Merge branch 'main' of https://github.com/nihalbaig0/IoT-For-Beginners into main

1-getting-started/lessons/1-introduction-to-iot/translations/README.id.md

@@ -10,7 +10,7 @@
 
 ## Pengantar
 
-Pelajaran ini mencakup beberapa topok pengantar mengenai Internet of Things, dan membuat Anda dapat mempersiapkan dan mengatur perangkat keras Anda.
+Pelajaran ini mencakup beberapa topik pengantar mengenai Internet of Things, dan membuat Anda dapat mempersiapkan dan mengatur perangkat keras Anda.
 
 Dalam pelajaran ini kita akan membahas:
 

1-getting-started/translations/README.ar.md

@@ -13,4 +13,4 @@
 
 # <div dir="rtl">الاعتمادات</div>
 
- [Jim Bennett](https://GitHub.com/JimBobBennett) كتبت جميع الدروس مع ♥️ من قبل
+ [Jim Bennett](https://GitHub.com/JimBobBennett) كتبت جميع الدروس مع ♥️ من قبل

1-getting-started/translations/README.id.md

@@ -1,6 +1,6 @@
 # Memulai dengan IoT
 
-Pada bagian ini, Anda akan diperkenalkan dengan Internet of Things, dan mempelajari konsep dasar termasuk membangung proyek IoT 'Hello World' pertama Anda yang terhubung ke *cloud*. Proyek ini merupakan lampu malam yang akan menyala saat tingkat pencahayaan diukur dengan penurunan sensor. This project is a nightlight that lights up as light levels measured by a sensor drop.
+Pada bagian ini, Anda akan diperkenalkan dengan Internet of Things, dan mempelajari konsep dasar termasuk membangung proyek IoT 'Hello World' pertama Anda yang terhubung ke *cloud*. Proyek ini merupakan lampu malam yang akan menyala saat tingkat pencahayaan diukur dengan penurunan sensor.
 
 ![Lampu LED terhubung ke WIO menyala dan mati saat tingkat pencahayaan berubah](../../images/wio-running-assignment-1-1.gif)
 

