RomanNum3ral
/
AI-For-Beginners
mirror of https://github.com/microsoft/AI-For-Beginners.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity
AI-For-Beginners/translations/pl/AGENTS.md

11 KiB
Raw Blame History

AGENTS.md

Przegląd projektu

AI for Beginners to kompleksowy 12-tygodniowy, 24-lekcyjny program nauczania obejmujący podstawy sztucznej inteligencji. Repozytorium edukacyjne zawiera praktyczne lekcje z użyciem Jupyter Notebooks, quizy oraz laboratoria praktyczne. Program nauczania obejmuje:

  • Symboliczną AI z reprezentacją wiedzy i systemami ekspertowymi
  • Sieci neuronowe i głębokie uczenie z TensorFlow i PyTorch
  • Techniki i architektury widzenia komputerowego
  • Przetwarzanie języka naturalnego (NLP), w tym transformery i BERT
  • Tematy specjalistyczne: algorytmy genetyczne, uczenie ze wzmocnieniem, systemy wieloagentowe
  • Etyka AI i zasady odpowiedzialnej sztucznej inteligencji

Kluczowe technologie: Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (dla aplikacji quizowej)

Architektura: Repozytorium treści edukacyjnych z Jupyter Notebooks zorganizowane według obszarów tematycznych, uzupełnione aplikacją quizową opartą na Vue.js oraz szerokim wsparciem wielojęzycznym.

Polecenia konfiguracji

Podstawowe środowisko programistyczne (Python/Jupyter)

Program nauczania jest zaprojektowany do uruchamiania z Pythonem i Jupyter Notebooks. Zalecanym podejściem jest użycie miniconda:

# Clone the repository
git clone https://github.com/microsoft/ai-for-beginners
cd ai-for-beginners

# Create and activate conda environment
conda env create --name ai4beg --file environment.yml
conda activate ai4beg

# Start Jupyter Notebook
jupyter notebook
# OR
jupyter lab

Alternatywa: Użycie devcontainer

# Open in VS Code and select "Reopen in Container" when prompted
# The devcontainer will automatically set up the environment

Konfiguracja aplikacji quizowej

Aplikacja quizowa to oddzielna aplikacja Vue.js znajdująca się w etc/quiz-app/:

cd etc/quiz-app
npm install
npm run serve  # Development server
npm run build  # Production build
npm run lint   # Lint and fix files

Przepływ pracy programistycznej

Praca z Jupyter Notebooks

  1. Rozwój lokalny:

    • Aktywuj środowisko conda: conda activate ai4beg
    • Uruchom Jupyter: jupyter notebook lub jupyter lab
    • Przejdź do folderów lekcji i otwórz pliki .ipynb
    • Uruchamiaj komórki interaktywnie, aby śledzić lekcje

  2. VS Code z rozszerzeniem Python:

    • Otwórz repozytorium w VS Code
    • Zainstaluj rozszerzenie Python
    • VS Code automatycznie wykrywa i używa środowiska conda
    • Otwórz pliki .ipynb bezpośrednio w VS Code

  3. Rozwój w chmurze:

    • GitHub Codespaces: Kliknij "Code" → "Codespaces" → "Create codespace on main"
    • Binder: Użyj odznaki Binder na README, aby uruchomić w przeglądarce
    • Uwaga: Binder ma ograniczone zasoby i pewne ograniczenia dostępu do sieci

Wsparcie GPU dla zaawansowanych lekcji

Późniejsze lekcje znacznie korzystają z przyspieszenia GPU:

  • Azure Data Science VM: Użyj maszyn NC-series z obsługą GPU
  • Azure Machine Learning: Użyj funkcji notebooków z obliczeniami GPU
  • Google Colab: Prześlij notatniki indywidualnie (dostępne darmowe wsparcie GPU)

Rozwój aplikacji quizowej

cd etc/quiz-app
npm run serve  # Hot-reload development server at http://localhost:8080

Instrukcje testowania

To repozytorium edukacyjne skupia się na treściach edukacyjnych, a nie na testowaniu oprogramowania. Nie ma tradycyjnego zestawu testów.

