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/sv/AGENTS.md

10 KiB
Raw Blame History

AGENTS.md

Projektöversikt

AI for Beginners är en omfattande 12-veckors, 24-lektions läroplan som täcker grunderna i artificiell intelligens. Detta utbildningsarkiv innehåller praktiska lektioner med Jupyter Notebooks, quiz och praktiska labbar. Läroplanen täcker:

  • Symbolisk AI med kunskapsrepresentation och expertsystem
  • Neurala nätverk och djupinlärning med TensorFlow och PyTorch
  • Datorseendetekniker och arkitekturer
  • Naturlig språkbehandling (NLP) inklusive transformers och BERT
  • Specialiserade ämnen: genetiska algoritmer, förstärkningsinlärning, multi-agent-system
  • AI-etik och principer för ansvarsfull AI

Nyckelteknologier: Python 3, Jupyter Notebooks, TensorFlow, PyTorch, Keras, OpenCV, Vue.js (för quiz-applikation)

Arkitektur: Utbildningsinnehållsarkiv med Jupyter Notebooks organiserade efter ämnesområden, kompletterat med en Vue.js-baserad quiz-applikation och omfattande flerspråkigt stöd.

Installationskommandon

Primär utvecklingsmiljö (Python/Jupyter)

Läroplanen är utformad för att köras med Python och Jupyter Notebooks. Den rekommenderade metoden är att använda 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

Alternativ: Använda devcontainer

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

Quiz-applikationens installation

Quiz-applikationen är en separat Vue.js-applikation som finns i 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

Utvecklingsarbetsflöde

Arbeta med Jupyter Notebooks

  1. Lokal utveckling:

    • Aktivera conda-miljön: conda activate ai4beg
    • Starta Jupyter: jupyter notebook eller jupyter lab
    • Navigera till lektionsmappar och öppna .ipynb-filer
    • Kör celler interaktivt för att följa lektionerna

  2. VS Code med Python-tillägg:

    • Öppna arkivet i VS Code
    • Installera Python-tillägget
    • VS Code upptäcker och använder automatiskt conda-miljön
    • Öppna .ipynb-filer direkt i VS Code

  3. Molnutveckling:

    • GitHub Codespaces: Klicka på "Code" → "Codespaces" → "Create codespace on main"
    • Binder: Använd Binder-märket på README för att starta i webbläsaren
    • Obs: Binder har begränsade resurser och vissa webbrestriktioner

GPU-stöd för avancerade lektioner

Senare lektioner drar betydligt nytta av GPU-acceleration:

  • Azure Data Science VM: Använd NC-seriens VM med GPU-stöd
  • Azure Machine Learning: Använd notebook-funktioner med GPU-beräkning
  • Google Colab: Ladda upp notebooks individuellt (har gratis GPU-stöd)

Quiz-apputveckling

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

Testinstruktioner

Detta är ett utbildningsarkiv som fokuserar på lärandeinnehåll snarare än mjukvarutestning. Det finns ingen traditionell testsvit.

Valideringsmetoder:

  1. Jupyter Notebooks: Kör celler sekventiellt för att verifiera att kodexemplen fungerar
  2. Quiz-apptestning: Manuell testning via utvecklingsserver
  3. Validering av översättningar: Kontrollera översatt innehåll i mappen translations/
  4. Quiz-applintning: npm run lint i etc/quiz-app/

Köra kodexempel:

# 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

Kodstil

Python-kodstil

  • Standard Python-konventioner för utbildningskod
  • Tydlig, läsbar kod som prioriterar lärande framför optimering
  • Kommentarer som förklarar nyckelkoncept
  • Jupyter Notebook-vänlig: celler bör vara självständiga där det är möjligt
  • Inga strikta lintningskrav för lektionsinnehåll

JavaScript/Vue.js (Quiz-app)

  • ESLint-konfiguration i etc/quiz-app/package.json
  • Kör npm run lint för att kontrollera och automatiskt åtgärda problem
  • Vue 2.x-konventioner
  • Komponentbaserad arkitektur

Filorganisation

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

Bygg och distribution

Jupyter-innehåll

Ingen byggprocess krävs - Jupyter Notebooks körs direkt.