2-farm/lessons/1-predict-plant-growth/translations/README.zh-cn.md

@@ -0,0 +1,271 @@
+# 应用物联网预测植物生长
+
+![这个课程概述的涂鸦笔记（sketchnote）](../../../../sketchnotes/lesson-5.jpg)
+
+> Sketchnote by [Nitya Narasimhan](https://github.com/nitya). 如果你想看比较大的图片，请点击它。
+
+## 课前测验
+
+[课前测验](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/9)
+
+## 介绍
+
+植物需要一些东西才能生长 - 水，二氧化碳，养分，光照，还有热。在这节课程中，你将会学习怎样通过测量空气温度来计算植物的生长和成熟率。
+
+这节课程将包含：
+
+* [数字农业](#数字农业)
+* [为什么温度在耕作中很重要？](#为什么温度在耕作中很重要？)
+* [测量环境温度](#测量环境温度)
+* [生长度日 (GDD)](#生长度日)
+* [用温度传感器数据计算 GDD](#用温度传感器数据计算 GDD)
+
+## 数字农业
+
+通过使用工具来收集、存储和分析耕作数据，数字农业 (Digital Agriculture) 正在改变我们的耕作方式。我们目前正处于被世界经济论坛描述为“第四次工业革命”的时期，而数字农业的崛起也被称为“第四次农业革命”，或“农业4.0”。
+
+> 🎓 数字农业一词也包括整个“农业价值链”，即从农场到餐桌的整个过程。它包括在食品运输和加工过程中跟踪农产品质量，仓库和电子商务系统，甚至拖拉机租赁应用程序！
+
+这些改变使得农民们能够提高产量，减少肥料和农药的使用，并更有效率地浇水。尽管主要在富裕国家中使用，传感器和其它设备的价格在慢慢降低，使得它们在发展中国家也更容易被使用了。
+
+数字农业所促成的技术包括：
+
+* 温度测量——测量温度使农民能够预测植物的生长和成熟度。
+* 自动浇水——测量土壤湿度，在土壤过于干燥时开启灌溉系统，而不是定时浇水。定时浇水可能导致作物在高温干旱时浇水不足，或在下雨时浇水过多。通过只有在土壤需要时才浇水的方式，农民可以优化水资源的使用。
+* 虫害控制——农民可以使用自动机器人或无人机上的摄像头来检查虫害，然后只在需要的地方施用农药。这样不仅能减少农药的使用量，也能减少流入当地水源中的农药量。
+
+✅ 做些研究。还有哪些技术是用来提高农业产量的？
+
+> 🎓 “精准农业”一词被用来定义在某块田地，甚至在某块田地的部分区域的尺度上，对作物进行的观察、测量和反应。这包括测量水、养分和虫害程度，并作出准确的反应，例如只对一小部分田地进行浇灌。
+>
+
+## 为什么温度在耕作中很重要？
+
+在学习植物时，大多数学生都了解了水、光、二氧化碳 (CO<sub>2</sub>) 和养分的必要性。其实植物的生长也需要温暖——这就是为什么植物在春天随着温度的升高而开花，为什么雪钟花或水仙花会因为短暂的暖流而提前发芽，以及为什么暖房和温室能里的植物生长得很好。
+
+> 🎓 暖房和温室挺类似的，但它们有一个重要区别。暖房是人工加热的，农民能够更准确地控制温度，而温室依靠太阳取暖，通常唯一的控制是利用窗户或其他开口来让热量散发出去。
+
+植物有基础温度或者说最低温度、最佳温度和最高温度，所有这些都基于日平均温度。
+
+* 基础温度 (Base temperature) - 这是植物生长所需的最低日平均温度。
+* 最佳温度 (Optimum temperature) - 这是能够使植物获得最多生长的最佳日平均温度。
+* 最高温度 (Maximum temperature) - 这是植物可以承受的最高温度。超过这个温度，植物就会停止生长，以节省水分和保持存活。
+
+> 💁 这些都是平均温度，是每日和每夜温度的平均值。植物也需要昼夜不同的温度以帮助它们更有效地进行光合作用并在夜间节省能量。
+
+每种植物都有不同的基础、最佳、最高温度值。这就是为什么一些植物能够在炎热的地区茁壮成长，而另一些则更适应寒冷地区。
+
+✅ 做些研究。对于那些花园、学校或当地公园里的植物，你是否可以找到其基础温度。
+
+![本图展示了生长率随着温度的升高而增长，然后在温度过高时下跌的过程](../../../../images/plant-growth-temp-graph.png)
+
+上图显示了一个生长率与温度关系图的例子。在最低温度之前植物不会生长。随着温度升高生长率增加，并在最佳温度处达到这个峰值，然后下降。在最高温度处，生长停止。
+
+该图的形状因植物种类的不同而不同。有些植物在最佳温度之后有较明显的下降，有些植物从最低温度到最佳温度的增长更加缓慢。
+
