i,j}\\}$ representerar graden till vilken vissa ingångsord bidrar till genereringen av ett givet ord i utgångssekvensen. Nedan är ett exempel på en sådan matris:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Figur hämtad från [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) är ett mycket stort flerskikts-transformernätverk med 12 lager för *BERT-base* och 24 för *BERT-large*. Modellen förtränas först på en stor textkorpus (Wikipedia + böcker) med hjälp av oövervakad träning (förutsäga maskerade ord i en mening). Under förträningen absorberar modellen en betydande nivå av språkförståelse som sedan kan utnyttjas med andra dataset genom finjustering. Denna process kallas **transfer learning**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Det finns många variationer av Transformer-arkitekturer, inklusive BERT, DistilBERT, BigBird, OpenGPT3 och fler, som kan finjusteras. [HuggingFace-paketet](https://github.com/huggingface/) tillhandahåller ett bibliotek för att träna många av dessa arkitekturer med PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Uppmärksamhetsmekanismer** ger ett sätt att vikta den kontextuella påverkan av varje inmatningsvektor på varje utgångsprediktion av RNN. Detta implementeras genom att skapa genvägar mellan mellanliggande tillstånd i inmatnings-RNN och utgångs-RNN. På detta sätt, när vi genererar utgångssymbolen $y_t$, tar vi hänsyn till alla dolda tillstånd $h_i$ från inmatningen, med olika viktkoefficienter $\\alpha_{t,i}$. \n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Encoder-decoder-modellen med additiv uppmärksamhetsmekanism i [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citerad från [denna bloggpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Uppmärksamhetsmatrisen $\\{\\alpha_{i,j}\\}$ representerar graden av påverkan som vissa inmatningsord har vid genereringen av ett visst ord i utgångssekvensen. Nedan är ett exempel på en sådan matris:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Figur hämtad från [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -231,7 +231,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) är ett mycket stort flerskiktat transformatornätverk med 12 lager för *BERT-base* och 24 för *BERT-large*. Modellen förtränas först på en stor mängd textdata (WikiPedia + böcker) med hjälp av osuperviserad träning (förutsäga maskerade ord i en mening). Under förträningen absorberar modellen en betydande nivå av språkförståelse som sedan kan utnyttjas med andra dataset genom finjustering. Denna process kallas **transfer learning**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Det finns många variationer av Transformer-arkitekturer, inklusive BERT, DistilBERT, BigBird, OpenGPT3 och fler som kan finjusteras.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -57,7 +57,7 @@ barn | O
|
|||
|
||||
Eftersom vi behöver bygga en en-till-en-korrespondens mellan tokens och klasser, kan vi träna en högerställd **många-till-många** neural nätverksmodell från denna bild:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild från [denna bloggpost](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) av [Andrej Karpathy](http://karpathy.github.io/). NER tokenklassificeringsmodeller motsvarar den högra nätverksarkitekturen på denna bild.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Naturlig Språkbearbetning
|
||||
|
||||
|
||||
|
||||
|
||||
I den här delen kommer vi att fokusera på att använda neurala nätverk för att hantera uppgifter relaterade till **naturlig språkbearbetning (NLP)**. Det finns många NLP-problem som vi vill att datorer ska kunna lösa:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Du kan öppna en av modellerna, till exempel **Biology → Flocking**.
|
|||
|
||||
Efter att ha öppnat modellen tas du till huvudskärmen i NetLogo. Här är en exempelmodell som beskriver populationen av vargar och får, givet begränsade resurser (gräs).
|
||||
|
||||
|
||||
|
||||
|
||||
> Skärmdump av Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Översikt
|
||||
|
||||
|
||||
|
||||
|
||||
> Skissanteckning av [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Efter framgången med transformer-modeller för att lösa NLP-uppgifter har samm
|
|||
|
||||
Huvudidén med CLIP är att kunna jämföra textprompter med en bild och avgöra hur väl bilden motsvarar prompten.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild från [detta blogginlägg](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ När denna modell är förtränad kan vi ge den en batch av bilder och en batch
|
|||
|
||||
Anta att vi behöver klassificera bilder mellan exempelvis katter, hundar och människor. I detta fall kan vi ge modellen en bild och en serie textprompter: "*en bild av en katt*", "*en bild av en hund*", "*en bild av en människa*". I den resulterande vektorn med tre sannolikheter behöver vi bara välja indexet med högst värde.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Bild från [detta blogginlägg](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Lär dig mer om VQGAN på [Taming Transformers](https://compvis.github.io/taming
|
|||
|
||||
En viktig skillnad mellan VQGAN och traditionella GAN är att den senare kan producera en hyfsad bild från vilken inputvektor som helst, medan VQGAN sannolikt kommer att producera en bild som inte är sammanhängande. Därför behöver vi ytterligare vägleda bildskapandeprocessen, och det kan göras med hjälp av CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
För att generera en bild som motsvarar en textprompt börjar vi med någon slumpmässig kodningsvektor som skickas genom VQGAN för att producera en bild. Sedan används CLIP för att skapa en förlustfunktion som visar hur väl bilden motsvarar textprompten. Målet är sedan att minimera denna förlust genom att använda backpropagation för att justera parametrarna för inputvektorn.
|
||||
|
||||
Ett utmärkt bibliotek som implementerar VQGAN+CLIP är [Pixray](http://github.com/pixray/pixray).
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Bild genererad från prompten *en närbild akvarellporträtt av en ung manlig litteraturlärare med en bok* | Bild genererad från prompten *en närbild oljeporträtt av en ung kvinnlig datavetenskapslärare med en dator* | Bild genererad från prompten *en närbild oljeporträtt av en äldre manlig matematiklärare framför en svart tavla*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:11:12+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T12:41:30+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "sw"
|
||||
}
|
||||
|
|
@ -23,15 +23,15 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
# Akili Bandia kwa Waanza - Mtaala
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| AI For Beginners - _Sketchnote na [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI kwa Waanza - _Sketchnote na [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
Gundua dunia ya **Akili Bandia** (AI) kwa mtaala wetu wa wiki 12, masomo 24! Inajumuisha masomo ya vitendo, maswali ya mtihani, na maabara. Mtaala ni rafiki kwa waanza na unafunika zana kama TensorFlow na PyTorch, pamoja na maadili katika AI
|
||||
Gundua dunia ya **Akili Bandia** (AI) kupitia mtaala wetu wa wiki 12, masomo 24! Inajumuisha masomo ya vitendo, mitihani, na maabara. Mtaala huu ni rafiki kwa waanza na unafunika zana kama TensorFlow na PyTorch, pamoja na maadili katika AI
|
||||
|
||||
### 🌐 Msaada wa Lugha Nyingi
|
||||
|
||||
#### Inasaidiwa kupitia GitHub Action (Kiotomatiki & Daima Iliyosasishwa)
|
||||
#### Inasaidiwa kupitia GitHub Action (Otomatiki & Daima Imesasishwa)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[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](./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)
|
||||
|
|
@ -42,58 +42,93 @@ Gundua dunia ya **Akili Bandia** (AI) kwa mtaala wetu wa wiki 12, masomo 24! Ina
|
|||
## Jiunge na Jamii
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## Unachotajifunza
|
||||
## Utajifunza Nini
|
||||
|
||||
**[Ramani ya Mawazo ya Kozi](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
Katika mtaala huu, utajifunza:
|
||||
|
||||
* Mbinu tofauti za Akili Bandia, ikijumuisha mbinu ya "good old" ya kisimbole yenye **Uwakilishi wa Maarifa** na mantiki ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Mitandao ya Neuroni** na **Kujifunza kwa Kina**, ambazo ni msingi wa AI ya kisasa. Tutataja dhana nyuma ya mada hizi muhimu tukitumia msimbo katika mojawapo ya mifumo maarufu - [TensorFlow](http://Tensorflow.org) na [PyTorch](http://pytorch.org).
|
||||
* **Miundo ya Neuroni** kwa kufanya kazi na picha na maandishi. Tutafunika mifano ya hivi karibuni lakini inaweza kukosa kufunika kabisa mafanikio ya hali-ya-sanaa.
|
||||
* Mbinu zisizo maarufu sana za AI, kama **Algorithimu za Kijenetiki** na **Mifumo ya Wakala Wengi**.
|
||||
* Mbinu tofauti za Akili Bandia, ikiwa ni pamoja na njia ya "kawaida zamani" ya kimasharti ya alama na **Uwakilishi wa Maarifa** na hoja ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **Mitandao ya Neva** na **Kujifunza kwa Kina**, ambazo ni msingi wa AI ya kisasa. Tutafafanua dhana za mada hizi muhimu kwa kutumia msimbo katika mojawapo ya mifumo maarufu - [TensorFlow](http://Tensorflow.org) na [PyTorch](http://pytorch.org).
|
||||
* **Miundo ya Mitandao ya Neva** kwa kufanya kazi na picha na maandishi. Tutafunika miundo ya hivi karibuni lakini huenda ikawa si ya hali ya juu kabisa.
|
||||
* Njia zisizo maarufu za AI, kama vile **Algoriti za Kijenetiki** na **Mifumo ya Wakala Wengi**.
|
||||
|
||||
Mambo ambayo hatutafunikia katika mtaala huu:
|
||||
Mambo ambayo hatutajadili katika mtaala huu:
|
||||
|
||||
> [Pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [Pata rasilimali zote za ziada za kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* Matukio ya biashara ya kutumia **AI katika Biashara**. Fikiria kuchukua [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) njia ya kujifunza kwenye Microsoft Learn, au [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), iliyotengenezwa kwa ushirikiano na [INSEAD](https://www.insead.edu/).
|
||||
* **Machine Learning ya Kawaida**, ambayo imeelezewa vizuri katika [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Programu halisi za AI zilizojengwa kwa kutumia **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Kwa hili, tunapendekeza uanze na moduli za Microsoft Learn kwa [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [uchakataji wa lugha asilia](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** na nyingine.
|
||||
* Mifumo maalumu ya ML ya Wingu, kama [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), au [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Fikiria kutumia [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) na [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) njia za kujifunza.
|
||||
* **AI za Mazungumzo** na **Chat Bots**. Kuna njia tofauti ya kujifunza [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) ya kujifunza, na unaweza pia kurejea kwa [chapisho hili la blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) kwa maelezo zaidi.
|
||||
* **Hisabati Nzito** nyuma ya kujifunza kwa kina. Kwa hili, tunapendekeza [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) na Ian Goodfellow, Yoshua Bengio na Aaron Courville, ambayo pia inapatikana mtandaoni kwenye [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
* Mifano ya biashara ya kutumia **AI katika Biashara**. Fikiria kuchukua [Utangulizi wa AI kwa watumiaji wa biashara](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) njia ya kujifunza kwenye Microsoft Learn, au [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), iliyotengenezwa kwa ushirikiano na [INSEAD](https://www.insead.edu/).
|
||||
* **Machine Learning ya Klasiki**, ambayo imeelezewa vizuri katika [Mtaala wetu wa Machine Learning kwa Waanza](http://github.com/Microsoft/ML-for-Beginners).
|
||||
* Programu za vitendo za AI zilizojengwa kwa kutumia **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)**. Kwa hili, tunapendekeza uanze na moduli za Microsoft Learn kwa [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [uchakataji wa lugha asilia](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** na nyinginezo.
|
||||
* Mfumo maalum wa Cloud wa ML, kama [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), au [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). Fikiria kutumia njia za kujifunza [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) na [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 ya Mazungumzo** na **Chat Bots**. Kuna njia ya kujifunza tofauti [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum), na pia unaweza kurejelea [hili blogu](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) kwa maelezo zaidi.
|
||||
* **Hisabati Nzito** nyuma ya kujifunza kwa kina. Kwa hili, tungependekeza [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) iliyoandikwa na Ian Goodfellow, Yoshua Bengio na Aaron Courville, ambayo pia inapatikana mtandaoni kwenye [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
Kwa utangulizi laini kwa mada za _AI katika Wingu_ unaweza kuzingatia kuchukua njia ya kujifunza [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
Kwa utangulizi mpole kwenye mada za _AI katika Cloud_ unaweza kuzingatia kuchukua Njia ya Kujifunza [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum).
|
||||
|
||||
# Yaliyomo
|
||||
|
||||
| | Kiungo cha Somo | PyTorch/Keras/TensorFlow | Maabara |
|
||||
| | Kiunganisho cha Somo | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [Usanidi wa Kozi](./lessons/0-course-setup/setup.md) | [Sanidi Mazingira Yako ya Maendeleo](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Utangulizi wa Akili Bandia**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Utangulizi na Historia ya Akili Bandia](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **AI ya Alama** |
|
||||
| 02 | [Uwakilishi wa Maarifa na Mifumo ya Mtaalamu](./lessons/2-Symbolic/README.md) | [Mifumo ya Mtaalamu](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafu ya Dhana](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Utangulizi wa Mitandao ya Neuroni**](./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 | [Mtandao wa Neva Wenye Tabaka Nyingi na Kuunda Fremu Yetu](./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 | [Utangulizi wa Fremu (PyTorch/TensorFlow) na 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 | [**Kuona kwa Kompyuta**](./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)| [Chunguza Kuona kwa Kompyuta kwenye Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Utangulizi wa Kuona kwa Kompyuta. 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 | [Mitandao ya Neva za Convolutional](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Miundo ya 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 | [Mitandao Zilizofunzwa Awali na Kujifunza kwa Uhamisho](./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 na 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 | [Mitandao ya Kupinga ya Kizazi na Uhamisho wa Mtindo wa Sanaa](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [Utambuzi wa Vitu](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Lab](./lessons/4-C
|
||||
- 💬 **Hisia za Maandishi** - Changanua maandishi chanya/negativa
|
||||
| I | [**Utangulizi wa AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Utangulizi na Historia ya AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **AI ya Kielezo** |
|
||||
| 02 | [Uwakilishi wa Maarifa na Mifumo ya Wataalamu](./lessons/2-Symbolic/README.md) | [Mifumo ya Wataalamu](./lessons/2-Symbolic/Animals.ipynb) / [Ontolojia](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Grafu ya Dhana](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Utangulizi wa Mitandao ya Neva**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [Perceptron](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [Daftari](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [Maabara](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [Perceptron Yenye Tabaka Nyingi na Kuunda Mfumo Wetu Mwenyewe](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [Daftari](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [Maabara](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [Utangulizi kwa Mifumo (PyTorch/TensorFlow) na 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) | [Maabara](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**Maono ya Kompyuta**](./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)| [Gundua Maono ya Kompyuta kwenye Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [Utangulizi wa Maono ya Kompyuta. OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [Daftari](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [Maabara](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [Mitandao ya Neva za Convolutional](./lessons/4-ComputerVision/07-ConvNets/README.md) & [Miundo ya 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) | [Maabara](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [Mitandao Zilizofunzwa Awali na 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) | [Maabara](./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 | [Utambuzi wa Vitu](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [Maabara](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [Ugawaji wa Semantiki. 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 | [**Usindikaji wa Lugha Asilia**](./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) | [Gundua Usindikaji wa Lugha Asilia kwenye Microsoft Azure](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [Uwakilishi wa Maandishi. 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 | [Uwekaji wa Neno wa Kisemiantiki. 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 | [Uundaji wa Lugha. Kufunza embeddings zako](./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) | [Maabara](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [Mitandao ya Neva ya Kurudiwa](./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 | [Mitandao Zinazozalisha za Kurudiwa](./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) | [Maabara](./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 | [Utambuzi wa Vitu Vilivyotajwa](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [Maabara](./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) | |
|
||||
| VI | [Mbinu Nyingine za AI] || |
|
||||
| 21 | [Algorithimu za Kijenetiki](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [Daftari](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [Kujifunza kwa Uimarishaji wa Kina](./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) | [Maabara](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [Mifumo ya Mawakala Wengi](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | [Maadili ya AI] | | |
|
||||
| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: Kanuni za AI Inayewajibika](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | [Nyongeza] | | |
|
||||
| 25 | [Multi-Modal Networks, CLIP and VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [Daftari](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## Kila somo linajumuisha
|
||||
|
||||
* Nyenzo za kusoma kabla
|
||||
* Daftari za Jupyter zinazoweza kutekelezwa, ambazo mara nyingi ni maalum kwa mfumo (**PyTorch** au **TensorFlow**). Daftari inayotekelezwa pia ina nyenzo nyingi za nadharia, kwa hivyo kuelewa mada unahitaji kupitia angalau toleo moja la daftari (iwe PyTorch au TensorFlow).
|
||||
* **Maabara** zinapatikana kwa baadhi ya mada, ambazo zinakupa fursa ya kujaribu kutumia nyenzo ulizojifunza kwa tatizo maalum.
|
||||
* Sehemu baadhi zina viungo kwa moduli za [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) zinazofunika mada zinazohusiana.
|
||||
|
||||
## Kuanzia
|
||||
|
||||
### 🎯 Mpya kwa AI? Anza Hapa!
|
||||
|
||||
Ikiwa wewe ni mpya kabisa kwa AI na unataka mifano ya haraka, ya vitendo, angalia [**Mifano kwa Waanziaji**](./examples/README.md)! Hizi zinajumuisha:
|
||||
|
||||
- 🌟 **Hello AI World** - Programu yako ya kwanza ya AI (utambuzi wa mifumo)
|
||||
- 🧠 **Simple Neural Network** - Jenga mtandao wa neva kutoka mwanzoni
|
||||
- 🖼️ **Image Classifier** - Klasifisha picha kwa maelezo ya kina
|
||||
- 💬 **Hisia za Maandishi** - Changanua maandishi chanya/hasi
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 Usanidi wa Mtaala Kamili
|
||||
|
||||
- Tumetengeneza a [setup lesson](./lessons/0-course-setup/setup.md) ili kukusaidia na kuandaa mazingira yako ya maendeleo. - Kwa Walimu, tumetengeneza pia a [curricula setup lesson](./lessons/0-course-setup/for-teachers.md) kwa ajili yenu!
|
||||
- Jinsi ya [kukimbia msimbo katika VSCode au Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
- Tumetengeneza somo la [somo la usanidi](./lessons/0-course-setup/setup.md) kukusaidia kuanzisha mazingira yako ya maendeleo. - Kwa Walimu, tumetengeneza pia somo la [somo la usanidi wa mtaala](./lessons/0-course-setup/for-teachers.md) kwa ajili yenu!
|
||||
- Jinsi ya [Kukimbia msimbo kwenye VSCode au Codepace](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
|
||||
|
|
@ -105,15 +140,15 @@ Don't forget to star (🌟) this repo to find it easier later.
|
|||
|
||||
## Kutana na Wanafunzi Wengine
|
||||
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
Join our [seva rasmi ya Discord ya AI](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## Maswali
|
||||
## Majaribio
|
||||
|
||||
> **Kumbuka kuhusu maswali**: Maswali yote yako ndani ya folda ya Quiz-app katika etc\quiz-app, au [Online Here](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
> **Kumbuka kuhusu majaribio**: Majaribio yote yamehifadhiwa kwenye folda ya Quiz-app katika etc\quiz-app, au [Mtandaoni Hapa](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## Tunahitaji Msaada
|
||||
## Tunaomba Msaada
|
||||
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
|
|
@ -121,8 +156,8 @@ Do you have suggestions or found spelling or code errors? Raise an issue or crea
|
|||
|
||||
* **✍️ Mwandishi Mkuu:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 Mhariri:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 Mchoraji wa sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Muumba wa Mtihani:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🎨 Mchoraji wa Sketchnote:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ Muumba wa Majaribio:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 Wachangiaji Wakuu:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## Mitaala Mengine
|
||||
|
|
@ -131,35 +166,35 @@ Our team produces other curricula! Check out:
|
|||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / 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)
|
||||
### Azure / Edge / MCP / Wakala
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### 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)
|
||||
### Mfululizo wa 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)
|
||||
|
||||
---
|
||||
|
||||
### Mafunzo Msingi
|
||||
[](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)
|
||||
### Mafunzo ya Msingi
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
|
|
@ -173,16 +208,15 @@ Our team produces other curricula! Check out:
|
|||
|
||||
If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely.
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
If you have product feedback or errors while building visit:
|
||||
|
||||
[](https://aka.ms/foundry/forum)
|
||||
[](https://aka.ms/foundry/forum)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
Taarifa ya kutokuwajibika:
|
||||
|
||||
Nyaraka hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator (https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au zisizo sahihi. Nyaraka ya awali katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo chenye mamlaka. Kwa taarifa muhimu, inapendekezwa kutumia tafsiri ya kitaalamu iliyofanywa na binadamu. Hatuwajibiki kwa kutokuelewana au tafsiri potofu zitokanazo na matumizi ya tafsiri hii.
|
||||
Taarifa ya kutotegemewa:
|
||||
Nyaraka hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kufikia usahihi, tafadhali fahamu kwamba tafsiri za kiotomatiki zinaweza kuwa na makosa au zisizo sahihi. Nyaraka asili katika lugha yake inapaswa kuzingatiwa kama chanzo chenye mamlaka. Kwa taarifa muhimu, inashauriwa kutumia mtafsiri mtaalamu wa kibinadamu. Hatuwajibiki kwa kutoelewana au tafsiri mbaya zitakazotokana na matumizi ya tafsiri hii.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Utangulizi wa AI
|
||||
|
||||
|
||||
|
||||
|
||||
> Mchoro na [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
Awali, kompyuta ziligunduliwa na [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) ili kufanya kazi na namba kwa kufuata utaratibu ulioelezwa vizuri - algorithimu. Kompyuta za kisasa, ingawa zimeendelea sana kuliko mfano wa awali uliopendekezwa katika karne ya 19, bado zinafuata wazo lile lile la hesabu zinazoongozwa. Kwa hivyo inawezekana kuipanga kompyuta kufanya jambo fulani ikiwa tunajua mlolongo halisi wa hatua tunazohitaji kuchukua ili kufanikisha lengo.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha na [Vickie Soshnikova](http://twitter.com/vickievalerie)
|
||||
|
||||
|
|
@ -45,7 +45,7 @@ Kwa maelezo zaidi rejelea **[Akili Bandia ya Kijumla](https://en.wikipedia.org/w
|
|||
|
||||
Moja ya matatizo tunaposhughulikia neno **[Akili](https://en.wikipedia.org/wiki/Intelligence)** ni kwamba hakuna ufafanuzi wazi wa neno hili. Mtu anaweza kusema akili inahusiana na **fikra za dhahania**, au na **kujifahamu**, lakini hatuwezi kuifafanua ipasavyo.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Picha](https://unsplash.com/photos/75715CVEJhI) na [Amber Kipp](https://unsplash.com/@sadmax) kutoka Unsplash
|
||||
|
||||
|
|
@ -97,13 +97,13 @@ Vinginevyo, tunaweza kujaribu kuiga vipengele rahisi zaidi ndani ya ubongo wetu
|
|||
|
||||
> | Je, kuhusu ML? | |
|
||||
> |--------------|-----------|
|
||||
> | Sehemu ya Akili Bandia inayotegemea kompyuta kujifunza kutatua tatizo kwa msingi wa data fulani inaitwa **Machine Learning**. Hatutazingatia ujifunzaji wa mashine wa kawaida katika kozi hii - tunakuelekeza kwenye mtaala tofauti wa [Machine Learning for Beginners](http://aka.ms/ml-beginners). |  |
|
||||
> | Sehemu ya Akili Bandia inayotegemea kompyuta kujifunza kutatua tatizo kwa msingi wa data fulani inaitwa **Machine Learning**. Hatutazingatia ujifunzaji wa mashine wa kawaida katika kozi hii - tunakuelekeza kwenye mtaala tofauti wa [Machine Learning for Beginners](http://aka.ms/ml-beginners). |  |
|
||||
|
||||
## Historia Fupi ya AI
|
||||
|
||||
Akili Bandia ilianza kama uwanja katikati ya karne ya ishirini. Awali, ufikiri wa kimaumbo ulikuwa njia maarufu, na ulisababisha mafanikio kadhaa muhimu, kama vile mifumo ya wataalamu – programu za kompyuta ambazo ziliweza kutenda kama mtaalamu katika baadhi ya maeneo ya tatizo yaliyopunguzwa. Hata hivyo, hivi karibuni ilibainika kuwa njia hiyo haipimi vizuri. Kutoa maarifa kutoka kwa mtaalamu, kuyaweka katika kompyuta, na kuweka msingi wa maarifa sahihi inageuka kuwa kazi ngumu sana, na ghali sana kuwa ya vitendo katika hali nyingi. Hii ilisababisha kile kinachoitwa [Majira ya Baridi ya AI](https://en.wikipedia.org/wiki/AI_winter) katika miaka ya 1970.
|
||||
|
||||
<img alt="Historia Fupi ya AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.sw.png" width="70%"/>
|
||||
<img alt="Historia Fupi ya AI" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.sw.png" width="70%"/>
|
||||
|
||||
> Picha na [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -123,7 +123,7 @@ Vivyo hivyo, tunaweza kuona jinsi mbinu za kuunda “programu zinazozungumza”
|
|||
* Wasaidizi wa kisasa, kama Cortana, Siri au Google Assistant ni mifumo mseto inayotumia Mitandao ya Neva kubadilisha hotuba kuwa maandishi na kutambua nia yetu, na kisha kutumia baadhi ya ufikiri au algorithimu wazi kutekeleza vitendo vinavyohitajika.
|
||||
* Katika siku zijazo, tunaweza kutarajia mfano kamili unaotegemea neva kushughulikia mazungumzo yenyewe. Familia ya hivi karibuni ya mitandao ya neva ya GPT na [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) inaonyesha mafanikio makubwa katika hili.
|
||||
|
||||
<img alt="mabadiliko ya mtihani wa Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.sw.png" width="70%"/>
|
||||
<img alt="mabadiliko ya mtihani wa Turing" src="../../../../translated_images/turing-test-evol.4184696701293ead.sw.png" width="70%"/>
|
||||
> Picha na Dmitry Soshnikov, [picha](https://unsplash.com/photos/r8LmVbUKgns) na [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## Utafiti wa Hivi Karibuni wa AI
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"Katika mfano huu, tutatekeleza mfumo rahisi unaotegemea maarifa ili kubaini mnyama kulingana na baadhi ya sifa za kimwili. Mfumo huu unaweza kuwakilishwa na mti wa AND-OR ufuatao (hii ni sehemu ya mti mzima, tunaweza kuongeza sheria zaidi kwa urahisi):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Uwakilishi wa Maarifa na Mifumo ya Wataalamu
|
||||
|
||||
|
||||
|
||||
|
||||
> Sketchnote na [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ Mara nyingi, hatufafanui maarifa kwa ukali, lakini tunayalinganisha na dhana nyi
|
|||
|
||||
Kwa hivyo, tatizo la **uwakilishi wa maarifa** ni kutafuta njia bora ya kuwakilisha maarifa ndani ya kompyuta kwa njia ya data, ili yaweze kutumika kiotomatiki. Hili linaweza kuonekana kama wigo:
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha na [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Syntax ya Block | Indent | | |
|
|||
|
||||
Moja ya mafanikio ya awali ya AI ya kimaandishi yalikuwa mifumo ya **wataalamu** - mifumo ya kompyuta iliyoundwa kufanya kazi kama mtaalamu katika eneo fulani la tatizo. Ilitegemea **hifadhidata ya maarifa** iliyotolewa kutoka kwa mtaalamu mmoja au zaidi wa binadamu, na ilikuwa na **injini ya utoaji wa sababu** iliyofanya utoaji wa sababu juu yake.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
Muundo rahisi wa mfumo wa neva wa binadamu | Muundo wa mfumo unaotegemea maarifa
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Mifumo ya wataalamu imejengwa kama mfumo wa utoaji wa sababu wa binadamu, ambao
|
|||
|
||||
Kwa mfano, hebu tuchunguze mfumo wa wataalamu wa kuamua mnyama kulingana na sifa zake za kimwili:
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha na [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -1259,7 +1259,7 @@
|
|||
"* Hasara ya mafunzo ni ndogo - mfano unaweza kufanana vizuri na data ya mafunzo kwa sababu una uwezo wa kujieleza wa kutosha.\n",
|
||||
"* Hasara ya uthibitishaji inaweza kuwa kubwa zaidi kuliko hasara ya mafunzo na inaweza kuanza kuongezeka wakati wa mafunzo - hii ni kwa sababu mfano \"unakumbuka\" pointi za mafunzo na kupoteza \"picha kubwa.\"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Katika picha hii, `x` inawakilisha data ya mafunzo, `o` - data ya uthibitishaji. Kushoto - mfano wa mstari (tabaka moja), unafanana vizuri na asili ya data. Kulia - mfano uliopitiliza, mfano unafanana kikamilifu na data ya mafunzo, lakini hauleti maana yoyote kwa data nyingine yoyote (makosa ya uthibitishaji ni makubwa sana).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Overfitting ni dhana muhimu sana katika ujifunzaji wa mashine, na ni muhimu sana
|
|||
|
||||
Fikiria tatizo lifuatalo la kukadiria alama 5 (zinazoonyeshwa na `x` kwenye grafu hapa chini):
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**Modeli ya mstari, vigezo 2** | **Modeli isiyo ya mstari, vigezo 7**
|
||||
Makosa ya mafunzo = 5.3 | Makosa ya mafunzo = 0
|
||||
|
|
@ -79,7 +79,7 @@ Ni muhimu sana kupata usawa sahihi kati ya utajiri wa modeli (idadi ya vigezo) n
|
|||
|
||||
Kama unavyoona kutoka kwenye grafu hapo juu, overfitting inaweza kugunduliwa kwa makosa ya mafunzo ya chini sana, na makosa ya uthibitishaji ya juu. Kawaida wakati wa mafunzo tutaona makosa ya mafunzo na uthibitishaji yakianza kupungua, na kisha wakati fulani makosa ya uthibitishaji yanaweza kuacha kupungua na kuanza kuongezeka. Hii itakuwa ishara ya overfitting, na kiashiria kwamba tunapaswa labda kuacha mafunzo wakati huo (au angalau kufanya nakala ya modeli).