Podejścia do walidacji:

  1. Jupyter Notebooks: Uruchamiaj komórki sekwencyjnie, aby zweryfikować działanie przykładów kodu
  2. Testowanie aplikacji quizowej: Testowanie ręczne za pomocą serwera deweloperskiego
  3. Walidacja tłumaczeń: Sprawdź przetłumaczone treści w folderze translations/
  4. Linting aplikacji quizowej: npm run lint w etc/quiz-app/

Uruchamianie przykładów kodu:

# Activate environment first
conda activate ai4beg

# Run Python scripts directly
python lessons/4-ComputerVision/07-ConvNets/pytorchcv.py

# Or execute notebooks
jupyter notebook lessons/3-NeuralNetworks/03-Perceptron/Perceptron.ipynb

Styl kodu

Styl kodu Python

  • Standardowe konwencje Pythona dla kodu edukacyjnego
  • Jasny, czytelny kod, priorytetem jest nauka, a nie optymalizacja
  • Komentarze wyjaśniające kluczowe koncepcje
  • Przyjazne dla Jupyter Notebook: komórki powinny być możliwie samodzielne
  • Brak rygorystycznych wymagań lintingu dla treści lekcji

JavaScript/Vue.js (aplikacja quizowa)

  • Konfiguracja ESLint w etc/quiz-app/package.json
  • Uruchom npm run lint, aby sprawdzić i automatycznie naprawić problemy
  • Konwencje Vue 2.x
  • Architektura oparta na komponentach

Organizacja plików

lessons/
  ├── 0-course-setup/          # Setup instructions
  ├── 1-Intro/                 # Introduction to AI
  ├── 2-Symbolic/              # Symbolic AI
  ├── 3-NeuralNetworks/        # Neural Networks basics
  ├── 4-ComputerVision/        # Computer Vision
  ├── 5-NLP/                   # Natural Language Processing
  ├── 6-Other/                 # Other AI techniques
  ├── 7-Ethics/                # AI Ethics
  └── X-Extras/                # Additional content

etc/
  ├── quiz-app/                # Vue.js quiz application
  └── quiz-src/                # Quiz source files

translations/                  # Multi-language translations

Budowa i wdrożenie

Treści Jupyter

Nie wymaga procesu budowy - Jupyter Notebooks są uruchamiane bezpośrednio.

Aplikacja quizowa

cd etc/quiz-app

# Development
npm run serve

# Production build
npm run build  # Outputs to etc/quiz-app/dist/

# Deploy to Azure Static Web Apps
# Azure automatically creates GitHub Actions workflow
# See etc/quiz-app/README.md for detailed deployment instructions

Strona dokumentacji

Repozytorium używa Docsify do dokumentacji:

Wytyczne dotyczące wkładu

Proces Pull Request

  1. Format tytułu: Jasne, opisowe tytuły opisujące zmiany
  2. Wymóg CLA: Microsoft CLA musi być podpisany (automatyczna kontrola)
  3. Wytyczne dotyczące treści:
    • Zachowaj edukacyjny charakter i podejście przyjazne dla początkujących
    • Przetestuj wszystkie przykłady kodu w notatnikach
    • Upewnij się, że notatniki działają od początku do końca
    • Zaktualizuj tłumaczenia, jeśli zmieniasz treści w języku angielskim
  4. Zmiany w aplikacji quizowej: Uruchom npm run lint przed zatwierdzeniem

Wkład w tłumaczenia

  • Tłumaczenia są automatyzowane za pomocą GitHub Actions z użyciem co-op-translator
  • Ręczne tłumaczenia trafiają do translations/<language-code>/
  • Tłumaczenia quizów w etc/quiz-app/src/assets/translations/
  • Obsługiwane języki: ponad 40 języków (zobacz README dla pełnej listy)

Aktywne obszary wkładu

Zobacz etc/CONTRIBUTING.md dla aktualnych potrzeb:

  • Sekcje dotyczące głębokiego uczenia ze wzmocnieniem
  • Ulepszenia wykrywania obiektów
  • Przykłady rozpoznawania nazwanych jednostek
  • Próbki treningowe niestandardowych osadzeń

Konfiguracja środowiska

Wymagane zależności

# Core Python packages (from requirements.txt)
tensorflow==2.17.0
torch (via conda)
torchvision (via conda)
keras==3.5.0
opencv (via conda)
scikit-learn
numpy==1.26
pandas==2.2.2
matplotlib==3.9
jupyter

Zmienne środowiskowe

Nie są wymagane specjalne zmienne środowiskowe dla podstawowego użytkowania.