+> 💁 对于农民来说，要想让作物长得更好，他们需要知道这三个温度值，并了解他们所种植的作物的图形形状。
+
+如果农民能够控制温度，比如在商业暖房中，那么他们可以为其作物进行温度的优化。例如，一个种植西红柿的商业暖房可以在白天将温度设置为25°C而在晚上设置为20°C，这样能够获得最快的生长。
+
+> 🍅 将温控与人工照明、肥料和 CO<sub>2</sub> 水平控制相结合能够能够实现全年的种植和收获。
+
+## 测量环境温度
+
+温度传感器可与物联网设备一起使用来测量环境温度。
+
+### 任务 - 测量温度
+
+通过以下这些相关指南，应用你的物联网设备监测温度：
+
+* [Arduino - Wio Terminal](../wio-terminal-temp.md)
+* [单板机 - Raspberry Pi](../pi-temp.md)
+* [单板机 - 虚拟设备](../virtual-device-temp.md)
+
+## 生长度日
+
+生长度日 (Growing degree days)，也称为生长度单位 (growing degree units)，是根据温度衡量植物生长的一种方式。假设一株植物具有足够的水分、养分和二氧化碳，温度将会决定植物的生长率。
+
+生长度日，或称 GDD，是以每日中高于植物基础温度的的平均温度（摄氏度）来计算的。每个植物需要一定数量的生长度日来生长、开花、成熟。每天的 GDD 越多，植物的生长就越快。
+
+> 🇺🇸 For Americans, growing degree days can also be calculated using Fahrenheit. 5 GDD<sup>C</sup> (growing degree days in Celsius) is the equivalent of 9 GDD<sup>F</sup> (growing degree days in Fahrenheit).	<= 华氏度计算
+
+GDD 的完整公式有点复杂，大多是情况下使用一个简化方程就能得到一个很好的近似值：
+
+![GDD = T max + T min 除以 2，再减去 T base](../../../../images/gdd-calculation.png)
+
+* **GDD** - 生长度日的数量
+* **T<sub>max</sub>** - 每日最高温度，单位是摄氏度
+* **T<sub>min</sub>** - 每日最低温度，单位是摄氏度
+* **T<sub>base</sub>** - 植物的基础温度，单位是摄氏度。
+
+> 💁 T<sub>max</sub> 高于 30°C 或者 T<sub>min</sub> 低于 T<sub>base</sub> 的情况下有所不同，但是我们暂且忽略。
+
+### 例子 - 玉米 🌽
+
+根据品种的不同，玉米大概需要 800 到 2,700 的 GDD 来成熟，基础温度是 10°C。
+
+在高于基础温度的第一天，测量的温度值如下：
+
+| 测量 | 温度 °C |
+| :--- | :-----: |
+| 最高 |   16    |
+| 最低 |   12    |
+
+把这些数字代入公式中：
+
+* T<sub>max</sub> = 16
+* T<sub>min</sub> = 12
+* T<sub>base</sub> = 10
+
+可得：
+
+![GDD = 16 + 12 除以 2，再减去 10，得到答案为 4](../../../../images/gdd-calculation-corn.png)
+
+玉米在这一天获得了4 GDD。假设这个品种的玉米需要800 GDD，那么它还需要796 GDD 才能成熟。
+
+✅ 做些研究。对于那些花园、学校或当地公园里的植物，你是否能找它们成熟所需的 GDD 数量。
+
+## 用温度传感器数据计算 GDD
+
+植物的生长时间不是固定的——例如，你不可能种下一粒种子并知道它会刚好在100天后开花结果。然而，作为一个农民，你也许有一个生长所需时间的粗略概念，然后你每天检查作物是否成熟。
+
+对于一些大型农场来说这是一个巨大的劳动力影响，而且农民有可能错过意外提前成熟的作物。通过测量温度，农民可以计算出植物所累积的 GDD，这样可以就能只在接近预期成熟度时进行检查。
+
+通过使用物联网设备收集温度数据，农民可以在植物接近成熟时自动收到通知。这方面的典型架构是让物联网设备测量温度，然后使用类似 MQTT 的协议在互联网上发布这些遥测数据。接着服务器代码监听这些数据并将其保存在某个地方，比如数据库。这意味着之后能够对这些数据进行分析，比如在每晚计算当天的 GDD，对每种作物的 GDD 进行累计，如果植物接近成熟就发出警报。
+