|
||||
|
||||
|
||||
|
||||
|
||||
## Jinsi ya kuzuia overfitting
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Utangulizi wa Mitandao ya Neva
|
||||
|
||||
|
||||
|
||||
|
||||
Kama tulivyojadili katika utangulizi, mojawapo ya njia za kufanikisha akili ni kufundisha **mfano wa kompyuta** au **ubongo bandia**. Tangu katikati ya karne ya 20, watafiti walijaribu mifano mbalimbali ya kihisabati, hadi miaka ya hivi karibuni ambapo mwelekeo huu ulionekana kufanikiwa sana. Mifano hii ya kihisabati ya ubongo inaitwa **mitandao ya neva**.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ Katika mtaala huu, tutazingatia tu mifano ya mitandao ya neva.
|
|||
|
||||
Kutoka kwa biolojia, tunajua kuwa ubongo wetu unajumuisha seli za neva (neuroni), kila moja ikiwa na "viingizo" vingi (dendriti) na "matokeo" moja (aksoni). Dendriti na aksoni zote mbili zinaweza kusafirisha ishara za umeme, na miunganisho kati yao — inayojulikana kama sinapsi — inaweza kuonyesha viwango tofauti vya usafirishaji, ambavyo vinadhibitiwa na nyurotransmita.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
Neva Halisi *([Picha](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) kutoka Wikipedia)* | Neva Bandia *(Picha na Mwandishi)*
|
||||
|
||||
Kwa hivyo, mfano rahisi wa kihisabati wa neva una viingizo kadhaa X<sub>1</sub>, ..., X<sub>N</sub> na matokeo Y, na mfululizo wa uzito W<sub>1</sub>, ..., W<sub>N</sub>. Matokeo huhesabiwa kama:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.sw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.sw.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
ambapo f ni **kazi ya uanzishaji** isiyo ya mstari.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ Katika [OpenCV Notebook](OpenCV.ipynb) yetu, tunatoa mifano ya wakati uelewa wa
|
|||
|
||||
* **Usindikaji wa awali wa picha ya kitabu cha Braille**. Tunazingatia jinsi tunavyoweza kutumia thresholding, utambuzi wa vipengele, mabadiliko ya mtazamo na manipulations za NumPy kutenganisha alama za Braille kwa uainishaji zaidi na mtandao wa neva.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> Picha kutoka [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
* **Kutambua harakati kwenye video kwa kutumia tofauti ya fremu**. Ikiwa kamera imetulia, basi fremu kutoka mlisho wa kamera zinapaswa kufanana sana. Kwa kuwa fremu zinawakilishwa kama safu, kwa kutoa tofauti ya safu hizo kwa fremu mbili mfululizo tutapata tofauti ya pikseli, ambayo inapaswa kuwa ndogo kwa fremu tuli, na kuwa kubwa zaidi mara kuna harakati kubwa kwenye picha.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ Katika [OpenCV Notebook](OpenCV.ipynb) yetu, tunatoa mifano ya wakati uelewa wa
|
|||
- **Dense Optical Flow** huhesabu uwanja wa vekta unaoonyesha kwa kila pikseli inahama wapi.
|
||||
- **Sparse Optical Flow** inategemea kuchukua vipengele vya kipekee kwenye picha (mfano, kingo), na kujenga mwelekeo wake kutoka fremu hadi fremu.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [OpenCV.ipynb](OpenCV.ipynb)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 ni mtandao uliopata usahihi wa 92.7% katika uainishaji wa ImageNet top-5 mwaka 2014. Una muundo wa tabaka zifuatazo:
|
||||
|
||||
|
||||
|
||||
|
||||
Kama unavyoona, VGG inafuata muundo wa jadi wa piramidi, ambao ni mfululizo wa tabaka za convolution-pooling.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -262,7 +262,7 @@
|
|||
"\n",
|
||||
"Kwa hivyo, katika CNN ya kawaida kutakuwa na tabaka kadhaa za convolution, zikiwa na tabaka za pooling kati yao ili kupunguza vipimo vya picha. Pia tungeongeza idadi ya vichujio, kwa sababu kadri mifumo inavyokuwa ya hali ya juu - kuna mchanganyiko zaidi wa kuvutia ambao tunahitaji kutafuta.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kwa sababu ya kupungua kwa vipimo vya anga na kuongezeka kwa vipimo vya sifa/vichujio, usanifu huu pia huitwa **usanifu wa piramidi**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -360,7 +360,7 @@
|
|||
"\n",
|
||||
"Kwa hivyo, katika CNN ya kawaida kutakuwa na tabaka kadhaa za convolutional, zikiwa na tabaka za pooling kati yao ili kupunguza vipimo vya picha. Pia tungeongeza idadi ya vichujio, kwa sababu mifumo inavyokuwa ya hali ya juu zaidi - kuna mchanganyiko mwingi wa kuvutia ambao tunahitaji kutafuta.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kwa sababu ya kupungua kwa vipimo vya anga na kuongezeka kwa vipimo vya sifa/vichujio, usanifu huu pia huitwa **usanifu wa piramidi**.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ Katika maisha halisi, tunataka kuwa na uwezo wa kutambua vitu kwenye picha bila
|
|||
|
||||
Ili kutoa mifumo, tutatumia dhana ya **vichujio vya convolutional**. Kama unavyojua, picha inawakilishwa na matriki ya 2D, au tensor ya 3D yenye kina cha rangi. Kutumia kichujio kunamaanisha kwamba tunachukua matriki ndogo ya **kernel ya kichujio**, na kwa kila pikseli kwenye picha ya awali tunahesabu wastani wa uzito na pointi za jirani. Tunaweza kuona hili kama dirisha dogo linalosonga juu ya picha nzima, na kujumlisha pikseli zote kulingana na uzito katika matriki ya kernel ya kichujio.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> Picha na Dmitry Soshnikov
|
||||
|
|
@ -38,7 +38,7 @@ Njia CNN zinavyofanya kazi inategemea mawazo muhimu yafuatayo:
|
|||
* Tunaweza kubuni mtandao kwa njia ambayo vichujio vinajifunza kiotomatiki
|
||||
* Tunaweza kutumia mbinu hiyo hiyo kutafuta mifumo kwenye vipengele vya kiwango cha juu, si tu kwenye picha ya awali. Kwa hivyo uchimbaji wa vipengele vya CNN hufanya kazi kwenye uhierakia wa vipengele, kuanzia mchanganyiko wa pikseli za kiwango cha chini, hadi mchanganyiko wa kiwango cha juu wa sehemu za picha.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi ya Hislop-Lynch](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d), kulingana na [utafiti wao](https://dl.acm.org/doi/abs/10.1145/1553374.1553453)
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CNN nyingi zinazotumika kwa usindikaji wa picha hufuata kile kinachoitwa muundo
|
|||
|
||||
Kwa mfano, hebu tuangalie muundo wa VGG-16, mtandao uliopata usahihi wa 92.7% katika uainishaji wa juu-5 wa ImageNet mwaka 2014:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493)
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ Unahitaji kufundisha mtandao wa neva wa convolutional ili kuainisha aina tofauti
|
|||
|
||||
Tutatumia [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/), ambayo ina picha za aina 37 tofauti za mbwa na paka.
|
||||
|
||||
|
||||
|
||||
|
||||
Ili kupakua dataset, tumia kipande hiki cha msimbo:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"Ili kuonyesha paka bora, tutaanza na picha ya kelele ya nasibu, na tutajaribu kutumia mbinu ya uboreshaji ya gradient descent kurekebisha picha ili mtandao utambue paka.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Hii hapa ni picha yetu ya kuanzia:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras na PyTorch zote zina kazi za kupakia kwa urahisi uzito wa mtandao wa neva
|
|||
|
||||
Hapa kuna vipengele vya mfano vilivyotolewa kutoka kwa picha ya paka na mtandao wa VGG-16:
|
||||
|
||||
|
||||
|
||||
|
||||
## Seti ya Data ya Paka na Mbwa
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Mtandao wa neva uliyojifunza kabla una mifumo tofauti ndani ya "ubongo" wake, ik
|
|||
|
||||
Njia moja tunayoweza kuchukua ni kuanza na picha ya nasibu, kisha kujaribu kutumia mbinu ya **ufanisi wa gradient descent** kurekebisha picha hiyo kwa namna ambayo mtandao unaanza kufikiria kuwa ni paka.
|
||||
|
||||
|
||||
|
||||
|
||||
Hata hivyo, tukifanya hivyo, tutapata kitu kinachofanana sana na kelele ya nasibu. Hii ni kwa sababu *kuna njia nyingi za kufanya mtandao kufikiria picha ya ingizo ni paka*, ikiwa ni pamoja na baadhi ambazo hazina maana kwa macho. Ingawa picha hizo zina mifumo mingi inayotambulika kwa paka, hakuna kitu kinachozuia kuwa tofauti kwa macho.
|
||||
|
||||
Ili kuboresha matokeo, tunaweza kuongeza kipengele kingine kwenye kazi ya hasara, kinachoitwa **variation loss**. Ni kipimo kinachoonyesha jinsi pikseli za jirani za picha zinavyofanana. Kupunguza variation loss hufanya picha kuwa laini, na kuondoa kelele - hivyo kufichua mifumo inayovutia zaidi kwa macho. Hapa kuna mfano wa picha "bora" zinazotambuliwa kama paka na kama punda milia kwa uwezekano mkubwa:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Paka Bora* | *Punda Milia Bora*
|
||||
|
||||
Njia sawa inaweza kutumika kufanya kile kinachoitwa **mashambulizi ya kihasama** kwenye mtandao wa neva. Tuseme tunataka kudanganya mtandao wa neva na kufanya mbwa aonekane kama paka. Ikiwa tutachukua picha ya mbwa, ambayo inatambuliwa na mtandao kama mbwa, tunaweza kuirekebisha kidogo kwa kutumia ufanisi wa gradient descent, hadi mtandao uanze kuainisha kama paka:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*Picha ya asili ya mbwa* | *Picha ya mbwa inayotambuliwa kama paka*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"Kwa kuwa tunafundisha autoencoder ili kunasa taarifa nyingi iwezekanavyo kutoka kwenye picha ya awali kwa ajili ya ujenzi sahihi, mtandao unajaribu kupata **embedding** bora ya picha za pembejeo ili kunasa maana yake.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> Picha kutoka [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@
|
|||
"\n",
|
||||
"Kwa kuwa tunafundisha autoencoder ili kunasa taarifa nyingi iwezekanavyo kutoka kwenye picha ya asili kwa ajili ya ujenzi sahihi, mtandao unajaribu kupata **embedding** bora ya picha za pembejeo ili kunasa maana.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Picha kutoka [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Hata hivyo, tunaweza kutaka kutumia data ghafi (isiyo na lebo) kwa kufundisha CN
|
|||
|
||||
Kwa kuwa tunafundisha autoencoder ili kunasa taarifa nyingi kutoka kwenye picha ya asili iwezekanavyo kwa ajili ya ujenzi sahihi, mtandao unajaribu kupata **embedding** bora ya picha za pembejeo ili kunasa maana yake.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ Mifano ya uainishaji wa picha tuliyojifunza hadi sasa ilichukua picha na kutoa m
|
|||
|
||||
## [Jaribio la awali la somo](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [tovuti ya YOLO v2](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ Tukidhani tunataka kutambua paka kwenye picha, njia rahisi ya utambuzi wa vitu i
|
|||
2. Fanya uainishaji wa picha kwenye kila kigae.
|
||||
3. Vigae vile vinavyotoa matokeo ya juu vya kutosha vinaweza kuchukuliwa kuwa na kitu kinachotafutwa.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka [Daftari la Mazoezi](ObjectDetection-TF.ipynb)*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ Unaweza kukutana na seti zifuatazo za data kwa kazi hii:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - madarasa 20
|
||||
* [COCO](http://cocodataset.org/#home) - Vitu vya Kawaida katika Muktadha. Madarasa 80, maboksi ya mipaka na maski za kugawanya
|
||||
|
||||
|
||||
|
||||
|
||||
## Vipimo vya Utambuzi wa Vitu
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ Unaweza kukutana na seti zifuatazo za data kwa kazi hii:
|
|||
|
||||
Wakati kwa uainishaji wa picha ni rahisi kupima jinsi algorithimu inavyofanya kazi, kwa utambuzi wa vitu tunahitaji kupima usahihi wa darasa, pamoja na usahihi wa eneo la boksi lililotabiriwa. Kwa hili la mwisho, tunatumia kipimo kinachoitwa **Muingiliano juu ya Muungano** (IoU), ambacho hupima jinsi maboksi mawili (au maeneo mawili yoyote) yanavyofanana.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Mchoro wa 2 kutoka [blogu hii bora kuhusu IoU](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)*
|
||||
|
||||
|
|
@ -98,11 +98,11 @@ Kuna makundi mawili makuu ya algorithimu za utambuzi wa vitu:
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) hutumia [Utafutaji wa Kuchagua](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) kuzalisha muundo wa kihierarkia wa maeneo ya ROI, ambayo kisha hupitishwa kupitia viondoa sifa vya CNN na vianuai vya SVM ili kubaini darasa la kitu, na usawazishaji wa mstari ili kubaini m coordinates ya *maboksi ya mipaka*. [Karatasi Rasmi](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka [blogu hii](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)
|
||||
|
||||
|
|
@ -110,7 +110,7 @@ Kuna makundi mawili makuu ya algorithimu za utambuzi wa vitu:
|
|||
|
||||
Mbinu hii ni sawa na R-CNN, lakini maeneo hufafanuliwa baada ya tabaka za convolution kutumika.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [Karatasi Rasmi](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -118,7 +118,7 @@ Mbinu hii ni sawa na R-CNN, lakini maeneo hufafanuliwa baada ya tabaka za convol
|
|||
|
||||
Wazo kuu la mbinu hii ni kutumia mtandao wa neva kutabiri ROI - kinachoitwa *Mtandao wa Mapendekezo ya Maeneo*. [Karatasi](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi rasmi](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -130,7 +130,7 @@ Algorithimu hii ni ya haraka zaidi kuliko Faster R-CNN. Wazo kuu ni kama ifuatav
|
|||
2. Sifa zinashughulikiwa na **Ramani ya Alama Inayozingatia Nafasi**. Kila kitu kutoka $C$ madarasa hugawanywa kwa maeneo $k\times k$, na tunafundisha kutabiri sehemu za vitu.
|
||||
3. Kwa kila sehemu kutoka maeneo $k\times k$ mitandao yote hupiga kura kwa madarasa ya vitu, na darasa la kitu lenye kura nyingi zaidi huchaguliwa.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi rasmi](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -141,7 +141,7 @@ YOLO ni algorithimu ya wakati halisi ya kupita mara moja. Wazo kuu ni kama ifuat
|
|||
* Picha inagawanywa katika maeneo $S\times S$.
|
||||
* Kwa kila eneo, **CNN** inatabiri vitu $n$ vinavyowezekana, m coordinates ya *maboksi ya mipaka* na *uhakika*=*uwezekano* * IoU.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi rasmi](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Maono ya Kompyuta
|
||||
|
||||
|
||||
|
||||
|
||||
Katika sehemu hii tutajifunza kuhusu:
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Bag of Words** (BoW) ni uwakilishi wa vector unaotumika sana katika mbinu za jadi. Kila neno linaunganishwa na faharasa ya vector, na kipengele cha vector kinaonyesha idadi ya mara neno fulani linavyotokea katika hati fulani.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Unaweza pia kufikiria BoW kama jumla ya vectors zote zilizowakilishwa kwa njia ya one-hot-encoding kwa maneno ya kibinafsi katika maandishi.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Bag-of-words** (BoW) ni uwakilishi wa vekta wa jadi ambao ni rahisi zaidi kueleweka. Kila neno linaunganishwa na faharasa ya vekta, na kipengele cha vekta kinaonyesha idadi ya mara neno fulani linavyotokea katika hati fulani.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: Unaweza pia kufikiria BoW kama jumla ya vekta zote za one-hot-encoded kwa maneno binafsi katika maandishi.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"Kwa kutumia safu ya embedding kama safu ya kwanza katika mtandao wetu, tunaweza kubadilisha kutoka mfuko wa maneno (bag-of-words) kwenda kwenye mfano wa **embedding bag**, ambapo tunabadilisha kila neno katika maandishi yetu kuwa embedding inayolingana, kisha tunahesabu kazi fulani ya jumla juu ya embeddings zote hizo, kama vile `sum`, `average` au `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Mtandao wetu wa neva wa kuainisha utaanza na safu ya embedding, kisha safu ya jumlisho, na classifier ya linear juu yake:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"Katika usanifu wa awali, tulihitaji kuongeza urefu wa mfuatano wote ili kufanana na urefu mmoja kwa ajili ya kuingiza kwenye kundi dogo (minibatch). Hii si njia bora zaidi ya kuwakilisha mfuatano wa urefu tofauti - njia nyingine inaweza kuwa kutumia **offset** vector, ambayo itahifadhi nafasi za mfuatano wote uliowekwa kwenye vector moja kubwa.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: Katika picha hapo juu, tunaonyesha mfuatano wa herufi, lakini katika mfano wetu tunafanya kazi na mfuatano wa maneno. Hata hivyo, kanuni ya jumla ya kuwakilisha mfuatano kwa kutumia offset vector inabaki ile ile.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW ni ya haraka, wakati skip-gram ni ya polepole, lakini inafanya kazi bora ya kuwakilisha maneno yasiyo ya kawaida.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Ili kujaribu kuingiza kwa Word2Vec iliyofundishwa awali kwenye seti ya data ya Google News, tunaweza kutumia maktaba ya **gensim**. Hapa chini tunapata maneno yanayofanana zaidi na 'neural'\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"Kwa kutumia safu ya embedding kama safu ya kwanza katika mtandao wetu, tunaweza kubadilisha kutoka bag-of-words kwenda kwenye modeli ya **embedding bag**, ambapo tunabadilisha kila neno katika maandishi yetu kuwa embedding inayolingana, kisha tunahesabu kazi fulani ya jumla juu ya embeddings hizo zote, kama `sum`, `average` au `max`.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Mtandao wetu wa neural classifier unajumuisha safu zifuatazo:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW ni ya haraka, na ingawa skip-gram ni polepole, inafanya kazi bora ya kuwakilisha maneno yasiyo ya kawaida.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Ili kujaribu embedding ya Word2Vec iliyofundishwa awali kwenye seti ya data ya Google News, tunaweza kutumia maktaba ya **gensim**. Hapa chini tunapata maneno yanayofanana zaidi na 'neural'.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Kwa hivyo, safu ya embedding itachukua neno kama ingizo, na kutoa vector ya mato
|
|||
|
||||
Kwa kutumia safu ya embedding kama safu ya kwanza katika mtandao wetu wa classifier, tunaweza kubadilisha kutoka bag-of-words kwenda kwenye **embedding bag** model, ambapo tunabadilisha kila neno katika maandishi yetu kuwa embedding inayolingana, kisha tunahesabu kazi ya jumla juu ya embeddings hizo zote, kama vile `sum`, `average` au `max`.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha na mwandishi
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ Ili kufanya hivyo, tunahitaji kufundisha awali (pre-train) mfano wetu wa embeddi
|
|||
|
||||
CBoW ni ya haraka, wakati skip-gram ni ya polepole, lakini inafanya kazi bora ya kuwakilisha maneno yasiyo ya kawaida.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi hii](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ Katika mifano yetu ya awali, tulitumia uwakilishi wa semantiki uliokwisha fundis
|
|||
* **Mfuko Endelevu wa Maneno** (CBoW), ambapo tunatabiri tokeni ya katikati $W_0$ katika mlolongo wa tokeni $W_{-N}$, ..., $W_N$.
|
||||
* **Skip-gram**, ambapo tunatabiri seti ya tokeni za jirani {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} kutoka tokeni ya katikati $W_0$.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [karatasi hii](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Katika sehemu zilizopita, tumekuwa tukitumia uwakilishi wa kisemantiki wa maandi
|
|||
|
||||
Ili kunasa maana ya mlolongo wa maandishi, tunahitaji kutumia usanifu mwingine wa mtandao wa neural, unaoitwa **mtandao wa neural unaojirudia**, au RNN. Katika RNN, tunapitisha sentensi yetu kupitia mtandao neno moja kwa wakati, na mtandao huzalisha hali fulani (**state**), ambayo tunapitisha tena kwenye mtandao pamoja na neno linalofuata.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha na mwandishi
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ Tumeelezea mitandao ya kujirudia inayofanya kazi kwa mwelekeo mmoja, kutoka mwan
|
|||
|
||||
Mtandao wa kujirudia, iwe wa mwelekeo mmoja au wa mwelekeo mbili, hunasa mifumo fulani ndani ya mlolongo, na inaweza kuihifadhi kwenye vekta ya hali au kuipitisha kwenye matokeo. Kama ilivyo kwa mitandao ya convolutional, tunaweza kujenga safu nyingine ya kujirudia juu ya ile ya kwanza ili kunasa mifumo ya kiwango cha juu na kujenga kutoka kwa mifumo ya kiwango cha chini iliyotolewa na safu ya kwanza. Hii inatupeleka kwenye dhana ya **RNN ya tabaka nyingi** ambayo inajumuisha mitandao miwili au zaidi ya kujirudia, ambapo matokeo ya safu ya awali hupitishwa kwa safu inayofuata kama pembejeo.
|
||||
|
||||
|
||||
|
||||
|
||||
*Picha kutoka [makala hii nzuri](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) ya Fernando López*
|
||||
|
||||
|
|
|
|||
|
|
@ -422,7 +422,7 @@
|
|||
"\n",
|
||||
"Mtandao wa kurudiarudia, wa mwelekeo mmoja au wa mwelekeo mbili, unakamata mifumo fulani ndani ya mlolongo, na inaweza kuihifadhi kwenye vekta ya hali au kuipitisha kwenye pato. Kama ilivyo kwa mitandao ya convolutional, tunaweza kujenga safu nyingine ya kurudiarudia juu ya safu ya kwanza ili kukamata mifumo ya kiwango cha juu, iliyojengwa kutoka kwa mifumo ya kiwango cha chini iliyotolewa na safu ya kwanza. Hii inatupeleka kwenye dhana ya **RNN ya tabaka nyingi**, ambayo inajumuisha mitandao miwili au zaidi ya kurudiarudia, ambapo pato la safu ya awali linapitishwa kwa safu inayofuata kama pembejeo.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Picha kutoka [makala hii nzuri](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) ya Fernando López*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"Ili kukamata maana ya mlolongo wa maandishi, tutatumia usanifu wa mtandao wa neva unaoitwa **mtandao wa neva wa kurudia**, au RNN. Tunapotumia RNN, tunapitisha sentensi yetu kupitia mtandao tokeni moja kwa wakati, na mtandao huzalisha **hali fulani**, ambayo tunapitisha tena kwa mtandao pamoja na tokeni inayofuata.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kwa kuzingatia mlolongo wa tokeni za ingizo $X_0,\\dots,X_n$, RNN huunda mlolongo wa vizuizi vya mtandao wa neva, na hufundisha mlolongo huu kutoka mwanzo hadi mwisho kwa kutumia backpropagation. Kila kizuizi cha mtandao huchukua jozi $(X_i,S_i)$ kama ingizo, na huzalisha $S_{i+1}$ kama matokeo. Hali ya mwisho $S_n$ au matokeo $Y_n$ huingia kwenye classifier ya mstari ili kutoa matokeo. Vizuizi vyote vya mtandao vinashiriki uzito sawa, na hufundishwa kutoka mwanzo hadi mwisho kwa kutumia mchakato mmoja wa backpropagation.\n",
|
||||
"\n",
|
||||
|
|
@ -369,7 +369,7 @@
|
|||
"\n",
|
||||
"Mitandao ya kurudia, iwe ya mwelekeo mmoja au mwelekeo mbili, huchukua mifumo ndani ya mlolongo, na kuihifadhi katika vekta za hali au kuzirudisha kama matokeo. Kama ilivyo kwa mitandao ya convolutional, tunaweza kujenga tabaka nyingine ya kurudia kufuatia ya kwanza ili kuchukua mifumo ya kiwango cha juu, iliyojengwa kutoka mifumo ya kiwango cha chini iliyotolewa na tabaka ya kwanza. Hii inatupeleka kwenye dhana ya **RNN ya tabaka nyingi**, ambayo inajumuisha mitandao miwili au zaidi ya kurudia, ambapo matokeo ya tabaka ya awali hupitishwa kwa tabaka inayofuata kama pembejeo.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Picha kutoka [chapisho hili zuri](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) na Fernando López.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"Njia tutakayotumia kufundisha RNN ili kuzalisha maandishi ni kama ifuatavyo. Kwenye kila hatua, tutachukua mlolongo wa herufi zenye urefu wa `nchars`, na kuiomba mtandao uzalishe herufi inayofuata kwa kila herufi ya ingizo:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kulingana na hali halisi, tunaweza pia kutaka kujumuisha baadhi ya herufi maalum, kama vile *mwisho-wa-mlolongo* `<eos>`. Katika hali yetu, tunataka tu kufundisha mtandao kwa ajili ya uzalishaji wa maandishi usio na mwisho, kwa hivyo tutarekebisha ukubwa wa kila mlolongo kuwa sawa na tokeni `nchars`. Kwa hivyo, kila mfano wa mafunzo utajumuisha viingizo `nchars` na matokeo `nchars` (ambayo ni mlolongo wa ingizo uliosogezwa herufi moja kushoto). Minibatch itajumuisha mifululizo kadhaa kama hiyo.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -111,7 +111,7 @@
|
|||
"\n",
|
||||
"Njia tutakayotumia kufundisha RNN ili kutengeneza vichwa vya habari ni kama ifuatavyo. Kwenye kila hatua, tutachukua kichwa kimoja, ambacho kitaingizwa kwenye RNN, na kwa kila herufi ya ingizo tutaiomba mtandao kutengeneza herufi inayofuata ya matokeo:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kwa herufi ya mwisho ya mlolongo wetu, tutaiomba mtandao kutengeneza tokeni `<eos>`.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ Katika usanifu wa RNN tuliojadili katika kitengo kilichopita, kila kitengo cha R
|
|||
|
||||
Hii inaruhusu usanifu tofauti wa neural unaoonyeshwa kwenye picha hapa chini:
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka kwa chapisho la blogu [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) na [Andrej Karpaty](http://karpathy.github.io/)
|
||||
|
||||
|
|
@ -32,7 +32,7 @@ Katika kitengo hiki, tutazingatia mifano rahisi ya kizazi inayotusaidia kuzalish
|
|||
|
||||
Tutafundisha RNN hii kuzalisha maandishi hatua kwa hatua. Katika kila hatua, tutachukua mfululizo wa herufi za urefu `nchars`, na kuomba mtandao kuzalisha herufi inayofuata kwa kila herufi ya pembejeo:
|
||||
|
||||
|
||||
|
||||
|
||||
Wakati wa kuzalisha maandishi (wakati wa utabiri), tunaanza na **msukumo fulani**, ambao unapitia seli za RNN ili kuzalisha hali yake ya kati, na kisha kutoka hali hii kizazi kinaanza. Tunazalisha herufi moja kwa wakati, na kupitisha hali na herufi iliyozalishwa kwa seli nyingine ya RNN ili kuzalisha inayofuata, hadi tutakapozalisha herufi za kutosha.