Dla wdrożeń Azure (aplikacja quizowa):

  • AZURE_STATIC_WEB_APPS_API_TOKEN (ustawiane automatycznie przez Azure)

Debugowanie i rozwiązywanie problemów

Typowe problemy

Problem: Tworzenie środowiska conda nie powiodło się

  • Rozwiązanie: Najpierw zaktualizuj conda: conda update conda -y
  • Upewnij się, że masz wystarczającą ilość miejsca na dysku (zalecane 50GB)

Problem: Nie znaleziono jądra Jupyter

  • Rozwiązanie: 
    conda activate ai4beg
python -m ipykernel install --user --name ai4beg

Problem: GPU nie jest wykrywane w notatnikach

  • Rozwiązanie:
    • Zweryfikuj instalację CUDA: nvidia-smi
    • Sprawdź GPU w PyTorch: python -c "import torch; print(torch.cuda.is_available())"
    • Sprawdź GPU w TensorFlow: python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Problem: Aplikacja quizowa nie uruchamia się

  • Rozwiązanie: 
    cd etc/quiz-app
rm -rf node_modules package-lock.json
npm install
npm run serve

Problem: Binder przekracza limit czasu lub blokuje pobieranie

  • Rozwiązanie: Użyj GitHub Codespaces lub lokalnej konfiguracji dla lepszego dostępu do zasobów

Problemy z pamięcią

Niektóre lekcje wymagają znacznej ilości RAM (zalecane 8GB+):

  • Użyj maszyn w chmurze dla lekcji wymagających dużych zasobów
  • Zamknij inne aplikacje podczas trenowania modeli
  • Zmniejsz rozmiary partii w notatnikach, jeśli brakuje pamięci

Dodatkowe uwagi

Dla instruktorów kursu

  • Zobacz lessons/0-course-setup/for-teachers.md dla wskazówek dotyczących nauczania
  • Lekcje są samodzielne i mogą być prowadzone w kolejności lub wybierane indywidualnie
  • Szacowany czas: 12 tygodni przy 2 lekcjach tygodniowo

Zasoby w chmurze

  • Azure dla studentów: Dostępne darmowe kredyty dla studentów
  • Microsoft Learn: Dodatkowe ścieżki edukacyjne powiązane w całym kursie
  • Binder: Darmowe, ale ograniczone zasoby i pewne ograniczenia sieciowe

Opcje uruchamiania kodu

  1. Lokalnie (zalecane): Pełna kontrola, najlepsza wydajność, wsparcie GPU
  2. GitHub Codespaces: Chmurowe VS Code, dobre do szybkiego dostępu
  3. Binder: Jupyter w przeglądarce, darmowe, ale ograniczone
  4. Azure ML Notebooks: Opcja korporacyjna z obsługą GPU
  5. Google Colab: Prześlij notatniki indywidualnie, dostępny darmowy poziom GPU

Praca z notatnikami

  • Notatniki są zaprojektowane do uruchamiania komórka po komórce w celu nauki
  • Wiele notatników pobiera zestawy danych przy pierwszym uruchomieniu (może to zająć trochę czasu)
  • Niektóre modele wymagają GPU dla rozsądnych czasów treningu
  • Modele wstępnie wytrenowane są używane tam, gdzie to możliwe, aby zmniejszyć wymagania obliczeniowe

Rozważania dotyczące wydajności

  • Późniejsze lekcje dotyczące widzenia komputerowego (CNN, GAN) korzystają z GPU
  • Lekcje dotyczące transformatorów NLP mogą wymagać znacznej ilości RAM
  • Trenowanie od podstaw jest edukacyjne, ale czasochłonne
  • Przykłady transfer learningu minimalizują czas treningu

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.