+![遥测数据被发送到一个服务器上然后被保存至数据库中](../../../../images/save-telemetry-database.png)
+
+服务器代码也可以通过添加额外的信息来增强数据。例如，物联网设备可通过一个标识符以表明它是哪个设备，而服务器代码可以使用这个标识符来查找设备的位置以及它正在监测哪些作物。还可以添加一些基本数据，如当前时间，因为一些物联网设备没有追踪时间的必要的硬件或者是需要额外的代码来通过互联网读取当前时间。
+
+✅ 你觉得为什么不同地方的温度可能会不同？
+
+### 任务 - 发布温度信息
+
+通过以下这些相关指南，应用你的物联网设备通过 MQTT 发布温度数据，以便之后的分析：
+
+* [Arduino - Wio Terminal](../wio-terminal-temp-publish.md)
+* [单板机 - Raspberry Pi/虚拟物联网设备](../single-board-computer-temp-publish.md)
+
+### 任务 - 捕获并存储温度信息
+
+如果物联网设备成功发布遥测数据，就可以开始编写服务器代码来订阅这些数据并将其存储起来。服务器代码将其保存到 CSV 文件中而非使用数据库来存储。CSV文件以文本形式存储数据，每个值用逗号隔开，每个记录占一行。它是一种方便的、人类可读的、受到良好支持的保存数据为文件的方式。
+
+CSV 文件将有两列 - *时间 (date)*和*温度 (temperature)*。*时间*列将存储服务器收到消息时的日期和时间，*温度*列存储遥测信息。
+
+1. 重复第4课的步骤，创建服务器代码以订阅遥测数据。你不需要添加代码来发布命令。
+
+   具体步骤：
+
+   * 配置并激活一个 Python 虚拟环境
+
+   * 安装 paho-mqtt pip 包
+
+   * 编写代码来监听发布在遥测主题上的 MQTT 消息
+
+     > ⚠️ 如果需要的话你可以参考 [课程 4 中关于创建 Python 应用来接受遥测数据的说明](../../../../1-getting-started/lessons/4-connect-internet/README.md#receive-telemetry-from-the-mqtt-broker)。
+
+   这个项目的文件夹名是 `temperature-sensor-server`。
+
+1. 确保 `client_name` 反映该项目：
+
+   ```cpp
+   client_name = id + 'temperature_sensor_server'
+   ```
+
+1. 在文件开头，已有导入的下方，添加下列导入：
+
+   ```python
+   from os import path
+   import csv
+   from datetime import datetime
+   ```
+
+   这将会导入一个用于读取文件的库，一个与 CSV 文件交互的库，和一个关于日期和时间的库。
+
+1. 添加下面的代码至 `handle_telemetry` 函数前：
+
+   ```python
+   temperature_file_name = 'temperature.csv'
+   fieldnames = ['date', 'temperature']
+   
+   if not path.exists(temperature_file_name):
+       with open(temperature_file_name, mode='w') as csv_file:
+           writer = csv.DictWriter(csv_file, fieldnames=fieldnames)
+           writer.writeheader()
+   ```
+
+   这段代码声明了一些用于写入文件的文件名和 CSV 文件列标题名的常量。传统上，CSV 文件的第一行包含由逗号分隔的列标题。
+
+   然后代码会检查 CSV 文件是否已经存在。如果不存在，则在第一行创建列标题。
+
+1. 添加下面的代码至 `handle_telemetry` 函数末尾：
+
+   ```python
+   with open(temperature_file_name, mode='a') as temperature_file:        
+       temperature_writer = csv.DictWriter(temperature_file, fieldnames=fieldnames)
+       temperature_writer.writerow({'date' : datetime.now().astimezone().replace(microsecond=0).isoformat(), 'temperature' : payload['temperature']})