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ Kwa kutumia RNNs, mlolongo-kwa-mlolongo unatekelezwa na mitandao miwili ya kurud
|
|||
|
||||
**Mbinu za Uangalizi** hutoa njia ya kupima athari ya muktadha wa kila vector ya pembejeo kwenye kila utabiri wa matokeo wa RNN. Njia ya kutekeleza hii ni kwa kuunda njia za mkato kati ya hali za kati za RNN ya pembejeo na RNN ya matokeo. Kwa njia hii, tunapozalisha alama ya matokeo y<sub>t</sub>, tutazingatia hali zote za siri za pembejeo h<sub>i</sub>, kwa kutumia viwango tofauti vya uzito α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Modeli ya encoder-decoder na mbinu ya uangalizi wa kuongeza katika [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), iliyotajwa kutoka [blogu hii](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Matriki ya uangalizi {α<sub>i,j</sub>} ingeonyesha kiwango ambacho maneno fulani ya pembejeo yanachangia katika uzalishaji wa neno fulani katika mlolongo wa matokeo. Hapa chini kuna mfano wa matriki kama hiyo:
|
||||
|
||||
|
||||
|
||||
|
||||
> Mchoro kutoka [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ Matokeo tunayopata na embedding ya nafasi yanajumuisha tokeni asilia na nafasi y
|
|||
|
||||
Kisha, tunahitaji kunasa mifumo fulani ndani ya mlolongo wetu. Ili kufanya hivyo, transformers hutumia mbinu ya **uangalizi wa kibinafsi**, ambayo kimsingi ni uangalizi unaotumika kwa mlolongo sawa kama pembejeo na matokeo. Kutumia uangalizi wa kibinafsi kunatuwezesha kuzingatia **muktadha** ndani ya sentensi, na kuona ni maneno gani yanayohusiana. Kwa mfano, inatuwezesha kuona ni maneno gani yanayorejelewa na marejeo, kama *it*, na pia kuzingatia muktadha:
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha kutoka [Blogu ya Google](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ Kwa kuwa kila nafasi ya pembejeo inalinganishwa kwa uhuru na kila nafasi ya mato
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) ni mtandao mkubwa sana wa transformer wenye tabaka 12 kwa *BERT-base*, na 24 kwa *BERT-large*. Modeli hii kwanza inafundishwa awali kwenye hifadhidata kubwa ya maandishi (WikiPedia + vitabu) kwa kutumia mafunzo yasiyo ya kusimamiwa (kutabiri maneno yaliyofichwa katika sentensi). Wakati wa mafunzo ya awali, modeli inachukua viwango vikubwa vya uelewa wa lugha ambavyo vinaweza kutumika na hifadhidata nyingine kwa kutumia kurekebisha. Mchakato huu unaitwa **transfer learning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha [chanzo](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -11,13 +11,13 @@ Med RNN:er implementeras sekvens-till-sekvens av två återkommande nätverk, d
|
|||
|
||||
**Uppmärksamhetsmekanismer** ger ett sätt att vikta den kontextuella påverkan av varje ingångsvektor på varje utdataförutsägelse av RNN. Sättet det implementeras på är genom att skapa genvägar mellan mellanliggande tillstånd av ingångs-RNN och utgångs-RNN. På detta sätt, när vi genererar utdata symbol y<sub>t</sub>, kommer vi att ta hänsyn till alla ingångs dolda tillstånd h<sub>i</sub>, med olika viktkoefficienter α<sub>t,i</sub>.
|
||||
|
||||
|
||||
|
||||
|
||||
> Kodare-avkodare-modell med additiv uppmärksamhetsmekanism i [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), citerad från [denna bloggpost](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)
|
||||
|
||||
Uppmärksamhetsmatrisen {α<sub>i,j</sub>} skulle representera graden av att vissa ingångsord spelar en roll i generationen av ett givet ord i utgångssekvensen. Nedan är ett exempel på en sådan matris:
|
||||
|
||||
|
||||
|
||||
|
||||
> Figur från [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)
|
||||
|
||||
|
|
@ -57,7 +57,7 @@ Resultatet vi får med positionsinbäddning inbäddas både den ursprungliga tok
|
|||
|
||||
Nästa steg är att fånga vissa mönster inom vår sekvens. För att göra detta använder transformatorer en **självuppmärksamhets**mekanism, som i grunden är uppmärksamhet tillämpad på samma sekvens som ingång och utgång. Tillämpning av självuppmärksamhet gör att vi kan ta hänsyn till **kontext** inom meningen och se vilka ord som är relaterade. Till exempel gör det att vi kan se vilka ord som hänvisas till av referenser, såsom *det*, och även ta kontexten i beaktande:
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild från [Google Blog](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html)
|
||||
|
||||
|
|
@ -82,7 +82,7 @@ Eftersom varje ingångsposition mappas oberoende till varje utgångsposition kan
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) är ett mycket stort flerlagers transformatornätverk med 12 lager för *BERT-base*, och 24 för *BERT-large*. Modellen förtränas först på en stor korpus av textdata (WikiPedia + böcker) med hjälp av osupervised träning (förutsäga maskerade ord i en mening). Under förträningen absorberar modellen betydande nivåer av språkförståelse som sedan kan utnyttjas med andra dataset genom finjustering. Denna process kallas **överföringsinlärning**.
|
||||
|
||||
|
||||
|
||||
|
||||
> Bild [källa](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Utaratibu wa Uangalizi** hutoa njia ya kupima athari ya muktadha wa kila vector ya pembejeo kwenye kila utabiri wa RNN. Hii inatekelezwa kwa kuunda njia za mkato kati ya hali za kati za RNN ya pembejeo na RNN ya matokeo. Kwa njia hii, tunapozalisha alama ya matokeo $y_t$, tutazingatia hali zote za siri za pembejeo $h_i$, kwa kutumia viwango tofauti vya uzito $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"*Mfano wa encoder-decoder na utaratibu wa uangalizi wa kuongeza katika [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), iliyonukuliwa kutoka [blogu hii](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matriki ya uangalizi $\\{\\alpha_{i,j}\\}$ inawakilisha kiwango ambacho maneno fulani ya pembejeo yanachangia katika uzalishaji wa neno fulani katika mlolongo wa matokeo. Hapo chini kuna mfano wa matriki kama hiyo:\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"*Picha imetolewa kutoka [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Mchoro wa 3)*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) ni mtandao mkubwa sana wa transformer wenye tabaka 12 kwa *BERT-base*, na 24 kwa *BERT-large*. Mfano huu kwanza hufunzwa awali kwenye hifadhidata kubwa ya maandishi (WikiPedia + vitabu) kwa kutumia mafunzo yasiyo ya kusimamiwa (kutabiri maneno yaliyofichwa katika sentensi). Wakati wa mafunzo ya awali, mfano huu hujifunza kiwango kikubwa cha uelewa wa lugha ambacho kinaweza kutumika na hifadhidata nyingine kwa kutumia marekebisho madogo. Mchakato huu unaitwa **ujifunzaji wa uhamisho**.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"Kuna tofauti nyingi za usanifu wa Transformer ikiwa ni pamoja na BERT, DistilBERT, BigBird, OpenGPT3 na nyinginezo ambazo zinaweza kufanyiwa marekebisho madogo. [Paket ya HuggingFace](https://github.com/huggingface/) inatoa hifadhidata ya mafunzo kwa usanifu mwingi wa aina hii kwa kutumia PyTorch.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**Mbinu za Uangalizi** hutoa njia ya kupima athari ya muktadha wa kila vector ya pembejeo kwenye kila utabiri wa matokeo wa RNN. Njia inavyotekelezwa ni kwa kuunda njia za mkato kati ya hali za kati za RNN ya pembejeo na RNN ya matokeo. Kwa njia hii, tunapozalisha alama ya matokeo $y_t$, tutazingatia hali zote zilizofichwa za pembejeo $h_i$, kwa kutumia viwango tofauti vya uzito $\\alpha_{t,i}$.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Mfano wa encoder-decoder na mbinu ya uangalizi wa kuongeza katika [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf), iliyotajwa kutoka [blogu hii](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html)*\n",
|
||||
"\n",
|
||||
"Matriki ya uangalizi $\\{\\alpha_{i,j}\\}$ itaonyesha kiwango ambacho maneno fulani ya pembejeo yanachangia katika uzalishaji wa neno fulani katika mfuatano wa matokeo. Hapo chini kuna mfano wa matriki kama hiyo:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Picha iliyotolewa kutoka [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3)*\n",
|
||||
"\n",
|
||||
|
|
@ -231,7 +231,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) ni mtandao mkubwa sana wa tabaka nyingi wa transformer wenye tabaka 12 kwa *BERT-base*, na 24 kwa *BERT-large*. Modeli hii huanza kwa kufundishwa awali kwenye mkusanyiko mkubwa wa data ya maandishi (WikiPedia + vitabu) kwa kutumia mafunzo yasiyo ya usimamizi (kutabiri maneno yaliyofichwa katika sentensi). Wakati wa mafunzo ya awali, modeli hujifunza kiwango kikubwa cha uelewa wa lugha ambacho kinaweza kutumika na seti nyingine za data kwa kutumia kurekebisha mafunzo. Mchakato huu unaitwa **transfer learning**.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Kuna aina nyingi za usanifu wa Transformer ikiwa ni pamoja na BERT, DistilBERT, BigBird, OpenGPT3 na nyinginezo ambazo zinaweza kurekebishwa. \n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
Kwa kuwa tunahitaji kujenga uhusiano wa moja kwa moja kati ya tokeni na madarasa, tunaweza kufundisha mfano wa mtandao wa neva wa **wengi-kwa-wengi** kutoka kwenye picha hii:
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka [blogu hii](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) na [Andrej Karpathy](http://karpathy.github.io/). Mifano ya uainishaji wa tokeni ya NER inahusiana na usanifu wa mtandao wa kulia kabisa kwenye picha hii.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Usindikaji wa Lugha Asilia
|
||||
|
||||
|
||||
|
||||
|
||||
Katika sehemu hii, tutazingatia kutumia Mitandao ya Neural kushughulikia kazi zinazohusiana na **Usindikaji wa Lugha Asilia (NLP)**. Kuna matatizo mengi ya NLP ambayo tunataka kompyuta iweze kuyatatua:
|
||||
|
||||
|
|
|
|||
|
|
@ -70,7 +70,7 @@ Unaweza kufungua mojawapo ya miundo, kwa mfano **Biology → Flocking**
|
|||
|
||||
Baada ya kufungua mfano, unapelekwa kwenye skrini kuu ya NetLogo. Hapa kuna mfano wa mfano unaoelezea idadi ya mbwa mwitu na kondoo, kwa kuzingatia rasilimali finyu (nyasi).
|
||||
|
||||
|
||||
|
||||
|
||||
> Picha ya skrini na Dmitry Soshnikov
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# Muhtasari
|
||||
|
||||
|
||||
|
||||
|
||||
> Mchoro wa maandishi na [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ Baada ya mafanikio ya mifano ya transformer katika kutatua kazi za NLP, usanifu
|
|||
|
||||
Wazo kuu la CLIP ni kuwa na uwezo wa kulinganisha maelezo ya maandishi na picha na kuamua jinsi picha inavyolingana na maelezo hayo.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka [blogu hii](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ Mara tu mfano huu unapokuwa umefunzwa, tunaweza kuupa kundi la picha na kundi la
|
|||
|
||||
Tuseme tunahitaji kuainisha picha kati ya, kwa mfano, paka, mbwa na binadamu. Katika hali hii, tunaweza kuupa mfano picha, na mfululizo wa maelezo ya maandishi: "*picha ya paka*", "*picha ya mbwa*", "*picha ya binadamu*". Katika vekta inayotokana ya uwezekano 3 tunahitaji tu kuchagua faharasa yenye thamani ya juu zaidi.
|
||||
|
||||
|
||||
|
||||
|
||||
> *Picha kutoka [blogu hii](https://openai.com/blog/clip/)*
|
||||
|
||||
|
|
@ -53,13 +53,13 @@ Jifunze zaidi kuhusu VQGAN kwenye tovuti ya [Taming Transformers](https://compvi
|
|||
|
||||
Moja ya tofauti muhimu kati ya VQGAN na GAN ya jadi ni kwamba ya mwisho inaweza kuzalisha picha nzuri kutoka kwa vekta yoyote ya pembejeo, wakati VQGAN ina uwezekano wa kuzalisha picha ambayo haitakuwa thabiti. Kwa hivyo, tunahitaji kuongoza zaidi mchakato wa uundaji wa picha, na hilo linaweza kufanywa kwa kutumia CLIP.
|
||||
|
||||
|
||||
|
||||
|
||||
Ili kuzalisha picha inayolingana na maelezo ya maandishi, tunaanza na vekta ya usimbaji wa nasibu ambayo inapitia VQGAN ili kuzalisha picha. Kisha CLIP hutumika kuzalisha kazi ya hasara inayonyesha jinsi picha inavyolingana na maelezo ya maandishi. Lengo basi ni kupunguza hasara hii, kwa kutumia kurudi nyuma ili kurekebisha vigezo vya vekta ya pembejeo.
|
||||
|
||||
Maktaba nzuri inayotekeleza VQGAN+CLIP ni [Pixray](http://github.com/pixray/pixray)
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|----|----
|
||||
Picha iliyozalishwa kutoka maelezo *a closeup watercolor portrait of young male teacher of literature with a book* | Picha iliyozalishwa kutoka maelezo *a closeup oil portrait of young female teacher of computer science with a computer* | Picha iliyozalishwa kutoka maelezo *a closeup oil portrait of old male teacher of mathematics in front of blackboard*
|
||||
|
||||
|
|
|
|||
|
|
@ -1,8 +1,8 @@
|
|||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "4ed9993bca581850c983c95d5a3f57eb",
|
||||
"translation_date": "2025-12-25T01:56:22+00:00",
|
||||
"original_hash": "14816e97d79b296c87811724f7785923",
|
||||
"translation_date": "2026-01-01T13:41:20+00:00",
|
||||
"source_file": "README.md",
|
||||
"language_code": "ta"
|
||||
}
|
||||
|
|
@ -10,129 +10,129 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
[](https://github.com/microsoft/AI-For-Beginners/blob/main/LICENSE)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/graphs/contributors/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/issues/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/pulls/)
|
||||
[](http://makeapullrequest.com)
|
||||
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/watchers/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/network/)
|
||||
[](https://GitHub.com/microsoft/AI-For-Beginners/stargazers/)
|
||||
[](https://mybinder.org/v2/gh/microsoft/ai-for-beginners/HEAD)
|
||||
[](https://gitter.im/Microsoft/ai-for-beginners?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)
|
||||
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
# புதியவர்களுக்கான செயற்கை நுண்ணறிவு - ஒரு பாடத்திட்டம்
|
||||
# Artificial Intelligence for Beginners - A Curriculum
|
||||
|
||||
||
|
||||
||
|
||||
|:---:|
|
||||
| புதியவர்களுக்கான செயற்கை நுண்ணறிவு - _ஸ்கெட்ச்நோட் மூலம் [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
| AI For Beginners - _Sketchnote by [@girlie_mac](https://twitter.com/girlie_mac)_ |
|
||||
|
||||
எங்கள் 12-வாரம், 24 பாடங்களைக் கொண்ட பாடத்திட்டத்துடன் **செயற்கை நுண்ணறிவு** (AI) உலகத்தை ஆராயுங்கள்! இது நடைமுறை பாடங்கள், வினாடி-வினா தேர்வுகள், மற்றும் ஆய்வகப் பயிற்சிகளை கொண்டுள்ளது. பாடத்திட்டம் ஆரம்பிகளுக்கு ஏற்றவாக உருவாக்கப்பட்டுள்ளது மற்றும் TensorFlow மற்றும் PyTorch போன்ற கருவிகள், மேலும் AI தொடர்பான நெறிமுறைகள் ஆகியவற்றை உள்ளடக்குகிறது
|
||||
நமது 12 வார, 24 பாடங்களைக் கொண்ட பாடத்திட்டத்துடன் **செயற்கை நுண்ணறிவின்** (AI) உலகத்தை ஆய்வு செய்யுங்கள்! இது நடைமுறை பாடங்கள், க்விஸ் மற்றும் செயலறை (labs) ஆகியவற்றை உள்ளடக்கியுள்ளது. பாடத்திட்டம் தொடக்கத்திற்குரியதாக இருக்கும் மற்றும் TensorFlow மற்றும் PyTorch போன்ற கருவிகளையும், AI-இல் நெறிமுறைகளையும் (ethics) இணைக்கும்.
|
||||
|
||||
### 🌐 பன்மொழி ஆதரவு
|
||||
### 🌐 பல மொழி ஆதாரம்
|
||||
|
||||
#### GitHub Action மூலம் ஆதரிக்கப்படுகிறது (தானியங்கிய மற்றும் எப்போதும் புதுப்பிக்கப்பட்டது)
|
||||
#### GitHub Action மூலம் ஆதரிக்கப்படுகிறது (தானியங்கி மற்றும் எப்போதும் புதுப்பிக்கப்பட்டது)
|
||||
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
||||
[அரபு](../ar/README.md) | [பெங்காலி](../bn/README.md) | [பல்கேரியன்](../bg/README.md) | [புர்மீஸ் (மியான்மர்)](../my/README.md) | [சீனம் (எளிமைப்படுத்தப்பட்டது)](../zh/README.md) | [சீனம் (பாரம்பரிய, ஹொங்க் காங்)](../hk/README.md) | [சீனம் (பாரம்பரிய, மாகாவ்)](../mo/README.md) | [சீனம் (பாரம்பரிய, தைவான்)](../tw/README.md) | [குரோஷியன்](../hr/README.md) | [செக்](../cs/README.md) | [டேனிஷ்](../da/README.md) | [டச்சு](../nl/README.md) | [எஸ்டோனியன்](../et/README.md) | [பின்னிஷ்](../fi/README.md) | [பிரெஞ்சு](../fr/README.md) | [ஜெர்மன்](../de/README.md) | [கிரேக்கம்](../el/README.md) | [ஹீப்ரூ](../he/README.md) | [ஹிந்தி](../hi/README.md) | [ஹங்கேரியன்](../hu/README.md) | [இந்தோனேஷியன்](../id/README.md) | [இத்தாலியன்](../it/README.md) | [ஜப்பானீஸ்](../ja/README.md) | [ಕನ್ನಡ](../kn/README.md) | [கொரியன்](../ko/README.md) | [லிதுவேனியன்](../lt/README.md) | [மலாய்](../ms/README.md) | [மலயாளம்](../ml/README.md) | [மராத்தி](../mr/README.md) | [நேபாளி](../ne/README.md) | [நைஜீரியன் பிட்ஜின்](../pcm/README.md) | [நோர்வேஜியன்](../no/README.md) | [பெர்ஷியன் (ஃபார்சி)](../fa/README.md) | [போலிஷ்](../pl/README.md) | [போர்ச்சுகீஸ் (பிரேசில்)](../br/README.md) | [போர்ச்சுகீஸ் (போர்ச்சுகல்)](../pt/README.md) | [பஞ்சாபி (குருமுகி)](../pa/README.md) | [ரோமானிய](../ro/README.md) | [ரஷ்யன்](../ru/README.md) | [செர்பியன் (சைரிலிக்)](../sr/README.md) | [ஸ்லோவாக்](../sk/README.md) | [ஸ்லோவேனியன்](../sl/README.md) | [ஸ்பானிஷ்](../es/README.md) | [சுவாஹிலி](../sw/README.md) | [ஸ்வீடிஷ்](../sv/README.md) | [தகாலொக் (பிலிபினோ)](../tl/README.md) | [தமிழ்](./README.md) | [తెలుగు](../te/README.md) | [தை](../th/README.md) | [துருக்கிய](../tr/README.md) | [உக்ரைனிய](../uk/README.md) | [உருது](../ur/README.md) | [வியட்நாமிஸ்](../vi/README.md)
|
||||
[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](./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)
|
||||
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
||||
|
||||
**மேலும் மொழிபெயர்ப்புகள் விரும்பின், ஆதரிக்கபடும் மொழிகள் விபரம் [இங்கே](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) பட்டியலிடப்பட்டுள்ளன**
|
||||
**மேலும் மொழிபெயர்ப்பு ஆதரவுகள் தேவையெனில் பட்டியலிடப்பட்டுள்ள மொழிகள் [இங்கே](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) காணலாம்**
|
||||
|
||||
## சமுதாயத்தில் இணைக
|
||||
## சமுதாயத்தில் சேர்ந்துகொள்ளுங்கள்
|
||||
[](https://discord.gg/nTYy5BXMWG)
|
||||
|
||||
## நீங்கள் என்ன கற்றுக் கொள்வீர்கள்
|
||||
## நீங்கள் என்ன கற்று கொள்ளப்போகிறீர்கள்
|
||||
|
||||
**[பாடத்திட்டத்தின் மன்மேப்](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
**[பாடத்திட்டத்தின் மன்ஜடம் (Mindmap)](http://soshnikov.com/courses/ai-for-beginners/mindmap.html)**
|
||||
|
||||
இந்த பாடத்திட்டத்தில், நீங்கள் கற்றுக்கொள்ளும் விஷயங்கள்:
|
||||
இந்த பாடத்திட்டத்தில், நீங்கள் கற்றுக்கொள்ளப்போகிறீர்கள்:
|
||||
|
||||
* செயற்கை நுண்ணறிவிற்கான வேறுபட்ட அணுகுமுறைகள், அதில் "பழைய" சின்னீக அணுகுமுறை உட்பட **அறிவு பிரதிநிதித்துவம்** மற்றும் தர்க்கவாதம் ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* **நியூரல் நெட்வொர்க்குகள்** மற்றும் **ஆழக் கற்றல்**, இவை தற்போதைய AI-யின் பேரழகின் மூலக்கூறாகும். இந்த முக்கிய தலைப்புகளின் கருத்துக்களை நாம் இரு பிரபலமான பிரேம்வொர்க்குகளான [TensorFlow](http://Tensorflow.org) மற்றும் [PyTorch](http://pytorch.org) இல் உள்ள குறியீடு மூலம் விளக்குவோம்.
|
||||
* படங்கள் மற்றும் உரையுடன் வேலை செய்ய பயன்படும் **நியூரல் கட்டமைப்புகள்**. சமீபத்திய மாதிரிகள் கையாளப்படும், ஆனால் அவை முழுமையான state-of-the-art என்பதைத் தராமல் இருக்கலாம்.
|
||||
* குறைந்த அளவில் பிரபலமான AI அணுகுமுறைகள், உதாரணமாக **ஜெனடிக் அல்காரிதம்கள்** மற்றும் **பல முகவர் அமைப்புகள்**.
|
||||
* "நல்ல பழைய" சின்னமுறை அணுகுமுறையுடன் கூடிய **அறிவுத் பிரதிநிதித்துவம்** மற்றும் காரணமுயர்வு (reasoning) போன்றவற்றைக் கொண்ட பல்வேறு செயற்கை நுண்ணறிவு அணுகுமுறைகள் ([GOFAI](https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence)).
|
||||
* இன்றைய AI-யின் மையம் ஆன **நரம்பு வலையமைப்புகள்** மற்றும் **டீப் லேர்னிங்**. இந்த முக்கியமான தலைப்புகளின் பின்னணியையும், இரண்டு பிரபலமான கட்டமைப்புகளில் உள்ள குறியீடுகளைப் பயன்படுத்தி விளக்குவோம் - [TensorFlow](http://Tensorflow.org) மற்றும் [PyTorch](http://pytorch.org).
|
||||
* படங்கள் மற்றும் உரையுடன் வேலை செய்யும் **நரம்பு கட்டமைப்புகள்**. சமீபத்திய மாதிரிகள் சிலவற்றை எட்டிப்பார், ஆனால் மிகஇறுதி நிலை( state-of-the-art ) வரை எல்லாம் கொண்டிருக்காமலும் இருக்கலாம்.
|
||||
* குறைவாகப் பயன்படும் AI அணுகுமுறைகள், உதாரணத்திற்கு **மரபணு ஆல்கோரிதம்கள்** மற்றும் **பன்மை-எஜெண்ட் அமைப்புகள்**.
|
||||
|
||||
இந்த பாடத்திட்டத்தில் நாம் சேர்க்காதவை:
|
||||
இந்த பாடத்திட்டத்தில் நாம் பொருந்தாதவை:
|
||||
|
||||
> [இந்த பாடத்திட்டத்திற்கான கூடுதல் அனைத்து வளங்களையும் எங்கள் Microsoft Learn தொகுப்பில் காண்க](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
> [இந்த பாடத் தொகுப்பிற்கான அனைத்து கூடுதல் வளங்களையும் Microsoft Learn சேகரிப்பில் காண்கிறீர்கள்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)
|
||||
|
||||
* வணிக பயன்பாடுகளில் **AI**-யின் வணிகக்கேஸ்கள். Microsoft Learn இல் உள்ள [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) கற்கை பாதையை எடுக்க பரிந்துரைக்கப்படுகிறது, அல்லது [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum), [INSEAD](https://www.insead.edu/) உடன் ஒத்துழைப்பு மூலம் உருவாக்கப்பட்டது.
|
||||
* எங்கள் [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) இல் விரிவாக வர்ணிக்கப்பட்டுள்ள **பாரம்பரிய மெஷீன் லெர்னிங்**.
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** பயன்படுத்தி உருவாக்கப்பட்ட நடைமுறை AI பயன்பாடுகள். இதற்காக, Microsoft Learn இல் உள்ள [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** மற்றும் பிற மாட்யூல்களுடன் தொடங்க பரிந்துரைக்கிறோம்.
|
||||
* குறிப்பிட்ட ML **மேகக் கட்டமைப்புகள்**, உதாரணமாக [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), அல்லது [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). [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) மற்றும் [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) கற்கை பாதைகளைக் கருத்தில் கொள்ளுங்கள்.
|
||||
* **சொல்லாடல் AI** மற்றும் **சாட் போட்ஸ்**. இதில் தனித்துவமான [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) கற்கை பாதை உள்ளது, மேலும் விபரங்களுக்கு [இந்த வலைப்பதிவு பதிவு](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ஐப் பார்க்கலாம்.
|
||||
* ஆழமான கற்றலின் பின்னணி உள்ள **ஆழமான கணிதவியல்**. இதற்காக, Ian Goodfellow, Yoshua Bengio மற்றும் Aaron Courville எழுதிய [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) புத்தகத்தை பரிந்துரைக்கிறோம், இது ஆன்லைனில் [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/) மூலம் கிடைக்கிறது.
|
||||
* **வணிகத்தில் AI** பயன்பாட்டின் தொழில்நுட்ப வழக்குகள். இதற்காக Microsoft Learn-இல் உள்ள [Introduction to AI for business users](https://docs.microsoft.com/learn/paths/introduction-ai-for-business-users/?WT.mc_id=academic-77998-bethanycheum) பயிற்சி பாதையை அல்லது [AI Business School](https://www.microsoft.com/ai/ai-business-school/?WT.mc_id=academic-77998-bethanycheum) (INSEAD உடன் இணைந்து உருவான) எடுத்துக்கொள்ள பரிந்துரைக்கிறோம்.
|
||||
* நன்கு விளக்கப்பட்டுள்ள **சார்ந்த இயந்திரக் கற்றலும் (Classic Machine Learning)**, இது எங்கள் [Machine Learning for Beginners Curriculum](http://github.com/Microsoft/ML-for-Beginners) இல் விவரிக்கப்பட்டுள்ளது.
|
||||
* **[Cognitive Services](https://azure.microsoft.com/services/cognitive-services/?WT.mc_id=academic-77998-bethanycheum)** பயன்படுத்தி உருவாக்கப்பட்ட நடைமுறை AI பயன்பாடுகள். இதற்கு, Microsoft Learn இன் [vision](https://docs.microsoft.com/learn/paths/create-computer-vision-solutions-azure-cognitive-services/?WT.mc_id=academic-77998-bethanycheum), [natural language processing](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77998-bethanycheum), **[Generative AI with Azure OpenAI Service](https://learn.microsoft.com/en-us/training/paths/develop-ai-solutions-azure-openai/?WT.mc_id=academic-77998-bethanycheum)** மற்றும் பிற மொடியூள்களை தொடங்க பரிந்துரைக்கிறோம்.
|
||||
* குறிப்பிட்ட ML **மேக கட்டமைப்புகள்**, உதாரணமாக [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), அல்லது [Azure Databricks](https://docs.microsoft.com/learn/paths/data-engineer-azure-databricks?WT.mc_id=academic-77998-bethanycheum). இதற்கு [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) மற்றும் [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) ஆகிய பயிற்சி பாதைகளை பரிந்துரைக்கிறோம்.
|
||||
* **பேச்சுத் திறன் கொண்ட AI** மற்றும் **சாட் போட்கள் (Chat Bots)**. இதற்கான தனித்தனியான [Create conversational AI solutions](https://docs.microsoft.com/learn/paths/create-conversational-ai-solutions/?WT.mc_id=academic-77998-bethanycheum) பயிற்சி பாதை உள்ளது, மேலும் மேலதிக விவரங்களுக்கு [இந்த வலைப்பதிவு](https://soshnikov.com/azure/hello-bot-conversational-ai-on-microsoft-platform/) ஐக் காணலாம்.
|
||||
* தீவிரமான கணிதம் (Deep Mathematics) - டீப் லேர்னிங் பின்புலம். இதற்காக Ian Goodfellow, Yoshua Bengio மற்றும் Aaron Courville எழுதிய [Deep Learning](https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618) புத்தகத்தை பரிந்துரைக்கிறோம், இது ஆன்லைனிலும் கிடைக்கிறது: [https://www.deeplearningbook.org/](https://www.deeplearningbook.org/).
|
||||
|
||||
மேகத்தில் AI தொடர்பான தலைப்புகளில் மென்மையான அறிமுகம் பெற, [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) கற்கை பாதையை எடுத்துப் பார்க்கலாம்.
|
||||
_கடவுச்சொல்லுகள்: மேகத்தில் AI_ தொடர்பான மென்மையான அறிமுகத்திற்கு நீங்கள் [Get started with artificial intelligence on Azure](https://docs.microsoft.com/learn/paths/get-started-with-artificial-intelligence-on-azure/?WT.mc_id=academic-77998-bethanycheum) Learning Path ஐ எடுத்துக் கொள்ளலாம்.