Quiz-applikation

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

Dokumentationssida

Arkivet använder Docsify för dokumentation:

Riktlinjer för bidrag

Pull Request-process

  1. Titelformat: Tydliga, beskrivande titlar som beskriver ändringen
  2. CLA-krav: Microsoft CLA måste vara signerad (automatisk kontroll)
  3. Innehållsriktlinjer:
    • Bibehåll utbildningsfokus och nybörjarvänlig approach
    • Testa alla kodexempel i notebooks
    • Säkerställ att notebooks körs från början till slut
    • Uppdatera översättningar om engelskt innehåll ändras
  4. Ändringar i quiz-appen: Kör npm run lint innan du begår ändringar

Översättningsbidrag

  • Översättningar automatiseras via GitHub Actions med co-op-translator
  • Manuella översättningar placeras i translations/<language-code>/
  • Quiz-översättningar i etc/quiz-app/src/assets/translations/
  • Stödda språk: 40+ språk (se README för fullständig lista)

Aktiva bidragsområden

Se etc/CONTRIBUTING.md för aktuella behov:

  • Sektioner om djup förstärkningsinlärning
  • Förbättringar av objektdetektion
  • Exempel på namngiven entity-igenkänning
  • Anpassade inbäddningsträningsprover

Miljökonfiguration

Nödvändiga beroenden

# 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

Miljövariabler

Inga speciella miljövariabler krävs för grundläggande användning.

För Azure-distributioner (quiz-app):

  • AZURE_STATIC_WEB_APPS_API_TOKEN (ställs in automatiskt av Azure)

Felsökning och problemlösning

Vanliga problem

Problem: Skapande av conda-miljö misslyckas

  • Lösning: Uppdatera först conda: conda update conda -y
  • Säkerställ tillräckligt med diskutrymme (50GB rekommenderas)

Problem: Jupyter-kärna hittas inte

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

Problem: GPU upptäcks inte i notebooks

  • Lösning:
    • Verifiera CUDA-installation: nvidia-smi
    • Kontrollera PyTorch GPU: python -c "import torch; print(torch.cuda.is_available())"
    • Kontrollera TensorFlow GPU: python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Problem: Quiz-appen startar inte

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

Problem: Binder timeout eller blockerar nedladdningar

  • Lösning: Använd GitHub Codespaces eller lokal installation för bättre resursåtkomst

Minnesproblem

Vissa lektioner kräver betydande RAM (8GB+ rekommenderas):

  • Använd moln-VMs för resursintensiva lektioner
  • Stäng andra applikationer när du tränar modeller
  • Minska batchstorlekar i notebooks om minnet tar slut

Ytterligare anteckningar

För kursinstruktörer

  • Se lessons/0-course-setup/for-teachers.md för undervisningsvägledning
  • Lektionerna är självständiga och kan läras i sekvens eller väljas individuellt
  • Beräknad tid: 12 veckor med 2 lektioner per vecka

Molnresurser

  • Azure för studenter: Gratis krediter tillgängliga för studenter
  • Microsoft Learn: Kompletterande lärvägar länkade genomgående
  • Binder: Gratis men begränsade resurser och vissa nätverksrestriktioner

Alternativ för kodkörning

  1. Lokal (Rekommenderas): Full kontroll, bästa prestanda, GPU-stöd
  2. GitHub Codespaces: Molnbaserad VS Code, bra för snabb åtkomst
  3. Binder: Webbläsarbaserad Jupyter, gratis men begränsad
  4. Azure ML Notebooks: Företagsalternativ med GPU-stöd
  5. Google Colab: Ladda upp notebooks individuellt, gratis GPU-nivå tillgänglig

Arbeta med notebooks

  • Notebooks är utformade för att köras cell-för-cell för lärande
  • Många notebooks laddar ner dataset vid första körningen (kan ta tid)
  • Vissa modeller kräver GPU för rimliga träningstider
  • Förtränade modeller används där det är möjligt för att minska beräkningskraven

Prestandaöverväganden

  • Senare lektioner om datorseende (CNNs, GANs) drar nytta av GPU
  • NLP-transformerlektioner kan kräva betydande RAM
  • Träning från grunden är utbildande men tidskrävande
  • Exempel på transferinlärning minimerar träningstiden

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.