+   ```
+
+   这段代码会打开 CSV 文件，然后在末尾添加一个新行。这一行会包含当前的日期和时间（可阅读格式），紧跟着从物联网设备中接收到的温度。时间数据将以 [ISO 8601 format](https://wikipedia.org/wiki/ISO_8601) 进行保存，包含时区，但是不包含毫秒。
+
+1. 以与之前相同的方式运行此代码，确保你的物联网设备正在发送数据。一个名为 `temperature.csv` 的 CSV 文件将在同一文件夹中创建。如果你查看它，你应该能看到日期/时间和温度数据：
+
+   ```output
+   date,temperature
+   2021-04-19T17:21:36-07:00,25
+   2021-04-19T17:31:36-07:00,24
+   2021-04-19T17:41:36-07:00,25
+   ```
+
+1. 运行这段代码一段时间以获取数据。理想情况下，你应该运行它一整天来收集足够的数据用于 GDD 的计算。
+
+   > 💁 如果你正在使用虚拟物联网设备，选择随机复选框并设置一个范围来避免每次返回温度时都得到同样的值。
+   > ![Select the random checkbox and set a range](../../../../images/select-the-random-checkbox-and-set-a-range.png) 
+
+   > 💁 如果你想运行一整天，那么你需要确保用于服务器代码运行的电脑不会进入休眠，你可以改变电源设置，或者运行 [这个保持系统活跃的 Python 脚本](https://github.com/jaqsparow/keep-system-active)。
+
+> 💁 你可以在 [code-server/temperature-sensor-server](../code-server/temperature-sensor-server) 文件夹内找到需要的代码。
+
+### 任务 - 使用存储的数据计算出 GDD
+
+一旦服务器采集了温度数据，就可以计算出植物的 GDD。
+
+手动操作的步骤是：
+
+1. 找到该植物的基础温度。例如，对于草莓来说，基础温度是10℃
+
+1. 根据 `temperature.csv`，找到一天中的最低温度和最高温度
+
+1. 使用之前给出的公式来计算 GDD
+
+例如，如果这一天最高温度是 25°C，最低温度是 12°C：
+
+![GDD = 25 + 12 除以 2，然后减去 10 得到 8.5](../../../../images/gdd-calculation-strawberries.png)
+
+* 25 + 12 = 37
+* 37 / 2 = 18.5
+* 18.5 - 10 = 8.5
+
+所以草莓获得了 **8.5** GDD。草莓需要大概 250 GDD 来结果，看来还得等一会儿呢。
+
+---
+
+## 🚀 挑战
+
+植物的生长，除了热量以外，还需要些什么？
+
+对于这些（其它因素），寻找是否有可以测量它们的传感器。那么控制它们水平的执行器呢？你会如何把一个或多个物联网设备放在一起，以优化植物的生长？
+
+## 课后测验
+
+[课后测验](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/10)
+
+## 复习 & 自学
+
+* 在 [Digital Agriculture Wikipedia page](https://wikipedia.org/wiki/Digital_agriculture) 上阅读更多关于数字农业的知识。在 [Precision Agriculture Wikipedia page](https://wikipedia.org/wiki/Precision_agriculture) 上阅读更多关于精准农业的知识。
+* 完整的生长度日计算比这里给出的简化计算更复杂。在 [Growing Degree Day Wikipedia page](https://wikipedia.org/wiki/Growing_degree-day) 上查看更复杂的方程以及处理低温条件的方法。
+* 即使我们仍然使用相同的耕作方法，未来的食物也可能是稀缺的。在 [Hi-Tech Farms of Future video on YouTube](https://www.youtube.com/watch?v=KIEOuKD9KX8) 上了解更多高科技种植手段。
+
+## 作业
+
+[使用 Jupyter Notebook 进行 GDD 数据的可视化](../assignment.md)