|
||||
|
||||
# உள்ளடக்கம்
|
||||
|
||||
| | பாடத்துக்கான இணைப்பு | PyTorch/Keras/TensorFlow | ஆய்வகம் |
|
||||
| | பாடம் இணைப்பு | PyTorch/Keras/TensorFlow | Lab |
|
||||
| :-: | :------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------: | ------------------------------------------------------------------------------ |
|
||||
| 0 | [பாடநெறி அமைப்பு](./lessons/0-course-setup/setup.md) | [உங்கள் மேம்பாட்டு சூழலை அமைக்கவும்](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**செயற்கை நுண்ணறிவுக்கு அறிமுகம்**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [செயற்கை நுண்ணறிவின் அறிமுகம் மற்றும் வரலாறு](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **சின்னீகச் செயற்கை நுண்ணறிவு** |
|
||||
| 02 | [அறிவு பிரதிநிதித்துவம் மற்றும் நிபுணர் அமைப்புகள்](./lessons/2-Symbolic/README.md) | [நிபுணர் அமைப்புகள்](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[கருத்து வரைபடம்](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**நியூரல் நெட்வொர்க்குகளின் அறிமுகம்**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 0 | [Course Setup](./lessons/0-course-setup/setup.md) | [Setup Your Development Environment](./lessons/0-course-setup/how-to-run.md) | |
|
||||
| I | [**Introduction to AI**](./lessons/1-Intro/README.md) | | |
|
||||
| 01 | [Introduction and History of AI](./lessons/1-Intro/README.md) | - | - |
|
||||
| II | **குறியீடு சார்ந்த செயற்கை நுண்ணறிவு** |
|
||||
| 02 | [Knowledge Representation and Expert Systems](./lessons/2-Symbolic/README.md) | [Expert Systems](./lessons/2-Symbolic/Animals.ipynb) / [Ontology](./lessons/2-Symbolic/FamilyOntology.ipynb) /[Concept Graph](./lessons/2-Symbolic/MSConceptGraph.ipynb) | |
|
||||
| III | [**Introduction to Neural Networks**](./lessons/3-NeuralNetworks/README.md) |||
|
||||
| 03 | [பெர்செப்ட்ரான்](./lessons/3-NeuralNetworks/03-Perceptron/README.md) | [நோட்புக்](./lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb) | [லேப்](./lessons/3-NeuralNetworks/03-Perceptron/lab/README.md) |
|
||||
| 04 | [பல அடுக்குகளைக் கொண்ட பெர்செப்ட்ரான் மற்றும் நமது சொந்த ஃப்ரேம்வொர்க்கை உருவாக்குதல்](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [நோட்புக்](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [லேப்](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [ஃப்ரேம்வொர்க்குகளுக்கு அறிமுகம் (PyTorch/TensorFlow) மற்றும் ஒவர்ஃபிட்டிங்](./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) | [லேப்](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**கணினி பார்வை**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure இல் கணினி பார்வையை ஆராய்க](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 04 | [பன்மடைப் பெர்செப்ட்ரான் மற்றும் எங்கள் சொந்த ஃப்ரேம்வொர்க் உருவாக்குதல்](./lessons/3-NeuralNetworks/04-OwnFramework/README.md) | [நோட்புக்](./lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb) | [லேப்](./lessons/3-NeuralNetworks/04-OwnFramework/lab/README.md) |
|
||||
| 05 | [நிரலமைப்புகளுக்கு அறிமுகம் (PyTorch/TensorFlow) மற்றும் ஓவர்ஃபிட்டிங்](./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) | [லேப்](./lessons/3-NeuralNetworks/05-Frameworks/lab/README.md) |
|
||||
| IV | [**கணினி பார்வை**](./lessons/4-ComputerVision/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-computer-vision-pytorch/?WT.mc_id=academic-77998-cacaste) / [TensorFlow](https://docs.microsoft.com/learn/modules/intro-computer-vision-TensorFlow/?WT.mc_id=academic-77998-cacaste)| [Microsoft Azure-இல் கணினி பார்வையை ஆராயுங்கள்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) |
|
||||
| 06 | [கணினி பார்வைக்கு அறிமுகம். OpenCV](./lessons/4-ComputerVision/06-IntroCV/README.md) | [நோட்புக்](./lessons/4-ComputerVision/06-IntroCV/OpenCV.ipynb) | [லேப்](./lessons/4-ComputerVision/06-IntroCV/lab/README.md) |
|
||||
| 07 | [கான்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள்](./lessons/4-ComputerVision/07-ConvNets/README.md) & [CNN கட்டமைப்புகள்](./lessons/4-ComputerVision/07-ConvNets/CNN_Architectures.md) | [PyTorch](./lessons/4-ComputerVision/07-ConvNets/ConvNetsPyTorch.ipynb) /[TensorFlow](./lessons/4-ComputerVision/07-ConvNets/ConvNetsTF.ipynb) | [லேப்](./lessons/4-ComputerVision/07-ConvNets/lab/README.md) |
|
||||
| 08 | [முன் பயிற்சி செய்யப்பட்ட நெட்வொர்க்குகள் மற்றும் டிரான்ஸ்ஃபர் லெர்னிங்](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [பயிற்சி நுட்பங்கள்](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [லேப்](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 08 | [முன்-பயிற்சி செய்யப்பட்ட நெட்வொர்க்குகள் மற்றும் பரிமாற்றக் கற்றல்](./lessons/4-ComputerVision/08-TransferLearning/README.md) and [பயிற்சி குறிமுறைகள்](./lessons/4-ComputerVision/08-TransferLearning/TrainingTricks.md) | [PyTorch](./lessons/4-ComputerVision/08-TransferLearning/TransferLearningPyTorch.ipynb) / [TensorFlow](./lessons/3-NeuralNetworks/05-Frameworks/IntroKerasTF.ipynb) | [லேப்](./lessons/4-ComputerVision/08-TransferLearning/lab/README.md) |
|
||||
| 09 | [ஆட்டோஎன்கோடர்கள் மற்றும் VAEகள்](./lessons/4-ComputerVision/09-Autoencoders/README.md) | [PyTorch](./lessons/4-ComputerVision/09-Autoencoders/AutoEncodersPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/09-Autoencoders/AutoencodersTF.ipynb) | |
|
||||
| 10 | [ஜெனரேட்டிவ் அட்வெர்சீரியல் நெட்வொர்க்குகள் மற்றும் கலை பாணி பரிமாற்றம்](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 10 | [Generative Adversarial Networks மற்றும் கலை ஸ்டைல் மாற்றம்](./lessons/4-ComputerVision/10-GANs/README.md) | [PyTorch](./lessons/4-ComputerVision/10-GANs/GANPyTorch.ipynb) / [TensorFlow](./lessons/4-ComputerVision/10-GANs/GANTF.ipynb) | |
|
||||
| 11 | [பொருள் கண்டறிதல்](./lessons/4-ComputerVision/11-ObjectDetection/README.md) | [TensorFlow](./lessons/4-ComputerVision/11-ObjectDetection/ObjectDetection.ipynb) | [லேப்](./lessons/4-ComputerVision/11-ObjectDetection/lab/README.md) |
|
||||
| 12 | [அர்த்த பிரிவு. 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 | [**இயற்கை மொழி செயலாக்கம்**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure இல் இயற்கை மொழி செயலாக்கத்தை ஆராய்க](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [உரை பிரதிநிதித்துவம். 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 | [அர்த்த சார்ந்த சொல் எம்பெடிங்ஸ். Word2Vec மற்றும் 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 | [மொழி மாதிரி உருவாக்கம். உங்கள் சொந்த எம்பெடிங்குகளை பயிற்றுதல்](./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) | [லேப்](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [மறுநடப்பு நியூரல் நெட்வொர்க்குகள்](./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 | [உற்பத்தி மறுநடப்பு நெட்வொர்க்குகள்](./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) | [லேப்](./lessons/5-NLP/17-GenerativeNetworks/lab/README.md) |
|
||||
| 18 | [டிரான்ஸ்ஃபார்மர்கள். 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 | [பெயரிடப்பட்ட அலகுகள் கண்டறிதல்](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [லேப்](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [பெரிய மொழி மாதிரிகள், ப்ராம்ட் நிரலாக்கம் மற்றும் குறைந்த-உதாரண பணிகள்](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **மற்ற AI தொழில்நுட்பங்கள்** || |
|
||||
| 21 | [ஜெனடிக் ஆல்காரிதங்கள்](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [நோட்புக்](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ஆழ ரீஇன்போர்ஸ்மென்ட் கற்றல்](./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) | [லேப்](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [பன்முக முகவர் அமைப்புகள்](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI நெறிமுறை** | | |
|
||||
| 24 | [AI Ethics and Responsible AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: பொறுப்பான AI கொள்கைகள்](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **கூடுதல்கள்** | | |
|
||||
| 25 | [பன்முறை நெட்வொர்க்குகள், CLIP மற்றும் VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [நோட்புக்](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
| 12 | [அர்த்தபூர்வ செக்மென்டேஷன். 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 | [**இயற்கை மொழி செயலாக்கம்**](./lessons/5-NLP/README.md) | [PyTorch](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-pytorch/?WT.mc_id=academic-77998-cacaste) /[TensorFlow](https://docs.microsoft.com/learn/modules/intro-natural-language-processing-TensorFlow/?WT.mc_id=academic-77998-cacaste) | [Microsoft Azure-இல் இயற்கை மொழி செயலாக்கத்தை ஆராயுங்கள்](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum)|
|
||||
| 13 | [உரை பிரதிநிதித்துவம். 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 | [அர்த்தமுள்ள வார்த்தை எம்பெடிங்ஸ். Word2Vec மற்றும் 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 | [மொழி மாதிரிகள். உங்கள் சொந்த எம்பெடிங்களை பயிற்றல்](./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) | [லேப்](./lessons/5-NLP/15-LanguageModeling/lab/README.md) |
|
||||
| 16 | [மீளும் நியூரல் நெட்வொர்க்குகள்](./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) | [லேப்](./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 | [பெயர் அமைப்புக்களை அடையாளம் காணுதல்](./lessons/5-NLP/19-NER/README.md) | [TensorFlow](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/19-NER/NER-TF.ipynb) | [லேப்](./lessons/5-NLP/19-NER/lab/README.md) |
|
||||
| 20 | [பெரிய மொழி மாதிரிகள், Prompt நிரலாக்கம் மற்றும் Few-Shot பணிகள்](./lessons/5-NLP/20-LangModels/README.md) | [PyTorch](https://microsoft.github.io/AI-For-Beginners/lessons/5-NLP/20-LangModels/GPT-PyTorch.ipynb) | |
|
||||
| VI | **மற்ற AI நுட்பங்கள்** || |
|
||||
| 21 | [மரபணு ஆல்கோரிதங்கள்](./lessons/6-Other/21-GeneticAlgorithms/README.md) | [நோட்புக்](./lessons/6-Other/21-GeneticAlgorithms/Genetic.ipynb) | |
|
||||
| 22 | [ஆழமான பலனுறும் கற்றல்](./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) | [லேப்](./lessons/6-Other/22-DeepRL/lab/README.md) |
|
||||
| 23 | [பல-முகவர் அமைப்புகள்](./lessons/6-Other/23-MultiagentSystems/README.md) | | |
|
||||
| VII | **AI நெறிமுறைகள்** | | |
|
||||
| 24 | [AI நெறிமுறைகள் மற்றும் பொறுப்புணர்வான AI](./lessons/7-Ethics/README.md) | [Microsoft Learn: பொறுப்புணர்வு AI கொள்கைகள்](https://docs.microsoft.com/learn/paths/responsible-ai-business-principles/?WT.mc_id=academic-77998-cacaste) | |
|
||||
| IX | **மேலதிகங்கள்** | | |
|
||||
| 25 | [பல-முறை நெட்வொர்க்குகள், CLIP மற்றும் VQGAN](./lessons/X-Extras/X1-MultiModal/README.md) | [நோட்புக்](./lessons/X-Extras/X1-MultiModal/Clip.ipynb) | |
|
||||
|
||||
## ஒவ்வொரு பாடத்திலும் உள்ளவை
|
||||
|
||||
* முன் வாசிப்புப் பொருட்கள்
|
||||
* இயங்கக்கூடிய Jupyter நோட்பூக்கள், அவை பெரும்பாலும் குறிப்பிட்ட ஃப்ரேம்வொர்க்கிற்கு (**PyTorch** அல்லது **TensorFlow**) சார்புடையவை. இயங்கக்கூடிய நோட்புக் பல கோட்பாட்டு பொருட்களையும் உள்ளடக்கியுள்ளதால், தலைப்பை புரிந்துகொள்ள குறைந்தது ஒரு பதிப்பை (PyTorch அல்லது TensorFlow) நீங்கள் மூலம் பார்க்க வேண்டும்.
|
||||
* சில தலைப்புகளுக்கான **லேப்கள்** கிடைக்கின்றன, அவை நீங்கள் கற்றுக்கொண்ட பொருளை குறிப்பிட்ட பிரச்சனையில் பயன்படுத்த முயற்சி செய்ய ஒரு வாய்ப்பை வழங்குகின்றன.
|
||||
* சில பிரிவுகள் சம்பந்தப்பட்ட தலைப்புகளை உள்ளடக்கும் [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) மாட்யூல்களுக்கு இணைப்புகளை கொண்டிருக்கும்.
|
||||
* முன் வாசிப்பு பொருள்
|
||||
* இயக்கக்கூடிய Jupyter நோட்டுபுக்கள், பொதுவாக ஒரு குறிப்பிட்ட ஃப்ரேம்வொர்க்கிற்கு (**PyTorch** அல்லது **TensorFlow**) இணைக்கப்பட்டிருக்கும். இயக்கக்கூடிய நோட்டுபுக்லும் பல கோட்பாட்டுத் தகவல்களைக் கொண்டுள்ளது; அதனால் தலைப்பை புரிந்து கொள்ள நீங்கள் குறைந்தது ஒரு பதிப்பு (PyTorch அல்லது TensorFlow) ஒன்று மூலம் செல்ல வேண்டும்.
|
||||
* சில தலைப்புகளுக்கு **Labs** கிடைக்கும், அவை நீங்கள் கற்றுக்கொண்ட உள்ளடக்கத்தை ஒரு குறிப்பிட்ட பிரச்சினையில் செயல்படுத்தி முயற்சிக்க உதவுகிறது.
|
||||
* சில பிரிவுகளில் தொடர்புடைய தலைப்புகளை உள்ளடக்கிய [**MS Learn**](https://learn.microsoft.com/en-us/collections/7w28iy2xrqzdj0?WT.mc_id=academic-77998-bethanycheum) மாட்யூல்கள் இணைக்கப்பட்டுள்ளன.
|
||||
|
||||
## தொடக்கம்
|
||||
## தொடங்குவது
|
||||
|
||||
### 🎯 AI இற்கு புதியவரா? இங்கே தொடங்குங்கள்!
|
||||
### 🎯 AI-யில் புதியவரா? இங்கே தொடங்குங்கள்!
|
||||
|
||||
நீங்கள் முற்றிலுமாக AI இல் புதியவராக இருந்தால் மற்றும் விரைவு, கைமுறை அடிப்படையிலான உதாரணங்களை விரும்பினால், எங்கள் [**புதியவர்களுக்கு ஏற்ற உதாரணங்கள்**](./examples/README.md) ஐச் செல்லுங்கள்! இவை அடங்குகின்றன:
|
||||
நீங்கள் AI-யில் முற்றிலும் புதியவராக இருந்து விரைவான, கைகொண்டுள்ள உதாரணங்களை காண விரும்பினால், எங்கள் [**புதியவர்களுக்கான உதாரணங்கள்**](./examples/README.md)-ஐப் பார்க்கவும்! இவை உள்ளன:
|
||||
|
||||
- 🌟 **Hello AI World** - உங்கள் முதல் AI நிரல் (மாதிரி அடையாளம்)
|
||||
- 🧠 **எளிய நியூரல் நெட்வொர்க்** - ஆரம்பத்திலிருந்து ஒரு நியூரல் நெட்வொர்க்கை கட்டுங்கள்
|
||||
- 🖼️ **பட வகைப்பாளர்** - விரிவான குறிப்புகளுடன் படங்களை வகைப்படுத்துங்கள்
|
||||
- 💬 **உரை உணர்வு** - நேர்மறை/நெகட்டிவ் உரைகளை பகுப்பாய்வு செய்க
|
||||
- 🌟 **Hello AI World** - உங்கள் முதல் AI நிரல் (உடைமைPattern அடையாளம்)
|
||||
- 🧠 **எளிய நியூரல் நெட்வொர்க்** - ஒரு நியூரல் நெட்வொர்க்கை ஆரம்பத்திலிருந்து கட்டமைக்கவும்
|
||||
- 🖼️ **பட வகைப்புரை** - விரிவான கருத்துக்களுடன் படங்களை வகைப்படுத்துதல்
|
||||
- 💬 **உரை உணர்ச்சி** - நேர்மறை/எதிர்மறை உரையை பகுப்பாய்வு செய்
|
||||
|
||||
These examples are designed to help you understand AI concepts before diving into the full curriculum.
|
||||
|
||||
### 📚 முழு பாடத்திட்ட அமைப்பு
|
||||
|
||||
- We have created a [அமைப்பு பாடம்](./lessons/0-course-setup/setup.md) to help you with setting up your development environment. - For Educators, we have created a [பாடத்திட்ட அமைப்பு பாடம்](./lessons/0-course-setup/for-teachers.md) for you too!
|
||||
- How to [VSCode அல்லது Codepace-இல் குறியீட்டை எப்படி இயக்குவது](./lessons/0-course-setup/how-to-run.md)
|
||||
- நாங்கள் உங்கள் அபிவிருத்தி சூழலை அமைக்க உதவ [அமைப்பு பாடம்](./lessons/0-course-setup/setup.md) ஒன்றை உருவாக்கியுள்ளோம். - கல்வியாளர்களுக்கு, நாங்கள் ஒரு [பாடத்திட்ட அமைப்பு பாடம்](./lessons/0-course-setup/for-teachers.md) உங்களுக்காகவும் உருவாக்கியுள்ளோம்!
|
||||
- எவ்வாறு [VSCode அல்லது Codepace-இல் கோடை இயக்குவது](./lessons/0-course-setup/how-to-run.md)
|
||||
|
||||
Follow these steps:
|
||||
|
||||
Fork the Repository: இந்தக் கட்டளையைக் Fork செய்யவும்: Click on the "Fork" button at the top-right corner of this page.
|
||||
Fork the Repository: Click on the "Fork" button at the top-right corner of this page.
|
||||
|
||||
Clone the Repository: `git clone https://github.com/microsoft/AI-For-Beginners.git`
|
||||
|
||||
|
|
@ -140,24 +140,24 @@ Don't forget to star (🌟) this repo to find it easier later.
|
|||
|
||||
## பிற கற்றலாளர்களை சந்திக்கவும்
|
||||
|
||||
Join our [official AI Discord server](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
Join our [அதிகாரப்பூர்வ AI Discord சர்வர்](https://aka.ms/genai-discord?WT.mc_id=academic-105485-bethanycheum) to meet and network with other learners taking this course and get support.
|
||||
|
||||
If you have product feedback or questions whilst building visit our [Azure AI Foundry Developer Forum](https://aka.ms/foundry/forum)
|
||||
|
||||
## வினாத்தேர்வுகள்
|
||||
## தேர்வுகள்
|
||||
|
||||
> **வினாத்தேர்வுகளுக்கு குறிப்பு**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [Online Here](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
> **தேர்வுகள் குறித்த ஒரு குறிப்பு**: All quizzes are contained in the Quiz-app folder in etc\quiz-app, or [இணையில் இங்கே](https://ff-quizzes.netlify.app/) They are linked from within the lessons the quiz app can be run locally or deployed to Azure; follow the instruction in the `quiz-app` folder. They are gradually being localized.
|
||||
|
||||
## உதவி தேவை
|
||||
|
||||
Do you have suggestions or found spelling or code errors? Raise an issue or create a pull request.
|
||||
|
||||
## சிறப்பு நன்றிகள்
|
||||
## சிறப்பு நன்றி
|
||||
|
||||
* **✍️ முதன்மை ஆசிரியர்:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 எடிட்டர்:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 ஸ்கெட்ச்னோட் உருவாக்குனர்:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ வினா உருவாக்குனர்:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **✍️ பிரதான ஆசிரியர்:** [Dmitry Soshnikov](http://soshnikov.com), PhD
|
||||
* **🔥 தொகுப்பாளர்:** [Jen Looper](https://twitter.com/jenlooper), PhD
|
||||
* **🎨 ஸ்கெட்ச்நோட் வரைதாரர்:** [Tomomi Imura](https://twitter.com/girlie_mac)
|
||||
* **✅ தேர்வு உருவாக்குனர்:** [Lateefah Bello](https://github.com/CinnamonXI), [MLSA](https://studentambassadors.microsoft.com/)
|
||||
* **🙏 முக்கிய பங்களிப்பாளர்கள்:** [Evgenii Pishchik](https://github.com/Pe4enIks)
|
||||
|
||||
## பிற பாடத்திட்டங்கள்
|
||||
|
|
@ -166,35 +166,35 @@ Our team produces other curricula! Check out:
|
|||
|
||||
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
||||
### LangChain
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
[](https://aka.ms/langchain4j-for-beginners)
|
||||
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
||||
|
||||
---
|
||||
|
||||
### Azure / Edge / MCP / 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)
|
||||
### Azure / Edge / MCP / ஏஜென்ட்கள்
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
### Generative AI தொடர்
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
|
||||
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
|
||||
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
|
||||
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
|
||||
|
||||
---
|
||||
|
||||
### மையக் கற்றல்
|
||||
[](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)
|
||||
### மூலக் கற்றல்
|
||||
[](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)
|
||||
|
||||
---
|
||||
|
||||
|
|
@ -217,6 +217,6 @@ If you have product feedback or errors while building visit:
|
|||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
மறுப்புரை:
|
||||
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co‑op Translator (https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சித்தாலும், தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருப்புக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். இந்த ஆவணத்தின் அசல் மொழி பதிப்பே அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழிற்சார் மனித மொழிபெயர்ப்பை பரிந்துரைக்கிறோம். இந்த மொழிபெயர்ப்பை பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்களுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பேற்கமாட்டோம்.
|
||||
மறுப்பு அறிவிப்பு:
|
||||
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டது. நாங்கள் துல்லியத்திற்காக முயலினாலும், தானாக நடைபெறும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை கவனத்தில் கொள்ளுங்கள். தாய்மொழியில் இருக்கும் அசல் ஆவணம் அதிகாரப்பூர்வ மூலமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில் நுட்பமுள்ள மனித மொழிபெயர்ப்பாளரிடம் மொழிபெயர்ப்பு செய்தலே சிறந்தது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்தியதால் ஏற்படும் எந்தவொரு தவறான புரிதல்களுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பேற்க மாட்டோம்.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# AI அறிமுகம்
|
||||
|
||||
|
||||
|
||||
|
||||
> [Tomomi Imura](https://twitter.com/girlie_mac) இன் ஸ்கெட்ச் நோட்
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
முதலில், கணினிகளை [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) எண் கணக்கீடுகளை ஒரு நன்கு வரையறுக்கப்பட்ட செயல்முறை - ஒரு ஆல்கொரிதம் - மூலம் செயல்படுத்த உருவாக்கினார். 19ஆம் நூற்றாண்டில் முன்மாதிரியாக உருவாக்கப்பட்ட கணினி மாடலின் அடிப்படையில், நவீன கணினிகள் மிகவும் மேம்பட்டவை என்றாலும், கட்டுப்படுத்தப்பட்ட கணக்கீடுகளின் அடிப்படையில் செயல்படுகின்றன. எனவே, ஒரு குறிப்பிட்ட இலக்கை அடைய தேவையான செயல்முறைகளை நன்கு அறிந்தால், கணினியை ஒரு செயல்பாட்டிற்கு நிரலிட முடியும்.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Vickie Soshnikova](http://twitter.com/vickievalerie) இன் புகைப்படம்
|
||||
|
||||
|
|
@ -45,7 +45,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
**[Intelligence](https://en.wikipedia.org/wiki/Intelligence)** என்ற சொல்லைச் சிக்கலாகக் கருதும்போது, இந்த சொல்லுக்கு தெளிவான வரையறை இல்லை என்பது ஒரு பிரச்சனையாகும். அறிவு **மூலதன சிந்தனை** அல்லது **சுய விழிப்புணர்வு** உடன் தொடர்புடையது என்று ஒருவர் வாதிடலாம், ஆனால் அதை சரியாக வரையறுக்க முடியாது.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Amber Kipp](https://unsplash.com/@sadmax) இன் Unsplash புகைப்படம் [Photo](https://unsplash.com/photos/75715CVEJhI)
|
||||
|
||||
|
|
@ -97,13 +97,13 @@ AGI பற்றி பேசும்போது, நாம் உண்
|
|||
|
||||
> | ML பற்றி என்ன? | |
|
||||
> |--------------|-----------|
|
||||
> | சில data அடிப்படையில் ஒரு பிரச்சனையைத் தீர்க்க computer learning அடிப்படையில் Artificial Intelligence இன் ஒரு பகுதி **Machine Learning** என்று அழைக்கப்படுகிறது. இந்த course இல் classical machine learning ஐ நாம் பரிசீலிக்க மாட்டோம் - [Machine Learning for Beginners](http://aka.ms/ml-beginners) curriculum ஐப் பார்க்கவும். |  |
|
||||
> | சில data அடிப்படையில் ஒரு பிரச்சனையைத் தீர்க்க computer learning அடிப்படையில் Artificial Intelligence இன் ஒரு பகுதி **Machine Learning** என்று அழைக்கப்படுகிறது. இந்த course இல் classical machine learning ஐ நாம் பரிசீலிக்க மாட்டோம் - [Machine Learning for Beginners](http://aka.ms/ml-beginners) curriculum ஐப் பார்க்கவும். |  |
|
||||
|
||||
## AI இன் சுருக்கமான வரலாறு
|
||||
|
||||
Artificial Intelligence 20ஆம் நூற்றாண்டின் நடுப்பகுதியில் ஒரு துறையாக தொடங்கப்பட்டது. ஆரம்பத்தில், symbolic reasoning ஒரு முக்கியமான approach ஆக இருந்தது, மேலும் இது expert systems போன்ற சில முக்கியமான வெற்றிகளை உருவாக்கியது – குறிப்பிட்ட பிரச்சனை துறைகளில் ஒரு நிபுணராக செயல்படக்கூடிய computer programs. இருப்பினும், இந்த approach நன்றாக scale ஆகாது என்பது விரைவில் தெளிவாகியது. ஒரு நிபுணரிடமிருந்து அறிவை எடுப்பது, அதை கணினியில் பிரதிநிதித்துவப்படுத்துவது மற்றும் அந்த knowledgebase ஐ துல்லியமாக வைத்திருப்பது மிகவும் சிக்கலான task ஆகும், மேலும் பல சந்தர்ப்பங்களில் நடைமுறைக்கு மிகவும் செலவாகும். இது 1970களில் [AI Winter](https://en.wikipedia.org/wiki/AI_winter) என அழைக்கப்படும் நிலைக்கு வழிவகுத்தது.
|
||||
|
||||
<img alt="AI வரலாற்றின் சுருக்கம்" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a0264357672b0884cf3a220fbafe35c65d70b2c3805f7bf5e.ta.png" width="70%"/>
|
||||
<img alt="AI வரலாற்றின் சுருக்கம்" src="../../../../translated_images/history-of-ai.7e83efa70b537f5a.ta.png" width="70%"/>
|
||||
|
||||
> [Dmitry Soshnikov](http://soshnikov.com) இன் படம்
|
||||
|
||||
|
|
@ -123,7 +123,7 @@ Artificial Intelligence 20ஆம் நூற்றாண்டின் நட
|
|||
* Cortana, Siri அல்லது Google Assistant போன்ற modern assistants அனைத்தும் hybrid systems ஆகும், அவை speech ஐ text ஆக மாற்ற neural networks ஐ பயன்படுத்துகின்றன மற்றும் நம் intent ஐ recognize செய்கின்றன, பின்னர் தேவையான actions ஐ செய்ய reasoning அல்லது explicit algorithms ஐ employ செய்கின்றன.
|
||||
* எதிர்காலத்தில், dialogue ஐ தானாகவே handle செய்ய ஒரு complete neural-based model ஐ எதிர்பார்க்கலாம். சமீபத்திய GPT மற்றும் [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) neural networks குடும்பம் இதில் சிறந்த வெற்றியை காட்டுகின்றன.
|
||||
|
||||
<img alt="Turing Test இன் evolution" src="../../../../translated_images/turing-test-evol.4184696701293ead6de6e6441a659c62f0b119b342456987f531005f43be0b6d.ta.png" width="70%"/>
|
||||
<img alt="Turing Test இன் evolution" src="../../../../translated_images/turing-test-evol.4184696701293ead.ta.png" width="70%"/>
|
||||
> படம்: Dmitry Soshnikov, [புகைப்படம்](https://unsplash.com/photos/r8LmVbUKgns): [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
|
||||
|
||||
## சமீபத்திய AI ஆராய்ச்சி
|
||||
|
|
|
|||
|
|
@ -12,7 +12,7 @@
|
|||
"\n",
|
||||
"இந்த எடுத்துக்காட்டில், சில உடல் பண்புகளின் அடிப்படையில் விலங்குகளை தீர்மானிக்க ஒரு எளிய அறிவு அடிப்படையிலான அமைப்பை செயல்படுத்துவோம். இந்த அமைப்பு கீழே உள்ள AND-OR மரத்தால் பிரதிநிதித்துவம் செய்யப்படுகிறது (இது முழு மரத்தின் ஒரு பகுதி மட்டுமே, மேலும் சில விதிகளை எளிதாக சேர்க்கலாம்):\n",
|
||||
"\n",
|
||||
"\n"
|
||||
"\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# அறிவு பிரதிநிதித்துவம் மற்றும் நிபுணர் அமைப்புகள்
|
||||
|
||||
|
||||
|
||||
|
||||
> [Tomomi Imura](https://twitter.com/girlie_mac) அவர்களின் சின்னவியல் குறிப்பு
|
||||
|
||||
|
|
@ -35,13 +35,13 @@ AI-யின் ஆரம்ப காலங்களில், புத்த
|
|||
* **அறிவு** என்பது தகவலை நமது உலக மாதிரியில் ஒருங்கிணைப்பதாகும். உதாரணமாக, ஒரு கணினி என்ன என்பதை நாங்கள் கற்றுக்கொண்ட பிறகு, அது எப்படி செயல்படுகிறது, அதன் விலை எவ்வளவு, மற்றும் அது எதற்காக பயன்படுத்தப்படலாம் என்பதற்கான சில கருத்துக்கள் நமக்கு உருவாகின்றன. இந்த தொடர்புடைய கருத்துக்களின் வலை நமது அறிவை உருவாக்குகிறது.
|
||||
* **ஞானம்** என்பது உலகத்தைப் பற்றிய நமது புரிதலின் மேலும் ஒரு நிலையாகும், மேலும் இது *மெட்டா-அறிவை* பிரதிநிதித்துவப்படுத்துகிறது, உதாரணமாக, அறிவு எப்போது மற்றும் எப்படி பயன்படுத்தப்பட வேண்டும் என்பதற்கான கருத்து.
|
||||
|
||||
<img src="../../../../translated_images/DIKW_Pyramid.94126f7d2bd8db5be71c6f1658b94bd3c85342e3cb827913b556b0414d358340.ta.png" width="30%"/>
|
||||
<img src="../../../../translated_images/DIKW_Pyramid.94126f7d2bd8db5b.ta.png" width="30%"/>
|
||||
|
||||
*படம் [விக்கிப்பீடியாவில் இருந்து](https://commons.wikimedia.org/w/index.php?curid=37705247), Longlivetheux - சொந்த வேலை, CC BY-SA 4.0*
|
||||
|
||||
அதனால், **அறிவு பிரதிநிதித்துவம்** என்ற பிரச்சினை என்பது கணினியில் தரவின் வடிவத்தில் அறிவை பிரதிநிதித்துவப்படுத்துவதற்கான சில பயனுள்ள வழிகளை கண்டுபிடிப்பதாகும், இதை தானாகவே பயன்படுத்த முடியும். இது ஒரு வரம்பாகக் காணப்படுகிறது:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Dmitry Soshnikov](http://soshnikov.com) அவர்களின் படங்கள்
|
||||
|
||||
|
|
@ -94,7 +94,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
சின்னவியல் AI-யின் ஆரம்ப வெற்றிகளில் ஒன்று **நிபுணர் அமைப்புகள்** - குறிப்பிட்ட பிரச்சினை துறையில் நிபுணராக செயல்பட வடிவமைக்கப்பட்ட கணினி அமைப்புகள். அவை **knowledge base** மற்றும் **inference engine** ஆகியவற்றின் அடிப்படையில் உருவாக்கப்பட்டன.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
---------------------------------------------|------------------------------------------------
|
||||
மனித நரம்பு அமைப்பின் எளிமையான அமைப்பு | அறிவு அடிப்படையிலான அமைப்பின் கட்டமைப்பு
|
||||
|
||||
|
|
@ -106,7 +106,7 @@ Block Syntax | Indent | | |
|
|||
|
||||
உதாரணமாக, ஒரு விலங்கின் உடல் பண்புகளை அடிப்படையாகக் கொண்டு அதைத் தீர்மானிக்கும் பின்வரும் நிபுணர் அமைப்பைப் பார்ப்போம்:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Dmitry Soshnikov](http://soshnikov.com) அவர்களின் படங்கள்
|
||||
|
||||
|
|
@ -170,7 +170,7 @@ Semantic Web இல் முக்கியமான கருத்து **On
|
|||
|
||||
Semantic Web இல், அனைத்து பிரதிநிதித்துவங்களும் triplets அடிப்படையில் அமைக்கப்பட்டுள்ளன. ஒவ்வொரு பொருளும் மற்றும் ஒவ்வொரு தொடர்பும் URI மூலம் தனித்துவமாக அடையாளம் காணப்படுகிறது. உதாரணமாக, இந்த AI Curriculum-ஐ Dmitry Soshnikov ஜனவரி 1, 2022 அன்று உருவாக்கியதாகக் கூற விரும்பினால், நாம் பயன்படுத்தக்கூடிய triplets இவை:
|
||||
|
||||
<img src="../../../../translated_images/triplet.4b9b332587593298b31846eb5cf341d8f7e48da76e6692dbb7cf0fcf2fd5ab38.ta.png" width="30%"/>
|
||||
<img src="../../../../translated_images/triplet.4b9b332587593298.ta.png" width="30%"/>
|
||||
|
||||
```
|
||||
http://github.com/microsoft/ai-for-beginners http://www.example.com/terms/creation-date “Jan 13, 2007”
|
||||
|
|
@ -181,7 +181,7 @@ http://github.com/microsoft/ai-for-beginners http://purl.org/dc/elements/1.1/cre
|
|||
|
||||
சிக்கலான சூழலில், உருவாக்குநர்களின் பட்டியலை வரையறுக்க விரும்பினால், RDF-ல் வரையறுக்கப்பட்ட சில தரவமைப்புகளை பயன்படுத்தலாம்.
|
||||
|
||||
<img src="../../../../translated_images/triplet-complex.32094972c7b4441b844bd85e683ba8eedc08af12177160f11584452698f29ace.ta.png" width="40%"/>
|
||||
<img src="../../../../translated_images/triplet-complex.32094972c7b4441b.ta.png" width="40%"/>
|
||||
|
||||
> மேலே உள்ள வரைபடங்கள் [Dmitry Soshnikov](http://soshnikov.com) மூலம்.
|
||||
|
||||
|
|
@ -205,7 +205,7 @@ GROUP BY ?eyeColorLabel
|
|||
|
||||
> ✅ உங்கள் சொந்த Ontology-களை உருவாக்க அல்லது ஏற்கனவே உள்ளவற்றைத் திறக்க முயற்சிக்க விரும்பினால், [Protégé](https://protege.stanford.edu/) என்ற ஒரு சிறந்த காட்சி Ontology தொகுப்பியைப் பயன்படுத்தலாம். இதைப் பதிவிறக்கவும் அல்லது ஆன்லைனில் பயன்படுத்தவும்.
|
||||
|
||||
<img src="../../../../translated_images/protege.274177ceeac13b38094bc425073776bb0d2525620ad6261b9d9760ebd2a8e322.ta.png" width="70%"/>
|
||||
<img src="../../../../translated_images/protege.274177ceeac13b38.ta.png" width="70%"/>
|
||||
|
||||
*Romanov குடும்ப Ontology-யுடன் திறந்த Web Protégé தொகுப்பி. Dmitry Soshnikov மூலம் எடுத்த படக்காட்சி*
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
| | |
|
||||
|--------------|-----------|
|
||||
|<img src='../../../../../translated_images/Rosenblatt-wikipedia.294821b285ac796d2281a556fe3de9a7aa328e34cdd25f3ac9deefa0982ea2df.ta.jpg' alt='ஃப்ராங்க் ரோசன்பிளாட்'/> | <img src='../../../../../translated_images/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9fb32bab6ae07e40faa202be1935c0fbd8c2bc2600a87bcb1.ta.jpg' alt='மார்க் 1 பெர்செப்ட்ரான்' />|
|
||||
|<img src='../../../../../translated_images/Rosenblatt-wikipedia.294821b285ac796d.ta.jpg' alt='ஃப்ராங்க் ரோசன்பிளாட்'/> | <img src='../../../../../translated_images/Mark_I_perceptron_wikipedia.1f84eaa2d4b76ec9.ta.jpg' alt='மார்க் 1 பெர்செப்ட்ரான்' />|
|
||||
|
||||
> படங்கள் [விக்கிபீடியாவில் இருந்து](https://en.wikipedia.org/wiki/Perceptron)
|
||||
|
||||
|
|
@ -34,7 +34,7 @@ y(x) = f(w<sup>T</sup>x)
|
|||
இங்கு f என்பது ஒரு படி செயல்பாட்டு செயல்பாடு
|
||||
|
||||
<!-- img src="http://www.sciweavers.org/tex2img.php?eq=f%28x%29%20%3D%20%5Cbegin%7Bcases%7D%0A%20%20%20%20%20%20%20%20%20%2B1%20%26%20x%20%5Cgeq%200%20%5C%5C%0A%20%20%20%20%20%20%20%20%20-1%20%26%20x%20%3C%200%0A%20%20%20%20%20%20%20%5Cend%7Bcases%7D%20%5C%5C%0A&bc=White&fc=Black&im=jpg&fs=12&ff=arev&edit=0" align="center" border="0" alt="f(x) = \begin{cases} +1 & x \geq 0 \\ -1 & x < 0 \end{cases} \\" width="154" height="50" / -->
|
||||
<img src="../../../../../translated_images/activation-func.b4924007c7ce77648d4b1dd3e81c689453204902c096c626735c7b53688cdc63.ta.png"/>
|
||||
<img src="../../../../../translated_images/activation-func.b4924007c7ce7764.ta.png"/>
|
||||
|
||||
## பெர்செப்ட்ரானை பயிற்சி செய்வது
|
||||
|
||||
|
|
|
|||
|
|
@ -373,7 +373,7 @@
|
|||
"\n",
|
||||
"நாம் இரும நிலை வகைப்பாட்டுக்கான தரவுத்தொகுப்பை உருவாக்கியுள்ளோம். ஆனால், தொடக்கத்திலிருந்தே இதை பல நிலை வகைப்பாடாகக் கருதுவோம், இதனால் நமது குறியீட்டை எளிதாக பல நிலை வகைப்பாட்டுக்கு மாற்ற முடியும். இந்தச் சூழலில், நமது ஒரே அடுக்கு பர்செப்ட்ரான் பின்வரும் கட்டமைப்பைக் கொண்டிருக்கும்:\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/NeuroArch.4e17cdba5e445721ad0a94a738c6f1178fc9c5f36486fb0f8fccfd61964d528c.ta.png\" width=\"50%\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/NeuroArch.4e17cdba5e445721.ta.png\" width=\"50%\"/>\n",
|
||||
"\n",
|
||||
"நெட்வொர்க்கின் இரண்டு வெளியீடுகள் இரண்டு வகைகளை குறிக்கின்றன, மேலும் இரண்டு வெளியீடுகளின் மத்தியில் அதிக மதிப்பைக் கொண்ட வகை சரியான தீர்வாக இருக்கும்.\n",
|
||||
"\n",
|
||||
|
|
@ -616,7 +616,7 @@
|
|||
"\n",
|
||||
"## கணினி வரைபடம்\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb22158e0563fcc50171dfbf3cb40443b597bc642b0f34ac23abbf.ta.png\" width=\"600px\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb2215.ta.png\" width=\"600px\"/>\n",
|
||||
"\n",
|
||||
"இது வரை, நெட்வொர்க் பல்வேறு அடுக்குகளுக்கான வகுப்புகளை நாம் வரையறுத்துள்ளோம். அந்த அடுக்குகளின் அமைப்பை **கணினி வரைபடம்** எனக் குறிப்பிடலாம். இப்போது, கொடுக்கப்பட்ட பயிற்சி தரவுத்தொகுப்பிற்கான (அல்லது அதன் ஒரு பகுதிக்கான) loss ஐ கீழ்க்காணும் முறையில் கணக்கிடலாம்:\n"
|
||||
]
|
||||
|
|
@ -683,7 +683,7 @@
|
|||
"source": [
|
||||
"## பின்னோக்கி பரவல்\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb22158e0563fcc50171dfbf3cb40443b597bc642b0f34ac23abbf.ta.png\" width=\"300px\" align=\"left\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/ComputeGraph.463c9d8ebdcb2215.ta.png\" width=\"300px\" align=\"left\"/>\n",
|
||||
"\n",
|
||||
"$$\\def\\L{\\mathcal{L}}\\def\\zz#1#2{\\frac{\\partial#1}{\\partial#2}}\n",
|
||||
"\\begin{align}\n",
|
||||
|
|
@ -1261,7 +1261,7 @@
|
|||
"* குறைந்த பயிற்சி இழப்பு - மாதிரி பயிற்சி தரவுகளை நன்றாக அணுக முடியும், ஏனெனில் இது போதுமான வெளிப்பாட்டு சக்தி கொண்டது. \n",
|
||||
"* சரிபார்ப்பு இழப்பு (validation loss) பயிற்சி இழப்பை விட அதிகமாக இருக்கலாம் மற்றும் பயிற்சியின் போது அதிகரிக்க தொடங்கலாம் - இதன் காரணம் மாதிரி பயிற்சி புள்ளிகளை \"நினைவில் வைத்துக்கொள்கிறது\" மற்றும் \"மொத்தப் படத்தை\" இழக்கிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> இந்த படத்தில், `x` என்பது பயிற்சி தரவுகளைக் குறிக்கிறது, `o` என்பது சரிபார்ப்பு தரவுகளைக் குறிக்கிறது. இடது பக்கம் - நேரியல் மாதிரி (ஒரு அடுக்கு), இது தரவுகளின் இயல்பை நன்றாக அணுகுகிறது. வலது பக்கம் - அதிகப் பயிற்சி பெற்ற மாதிரி, இது பயிற்சி தரவுகளை சரியாக அணுகுகிறது, ஆனால் பிற தரவுகளுடன் பொருந்துவதில் அர்த்தமற்றதாக மாறுகிறது (சரிபார்ப்பு பிழை மிகவும் அதிகமாக உள்ளது).\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -65,7 +65,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
இந்த வெளிப்பாடுகளின் இடது-மிகவும் பகுதி அனைத்தும் ஒரே மாதிரியாக இருப்பதால், இழப்பு செயல்பாட்டிலிருந்து "பின்சென்று" கணக்கீட்டு வரைபடத்தின் மூலம் வேறுபாடுகளை பயனுள்ளதாகக் கணக்கிட முடியும். எனவே, பன்மடங்கு அடுக்கப்பட்ட பர்செப்ட்ரானை பயிற்சி செய்யும் முறை **பின்செலுத்தல்** அல்லது 'backprop' என அழைக்கப்படுகிறது.
|
||||
|
||||
<img alt="கணக்கீட்டு வரைபடம்" src="../../../../../translated_images/ComputeGraphGrad.4626252c0de035075e5cd2b7f71b776d5e3e8f64f2dc472b4420d3fdfaf53ba8.ta.png"/>
|
||||
<img alt="கணக்கீட்டு வரைபடம்" src="../../../../../translated_images/ComputeGraphGrad.4626252c0de03507.ta.png"/>
|
||||
|
||||
> TODO: படம் மேற்கோள்
|
||||
|
||||
|
|
|
|||
|
|
@ -58,7 +58,7 @@ Overfitting என்பது இயந்திர கற்றலில்
|
|||
|
||||
கீழே உள்ள வரைபடங்களில் `x` மூலம் குறிக்கப்படும் 5 புள்ளிகளை அணுகும் சிக்கலான பிரச்சினையைப் பரிசீலிக்கவும்:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-------------------------|--------------------------
|
||||
**நேர்கோட்ட மாதிரி, 2 அளவுருக்கள்** | **நேர்மற்ற மாதிரி, 7 அளவுருக்கள்**
|
||||
பயிற்சி பிழை = 5.3 | பயிற்சி பிழை = 0
|
||||
|
|
@ -79,7 +79,7 @@ Overfitting என்பது இயந்திர கற்றலில்
|
|||
|
||||
மேலே உள்ள வரைபடத்தில் காண்பது போல, பயிற்சி பிழை மிகவும் குறைவாகவும், சரிபார்ப்பு பிழை மிகவும் அதிகமாகவும் இருந்தால், அது overfitting என்பதை காட்டுகிறது. பொதுவாக பயிற்சியின் போது, பயிற்சி மற்றும் சரிபார்ப்பு பிழைகள் இரண்டும் குறையத் தொடங்கும், பின்னர் ஒரு கட்டத்தில் சரிபார்ப்பு பிழை குறையாமல் அதிகரிக்கத் தொடங்கலாம். இது overfitting-ஐக் காட்டும் ஒரு அறிகுறியாக இருக்கும், மேலும் இந்த கட்டத்தில் பயிற்சியை நிறுத்த வேண்டும் (அல்லது குறைந்தது மாதிரியின் ஒரு நகலை சேமிக்க வேண்டும்).
|
||||
|
||||
|
||||
|
||||
|
||||
## Overfitting-ஐ எப்படி தடுக்கலாம்
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# நரம்பு வலையமைப்புகளுக்கான அறிமுகம்
|
||||
|
||||
|
||||
|
||||
|
||||
அறிமுகத்தில் நாம் விவாதித்தபடி, நுண்ணறிவை அடைய ஒரு வழி **கணினி மாதிரி** அல்லது **கிரகித்தல் மூளை** உருவாக்குவது ஆகும். 20ஆம் நூற்றாண்டின் நடுப்பகுதியில் இருந்து, ஆராய்ச்சியாளர்கள் பல்வேறு கணித மாதிரிகளை முயற்சித்தனர், சமீபத்திய ஆண்டுகளில் இந்த திசை மிகுந்த வெற்றியை பெற்றது. மூளையின் இவ்வகை கணித மாதிரிகள் **நரம்பு வலையமைப்புகள்** என்று அழைக்கப்படுகின்றன.
|
||||
|
||||
|
|
@ -36,13 +36,13 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உயிரியல் அறிவியல் மூலம், நமது மூளை நரம்பு செல்களால் (நரம்புகள்) ஆனது என்பதை நாம் அறிகிறோம், அவற்றில் ஒவ்வொன்றும் பல "உள்ளீடுகள்" (டெண்ட்ரைட்கள்) மற்றும் ஒரு "வெளியீடு" (ஆக்சான்) கொண்டுள்ளது. டெண்ட்ரைட்கள் மற்றும் ஆக்சான்கள் மின்சார சிக்னல்களை நடத்த முடியும், மேலும் அவற்றுக்கிடையிலான இணைப்புகள் — சினாப்ஸ்கள் என்று அழைக்கப்படும் — மாறுபட்ட அளவிலான நடத்துதலைக் காட்ட முடியும், இது நரம்பு சுரப்பிகளால் கட்டுப்படுத்தப்படுகிறது.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
உயிரியல் நரம்பு செல் *([Wikipedia](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) இல் இருந்து படம்)* | கிரகித்தல் நரம்பு செல் *(ஆசிரியரின் படம்)*
|
||||
|
||||
அதனால், ஒரு நரம்பு செலின் எளிய கணித மாதிரி பல உள்ளீடுகள் X<sub>1</sub>, ..., X<sub>N</sub> மற்றும் ஒரு வெளியீடு Y, மற்றும் ஒரு வரிசை எடைகள் W<sub>1</sub>, ..., W<sub>N</sub> கொண்டுள்ளது. வெளியீடு கீழ்க்கண்டவாறு கணக்கிடப்படுகிறது:
|
||||
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd767313e067719f400cec4b0e5090239c3e997c29f6789d4c3c263.ta.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
<img src="../../../../translated_images/netout.1eb15eb76fd76731.ta.png" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
||||
|
||||
இங்கு f என்பது சில கோட்பாட்டியல் **செயல்பாட்டு செயல்பாடு** ஆகும்.
|
||||
|
||||
|
|
|
|||
|
|
@ -73,14 +73,14 @@ OpenCV-ஐ வீடியோ ஃப்ரேம்களை ஃப்ரேம
|
|||
|
||||
* **ப்ரெயில் புத்தகத்தின் புகைப்படத்தை முன்னோட்ட செயலாக்கம்**. ப்ரெயில் சின்னங்களை தனித்தனியாக பிரித்து, நரம்பியல் வலையமைப்பால் மேலும் வகைப்படுத்துவதற்கான முன்னோட்ட செயலாக்கம், தெளிவாக்கம், அம்ச கண்டறிதல், பர்ஸ்பெக்டிவ் மாற்றம் மற்றும் NumPy மாற்றங்களை எப்படி பயன்படுத்தலாம் என்பதை நாங்கள் கவனம் செலுத்துகிறோம்.
|
||||
|
||||
 |  | 
|
||||
 |  | 
|
||||
----|-----|-----
|
||||
|
||||
> படம் [OpenCV.ipynb](OpenCV.ipynb) இல் இருந்து
|
||||
|
||||
* **ஃப்ரேம் வேறுபாட்டைப் பயன்படுத்தி வீடியோவில் இயக்கத்தை கண்டறிதல்**. கேமரா நிலையானதாக இருந்தால், கேமரா ஃபீடில் இருந்து ஃப்ரேம்கள் ஒருவருக்கொருவர் மிகவும் ஒத்ததாக இருக்க வேண்டும். ஃப்ரேம்கள் வரிசைகளாக பிரதிநிதித்துவம் செய்யப்படுவதால், இரண்டு தொடர்ச்சியான ஃப்ரேம்களுக்கு வரிசைகளை கழிப்பதன் மூலம் பிக்சல் வேறுபாட்டைப் பெறலாம், இது நிலையான ஃப்ரேம்களுக்கு குறைவாக இருக்கும், மற்றும் படத்தில் முக்கியமான இயக்கம் ஏற்பட்டால் அதிகமாக மாறும்.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [OpenCV.ipynb](OpenCV.ipynb) இல் இருந்து
|
||||
|
||||
|
|
@ -89,7 +89,7 @@ OpenCV-ஐ வீடியோ ஃப்ரேம்களை ஃப்ரேம
|
|||
- **தனிமையான ஆப்டிகல் ஃப்ளோ** ஒவ்வொரு பிக்சலுக்கும் அது எங்கு நகர்கிறது என்பதை காட்டும் வெக்டர் புலத்தை கணக்கிடுகிறது.
|
||||
- **சிறிய ஆப்டிகல் ஃப்ளோ** படத்தில் சில தனித்துவமான அம்சங்களை (எ.கா. விளிமைகள்) அடிப்படையாகக் கொண்டு, ஃப்ரேம்-பை-ஃப்ரேம் அவற்றின் பாதையை உருவாக்குகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [OpenCV.ipynb](OpenCV.ipynb) இல் இருந்து
|
||||
|
||||
|
|
@ -115,7 +115,7 @@ AI நிகழ்ச்சியில் இருந்து [இந்த
|
|||
|
||||
இந்த ஆய்வகத்தில், நீங்கள் எளிய சைகைகளுடன் ஒரு வீடியோ எடுப்பீர்கள், மற்றும் உங்கள் இலக்கு ஆப்டிகல் ஃப்ளோவைப் பயன்படுத்தி மேலே/கீழே/இடது/வலது இயக்கங்களை எடுக்க வேண்டும்.
|
||||
|
||||
<img src="../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.ta.png" width="30%" alt="கை இயக்க ஃப்ரேம்"/>
|
||||
<img src="../../../../../translated_images/palm-movement.341495f0e9c47da3.ta.png" width="30%" alt="கை இயக்க ஃப்ரேம்"/>
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"[இந்த வீடியோவை](../../../../../../lessons/4-ComputerVision/06-IntroCV/lab/palm-movement.mp4) கவனியுங்கள், இதில் ஒரு நபரின் கையடக்கம் நிலையான பின்னணியில் இடது/வலது/மேலே/கீழே நகர்கிறது.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.ta.png\" width=\"30%\" alt=\"கையடக்க இயக்கத்தின் ஃப்ரேம்\"/>\n",
|
||||
"<img src=\"../../../../../../translated_images/palm-movement.341495f0e9c47da3.ta.png\" width=\"30%\" alt=\"கையடக்க இயக்கத்தின் ஃப்ரேம்\"/>\n",
|
||||
"\n",
|
||||
"**உங்கள் இலக்கு** Optical Flow ஐ பயன்படுத்தி, வீடியோவில் எந்த பகுதிகள் மேலே/கீழே/இடது/வலது இயக்கங்களை கொண்டுள்ளன என்பதை கண்டறிவதாக இருக்கும்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
[இந்த வீடியோவை](../../../../../../lessons/4-ComputerVision/06-IntroCV/lab/palm-movement.mp4) கவனியுங்கள், இதில் ஒரு நபரின் கைப்பிடி நிலையான பின்னணியில் இடது/வலது/மேலே/கீழே நகர்கிறது.
|
||||
|
||||
<img src="../../../../../../translated_images/palm-movement.341495f0e9c47da39cc1f99626822a1d20203aa33ff89a86a068f14bea133e84.ta.png" width="30%" alt="கை நகர்வு ஃப்ரேம்"/>
|
||||
<img src="../../../../../../translated_images/palm-movement.341495f0e9c47da3.ta.png" width="30%" alt="கை நகர்வு ஃப்ரேம்"/>
|
||||
|
||||
**உங்கள் இலக்கு** ஆப்டிக்கல் ஃப்ளோவை பயன்படுத்தி, வீடியோவின் எந்த பகுதிகள் மேலே/கீழே/இடது/வலது இயக்கங்களை கொண்டுள்ளன என்பதை கண்டறிய வேண்டும்.