2-farm/lessons/3-automated-plant-watering/README.md

@@ -18,7 +18,7 @@ In this lesson we'll cover:
 * [Control a relay](#control-a-relay)
 * [Control your plant over MQTT](#control-a-relay)
 * [Sensor and actuator timing](#sensor-and-actuator-timing)
-* [Add timing to your plant control](#add-timing-to-your-plant-control)
+* [Add timing to your plant control server](#add-timing-to-your-plant-control-server)
 
 ## Control high power devices from a low power IoT device
 

2-farm/translations/README.zh-cn.md

@@ -0,0 +1,20 @@
+# 应用物联网至农业
+
+随着人口增加，对于农业的需求也一并增加。可用的土地数量保持不变，但是气候却不断变化——这给农民们带来了更多的挑战，尤其是那20亿依赖于亲自耕种以养活自己和家庭的[自耕农](https://wikipedia.org/wiki/Subsistence_agriculture)。物联网可以帮助农民们做出更加聪明的决定，比如耕种何种作物、何时收获，并且帮助他们增产、减少劳力、检测和处理害虫。
+
+在这6节课程中你将会学到怎样应用物联网去改进和自动化农业生产。
+
+> 💁 这些课程将会使用一些云端资源。如果你没有完成这个项目的所有课程，请确保你[清理你的项目](../clean-up.md).
+
+## 主题
+
+1. [应用物联网预测植物生长](lessons/1-predict-plant-growth/translations/README.zh-cn.md)
+1. [检测土壤湿度](lessons/2-detect-soil-moisture/README.md)
+1. [自动给植物浇水](lessons/3-automated-plant-watering/README.md)
+1. [将你的植物迁移到云端](lessons/4-migrate-your-plant-to-the-cloud/README.md)
+1. [将你的应用程序逻辑迁移到云端](lessons/5-migrate-application-to-the-cloud/README.md)
+1. [确保你的植物安全](lessons/6-keep-your-plant-secure/README.md)
+
+## 作者
+
+所有课程均由 [Jim Bennett](https://GitHub.com/JimBobBennett) 用 ♥️ 编写。 

4-manufacturing/lessons/1-train-fruit-detector/translations/.dummy.md

@@ -1,9 +0,0 @@
-# Dummy File
-
-This file acts as a placeholder for the `translations` folder. <br>
-**Please remove this file after adding the first translation**
-
-For the instructions, follow the directives in the [translations guide](https://github.com/microsoft/IoT-For-Beginners/blob/main/TRANSLATIONS.md) .
-
-## THANK YOU
-We truly appreciate your efforts!

4-manufacturing/lessons/1-train-fruit-detector/translations/README.bn.md

@@ -0,0 +1,238 @@
+# খাদ্যপণ্যের গুণমান সনাক্তকারী মডেলকে ট্রেনিং প্রদান
+
+![A sketchnote overview of this lesson](../../../../sketchnotes/lesson-15.jpg)
+
+> স্কেচনোটটি তৈরী করেছেন [Nitya Narasimhan](https://github.com/nitya)। বড় সংস্করণে দেখার জন্য ছবিটিতে ক্লিক করতে হবে।
+
+এই ভিডিওটি Azure কাস্টম ভিশন সার্ভিসর একটি সংক্ষিপ্ত বিবরণ দেয়, যা এই পাঠে আমরা বিস্তারিত জানবো।
+
+[![Custom Vision – Machine Learning Made Easy | The Xamarin Show](https://img.youtube.com/vi/TETcDLJlWR4/0.jpg)](https://www.youtube.com/watch?v=TETcDLJlWR4)
+
+> 🎥 উপরের ছবিতে ক্লিক করে ভিডিওটি দেখে নিই
+
+## লেকচার-পূর্ববর্তী কুইজ
+
+[লেকচার-পূর্ববর্তী কুইজ](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/29)
+
+## সূচনা
+
+কৃত্রিম বুদ্ধিমত্তা (এআই) এবং মেশিন লার্নিং (এমএল) -এর সাম্প্রতিক উন্নতি আজকের ডেভেলপারদের বিস্তৃত ক্ষমতা প্রদান করছে। এমএল মডেলগুলিকে চিত্রের বিভিন্ন জিনিস চিনতে প্রশিক্ষণ দেওয়া যেতে পারে যেমন অপরিপক্ক ফল সনাক্তকরণ এবং এটি আইওটি ডিভাইসেও ব্যবহার করা যেতে পারে ।
+
+এই পাঠে আমরা ইমেজ বা ছবির শ্রেণিবিন্যাস সম্পর্কে জানতে পারব - এমএল মডেল ব্যবহার করে বিভিন্ন জিনিসের ছবির মধ্যে পার্থক্য করা ছাড়াও কিভাবে একটি ইমেজ ক্লাসিফায়ারকে প্রশিক্ষণ দিতে হয় যে ফলটি ভাল এবং খারাপ ফল তা জানবো।
+
+এই পাঠে আমরা শিখবো :
+
+* [AI এবং ML দ্বারা পণ্য শ্রেনিবদ্ধকরণ](#AI-এবং-ML-দ্বারা-পণ্য-শ্রেনিবদ্ধকরণ)
+* [মেশিন লার্নিং দ্বারা ছবি চিহ্নিতকরণ](#মেশিন-লার্নিং-দ্বারা-ছবি-চিহ্নিতকরণ)
+* [ইমেজ ক্লাসিফায়ারকে প্রশিক্ষণ প্রদান](#ইমেজ-ক্লাসিফায়ারকে-প্রশিক্ষণ-প্রদান)
+* [ইমেজ ক্লাসিফায়ারকে টেস্ট করা](#ইমেজ-ক্লাসিফায়ারকে-মূল্যায়ণ)
+* [ইমেজ ক্লাসিফায়ারকে পুনরায় প্রশিক্ষণ প্রদান](#ইমেজ-ক্লাসিফায়ারকে-পুনরায়-প্রশিক্ষণ)
+
+## AI এবং ML দ্বারা পণ্য শ্রেনিবদ্ধকরণ
+
+বিশ্বব্যাপী জনসাধারণের খাদ্যের যোগান দেয়া কঠিন, বিশেষত কমদামে দামে সহজলভ্য করে সরবরাহ করা। সবচেয়ে বড় খরচ হল শ্রম, তাই কৃষকরা তাদের শ্রম খরচ কমাতে ক্রমবর্ধমান অটোমেশন এবং আইওটি এর মতো সরঞ্জামগুলির দিকে ঝুঁকছেন। হাতে ফসল তোলা খুবই শ্রমসাধ্য কাজ যা যন্ত্রপাতি দ্বারা প্রতিস্থাপিত হচ্ছে, বিশেষত ধনী দেশগুলিতে। ফসল কাটার জন্য যন্ত্রপাতি ব্যবহারের খরচ বাঁচানো সত্ত্বেও, একটি নেতিবাচক দিক রয়েছে - খাদ্য সংগ্রহ করার সময় ফসল সঠিকভাবে সাজানো (sort করা)।
+
+সব ফসল সমানভাবে পরিপক্ব হয়না। উদাহরণস্বরূপ, টমেটো ক্ষেতে কিছু কিছু সবুজ ফল থাকতেই এই ফসল তোলার জন্য প্রস্তুত থাকে। যদিও তাড়াতাড়ি ফসল তোলা অপচয়, তবুও কৃষকের জন্য যন্ত্রপাতি ব্যবহার করে সব ফসল সংগ্রহ করা এবং পরবর্তীতে অপরিপক্ক ফসলের নিষ্পত্তি করা সস্তা এবং সহজ।
+
+✅ আমাদের কাছাকাছি খামারে বা আমাদের বাগানে বা দোকানে থাকা বিভিন্ন ফল বা সবজি পর্যবেক্ষণ করি। সেগুলি কি একই রকম পরিপক্ক নাকি বৈচিত্র দেখা যাচ্ছে ?
+