|
||||
|
||||
|
|
|
|||
|
|
@ -13,11 +13,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
VGG-16 என்பது 2014 ஆம் ஆண்டில் ImageNet top-5 வகைப்படுத்தலில் 92.7% துல்லியத்தை அடைந்த ஒரு நெட்வொர்க் ஆகும். இதன் அடுக்குகளின் அமைப்பு பின்வருமாறு உள்ளது:
|
||||
|
||||
|
||||
|
||||
|
||||
நீங்கள் காணும் படி, VGG ஒரு பாரம்பரிய பyramிட் கட்டமைப்பை பின்பற்றுகிறது, இது கான்வல்யூஷன்-பூலிங் அடுக்குகளின் வரிசையாகும்.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Researchgate](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) இல் இருந்து படம்
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ VGG-16 என்பது 2014 ஆம் ஆண்டில் ImageNet top-5
|
|||
|
||||
ResNet என்பது 2015 ஆம் ஆண்டில் Microsoft Research மூலம் முன்மொழியப்பட்ட மாடல்களின் குடும்பமாகும். ResNet இன் முக்கிய யோசனை **மீதமுள்ள பிளாக்குகளை** பயன்படுத்துவது:
|
||||
|
||||
<img src="../../../../../translated_images/resnet-block.aba4ccbcc094443477d7bee189d44fed695c852d710a702462d6b809155d959a.ta.png" width="300"/>
|
||||
<img src="../../../../../translated_images/resnet-block.aba4ccbcc0944434.ta.png" width="300"/>
|
||||
|
||||
> [இந்தக் கட்டுரையில்](https://arxiv.org/pdf/1512.03385.pdf) இருந்து படம்
|
||||
|
||||
|
|
@ -37,7 +37,7 @@ Identity pass-through ஐ பயன்படுத்துவதற்கான
|
|||
|
||||
Google Inception கட்டமைப்பு இந்த யோசனையை மேலும் ஒரு படி முன்னேற்றுகிறது, மேலும் ஒவ்வொரு நெட்வொர்க் அடுக்கையும் பல்வேறு பாதைகளின் கலவையாக உருவாக்குகிறது:
|
||||
|
||||
<img src="../../../../../translated_images/inception.a6605b85bcbc6f52490ec55e68109dd41924cba9d7e1007453b4cdf554199c8d.ta.png" width="400"/>
|
||||
<img src="../../../../../translated_images/inception.a6605b85bcbc6f52.ta.png" width="400"/>
|
||||
|
||||
> [Researchgate](https://www.researchgate.net/figure/Inception-module-with-dimension-reductions-left-and-schema-for-Inception-ResNet-v1_fig2_355547454) இல் இருந்து படம்
|
||||
|
||||
|
|
|
|||
|
|
@ -260,7 +260,7 @@
|
|||
"\n",
|
||||
"அதனால், ஒரு சாதாரண CNNல் பல கன்வல்யூஷன் அடுக்குகள் இருக்கும், அவற்றின் இடையே பூலிங் அடுக்குகள் இருக்கும், இது படத்தின் பரிமாணங்களை குறைக்க உதவுகிறது. மேலும், வடிகட்டிகளின் எண்ணிக்கையை அதிகரிக்க வேண்டும், ஏனெனில் வடிவங்கள் மேலும் மேம்பட்டவையாக மாறும்போது, நாம் தேட வேண்டிய சாத்தியமான சுவாரஸ்யமான இணைப்புகள் அதிகமாக இருக்கும்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"பரப்பளவின் பரிமாணங்கள் குறைவதாலும், அம்சங்கள்/வடிகட்டிகளின் பரிமாணங்கள் அதிகரிப்பதாலும், இந்த கட்டமைப்பை **பிரமிட் கட்டமைப்பு** என்று அழைக்கப்படுகிறது.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -112,7 +112,7 @@
|
|||
"\n",
|
||||
"சாதாரண கணினி பார்வையில், படத்தில் பல வடிகட்டிகள் பயன்படுத்தப்பட்டு அம்சங்கள் உருவாக்கப்பட்டன, பின்னர் அவை இயந்திரக் கற்றல் الگوریتمால் வகைப்பாட்டாளரை உருவாக்க பயன்படுத்தப்பட்டன. இந்த வடிகட்டிகள் உண்மையில் சில விலங்குகளின் பார்வை அமைப்பில் உள்ள நரம்பு அமைப்புகளுக்கு ஒத்ததாக உள்ளன.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/lmfilters.ea9e4868a82cf74cdca05121b1128f0122297cf2879501cd06956beb88ff96a2.ta.jpg\" width=\"400\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/lmfilters.ea9e4868a82cf74c.ta.jpg\" width=\"400\"/>\n",
|
||||
"\n",
|
||||
"ஆனால், ஆழமான கற்றலில், வகைப்பாட்டு பிரச்சினையை தீர்க்க **சிறந்த குவிகலன வடிகட்டிகளை** கற்றுக்கொள்ளும் நெட்வொர்க்குகளை உருவாக்குகிறோம். இதை செய்ய, **குவிகலன அடுக்குகளை** அறிமுகப்படுத்துகிறோம்.\n"
|
||||
]
|
||||
|
|
@ -358,7 +358,7 @@
|
|||
"\n",
|
||||
"அதனால், ஒரு சாதாரண CNNயில் பல கன்வல்யூஷன் அடுக்குகள் இருக்கும், அவற்றின் இடையே பூலிங் அடுக்குகள் இருக்கும், இது படத்தின் பரிமாணங்களை குறைக்க உதவுகிறது. மேலும், வடிகட்டிகளின் எண்ணிக்கையை அதிகரிப்போம், ஏனெனில் வடிவங்கள் மேலும் மேம்பட்டவையாக மாறும்போது - நாம் தேட வேண்டிய சாத்தியமான சுவாரஸ்யமான இணைப்புகள் அதிகமாக இருக்கும்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"பரப்பளவின் பரிமாணங்கள் குறைவதால் மற்றும் அம்சங்கள்/வடிகட்டிகளின் பரிமாணங்கள் அதிகரிப்பதால், இந்த கட்டமைப்பை **பிரமிட் கட்டமைப்பு** என்று அழைக்கப்படுகிறது.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -17,14 +17,14 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
முறைகளை எடுக்க, **கன்வல்யூஷனல் ஃபில்டர்கள்** என்ற கருத்தை பயன்படுத்துவோம். நீங்கள் அறிந்தபடி, ஒரு படம் 2D-மாட்ரிக்ஸ் அல்லது நிற ஆழத்துடன் 3D-டென்சராக பிரதிநிதித்துவம் செய்யப்படுகிறது. ஒரு ஃபில்டரைப் பயன்படுத்துவது என்பது, சிறிய **ஃபில்டர் கர்னல்** மாட்ரிக்ஸை எடுத்து, மூலப்படத்தில் உள்ள ஒவ்வொரு பிக்சலுக்கும் அண்டை புள்ளிகளுடன் எடை செய்யப்பட்ட சராசரியை கணக்கிடுவதாகும். இதை ஒரு சிறிய சாளரம் முழு படத்திலும் நகர்ந்து, ஃபில்டர் கர்னல் மாட்ரிக்ஸில் உள்ள எடைகளுக்கு ஏற்ப அனைத்து பிக்சல்களையும் சராசரி செய்யும் முறையாகக் காணலாம்.
|
||||
|
||||
 | 
|
||||
 | 
|
||||
----|----
|
||||
|
||||
> படம்: டிமிட்ரி சோஷ்னிகோவ்
|
||||
|
||||
உதாரணமாக, MNIST எண்களுக்கு 3x3 நெடுவரை விளிம்பு மற்றும் கிடைமட்ட விளிம்பு ஃபில்டர்களை பயன்படுத்தினால், மூலப்படத்தில் உள்ள நெடுவரை மற்றும் கிடைமட்ட விளிம்புகள் உள்ள இடங்களில் முக்கியமான மதிப்புகளை (உதா. உயர் மதிப்புகள்) பெறலாம். எனவே, இந்த இரண்டு ஃபில்டர்களை விளிம்புகளை "தேட" பயன்படுத்தலாம். அதேபோல், பிற குறைந்த நிலை முறைகளைத் தேடுவதற்காக வெவ்வேறு ஃபில்டர்களை வடிவமைக்கலாம்:
|
||||
|
||||
<img src="../../../../../translated_images/lmfilters.ea9e4868a82cf74cdca05121b1128f0122297cf2879501cd06956beb88ff96a2.ta.jpg" width="500" align="center"/>
|
||||
<img src="../../../../../translated_images/lmfilters.ea9e4868a82cf74c.ta.jpg" width="500" align="center"/>
|
||||
|
||||
> [லியூங்-மாலிக் ஃபில்டர் வங்கி](https://www.robots.ox.ac.uk/~vgg/research/texclass/filters.html) படத்தை
|
||||
|
||||
|
|
@ -38,7 +38,7 @@ CNN-கள் செயல்படும் முறை பின்வரு
|
|||
* ஃபில்டர்கள் தானாக பயிற்சி பெறும் வகையில் நெட்வொர்க்கை வடிவமைக்க முடியும்
|
||||
* மூலப்படத்தில் மட்டுமல்லாமல், உயர் நிலை அம்சங்களில் முறைகளை கண்டுபிடிக்க இதே அணுகுமுறையைப் பயன்படுத்த முடியும். எனவே, CNN அம்ச எடுக்கும் செயல்பாடு குறைந்த நிலை பிக்சல் சேர்க்கைகளிலிருந்து தொடங்கி, படத்தின் பகுதிகளின் உயர் நிலை சேர்க்கை வரை அம்சங்களின் ஒரு அடுக்குக்கோபுரத்தில் செயல்படுகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> [ஹிஸ்லாப்-லின்ச்](https://www.semanticscholar.org/paper/Computer-vision-based-pedestrian-trajectory-Hislop-Lynch/26e6f74853fc9bbb7487b06dc2cf095d36c9021d) எழுதிய ஒரு ஆய்வுக் கட்டுரையிலிருந்து படம், [அவர்களின் ஆராய்ச்சி](https://dl.acm.org/doi/abs/10.1145/1553374.1553453) அடிப்படையில்
|
||||
|
||||
|
|
@ -55,9 +55,9 @@ CNN-கள் செயல்படும் முறை பின்வரு
|
|||
|
||||
உதாரணமாக, VGG-16 என்ற கட்டமைப்பின் கட்டமைப்பைப் பார்ப்போம், இது 2014 இல் ImageNet-இன் Top-5 வகைப்படுத்தலில் 92.7% துல்லியத்தை அடைந்தது:
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
> [ரிசர்ச்கேட்](https://www.researchgate.net/figure/Vgg16-model-structure-To-get-the-VGG-NIN-model-we-replace-the-2-nd-4-th-6-th-7-th_fig2_335194493) மூலம் படம்
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
37 வெவ்வேறு இனங்களுக்கான நாய்கள் மற்றும் பூனைகளின் படங்களை கொண்ட [Oxford-IIIT Pet Dataset](https://www.robots.ox.ac.uk/~vgg/data/pets/) ஐ நாம் பயன்படுத்துவோம்.
|
||||
|
||||
|
||||
|
||||
|
||||
தரவுத்தொகுப்பைப் பதிவிறக்க, இந்தக் குறியீட்டு துண்டைப் பயன்படுத்தவும்:
|
||||
|
||||
|
|
|
|||
|
|
@ -50,7 +50,7 @@
|
|||
"\n",
|
||||
"சிறந்த பூனை உருவத்தை காட்சிப்படுத்த, நாம் ஒரு சீரற்ற சத்தம் கொண்ட படத்துடன் தொடங்குவோம், பின்னர் ஒரு நெட்வொர்க் பூனையை அடையாளம் காணும் வகையில் படத்தை சரிசெய்ய_gradient descent_ மேம்பாட்டு முறையை பயன்படுத்துவோம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"இது தான் நமது தொடக்க படம்:\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -29,7 +29,7 @@ Keras மற்றும் PyTorch இரண்டிலும் பொது
|
|||
|
||||
இங்கே VGG-16 நெட்வொர்க்கால் ஒரு பூனையின் படத்திலிருந்து எடுக்கப்பட்ட மாதிரி அம்சங்கள் உள்ளன:
|
||||
|
||||
|
||||
|
||||
|
||||
## பூனைகள் vs. நாய்கள் தரவுத்தொகுப்பு
|
||||
|
||||
|
|
@ -48,19 +48,19 @@ Keras மற்றும் PyTorch இரண்டிலும் பொது
|
|||
|
||||
ஒரு அணுகுமுறை என்னவென்றால், ஒரு சீரற்ற படத்துடன் தொடங்குவது, பின்னர் **கிரேடியண்ட் டிசென்ட் ஆப்டிமைசேஷன்** தொழில்நுட்பத்தைப் பயன்படுத்தி அந்த படத்தை சரிசெய்வது, அதனால் நெட்வொர்க்கு அதை பூனையாக நினைக்கத் தொடங்குகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
ஆனால், இதைச் செய்தால், சீரற்ற சத்தத்துடன் மிகவும் ஒத்ததாக ஏதாவது கிடைக்கும். இது *நெட்வொர்க்கு உள்ளீடு ஒரு பூனை என்று நினைக்க பல வழிகள் உள்ளன*, அதில் சில காட்சியளிப்பதில் அர்த்தமற்றவை. அந்த படங்கள் பூனைக்கு பொதுவான பல வடிவங்களை கொண்டிருந்தாலும், அவற்றை காட்சிப்படுத்துவதற்குத் தனித்துவமாக இருக்க வேண்டும் என்று கட்டாயப்படுத்த எதுவும் இல்லை.
|
||||
|
||||
முடிவை மேம்படுத்த, **variation loss** என்று அழைக்கப்படும் மற்றொரு சொற்றொடரை இழப்புச் செயல்பாட்டில் சேர்க்கலாம். இது படத்தின் அடுத்தடுத்த பிக்சல்கள் எவ்வளவு ஒத்திருக்கின்றன என்பதை காட்டும் அளவீடு. variation loss ஐ குறைப்பது படத்தை மென்மையாக ஆக்குகிறது, மேலும் சத்தத்தை அகற்றுகிறது - இதனால் காட்சிப்படுத்துவதற்கு அழகான வடிவங்களை வெளிப்படுத்துகிறது. இங்கே பூனை மற்றும் ஜெப்ரா என்று அதிக சாத்தியத்துடன் வகைப்படுத்தப்படும் "சிறந்த" படங்களின் உதாரணம் உள்ளது:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*சிறந்த பூனை* | *சிறந்த ஜெப்ரா*
|
||||
|
||||
இதே அணுகுமுறையை **எதிர்மறை தாக்குதல்** என்று அழைக்கப்படும் செயல்பாட்டை செய்ய பயன்படுத்தலாம். ஒரு நரம்பியல் நெட்வொர்க்கை ஏமாற்றி, ஒரு நாயை பூனையாக மாற்ற விரும்புகிறோம் என்று நினைத்தால், நாயின் படத்தை எடுத்து, அது நெட்வொர்க்கால் நாய் என்று அடையாளம் காணப்படுகிறது, பின்னர் அதை சிறிது மாற்றி, நெட்வொர்க்கு அதை பூனையாக வகைப்படுத்தும் வரை கிரேடியண்ட் டிசென்ட் ஆப்டிமைசேஷனைப் பயன்படுத்தலாம்:
|
||||
|
||||
 | 
|
||||
 | 
|
||||
-----|-----
|
||||
*மூல நாயின் படம்* | *பூனையாக வகைப்படுத்தப்படும் நாயின் படம்*
|
||||
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"ஆட்டோஎன்கோடரை அசல் படத்திலிருந்து அதிகமான தகவல்களைப் பிடிக்கவும், சரியான மீளுருவாக்கத்திற்காக பயிற்சி செய்யும் போது, நெட்வொர்க் உள்ளீட்டு படங்களின் சிறந்த **எம்பெடிங்** (embedding) ஐ கண்டறிந்து அதன் அர்த்தத்தைப் பிடிக்க முயற்சிக்கிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> படம் [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) இலிருந்து\n",
|
||||
"\n",
|
||||
|
|
@ -941,7 +941,7 @@
|
|||
" * $N(\\mathrm{z\\_mean},e^{\\mathrm{z\\_log\\_sigma}})$ விநியோகத்திலிருந்து `sample(z_val in code)` எனும் ஒரு வெக்டரை எடுத்துக்கொள்கிறோம்\n",
|
||||
" * Decoder, `sample` ஐ உள்ளீட்டு வெக்டராகக் கொண்டு முதன்மை படத்தை மீண்டும் உருவாக்க முயலுகிறது\n",
|
||||
"\n",
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e253be65a8cb3be1724832cbde57ece3912ddc962b199472a89.ta.png\" width=\"50%\">\n",
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e25.ta.png\" width=\"50%\">\n",
|
||||
"\n",
|
||||
" > இந்த படத்தை [இந்த வலைப்பதிவில்](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) Isaak Dykeman எழுதியுள்ளார்.\n"
|
||||
]
|
||||
|
|
@ -1264,7 +1264,7 @@
|
|||
"\n",
|
||||
"இந்த அணுகுமுறையில் **மூன்று loss functions** உள்ளன: GAN-இன் generator loss, discriminator loss மற்றும் VAE-இன் reconstruction loss.\n",
|
||||
"\n",
|
||||
" <img src=\"../../../../../translated_images/aae.9d418a990fc75bf9204b701eb6998206fd1b986643cc4e9b899aabdd27504702.ta.png\" width=\"50%\">\n",
|
||||
" <img src=\"../../../../../translated_images/aae.9d418a990fc75bf9.ta.png\" width=\"50%\">\n",
|
||||
"\n",
|
||||
" > [இந்த வலைப்பதிவில்](https://blog.paperspace.com/adversarial-autoencoders-with-pytorch/) Felipe Ducau எழுதிய படத்தைப் பார்க்கவும்\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@
|
|||
"\n",
|
||||
"நாம் ஆட்டோஎன்கோடரை அசல் படத்திலிருந்து சரியான மீளுருவாக்கத்திற்காக அதிக தகவல்களை பிடிக்க பயிற்சி செய்யும் போது, நெட்வொர்க் உள்ளீட்டு படங்களின் அர்த்தத்தை பிடிக்க சிறந்த **எம்பெடிங்** ஐ கண்டுபிடிக்க முயல்கிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*படம் [Keras blog](https://blog.keras.io/building-autoencoders-in-keras.html) இலிருந்து*\n",
|
||||
"\n",
|
||||
|
|
@ -888,7 +888,7 @@
|
|||
" * $N(\\mathrm{z\\_mean},e^{\\mathrm{z\\_log\\_sigma}})$ விநியோகத்திலிருந்து ஒரு வெக்டரை `sample` என எடுக்கிறோம்\n",
|
||||
" * `sample` ஐ உள்ளீட்டு வெக்டராக பயன்படுத்தி, Decoder முதன்மை படத்தை மீண்டும் உருவாக்க முயற்சிக்கிறது\n",
|
||||
"\n",
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e253be65a8cb3be1724832cbde57ece3912ddc962b199472a89.ta.png\" width=\"50%\">\n"
|
||||
" <img src=\"../../../../../translated_images/vae.464c465a5b6a9e25.ta.png\" width=\"50%\">\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CNNகளை பயிற்சி செய்யும்போது, ஒர
|
|||
|
||||
ஆட்டோஎன்கோடரை அசல் படத்தின் தகவல்களை சரியாக மீண்டும் உருவாக்குவதற்காக அதிகமாக பிடிக்க பயிற்சி செய்யும் போது, நெட்வொர்க் சிறந்த **embedding** ஐ கண்டறிந்து, உள்ளீட்டு படங்களின் அர்த்தத்தை பிடிக்க முயற்சிக்கிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [Keras வலைப்பதிவு](https://blog.keras.io/building-autoencoders-in-keras.html) மூலம்
|
||||
|
||||
|
|
@ -46,7 +46,7 @@ VAE என்பது latent அளவுருக்களின் *புள
|
|||
* N(z<sub>mean</sub>,exp(z<sub>log\_sigma</sub>)) விநியோகத்திலிருந்து `sample` வெக்டரை எடுக்கிறோம்
|
||||
* டிகோடர் `sample` ஐ உள்ளீட்டு வெக்டராக பயன்படுத்தி அசல் படத்தை டிகோடு செய்ய முயற்சிக்கிறது
|
||||
|
||||
<img src="../../../../../translated_images/vae.464c465a5b6a9e253be65a8cb3be1724832cbde57ece3912ddc962b199472a89.ta.png" width="50%">
|
||||
<img src="../../../../../translated_images/vae.464c465a5b6a9e25.ta.png" width="50%">
|
||||
|
||||
> படம் [இந்த வலைப்பதிவு](https://ijdykeman.github.io/ml/2016/12/21/cvae.html) மூலம் Isaak Dykeman
|
||||
|
||||
|
|
@ -57,13 +57,13 @@ VAE என்பது latent அளவுருக்களின் *புள
|
|||
|
||||
VAEs இன் ஒரு முக்கியமான நன்மை என்னவென்றால், புதிய படங்களை எளிதாக உருவாக்க முடியும், ஏனெனில் latent வெக்டர்களை எடுக்க வேண்டிய விநியோகத்தை நாங்கள் அறிந்திருக்கிறோம். உதாரணமாக, 2D latent வெக்டருடன் MNIST-ல் VAE ஐ பயிற்சி செய்தால், latent வெக்டரின் கூறுகளை மாறி வெவ்வேறு எண்களை பெறலாம்:
|
||||
|
||||
<img alt="vaemnist" src="../../../../../translated_images/vaemnist.cab9e602dc08dc5066ce14e005889d6b53ca5bcaf16e35c28dbf8cd40c304de1.ta.png" width="50%"/>
|
||||
<img alt="vaemnist" src="../../../../../translated_images/vaemnist.cab9e602dc08dc50.ta.png" width="50%"/>
|
||||
|
||||
> படம் [Dmitry Soshnikov](http://soshnikov.com) மூலம்
|
||||
|
||||
latent அளவுரு இடத்தின் வெவ்வேறு பகுதிகளில் இருந்து latent வெக்டர்களை எடுக்க தொடங்கும்போது, படங்கள் ஒருவருக்கொருவர் கலக்க ஆரம்பிக்கின்றன என்பதை கவனிக்கவும். இந்த இடத்தை 2D-ல் காட்சிப்படுத்தவும் முடியும்:
|
||||
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/vaemnist-diag.694315f775d5d666b02fb54f8fc7c64db65a9d126a16c2fdb8683cf9726f9ff5.ta.png" width="50%"/>
|
||||
<img alt="vaemnist cluster" src="../../../../../translated_images/vaemnist-diag.694315f775d5d666.ta.png" width="50%"/>
|
||||
|
||||
> படம் [Dmitry Soshnikov](http://soshnikov.com) மூலம்
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@
|
|||
" * **ஜெனரேட்டர்** ஒரு சீரற்ற வெக்டரை எடுத்து, அதிலிருந்து ஒரு படத்தை உருவாக்க வேண்டும்\n",
|
||||
" * **டிஸ்கிரிமினேட்டர்** என்பது ஒரு நெட்வொர்க், இது மூலப்படம் (பயிற்சி தரவுத்தொகுப்பில் இருந்து) மற்றும் ஜெனரேட்டர் உருவாக்கிய படத்தை வேறுபடுத்த வேண்டும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d698a91f7668017d8e09b81c5d8e7cc99bdb23979d90a0c475e.ta.png\" width=\"70%\"/>\n"
|
||||
"<img src=\"../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d69.ta.png\" width=\"70%\"/>\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
@ -670,7 +670,7 @@
|
|||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"<img src=\"../../../../../translated_images/dcgan_generator.b500988ec2bc8ba5cb38dae855fece348933171227c0536743b9c3b599f33f3d.ta.png\" width=\"60%\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/dcgan_generator.b500988ec2bc8ba5.ta.png\" width=\"60%\"/>\n",
|
||||
"\n",
|
||||
"> படம் [இந்த பயிற்சியில்](https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html) இருந்து.\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@
|
|||
" * **ஜெனரேட்டர்** ஒரு சீரற்ற வெக்டரை எடுத்து, அதிலிருந்து ஒரு படத்தை உருவாக்க வேண்டும் \n",
|
||||
" * **டிஸ்கிரிமினேட்டர்** என்பது ஒரு நெட்வொர்க், இது அசல் படம் (பயிற்சி தரவுத்தொகுப்பிலிருந்து) மற்றும் ஜெனரேட்டர் உருவாக்கிய படத்தை வேறுபடுத்த வேண்டும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d698a91f7668017d8e09b81c5d8e7cc99bdb23979d90a0c475e.ta.png\" width=\"70%\"/>\n"
|
||||
"<img src=\"../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d69.ta.png\" width=\"70%\"/>\n"
|
||||
]
|
||||
},
|
||||
{
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
GAN-இன் முக்கிய யோசனை இரண்டு நரம்பியல் நெட்வொர்க்குகளை ஒன்றுக்கொன்று எதிராகப் பயிற்சி செய்யும் முறையாகும்:
|
||||
|
||||
<img src="../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d698a91f7668017d8e09b81c5d8e7cc99bdb23979d90a0c475e.ta.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/gan_architecture.8f3a5ab62b8d5d69.ta.png" width="70%"/>
|
||||
|
||||
> படம்: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
@ -41,7 +41,7 @@ GAN-இன் முக்கிய யோசனை இரண்டு நரம
|
|||
|
||||
> ✅ கான்வல்யூஷன் அடுக்கு ஒரு நேரியல் வடிகட்டி படத்தைச் சுற்றி செயல்படுவதால், டிகான்வல்யூஷன் அடிப்படையில் கான்வல்யூஷனுக்கு ஒத்ததாகும், மற்றும் அதே அடுக்கு தர்க்கத்தைப் பயன்படுத்தி செயல்படுத்தலாம்.
|
||||
|
||||
<img src="../../../../../translated_images/gan_arch_detail.46b95fd366f8e543170264fe07e516683ac3e5bb699392c35449e99590a11063.ta.png" width="70%"/>
|
||||
<img src="../../../../../translated_images/gan_arch_detail.46b95fd366f8e543.ta.png" width="70%"/>
|
||||
|
||||
> படம்: [Dmitry Soshnikov](http://soshnikov.com)
|
||||
|
||||
|
|
|
|||
|
|
@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ai/quiz/21)
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [YOLO v2 வலைத்தளத்திலிருந்து](https://pjreddie.com/darknet/yolov2/)
|
||||
|
||||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
2. ஒவ்வொரு பகுதியிலும் பட வகைப்படுத்தலை இயக்கவும்.
|
||||
3. போதுமான அளவு செயல்பாட்டை உருவாக்கும் பகுதிகள், குறிப்பிட்ட பொருளை கொண்டதாக கருதலாம்.
|
||||
|
||||
|
||||
|
||||
|
||||
> *படம் [பயிற்சி நோட்புக்](ObjectDetection-TF.ipynb) இலிருந்து*
|
||||
|
||||
|
|
@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* [PASCAL VOC](http://host.robots.ox.ac.uk/pascal/VOC/) - 20 வகைகள்
|
||||
* [COCO](http://cocodataset.org/#home) - சூழலில் பொதுவான பொருட்கள். 80 வகைகள், அளவுரு பெட்டிகள் மற்றும் பிரிவுப் முகமூடிகள்
|
||||
|
||||
|
||||
|
||||
|
||||
## பொருள் கண்டறிதல் அளவுகோல்கள்
|
||||
|
||||
|
|
@ -50,7 +50,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
பட வகைப்படுத்தலுக்கான செயல்திறனை அளவிடுவது எளிதானது, ஆனால் பொருள் கண்டறிதலுக்கான வகையின் சரியானதையும், அளவுரு பெட்டியின் துல்லியத்தையும் அளவிட வேண்டும். இதற்காக **இணைப்பு மற்றும் ஒன்றிணைவு** (IoU) என்ற அளவுகோலைப் பயன்படுத்துகிறோம், இது இரண்டு பெட்டிகள் (அல்லது இரண்டு பகுதி பகுதிகள்) எவ்வளவு நன்றாக ஒத்துப்போகின்றன என்பதை அளவிடுகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> *[இந்த சிறந்த வலைப்பதிவிலிருந்து](https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/) IoU பற்றிய படங்கள்*
|
||||
|
||||
|
|
@ -97,11 +97,11 @@ IoU ஒரு குறிப்பிட்ட மதிப்புக்க
|
|||
|
||||
[R-CNN](http://islab.ulsan.ac.kr/files/announcement/513/rcnn_pami.pdf) [Selective Search](http://www.huppelen.nl/publications/selectiveSearchDraft.pdf) பயன்படுத்தி ROI பகுதிகளின் அடுக்கமைப்பை உருவாக்குகிறது, பின்னர் CNN அம்சங்களைப் பயன்படுத்தி SVM வகைப்படுத்திகளை இயக்கி பொருள் வகையைத் தீர்மானிக்கிறது, மற்றும் *அளவுரு பெட்டியின்* கோர்டினேட்டுகளை தீர்மானிக்க நேரியல் மீள்பார்வையை (linear regression) பயன்படுத்துகிறது. [அதிகாரப்பூர்வ ஆவணம்](https://arxiv.org/pdf/1506.01497v1.pdf)
|
||||
|
||||
|
||||
|
||||
|
||||
> *படம் van de Sande et al. ICCV’11*
|
||||
|
||||
|
||||
|
||||
|
||||
> *படங்கள் [இந்த வலைப்பதிவிலிருந்து](https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e)*
|
||||
|
||||
|
|
@ -109,7 +109,7 @@ IoU ஒரு குறிப்பிட்ட மதிப்புக்க
|
|||
|
||||
இந்த அணுகுமுறை R-CNN போன்றது, ஆனால் பகுதிகள் குவியல் அடுக்குகள் (convolution layers) பயன்படுத்தப்பட்ட பிறகு வரையறுக்கப்படுகின்றன.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [அதிகாரப்பூர்வ ஆவணத்திலிருந்து](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf), [arXiv](https://arxiv.org/pdf/1504.08083.pdf), 2015
|
||||
|
||||
|
|
@ -117,7 +117,7 @@ IoU ஒரு குறிப்பிட்ட மதிப்புக்க
|
|||
|
||||
இந்த அணுகுமுறையின் முக்கியமான கருத்து, ROIs (Regions of Interests) கணிக்க நரம்பியல் நெட்வொர்க்கை (neural network) பயன்படுத்துவது - *Region Proposal Network* என அழைக்கப்படுகிறது. [ஆவணம்](https://arxiv.org/pdf/1506.01497.pdf), 2016
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [அதிகாரப்பூர்வ ஆவணத்திலிருந்து](https://arxiv.org/pdf/1506.01497.pdf)
|
||||
|
||||
|
|
@ -129,7 +129,7 @@ IoU ஒரு குறிப்பிட்ட மதிப்புக்க
|
|||
2. **Position-Sensitive Score Map** மூலம் அம்சங்கள் செயல்படுத்தப்படுகின்றன. $C$ வகைகளிலிருந்து ஒவ்வொரு பொருளும் $k\times k$ பகுதிகளால் பிரிக்கப்படுகிறது, மற்றும் பொருளின் பகுதிகளை கணிக்க பயிற்சி அளிக்கிறோம்.
|
||||
3. $k\times k$ பகுதிகளிலிருந்து ஒவ்வொரு பகுதியும் பொருள் வகைகளுக்கு வாக்களிக்கிறது, மற்றும் அதிகபட்ச வாக்குகளைப் பெறும் பொருள் வகை தேர்ந்தெடுக்கப்படுகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [அதிகாரப்பூர்வ ஆவணத்திலிருந்து](https://arxiv.org/abs/1605.06409)
|
||||
|
||||
|
|
@ -140,7 +140,7 @@ YOLO ஒரு நேரடி ஒரு முறை அல்காரித
|
|||
* படம் $S\times S$ பகுதிகளாகப் பிரிக்கப்படுகிறது.
|
||||
* ஒவ்வொரு பகுதிக்கும் **CNN** $n$ சாத்தியமான பொருட்கள், *அளவுரு பெட்டியின்* கோர்டினேட்டுகள் மற்றும் *நம்பகத்தன்மை*=*சாத்தியம்* * IoU கணிக்கிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [அதிகாரப்பூர்வ ஆவணத்திலிருந்து](https://arxiv.org/abs/1506.02640)
|
||||
|
||||
|
|
|
|||
|
|
@ -20,7 +20,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உதாரணமாக, instance segmentation-இல் இந்த ஆடுகள் வேறு பொருட்களாகக் கருதப்படும், ஆனால் semantic segmentation-இல் அனைத்து ஆடுகளும் ஒரே வகையாகக் கருதப்படும்.
|
||||
|
||||
<img src="../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd450cdef4caaed2d4dd9c6c3b671e0c65d8aef312758ebb7b89.ta.jpeg" width="50%">
|
||||
<img src="../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd45.ta.jpeg" width="50%">
|
||||
|
||||
> படம் [இந்த வலைப்பதிவில் இருந்து](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50)
|
||||
|
||||
|
|
@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
* **Encoder** உள்ளீடு படத்திலிருந்து அம்சங்களை எடுக்கிறது
|
||||
* **Decoder** அந்த அம்சங்களை **mask image**-ஆக மாற்றுகிறது, இதன் அளவு மற்றும் சேனல்கள் வகைகளின் எண்ணிக்கைக்கு இணையாக இருக்கும்.
|
||||
|
||||
<img src="../../../../../translated_images/segm.92442f2cb42ff4fa650fee858a3a02f55cf46825d9602115130e9e95a52a8526.ta.png" width="80%">
|
||||
<img src="../../../../../translated_images/segm.92442f2cb42ff4fa.ta.png" width="80%">
|
||||
|
||||
> படம் [இந்த வெளியீட்டில் இருந்து](https://arxiv.org/pdf/2001.05566.pdf)
|
||||
|
||||
|
|
@ -43,7 +43,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
> ✅ இந்த தொழில்நுட்பம் இந்த வகை மருத்துவ படங்களுக்கு மிகவும் பொருத்தமானது, ஆனால் மற்ற எந்த உண்மையான பயன்பாடுகளை நீங்கள் கற்பனை செய்ய முடியும்?
|
||||
|
||||
<img alt="navi" src="../../../../../translated_images/navi.2f20b727910110ea593fa03a2491f2ba1b25c62c97b33c692bcf01917a1f333f.ta.png"/>
|
||||
<img alt="navi" src="../../../../../translated_images/navi.2f20b727910110ea.ta.png"/>
|
||||
|
||||
> படம் PH<sup>2</sup> Database-இல் இருந்து
|
||||
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@
|
|||
"\n",
|
||||
"உதாரணமாக, instance segmentation-ல் 10 ஆடுகள் தனித்தனியான பொருட்களாகக் கருதப்படும், semantic segmentation-ல் அனைத்து ஆடுகளும் ஒரே வகையாகக் காணப்படும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd450cdef4caaed2d4dd9c6c3b671e0c65d8aef312758ebb7b89.ta.jpeg\" width=\"50%\">\n",
|
||||
"<img src=\"../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd45.ta.jpeg\" width=\"50%\">\n",
|
||||
"\n",
|
||||
"> [இந்த வலைப்பதிவில்](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50) இருந்து எடுத்த படம்\n",
|
||||
"\n",
|
||||
|
|
@ -26,7 +26,7 @@
|
|||
"* **Encoder** உள்ளீட்டு படத்திலிருந்து அம்சங்களை (features) எடுக்கிறது.\n",
|
||||
"* **Decoder** அந்த அம்சங்களை **முகமூடி படமாக** (mask image) மாற்றுகிறது, இது ஒரே அளவிலும் வகைகளின் எண்ணிக்கைக்கு இணையான சேனல்களுடன் இருக்கும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/segm.92442f2cb42ff4fa650fee858a3a02f55cf46825d9602115130e9e95a52a8526.ta.png\" width=\"80%\">\n",
|
||||
"<img src=\"../../../../../translated_images/segm.92442f2cb42ff4fa.ta.png\" width=\"80%\">\n",
|
||||
"\n",
|
||||
"> [இந்த வெளியீட்டில்](https://arxiv.org/pdf/2001.05566.pdf) இருந்து எடுத்த படம்\n"
|
||||
]
|
||||
|
|
@ -252,7 +252,7 @@
|
|||
"\n",
|
||||
"எளிய என்கோடர்-டிகோடர் கட்டமைப்பை **SegNet** என்று அழைக்கப்படுகிறது. இது என்கோடரில் கான்வல்யூஷன்கள் மற்றும் பூலிங்களுடன் உள்ள நிலையான CNN-ஐ பயன்படுத்துகிறது, மேலும் டிகோடரில் கான்வல்யூஷன்கள் மற்றும் அப்சாம்ப்ளிங்களுடன் உள்ள டிகான்வல்யூஷன் CNN-ஐ பயன்படுத்துகிறது. பல அடுக்குகளைக் கொண்ட நெட்வொர்க்கை வெற்றிகரமாக பயிற்றுவிக்க பேட்ச் நார்மலைசேஷனை நம்புகிறது.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/segnet.87377542aa5a8b76c6e19b715e86daec8da5c1124df41ab6064d8409b8579be6.ta.png\" width=\"80%\">\n",
|
||||
"<img src=\"../../../../../translated_images/segnet.87377542aa5a8b76.ta.png\" width=\"80%\">\n",
|
||||
"\n",
|
||||
"> இந்த ஆய்வுக்கட்டுரையிலிருந்து படம்: Badrinarayanan, V., Kendall, A., & Cipolla, R. (2015). [SegNet: A deep convolutional\n",
|
||||
"encoder-decoder architecture for image segmentation](https://arxiv.org/pdf/1511.00561.pdf)\n"
|
||||
|
|
@ -548,7 +548,7 @@
|
|||
"\n",
|
||||
"இங்கே மிகவும் எளிய CNN கட்டமைப்பைப் பயன்படுத்துவோம், ஆனால் U-Net அம்சங்களைப் பெறுவதற்கான ResNet-50 போன்ற சிக்கலான encoder ஐயும் பயன்படுத்த முடியும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/unet.3adb555bf39d3657bf535321c7ee153dbdd32895189e915e014229a9c79cf1e3.ta.png\" width=\"70%\">\n",
|
||||
"<img src=\"../../../../../translated_images/unet.3adb555bf39d3657.ta.png\" width=\"70%\">\n",
|
||||
"\n",
|
||||
"> படத்தின் மூலமாக: Ronneberger, Olaf, Philipp Fischer, மற்றும் Thomas Brox. [U-Net: Convolutional networks for biomedical image segmentation.](https://arxiv.org/pdf/1505.04597.pdf)\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -12,13 +12,13 @@
|
|||
"\n",
|
||||
"உதாரணமாக, இன்ஸ்டன்ஸ் செக்மென்டேஷனில் பத்து கார்கள் **வேறு** பொருட்கள், செமாண்டிக் செக்மென்டேஷனில் **அனைத்து** கார்கள் ஒரு வகுப்பாக இருக்கும்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd450cdef4caaed2d4dd9c6c3b671e0c65d8aef312758ebb7b89.ta.jpeg\" width=\"50%\">\n",
|
||||
"<img src=\"../../../../../translated_images/instance_vs_semantic.eee9812bebf8cd45.ta.jpeg\" width=\"50%\">\n",
|
||||
"\n",
|
||||
"> படம் [இந்த வலைப்பதிவில்](https://nirmalamurali.medium.com/image-classification-vs-semantic-segmentation-vs-instance-segmentation-625c33a08d50) இருந்து\n",
|
||||
"\n",
|
||||
"கிட்டத்தட்ட அனைத்து கட்டமைப்புகளும் ஒரே அமைப்பைக் கொண்டுள்ளன. முதல் பகுதி **என்கோடர்**, இது உள்ளீட்டு படத்திலிருந்து அம்சங்களை எடுக்கிறது, இரண்டாவது பகுதி **டிகோடர்**, இது இந்த அம்சங்களை ஒரே உயரம் மற்றும் அகலத்துடன், மற்றும் சில சேனல்கள் கொண்ட படமாக மாற்றுகிறது, இது வகுப்புகளின் எண்ணிக்கைக்கு சமமாக இருக்கலாம்.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/segm.92442f2cb42ff4fa650fee858a3a02f55cf46825d9602115130e9e95a52a8526.ta.png\" width=\"80%\">\n",
|
||||
"<img src=\"../../../../../translated_images/segm.92442f2cb42ff4fa.ta.png\" width=\"80%\">\n",
|
||||
"\n",
|
||||
"> படம் [இந்த வெளியீட்டில்](https://arxiv.org/pdf/2001.05566.pdf) இருந்து\n"
|
||||
]
|
||||
|
|
@ -210,7 +210,7 @@
|
|||
"\n",
|
||||
"எளிய என்கோடர் - டிகோடர் கட்டமைப்பு, என்கோடரில் கன்வல்யூஷன்கள், பூலிங்கள் மற்றும் டிகோடரில் கன்வல்யூஷன்கள், அப்சாம்பிளிங்கள் கொண்டது.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/segnet.87377542aa5a8b76c6e19b715e86daec8da5c1124df41ab6064d8409b8579be6.ta.png\" width=\"80%\">\n",
|
||||
"<img src=\"../../../../../translated_images/segnet.87377542aa5a8b76.ta.png\" width=\"80%\">\n",
|
||||
"\n",
|
||||
"* Badrinarayanan, V., Kendall, A., & Cipolla, R. (2015). [SegNet: A deep convolutional\n",
|
||||
"encoder-decoder architecture for image segmentation](https://arxiv.org/pdf/1511.00561.pdf)\n"
|
||||
|
|
@ -602,7 +602,7 @@
|
|||
"\n",
|
||||
"U-Net பொதுவாக அம்சங்களைப் பிரித்தெடுப்பதற்கான இயல்பான என்கோடரை கொண்டுள்ளது, உதாரணமாக resnet50.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/unet.3adb555bf39d3657bf535321c7ee153dbdd32895189e915e014229a9c79cf1e3.ta.png\" width=\"70%\">\n",
|
||||
"<img src=\"../../../../../translated_images/unet.3adb555bf39d3657.ta.png\" width=\"70%\">\n",
|
||||
"\n",
|
||||
"* Ronneberger, Olaf, Philipp Fischer, மற்றும் Thomas Brox. [U-Net: Convolutional networks for biomedical image segmentation.](https://arxiv.org/pdf/1505.04597.pdf)\n"
|
||||
]
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# கணினி பார்வை
|
||||
|
||||
|
||||
|
||||
|
||||
இந்த பிரிவில் நாம் கற்றுக்கொள்ள போவது:
|
||||
|
||||
|
|
|
|||
|
|
@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
நடுநிலை மொழி செயலாக்க (NLP) பணிகளை நரம்பியல் வலையமைப்புகளுடன் தீர்க்க விரும்பினால், உரையை டென்சராக பிரதிநிதித்துவம் செய்ய ஒரு வழி தேவை. கணினிகள் ஏற்கனவே ASCII அல்லது UTF-8 போன்ற குறியீடுகளைப் பயன்படுத்தி உங்கள் திரையில் எழுத்துருக்களுக்கு வரைபடம் செய்யும் எண்களாக உரை எழுத்துக்களை பிரதிநிதித்துவம் செய்கின்றன.
|
||||
|
||||
<img alt="ஒரு எழுத்தை ASCII மற்றும் பைனரி பிரதிநிதித்துவத்திற்கு வரைபடம் செய்யும் வரைபடத்தை காட்டும் படம்" src="../../../../../translated_images/ascii-character-map.18ed6aa7f3b0a7ffeb29db95be05a245b6a20712bb2c3a9963c1ec7e9df70358.ta.png" width="50%"/>
|
||||
<img alt="ஒரு எழுத்தை ASCII மற்றும் பைனரி பிரதிநிதித்துவத்திற்கு வரைபடம் செய்யும் வரைபடத்தை காட்டும் படம்" src="../../../../../translated_images/ascii-character-map.18ed6aa7f3b0a7ff.ta.png" width="50%"/>
|
||||
|
||||
> [படத்தின் மூலதரவு](https://www.seobility.net/en/wiki/ASCII)
|
||||
|
||||
|
|
@ -48,7 +48,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உரை வகைப்படுத்தல் போன்ற பணிகளை தீர்க்கும்போது, நாங்கள் ஒரு நிலையான அளவுள்ள வெக்டராக உரையை பிரதிநிதித்துவம் செய்ய வேண்டும், இது இறுதி அடர்த்தியான வகைப்படுத்தலுக்கான உள்ளீடாக பயன்படுத்தப்படும். அதைச் செய்யும் எளிய வழிகளில் ஒன்று, அனைத்து தனிப்பட்ட வார்த்தை பிரதிநிதித்துவங்களை இணைப்பது, உதாரணமாக, அவற்றைச் சேர்ப்பது. ஒவ்வொரு வார்த்தையின் ஒற்றை-சூடான குறியீட்டுகளைச் சேர்த்தால், உரையின் உள்ளே ஒவ்வொரு வார்த்தையும் எத்தனை முறை தோன்றுகிறது என்பதை காட்டும் அதிர்வெண் வெக்டராக முடிவடையும். உரையின் இப்படிப்பட்ட பிரதிநிதித்துவம் **bag of words** (BoW) என்று அழைக்கப்படுகிறது.
|
||||
|
||||
<img src="../../../../../translated_images/bow.3811869cff59368d951c7a765ed20ebeaf7d10680eb602ea7c5312fb22f7b7ad.ta.png" width="90%"/>
|
||||
<img src="../../../../../translated_images/bow.3811869cff59368d.ta.png" width="90%"/>
|
||||
|
||||
> எழுத்தாளர் உருவாக்கிய படம்
|
||||
|
||||
|
|
|
|||
|
|
@ -199,7 +199,7 @@
|
|||
"\n",
|
||||
"**Bag of Words** (BoW) வெக்டர் பிரதிநிதித்துவம் என்பது மிகவும் பரவலாக பயன்படுத்தப்படும் பாரம்பரிய வெக்டர் பிரதிநிதித்துவமாகும். ஒவ்வொரு சொல்லும் ஒரு வெக்டர் குறியீட்டுடன் இணைக்கப்பட்டிருக்கும், வெக்டர் கூறு குறிப்பிட்ட ஆவணத்தில் ஒரு சொல்லின் நிகழ்வுகளின் எண்ணிக்கையை கொண்டிருக்கும்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: BoW ஐ உரையில் உள்ள தனிப்பட்ட சொற்களுக்கான அனைத்து ஒரே-ஹாட்-கோடிடப்பட்ட வெக்டர்களின் கூட்டமாகவும் நீங்கள் சிந்திக்கலாம்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -188,7 +188,7 @@
|
|||
"\n",
|
||||
"**Bag-of-words** (BoW) வெக்டர் பிரதிநிதித்துவம் பாரம்பரிய வெக்டர் பிரதிநிதித்துவங்களில் மிகவும் எளிதாக புரிந்துகொள்ளக்கூடியது. ஒவ்வொரு சொல்லும் ஒரு வெக்டர் குறியீட்டுடன் இணைக்கப்பட்டிருக்கும், மேலும் ஒரு வெக்டர் கூறு ஒரு குறிப்பிட்ட ஆவணத்தில் ஒவ்வொரு சொல்லின் நிகழ்வுகளின் எண்ணிக்கையை கொண்டிருக்கும்.\n",
|
||||
"\n",
|
||||
" \n",
|
||||
" \n",
|
||||
"\n",
|
||||
"> **Note**: BoW-ஐ உரையில் உள்ள தனிப்பட்ட சொற்களுக்கான அனைத்து ஒரே-ஹாட்-கோடிடப்பட்ட வெக்டர்களின் கூட்டமாகவும் நீங்கள் சிந்திக்கலாம்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -62,7 +62,7 @@
|
|||
"\n",
|
||||
"எங்கள் நெட்வொர்க்கில் முதல் லேயராக எம்பெடிங் லேயரை பயன்படுத்துவதன் மூலம், நாம் bag-of-words மாடலிலிருந்து **embedding bag** மாடலுக்கு மாற முடியும், இதில் முதலில் எங்கள் உரையில் உள்ள ஒவ்வொரு சொல்லையும் தொடர்புடைய எம்பெடிங்காக மாற்றி, பின்னர் அந்த எம்பெடிங்களிலிருந்து `sum`, `average` அல்லது `max` போன்ற ஒரு தொகுப்புக் செயல்பாட்டை கணக்கிடலாம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"எங்கள் வகைப்பாட்டாளர் நரம்பியல் நெட்வொர்க் எம்பெடிங் லேயருடன் தொடங்கும், பின்னர் தொகுப்பு லேயர், மற்றும் அதன் மேல் லினியர் வகைப்பாட்டாளர்:\n"
|
||||
]
|
||||
|
|
@ -176,7 +176,7 @@
|
|||
"\n",
|
||||
"முந்தைய கட்டமைப்பில், மினிபேட்சில் பொருந்துவதற்காக அனைத்து வரிசைகளையும் ஒரே நீளத்திற்கு பதம் செய்ய வேண்டியிருந்தது. மாறுபட்ட நீள வரிசைகளை பிரதிநிதித்துவப்படுத்த இது மிகவும் திறமையான வழி அல்ல - மற்றொரு அணுகுமுறை **offset** வெக்டரைப் பயன்படுத்துவது, இது ஒரு பெரிய வெக்டரில் சேமிக்கப்பட்ட அனைத்து வரிசைகளின் இடைவெளிகளை வைத்திருக்கும்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"> **Note**: மேலே உள்ள படத்தில், நாம் எழுத்துக்களின் வரிசையை காட்டுகிறோம், ஆனால் எங்கள் எடுத்துக்காட்டில் நாம் சொற்களின் வரிசைகளுடன் வேலை செய்கிறோம். இருப்பினும், offset வெக்டருடன் வரிசைகளை பிரதிநிதித்துவப்படுத்தும் பொது கொள்கை மாறாமல் இருக்கும்.\n",
|
||||
"\n",
|
||||
|
|
@ -311,7 +311,7 @@
|
|||
"\n",
|
||||
"CBoW வேகமாக செயல்படுகிறது, ஆனால் ஸ்கிப்-கிராம் மெதுவாக செயல்படுகிறது, ஆனால் அரிதான வார்த்தைகளை பிரதிநிதித்துவப்படுத்த சிறப்பாக செயல்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News தரவுத்தொகுப்பில் முன்கூட்டியே பயிற்சி செய்யப்பட்ட word2vec எம்பெடிங்குடன் பரிசோதிக்க, **gensim** நூலகத்தை பயன்படுத்தலாம். கீழே 'neural' என்ற வார்த்தைக்கு மிகவும் ஒத்த வார்த்தைகளை காணலாம்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@
|
|||
"\n",
|
||||
"எங்கள் நெட்வொர்க்கில் முதல் லேயராக எம்பெடிங் லேயரை பயன்படுத்துவதன் மூலம், **bag-of-words** மாடலிலிருந்து **embedding bag** மாடலுக்கு மாற முடியும். இதில், முதலில் எங்கள் உரையில் உள்ள ஒவ்வொரு வார்த்தையையும் அதற்கான எம்பெடிங்கில் மாற்றி, பின்னர் அந்த எம்பெடிங்குகளின் மீது `sum`, `average` அல்லது `max` போன்ற ஒரு தொகுப்புக் செயல்பாட்டை கணக்கிடலாம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"எங்கள் வகைப்பாட்டாளர் நரம்பியல் நெட்வொர்க்கில் பின்வரும் லேயர்கள் உள்ளன:\n",
|
||||
"\n",
|
||||
|
|
@ -283,7 +283,7 @@
|
|||
"\n",
|
||||
"CBoW வேகமாக செயல்படுகிறது, ஆனால் skip-gram மெதுவாக இருந்தாலும், அரிதான வார்த்தைகளை பிரதிநிதித்துவப்படுத்துவதில் சிறப்பாக செயல்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"Google News dataset-ல் முன்கூட்டியே பயிற்சி செய்யப்பட்ட Word2Vec embedding-ஐ பரிசோதிக்க, **gensim** நூலகத்தைப் பயன்படுத்தலாம். கீழே 'neural' என்ற வார்த்தைக்கு மிகவும் ஒத்த வார்த்தைகளை காணலாம்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ BoW அல்லது TF/IDF அடிப்படையில் வகைப
|
|||
|
||||
எங்கள் வகைப்பாட்டாளர் நெட்வொர்க்கில் முதல் லேயராக எம்பெடிங் லேயரைப் பயன்படுத்துவதன் மூலம், BoW மாடலிலிருந்து **embedding bag** மாடலுக்கு மாறலாம், இதில் முதலில் எங்கள் உரையில் உள்ள ஒவ்வொரு வார்த்தையையும் தொடர்புடைய எம்பெடிங்காக மாற்றி, பின்னர் அந்த எம்பெடிங்குகளின் மீது `sum`, `average` அல்லது `max` போன்ற சில தொகுப்பு செயல்பாடுகளை கணக்கிடலாம்.
|
||||
|
||||
|
||||
|
||||
|
||||
> படத்தை உருவாக்கியவர்
|
||||
|
||||
|
|
@ -40,7 +40,7 @@ BoW அல்லது TF/IDF அடிப்படையில் வகைப
|
|||
|
||||
CBoW வேகமாக செயல்படுகிறது, ஆனால் skip-gram மெதுவாக செயல்படுகிறது, ஆனால் அரிதான வார்த்தைகளை பிரதிநிதித்துவப்படுத்த சிறந்த வேலை செய்கிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> [இந்த ஆவணத்தில்](https://arxiv.org/pdf/1301.3781.pdf) இருந்து படம்
|
||||
|
||||
|
|
|
|||
|
|
@ -23,7 +23,7 @@ Word2Vec மற்றும் GloVe போன்ற அர்த்த அட
|
|||
* **கண்டினியூயஸ் பேக்-ஆஃப்-வேர்ட்ஸ்** (CBoW), இதில் நாம் ஒரு டோக்கன் வரிசையில் நடுவிலுள்ள டோக்கன் $W_0$ ஐ கணிக்கிறோம் $W_{-N}$, ..., $W_N$.
|
||||
* **ஸ்கிப்-கிராம்**, இதில் நாம் நடுவிலுள்ள டோக்கன் $W_0$ ஐ வைத்து அண்டை டோக்கன்களின் தொகுப்பை {$W_{-N},\dots, W_{-1}, W_1,\dots, W_N$} கணிக்கிறோம்.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [இந்த ஆராய்ச்சி ஆவணத்திலிருந்து](https://arxiv.org/pdf/1301.3781.pdf)
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உரையின் வரிசை அர்த்தத்தைப் பிடிக்க, **மீண்டும் நிகழும் நரம்பியல் வலை**, அல்லது RNN எனப்படும் மற்றொரு நரம்பியல் வலை கட்டமைப்பைப் பயன்படுத்த வேண்டும். RNN இல், நாங்கள் எங்கள் வாக்கியத்தை ஒவ்வொரு சின்னத்தையும் ஒரு நேரத்தில் வலையமைப்பில் அனுப்புகிறோம், மற்றும் வலையமைப்பு சில **நிலை** உருவாக்குகிறது, அதை அடுத்த சின்னத்துடன் மீண்டும் வலையமைப்பில் அனுப்புகிறோம்.
|
||||
|
||||
|
||||
|
||||
|
||||
> படத்தை உருவாக்கியவர்
|
||||
|
||||
|
|
@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
ஒரு எளிய RNN செல்லில் இரண்டு எடை மடிக்கோவைகள் உள்ளன: ஒன்று உள்ளீட்டு சின்னத்தை மாற்றுகிறது (W என்று அழைக்கலாம்), மற்றொன்று உள்ளீட்டு நிலையை மாற்றுகிறது (H). இந்த வழக்கில் வலையமைப்பின் வெளியீடு σ(W×X<sub>i</sub>+H×S<sub>i-1</sub>+b) என கணக்கிடப்படுகிறது, இங்கு σ செயல்பாட்டைச் செயல்படுத்தும் செயல்பாடு மற்றும் b கூடுதல் பாகுபாடு.
|
||||
|
||||
<img alt="RNN செல் அமைப்பு" src="../../../../../translated_images/rnn-anatomy.79ee3f3920b3294bd52e9543ef36102dbca3cecf6d4d78d8c63bf0bbc95fdc90.ta.png" width="50%"/>
|
||||
<img alt="RNN செல் அமைப்பு" src="../../../../../translated_images/rnn-anatomy.79ee3f3920b3294b.ta.png" width="50%"/>
|
||||
|
||||
> படத்தை உருவாக்கியவர்
|
||||
|
||||
|
|
@ -61,7 +61,7 @@ LSTM வலையமைப்பு RNN போலவே அமைக்கப்
|
|||
|
||||
ஒரு மீண்டும் நிகழும் வலையமைப்பு, ஒரு திசை அல்லது இருவழி, ஒரு வரிசையின் குறிப்பிட்ட முறைமைகளைப் பிடிக்கிறது, மற்றும் அவற்றை நிலை வெக்டரில் சேமிக்க அல்லது வெளியீட்டிற்கு அனுப்ப முடியும். குவியல்முறை வலையமைப்புகளின் வழக்கில், முதல் அடுக்கால் எடுக்கப்பட்ட குறைந்த நிலை முறைமைகளிலிருந்து கட்டமைக்க, முதல் அடுக்கால் எடுக்கப்பட்ட குறைந்த நிலை முறைமைகளைப் பிடிக்க மற்றொரு மீண்டும் நிகழும் அடுக்கை மேலே கட்டமைக்கலாம். இது **பல அடுக்கு RNN** என்ற கருத்துக்கு வழிவகுக்கிறது, இது இரண்டு அல்லது அதற்கு மேற்பட்ட மீண்டும் நிகழும் வலையமைப்புகளைக் கொண்டுள்ளது, இதில் முந்தைய அடுக்கின் வெளியீடு அடுத்த அடுக்கிற்கு உள்ளீடாக அனுப்பப்படுகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
*Fernando López எழுதிய [இந்த அற்புதமான பதிவிலிருந்து](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) படம்*
|
||||
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"உரையின் வரிசை அர்த்தத்தைப் பிடிக்க, **மீளும் நரம்பியல் வலை**, அல்லது RNN எனப்படும் மற்றொரு நரம்பியல் வலை கட்டமைப்பைப் பயன்படுத்த வேண்டும். RNN இல், நாங்கள் எங்கள் வாக்கியத்தை ஒவ்வொரு சின்னத்தையும் ஒரே நேரத்தில் வலையமைப்பில் கடத்துகிறோம், மற்றும் வலையமைப்பு சில **நிலை** உருவாக்குகிறது, அதை அடுத்த சின்னத்துடன் மீண்டும் வலையமைப்பில் கடத்துகிறோம்.\n",
|
||||
"\n",
|
||||
"<img alt=\"RNN\" src=\"../../../../../translated_images/rnn.27f5c29c53d727b546ad3961637a267f0fe9ec5ab01f2a26a853c92fcefbb574.ta.png\" width=\"60%\"/>\n",
|
||||
"<img alt=\"RNN\" src=\"../../../../../translated_images/rnn.27f5c29c53d727b5.ta.png\" width=\"60%\"/>\n",
|
||||
"\n",
|
||||
"உள்ளீட்டு டோக்கன்களின் வரிசை $X_0,\\dots,X_n$ கொடுக்கப்பட்டால், RNN நரம்பியல் வலைகள் வரிசையை உருவாக்குகிறது, மற்றும் இந்த வரிசையை முடிவு-to-end முறையில் பின்செலுத்தல் மூலம் பயிற்சி செய்கிறது. ஒவ்வொரு வலைகள் தொகுதியும் $(X_i,S_i)$ என்ற ஜோடியை உள்ளீடாக எடுத்து, $S_{i+1}$ என்ற முடிவை உருவாக்குகிறது. இறுதி நிலை $S_n$ அல்லது வெளியீடு $X_n$ ஒரு நேரியல் வகைப்பாட்டாளருக்குள் செலுத்தப்பட்டு முடிவை உருவாக்குகிறது. அனைத்து வலைகள் தொகுதிகளும் ஒரே எடைகளைப் பகிர்ந்து கொள்கின்றன, மற்றும் ஒரு பின்செலுத்தல் முறையில் முடிவு-to-end பயிற்சி செய்யப்படுகின்றன.\n",
|
||||
"\n",
|
||||
|
|
@ -428,7 +428,7 @@
|
|||
"\n",
|
||||
"ஒரு திசை அல்லது இரு திசை மீளச்சுழற்சி நெட்வொர்க்கு, ஒரு வரிசையின் குறிப்பிட்ட முறைமைகளை பிடித்து, அவற்றை state வெக்டரில் சேமிக்க அல்லது output-க்கு அனுப்ப முடியும். குவால்வோல்யூஷனல் நெட்வொர்க்குகளின் (convolutional networks) போல, முதல் அடுக்கால் எடுக்கப்பட்ட குறைந்த நிலை முறைமைகளிலிருந்து உயர் நிலை முறைமைகளை பிடிக்க, முதல் அடுக்கின் மேல் மற்றொரு மீளச்சுழற்சி அடுக்கை கட்டமைக்கலாம். இது **பல அடுக்கு RNN** என்ற கருத்துக்கு வழிவகுக்கிறது, இது இரண்டு அல்லது அதற்கு மேற்பட்ட மீளச்சுழற்சி நெட்வொர்க்குகளை கொண்டுள்ளது, இதில் முந்தைய அடுக்கின் output அடுத்த அடுக்கிற்கு input ஆக அனுப்பப்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*Fernando López எழுதிய [இந்த அற்புதமான பதிவிலிருந்து](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) படம்*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -10,7 +10,7 @@
|
|||
"\n",
|
||||
"ஒரு உரை வரிசையின் அர்த்தத்தைப் பிடிக்க, **மீண்டும் நிகழும் நரம்பியல் வலை**, அல்லது RNN எனப்படும் நரம்பியல் வலை கட்டமைப்பைப் பயன்படுத்துவோம். RNN பயன்படுத்தும்போது, நாங்கள் எங்கள் வாக்கியத்தை வலைகளின் வழியாக ஒரு டோக்கன் ஒன்றாக அனுப்புகிறோம், மற்றும் வலைகள் சில **நிலை** உருவாக்குகிறது, அதை அடுத்த டோக்கனுடன் மீண்டும் வலைகளுக்கு அனுப்புகிறோம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"$X_0,\\dots,X_n$ என்ற உள்ளீட்டு டோக்கன் வரிசையைத் தரும்போது, RNN நரம்பியல் வலைகள் வரிசையை உருவாக்குகிறது, மற்றும் இந்த வரிசையை முடிவுக்கு கொண்டு செல்ல ஒரு பின்செலுத்தல் செயல்பாட்டைப் பயன்படுத்தி பயிற்சி செய்கிறது. ஒவ்வொரு வலைகள் தொகுதியும் $(X_i,S_i)$ என்ற ஜோடியை உள்ளீடாக எடுத்து, $S_{i+1}$ என்ற முடிவை உருவாக்குகிறது. இறுதி நிலை $S_n$ அல்லது வெளியீடு $Y_n$ ஒரு நேரியல் வகைப்பாட்டாளருக்கு செல்கிறது முடிவை உருவாக்க. அனைத்து வலைகள் தொகுதிகளும் ஒரே எடைகளைப் பகிர்ந்து கொள்கின்றன, மற்றும் ஒரு பின்செலுத்தல் செயல்பாட்டைப் பயன்படுத்தி முடிவுக்கு பயிற்சி செய்யப்படுகின்றன.\n",
|
||||
"\n",
|
||||
|
|
@ -371,7 +371,7 @@
|
|||
"\n",
|
||||
"மீள்நோக்கு நெட்வொர்க்குகள், ஒருதிசை அல்லது இருதிசை, ஒரு வரிசையின் உள்ளமைப்புகளைப் பிடித்து, அவற்றை நிலை வெக்டர்களில் சேமிக்கின்றன அல்லது அவற்றை வெளியீடாக திருப்பி விடுகின்றன. குவால்வோல்யூஷன் நெட்வொர்க்குகளின் போல், முதல் அடுக்கால் எடுக்கப்பட்ட கீழ்நிலை அமைப்புகளிலிருந்து மேல்நிலை அமைப்புகளைப் பிடிக்க, முதல் அடுக்கைத் தொடர்ந்து மற்றொரு மீள்நோக்கு அடுக்கை உருவாக்கலாம். இது **பல அடுக்கு RNN** என்ற கருத்துக்கு வழிவகுக்கிறது, இது இரண்டு அல்லது அதற்கு மேற்பட்ட மீள்நோக்கு நெட்வொர்க்குகளை கொண்டுள்ளது, இதில் முந்தைய அடுக்கின் வெளியீடு அடுத்த அடுக்கிற்கு உள்ளீடாக அனுப்பப்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Fernando López எழுதிய இந்த அற்புதமான பதிவிலிருந்து](https://towardsdatascience.com/from-a-lstm-cell-to-a-multilayer-lstm-network-with-pytorch-2899eb5696f3) படம்.*\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -119,7 +119,7 @@
|
|||
"\n",
|
||||
"RNN-ஐ உரை உருவாக்க பயிற்சி செய்வது இதுவே. ஒவ்வொரு படியிலும், `nchars` நீளமான எழுத்துக்களின் வரிசையை எடுத்து, ஒவ்வொரு உள்ளீட்டு எழுத்துக்கான அடுத்த வெளியீட்டு எழுத்தை உருவாக்க வலியுறுத்துவோம்:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"உண்மையான சூழ்நிலைக்கு ஏற்ப, *end-of-sequence* `<eos>` போன்ற சில சிறப்பு எழுத்துக்களை சேர்க்க விரும்பலாம். எங்கள் நிலைமையில், முடிவில்லாத உரை உருவாக்கத்திற்காக நெட்வொர்க்கை பயிற்சி செய்ய விரும்புகிறோம், எனவே ஒவ்வொரு வரிசையின் அளவையும் `nchars` டோக்கன்களாக நிர்ணயிக்கிறோம். இதனால், ஒவ்வொரு பயிற்சி எடுத்துக்காட்டும் `nchars` உள்ளீடுகள் மற்றும் `nchars` வெளியீடுகளை (உள்ளீட்டு வரிசை ஒரு சின்னத்தை இடதுபுறம் நகர்த்தியது) கொண்டிருக்கும். மினிபேட்ச் பல இத்தகைய வரிசைகளைக் கொண்டிருக்கும்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -113,7 +113,7 @@
|
|||
"\n",
|
||||
"செய்தி தலைப்புகளை உருவாக்க RNN-ஐ பயிற்சி செய்யும் முறை இதுவாகும். ஒவ்வொரு படியிலும், ஒரு தலைப்பை எடுத்து, அதை RNN-க்கு வழங்கி, ஒவ்வொரு உள்ளீட்டு எழுத்துக்காக, நெட்வொர்க்கை அடுத்த வெளியீட்டு எழுத்தை உருவாக்குமாறு கேட்கப்படும்:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"எங்கள் வரிசையின் கடைசி எழுத்துக்காக, நெட்வொர்க்கை `<eos>` டோக்கனை உருவாக்குமாறு கேட்போம்.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
இதனால், கீழே உள்ள படத்தில் காட்டப்பட்டுள்ள பல்வேறு நரம்பியல் கட்டமைப்புகள் உருவாகின்றன:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Andrej Karpaty](http://karpathy.github.io/) எழுதிய [Unreasonable Effectiveness of Recurrent Neural Networks](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) என்ற வலைப்பதிவிலிருந்து படம்
|
||||
|
||||
|
|
@ -32,11 +32,11 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
இந்த RNN-ஐ படி படியாக உரை உருவாக்க பயிற்சி செய்யலாம். ஒவ்வொரு படியிலும், `nchars` நீளத்திலான எழுத்துக்களின் வரிசையை எடுத்து, ஒவ்வொரு உள்ளீட்டு எழுத்துக்கான அடுத்த வெளியீட்டு எழுத்தை நெட்வொர்க்கிடம் கேட்போம்:
|
||||
|
||||
|
||||
|
||||
|
||||
உரை உருவாக்கும் போது (தீர்மானத்தில்), சில **தூண்டுதல்** மூலம் தொடங்குவோம், இது RNN செல்களுக்குள் செலுத்தப்பட்டு அதன் இடைநிலை நிலையை உருவாக்கும், பின்னர் இந்த நிலையிலிருந்து உருவாக்கம் தொடங்கும். ஒவ்வொரு நேரத்திலும் ஒரு எழுத்தை உருவாக்கி, அந்த நிலை மற்றும் உருவாக்கப்பட்ட எழுத்தை மற்றொரு RNN செலுக்கு அனுப்பி அடுத்த எழுத்தை உருவாக்குவோம், தேவையான அளவு எழுத்துகளை உருவாக்கும் வரை.
|
||||
|
||||
<img src="../../../../../translated_images/rnn-generate-inf.5168dc65e0370eeab36f83885ba6b5bf56265698de5ddbd8648dc3653e1f0b9b.ta.png" width="60%"/>
|
||||
<img src="../../../../../translated_images/rnn-generate-inf.5168dc65e0370eea.ta.png" width="60%"/>
|
||||
|
||||
> எழுத்தாளர் உருவாக்கிய படம்
|
||||
|
||||
|
|
|
|||
|
|
@ -20,13 +20,13 @@ RNNகளுடன், வரிசை-முதல்-வரிசை இரண
|
|||
|
||||
**கவன механизмங்கள்** RNN இன் ஒவ்வொரு வெளியீட்டு கணிப்பில் உள்ளீட்டு வெக்டரின் சூழலியல் தாக்கத்தை எடுக்கும் ஒரு வழியை வழங்குகின்றன. இது செயல்படுத்தப்படும் விதம், உள்ளீட்டு RNN மற்றும் வெளியீட்டு RNN இன் இடைநிலை நிலைகளுக்கு இடையே குறுக்குவழிகளை உருவாக்குவதன் மூலம். இந்த முறையில், y<sub>t</sub> வெளியீட்டு சின்னத்தை உருவாக்கும்போது, h<sub>i</sub> உள்ளீட்டு மறைமாநிலங்களை, வெவ்வேறு எடை குணகங்கள் α<sub>t,i</sub> உடன் கணக்கில் எடுத்துக்கொள்வோம்.
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) இல் சேர்க்கை கவன механизмம் கொண்ட என்கோடர்-டிகோடர் மாடல், [இந்த வலைப்பதிவு](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) இல் மேற்கோள்.
|
||||
|
||||
கவன அணி {α<sub>i,j</sub>} என்பது ஒரு வெளியீட்டு வரிசையில் ஒரு குறிப்பிட்ட வார்த்தையை உருவாக்குவதில் சில உள்ளீட்டு வார்த்தைகள் விளையாடும் அளவை பிரதிநிதித்துவப்படுத்தும். கீழே ஒரு அத்தகைய அணி எடுத்துக்காட்டாக உள்ளது:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) இல் இருந்து எடுத்த படம்
|
||||
|
||||
|
|
@ -56,7 +56,7 @@ RNNகளுடன், வரிசை-முதல்-வரிசை இரண
|
|||
* டோக்கன் எம்பெடிங் போன்ற பயிற்சி செய்யக்கூடிய எம்பெடிங். இது இங்கு நாம் கருதும் அணுகுமுறை. டோக்கன்களுக்கும் அவற்றின் நிலைகளுக்கும் மேல் எம்பெடிங் அடுக்குகளைப் பயன்படுத்துகிறோம், இதனால் ஒரே பரிமாணங்களின் எம்பெடிங் வெக்டர்கள் கிடைக்கின்றன, பின்னர் அவற்றை ஒன்றாகச் சேர்க்கிறோம்.
|
||||
* அசையாத நிலை குறியீட்டு செயல்பாடு, அசல் ஆவணத்தில் முன்மொழியப்பட்டது.
|
||||
|
||||
<img src="../../../../../translated_images/pos-embedding.e41ce9b6cf6078afd28da02f27e33ac7026ed4c156491df7ad9aa96be7c194bb.ta.png" width="50%"/>
|
||||
<img src="../../../../../translated_images/pos-embedding.e41ce9b6cf6078af.ta.png" width="50%"/>
|
||||
|
||||
> எழுத்தாளரின் படம்
|
||||
|
||||
|
|
@ -66,7 +66,7 @@ RNNகளுடன், வரிசை-முதல்-வரிசை இரண
|
|||
|
||||
அடுத்ததாக, நமது வரிசையில் சில முறைபாடுகளைப் பிடிக்க வேண்டும். இதைச் செய்ய, டிரான்ஸ்ஃபார்மர்கள் **சுய-கவன механизмம்** பயன்படுத்துகின்றன, இது உள்ளீட்டு மற்றும் வெளியீட்டாக ஒரே வரிசையில் கவனம் செலுத்துவது ஆகும். சுய-கவனத்தைப் பயன்படுத்துவது வாக்கியத்தின் **சூழலத்தை** கணக்கில் எடுத்துக்கொள்ளவும், எந்த வார்த்தைகள் தொடர்புடையவை என்பதைப் பார்க்கவும் உதவுகிறது. உதாரணமாக, *it* போன்ற இணைப்புகள் எந்த வார்த்தைகளை குறிப்பிடுகின்றன என்பதைப் பார்க்கவும், சூழலத்தை கணக்கில் எடுத்துக்கொள்ளவும் உதவுகிறது:
|
||||
|
||||
|
||||
|
||||
|
||||
> [Google வலைப்பதிவு](https://research.googleblog.com/2017/08/transformer-novel-neural-network.html) இல் இருந்து எடுத்த படம்
|
||||
|
||||
|
|
@ -91,7 +91,7 @@ RNNகளுடன், வரிசை-முதல்-வரிசை இரண
|
|||
|
||||
**BERT** (Bidirectional Encoder Representations from Transformers) என்பது 12 அடுக்குகளைக் கொண்ட *BERT-base* மற்றும் 24 அடுக்குகளைக் கொண்ட *BERT-large* ஆகியவற்றுடன் மிகப்பெரிய பல அடுக்கு டிரான்ஸ்ஃபார்மர் நெட்வொர்க் ஆகும். மாடல் முதலில் ஒரு பெரிய உரை தரவுத்தொகுப்பில் (WikiPedia + புத்தகங்கள்) மேற்பயிற்சி செய்யப்படுகிறது, இது கண்காணிக்கப்படாத பயிற்சியைப் (ஒரு வாக்கியத்தில் மறைக்கப்பட்ட வார்த்தைகளை கணிக்க) பயன்படுத்துகிறது. மேற்பயிற்சியின் போது, மாடல் முக்கியமான அளவிலான மொழி புரிதலை உறிஞ்சுகிறது, இது பிற தரவுத்தொகுப்புகளுடன் நன்றாக தகுந்து பயன்படுத்தப்படலாம். இந்த செயல்முறை **மாற்றம் கற்றல்** என்று அழைக்கப்படுகிறது.
|
||||
|
||||
|
||||
|
||||
|
||||
> படம் [மூலம்](http://jalammar.github.io/illustrated-bert/)
|
||||
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**கவனிப்பு முறைமைகள்** RNN இன் ஒவ்வொரு வெளியீட்டு கணிப்பில் உள்ளீட்டு வெக்டரின் சூழலியல் தாக்கத்தை எடுக்கும் ஒரு வழியை வழங்குகின்றன. இது செயல்படுத்தப்படும் விதம் என்னவென்றால், உள்ளீட்டு RNN இன் இடைநிலை நிலைகள் மற்றும் வெளியீட்டு RNN இடையே குறுக்குவழிகளை உருவாக்குவதன் மூலம். இந்த முறையில், $y_t$ என்ற வெளியீட்டு சின்னத்தை உருவாக்கும்போது, வித்தியாசமான எடை குணகங்கள் $\\alpha_{t,i}$ உடன் அனைத்து உள்ளீட்டு மறைமறைநிலை நிலைகள் $h_i$ ஐ கருத்தில் கொள்ளுவோம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) இல் சேர்க்கை கவனிப்பு முறைமையுடன் குறியாக்கி-குறியாக்கி மாடல், [இந்த வலைப்பதிவு](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) இடமிருந்து மேற்கோள்]*\n",
|
||||
"\n",
|
||||
"கவனிப்பு அணி $\\{\\alpha_{i,j}\\}$ என்பது ஒரு குறிப்பிட்ட உள்ளீட்டு சொற்கள் வெளியீட்டு வரிசையில் ஒரு குறிப்பிட்ட சொல்லை உருவாக்குவதில் விளையாடும் அளவை பிரதிநிதித்துவப்படுத்தும். கீழே அத்தகைய அணியின் உதாரணம் உள்ளது:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) இல் இருந்து எடுத்த படம்]*\n",
|
||||
"\n",
|
||||
|
|
@ -35,7 +35,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) என்பது *BERT-base* க்கு 12 அடுக்குகள் மற்றும் *BERT-large* க்கு 24 அடுக்குகளுடன் மிகப்பெரிய பன்மடங்கு டிரான்ஸ்ஃபார்மர் நெட்வொர்க் ஆகும். இந்த மாடல் முதலில் பெரிய உர தரவுத்தொகுப்பில் (WikiPedia + புத்தகங்கள்) மேற்பயிற்சி செய்யப்படுகிறது, இது மேற்பார்வையற்ற பயிற்சியை (ஒரு வாக்கியத்தில் மறைக்கப்பட்ட சொற்களை கணிக்க) பயன்படுத்துகிறது. மேற்பயிற்சியின் போது, மாடல் முக்கியமான அளவிலான மொழி புரிதலை உறிஞ்சுகிறது, இது பிற தரவுத்தொகுப்புகளுடன் நன்றாக அமைத்துக்கொள்ள முடியும். இந்த செயல்முறை **மாற்றக் கற்றல்** என்று அழைக்கப்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"BERT, DistilBERT, BigBird, OpenGPT3 மற்றும் பலவற்றை fine-tune செய்யக்கூடிய டிரான்ஸ்ஃபார்மர் கட்டமைப்புகளின் பல மாறுபாடுகள் உள்ளன. [HuggingFace package](https://github.com/huggingface/) PyTorch உடன் இந்த கட்டமைப்புகளில் பலவற்றை பயிற்சி செய்ய ஒரு களஞ்சியத்தை வழங்குகிறது.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -12,12 +12,12 @@
|
|||
"\n",
|
||||
"**கவனிப்பு முறைமைகள்** RNN இன் ஒவ்வொரு வெளியீட்டு கணிப்பில் உள்ளீட்டு வெக்டரின் சூழலியல் தாக்கத்தை எடுக்கும் ஒரு வழியை வழங்குகின்றன. இது செயல்படுத்தப்படும் விதம் என்னவென்றால், உள்ளீட்டு RNN இன் இடைநிலை நிலைகளுக்கும் வெளியீட்டு RNN க்கும் இடையில் குறுக்குவழிகளை உருவாக்குவதன் மூலம். இந்த முறையில், $y_t$ என்ற வெளியீட்டு சின்னத்தை உருவாக்கும்போது, வித்தியாசமான எடை குணகங்கள் $\\alpha_{t,i}$ உடன் அனைத்து உள்ளீட்டு மறைமாநிலங்களை $h_i$ கணக்கில் எடுத்துக்கொள்வோம்.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) இல் உள்ள கூட்டல் கவனிப்பு முறைமையுடன் குறியாக்கி-குறியாக்கி மாடல், [இந்த வலைப்பதிவு](https://lilianweng.github.io/lil-log/2018/06/24/attention-attention.html) இடமிருந்து மேற்கோள்]*\n",
|
||||
"\n",
|
||||
"கவனிப்பு அட்டவணை $\\{\\alpha_{i,j}\\}$ ஒரு குறிப்பிட்ட உள்ளீட்டு சொற்கள் வெளியீட்டு வரிசையில் ஒரு கொடுக்கப்பட்ட சொல்லை உருவாக்குவதில் எந்த அளவுக்கு பங்கு வகிக்கின்றன என்பதை பிரதிநிதித்துவப்படுத்தும். கீழே அத்தகைய அட்டவணையின் உதாரணம் உள்ளது:\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"*[Bahdanau et al., 2015](https://arxiv.org/pdf/1409.0473.pdf) (Fig.3) இல் இருந்து எடுத்த படம்]*\n",
|
||||
"\n",
|
||||
|
|
@ -92,7 +92,7 @@
|
|||
"source": [
|
||||
"இந்த அடுக்கு இரண்டு `Embedding` அடுக்குகளை கொண்டுள்ளது: டோக்கன்களை எம்பெடிங் செய்ய (முன்னதாக நாம் விவாதித்த முறையில்) மற்றும் டோக்கன் இடங்களை. டோக்கன் இடங்கள் `tf.range` பயன்படுத்தி 0 முதல் `maxlen` வரை இயற்கை எண்களின் வரிசையாக உருவாக்கப்படுகின்றன, பின்னர் எம்பெடிங் அடுக்கில் அனுப்பப்படுகின்றன. இரண்டு எம்பெடிங் வெக்டர்கள் சேர்க்கப்பட்டு, உள்ளீட்டின் இடமாற்ற எம்பெடிங் பிரதிநிதித்துவத்தை உருவாக்குகின்றன, இதன் வடிவம் `maxlen`$\\times$`embed_dim`.\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/pos-embedding.e41ce9b6cf6078afd28da02f27e33ac7026ed4c156491df7ad9aa96be7c194bb.ta.png\" width=\"40%\"/>\n",
|
||||
"<img src=\"../../../../../translated_images/pos-embedding.e41ce9b6cf6078af.ta.png\" width=\"40%\"/>\n",
|
||||
"\n",
|
||||
"இப்போது, டிரான்ஸ்ஃபார்மர் பிளாக்கை செயல்படுத்துவோம். இது முன்பு வரையறுக்கப்பட்ட எம்பெடிங் அடுக்கின் வெளியீட்டை எடுக்கும்:\n"
|
||||
]
|
||||
|
|
@ -134,7 +134,7 @@
|
|||
"\n",
|
||||
"இந்த அடுக்கின் வெளியீடு பின்னர் `Dense` நெட்வொர்க்கில் (எங்கள் வழக்கில் - இரண்டு அடுக்கு perceptron) அனுப்பப்படுகிறது, மற்றும் முடிவில் உள்ள வெளியீட்டுடன் சேர்க்கப்படுகிறது (மீண்டும் சீரமைக்கப்படுகிறது).\n",
|
||||
"\n",
|
||||
"<img src=\"../../../../../translated_images/transformer-layer.905e14747ca4e7d5cf1409e8bf8944c9b1d6e4f5ce3ab167918af65c4904d727.ta.png\" width=\"30%\" />\n",
|
||||
"<img src=\"../../../../../translated_images/transformer-layer.905e14747ca4e7d5.ta.png\" width=\"30%\" />\n",
|
||||
"\n",
|
||||
"இப்போது, முழுமையான transformer மாதிரியை வரையறுக்க தயாராக உள்ளோம்:\n"
|
||||
]
|
||||
|
|
@ -235,7 +235,7 @@
|
|||
"\n",
|
||||
"**BERT** (Bidirectional Encoder Representations from Transformers) என்பது மிகப்பெரிய, பல அடுக்கு மாற்றி நெட்வொர்க் ஆகும், இதில் *BERT-base* க்கு 12 அடுக்குகள் மற்றும் *BERT-large* க்கு 24 அடுக்குகள் உள்ளன. இந்த மாடல் முதலில் பெரிய உரை தரவுத்தொகுப்பில் (WikiPedia + புத்தகங்கள்) கண்காணிக்கப்படாத பயிற்சியை (ஒரு வாக்கியத்தில் மறைக்கப்பட்ட வார்த்தைகளை கணிக்க) பயன்படுத்தி முன்பயிற்சி செய்யப்படுகிறது. முன்பயிற்சியின் போது, மாடல் முக்கியமான மொழி புரிதலை உறிஞ்சுகிறது, இதை பிற தரவுத்தொகுப்புகளுடன் நன்றாகச் சீரமைத்து பயன்படுத்தலாம். இந்த செயல்முறை **மாற்றக் கற்றல்** என்று அழைக்கப்படுகிறது.\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"\n",
|
||||
"BERT, DistilBERT, BigBird, OpenGPT3 மற்றும் பலவற்றைச் சேர்த்து நன்றாகச் சீரமைக்கக்கூடிய பல மாற்றி கட்டமைப்புகளின் மாறுபாடுகள் உள்ளன.\n",
|
||||
"\n",
|
||||
|
|
|
|||
|
|
@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உங்கள் இயற்கை மொழி உரையாடல் சாட் பாட்டை உருவாக்க விரும்புகிறீர்கள் என்று நினைக்கவும், இது Amazon Alexa அல்லது Google Assistant போன்றது. புத்திசாலி சாட் பாட்டுகள் செயல்படுவது, பயனர் என்ன விரும்புகிறார் என்பதை *புரிந்து* கொள்ளும் வகையில் உள்ளீட்டு வாக்கியத்தில் உரை வகைப்படுத்தல் செய்வதன் மூலம். இந்த வகைப்படுத்தலின் முடிவு **நோக்கம்** என அழைக்கப்படுகிறது, இது சாட் பாட்டின் செயல்பாட்டை நிர்ணயிக்கிறது.
|
||||
|
||||
<img alt="Bot NER" src="../../../../../translated_images/bot-ner.4b09235dbb0ad2754ec1f54c8c797f902cbb0b45ac90b0cfc8287343cef8df2f.ta.png" width="50%"/>
|
||||
<img alt="Bot NER" src="../../../../../translated_images/bot-ner.4b09235dbb0ad275.ta.png" width="50%"/>
|
||||
|
||||
> படத்தை உருவாக்கியவர்
|
||||
|
||||
|
|
@ -58,7 +58,7 @@ infant | O
|
|||
|
||||
டோக்கன்கள் மற்றும் வகைகளுக்கு ஒரு-மற்றொரு தொடர்பை உருவாக்க வேண்டும் என்பதால், இந்த படத்திலிருந்து ஒரு சரியான **பல-மற்றொரு** நரம்பியல் வலை மாதிரியை உருவாக்கலாம்:
|
||||
|
||||
|
||||
|
||||
|
||||
> *இந்த [வலைப்பதிவில்](http://karpathy.github.io/2015/05/21/rnn-effectiveness/) இருந்து [Andrej Karpathy](http://karpathy.github.io/) எழுதிய படம். NER டோக்கன் வகைப்படுத்தல் மாதிரிகள் இந்த படத்தின் வலது பக்கம் உள்ள வலை معماريக்கு ஒத்ததாக உள்ளது.*
|
||||
|
||||
|
|
|
|||
|
|
@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
-->
|
||||
# இயற்கை மொழி செயலாக்கம்
|
||||
|
||||
|
||||
|
||||
|
||||
இந்த பிரிவில், **இயற்கை மொழி செயலாக்கம் (NLP)** தொடர்பான பணிகளை கையாள நரம்பியல் வலையமைப்புகளைப் பயன்படுத்துவதில் கவனம் செலுத்துவோம். கணினிகள் தீர்க்க வேண்டிய பல NLP பிரச்சினைகள் உள்ளன:
|
||||
|
||||
|
|
|
|||
|
|
@ -34,7 +34,7 @@ RL க்கான ஒரு சிறந்த கருவி [OpenAI Gym](htt
|
|||
|
||||
சமநிலையின் எளிமையான பதிப்பு **CartPole** பிரச்சினையாக அறியப்படுகிறது. CartPole உலகில், இடது அல்லது வலது நோக்கி நகரும் ஒரு கிடைமட்ட ஸ்லைடர் உள்ளது, மேலும் இலக்கு என்பது ஸ்லைடரின் மேல் ஒரு செங்குத்து தண்டை சமநிலையைப் பேணுவது.
|
||||
|
||||
<img alt="ஒரு CartPole" src="../../../../../translated_images/cartpole.f52a67f27e058170c25efc1bca8375b60906570ea757fe8d7ef04ae8e53df29d.ta.png" width="200"/>
|
||||
<img alt="ஒரு CartPole" src="../../../../../translated_images/cartpole.f52a67f27e058170.ta.png" width="200"/>
|
||||
|
||||
இந்த சூழலை உருவாக்கி பயன்படுத்த, Python கோடின் சில வரிகள் தேவை:
|
||||
|
||||
|
|
|
|||
|
|
@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA:
|
|||
|
||||
உங்கள் நோக்கம் OpenAI சூழலில் [Mountain Car](https://www.gymlibrary.ml/environments/classic_control/mountain_car/) ஐ கட்டுப்படுத்த RL முகவரை பயிற்சி செய்வதாகும்.
|
||||
|
||||
<img alt="Mountain Car" src="../../../../../../translated_images/mountaincar.f7b7a7f6d4f9933b31a5fb3453b9c026aa0d65f6644bb03513a955590aae1bc4.ta.png" width="300"/>
|
||||
<img alt="Mountain Car" src="../../../../../../translated_images/mountaincar.f7b7a7f6d4f9933b.ta.png" width="300"/>
|
||||
|
||||
## சூழல்
|
||||
|
||||
|
|
|
|||
|
|
@ -60,7 +60,7 @@ NetLogo ஐ [பதிவிறக்கம்](https://ccl.northwestern.edu/net
|
|||
|
||||
NetLogo இன் சிறப்பம்சம், இது நீங்கள் முயற்சிக்கக்கூடிய செயல்படும் மாதிரிகளின் நூலகத்தை கொண்டுள்ளது. **File → Models Library** க்கு செல்லவும், மேலும் நீங்கள் தேர்ந்தெடுக்க பல வகைகளின் மாதிரிகள் உள்ளன.
|
||||
|
||||
<img alt="NetLogo Models Library" src="../../../../../translated_images/NetLogo-ModelLib.efe023afb4763c059704a8ac0e2cd5e51889b117e8eac02aaa5334cfe1c52c13.ta.png" width="60%"/>
|
||||
<img alt="NetLogo Models Library" src="../../../../../translated_images/NetLogo-ModelLib.efe023afb4763c05.ta.png" width="60%"/>
|
||||
|
||||
> NetLogo மாதிரிகள் நூலகத்தின் ஸ்கிரீன்ஷாட் - Dmitry Soshnikov
|
||||
|
||||
|
|
@ -70,7 +70,7 @@ NetLogo இன் சிறப்பம்சம், இது நீங்க
|
|||
|
||||
மாதிரியைத் திறந்த பிறகு, நீங்கள் NetLogo இன் முக்கிய திரைக்கு கொண்டு செல்லப்படுகிறீர்கள். இங்கு முடிவான வளங்கள் (பசுமை) கொண்ட ஓநாய்கள் மற்றும் செம்மறியாடுகளின் மக்கள் தொகையை விவரிக்கும் மாதிரி உள்ளது.
|
||||
|
||||
|
||||
|
||||
|
||||
> Dmitry Soshnikov இன் ஸ்கிரீன்ஷாட்
|
||||
|
||||
|
|
|
|||
Loading…
Reference in New Issue