+স্বয়ংক্রিয় পদ্ধতিতে ফসল তোলার ফলে, উৎপাদিত পণ্যের শ্রেণিবিন্যাস কার্যক্রম বর্তমানে কারখানায় হয়ে থাকে। খাদ্য লম্বা কনভেয়ার বেল্ট দিয়ে যাবে এবং শ্রমিকেরা নিম্নমানের পণ্য অপসারণ করবে। যন্ত্রপাতির কল্যাণে ফসল কাটা ও সংগ্রহ করার ক্ষেত্রে খরচ কম ছিল, কিন্তু ম্যানুয়ালি পণ্য বাছাই করা অতিরিক্ত খরচ ও শ্রমের কাজ।
+
+![If a red tomato is detected it continues its journey uninterrupted. If a green tomato is detected it is flicked into a waste bin by a lever](../../../../images/optical-tomato-sorting.png)
+
+এই যাত্রায় পরবর্তী বিবর্তন ছিল মেশিনগুলিকে বাছাই করার জন্য ব্যবহার করা, হয় হার্ভেস্টারে নির্মিত অথবা প্রক্রিয়াকরণ কারখানায়। এই মেশিনের প্রথম প্রজন্ম অপটিক্যাল সেন্সর ব্যবহার করে রং সনাক্ত করে, অ্যাকচুয়েটরগুলিকে নিয়ন্ত্রণ করে সবুজ টমেটোকে একটি পাত্রে ধাক্কা দিয়ে ফেলে দিতো, বাতাসের লিভার বা পফ ব্যবহার করে। আবার লাল টমেটো গুলোকে ছেড়ে দিতো যাতে তারা কনভেয়র বেল্টে এগিয়ে যেতে থাকে।
+
+নীচের ভিডিওটি এই মেশিনগুলির মধ্যে একটিকে দেখায়।
+
+[![Automatic sorting of tomatoes via color](https://img.youtube.com/vi/AcRL91DouAU/0.jpg)](https://www.youtube.com/watch?v=AcRL91DouAU)
+
+> 🎥 উপরের ছবিতে ক্লিক করে ভিডিওটি দেখে নিই
+
+এই ভিডিওতে, টমেটো যখন একটি পরিবাহক বেল্ট (conveyer belt) থেকে অন্যটিতে যায়, সবুজ টমেটো সনাক্ত করা হয় এবং লিভারের সাহায্যে একটি আলাদা পাত্রে সরিয়ে ফেলা হয়।
+
+✅ এই অপটিক্যাল সেন্সরগুলি সঠিকভাবে কাজ করার জন্য কারখানায় বা খেতে কেমন অবস্থার প্রয়োজন হবে?
+
+এই বাছাই মেশিনের সর্বশেষ বিবর্তন এআই এবং এমএল এর সুবিধা গ্রহণ করে, ভাল পণ্যকে খারাপ থেকে আলাদা করার জন্য প্রশিক্ষিত মডেলগুলি ব্যবহার কর। এটি কেবলমাত্র সবুজ টমেটো বনাম লাল রঙের সুস্পষ্ট রঙের পার্থক্য দ্বারা নয়, বরং পণ্যের অবস্থা থেকে আরও সূক্ষ্ম পার্থক্য ধরতে পারে যা রোগ বা ক্ষত নির্দেশ করে ।
+
+## মেশিন লার্নিং দ্বারা ছবি চিহ্নিতকরণ
+
+সার্বজনীনভাবে প্রোগ্রামিং হলো এমন একটি কার্যক্রম যেখানে আমরা ডেটা গ্রহণ করি, ডেটাতে একটি অ্যালগরিদম প্রয়োগ এবং আউটপুট পাই। উদাহরণস্বরূপ, গত প্রজেক্টে আমরা জিপিএস কোঅর্ডিনেটস এবং একটি জিওফেন্স নিয়েছি্লাম, একটি অ্যালগরিদম প্রয়োগ করা হয়েছিলো যা Azure ম্যাপ দ্বারা সরবরাহ করা হয়েছিল এবং জিওফেন্সের ভিতরে বা বাইরে পয়েন্ট থাকলে তার ফলাফল পেয়েছিলাম। আমরা আরও ডেটা ইনপুট নিলে, আমরা আরও বেশি আউটপুট পাব।
+
+![Traditional development takes input and an algorithm and gives output. Machine learning uses input and output data to train a model, and this model can take new input data to generate new output](../../../../images/traditional-vs-ml.png)
+
+মেশিন লার্নিং এটিকে সম্পূর্ণ উল্টোদিক থেকে করে - আমরা ডেটা এবং পরিচিত আউটপুট দিয়ে শুরু করি এবং মেশিন লার্নিং অ্যালগরিদম সেই সংগৃহীত ফলাফলের ডেটা থেকে শিখে যে তাকে কী করতে হবে। তারপর আমরা সেই প্রশিক্ষিত অ্যালগরিদম নিতে পারি, যাকে বলা হয় *মেশিন লার্নিং মডেল* বা শুধুমাত্র *মডেল*, এবং এটিতে নতুন ডেটা ইনপুট করে আমরা নতুন আউটপুট পাব।
+
+> 🎓 তথ্য থেকে মেশিন লার্নিং অ্যালগরিদম শেখার প্রক্রিয়াকে বলা হয় *প্রশিক্ষণ (training)*। ইনপুট এবং পরিচিত আউটপুটগুলিকে *প্রশিক্ষণ ডেটা (training data)*বলা হয়।
+
+উদাহরণস্বরূপ, ইনপুট ট্রেনিং ডেটা হিসাবে আমরা একটি মডেলকে কাঁচা কলা এর কয়েক লক্ষ ছবি দিতে পারি, প্রশিক্ষণ আউটপুটকে `কাঁচা` হিসাবে সেট করতে পারি, এবং একইভাবে লক্ষ লক্ষ পাকা কলার ছবিগুলিকে প্রশিক্ষণ ডেটা হিসাবে আউটপুট সেট `পাকা` হিসাবে সেট করতে পারি। এমএল অ্যালগরিদম তারপর এই ডেটা ভিত্তিক একটি মডেল তৈরি করবে। আমরা তারপর এই মডেলটিকে যেকোন একটি কলার একটি নতুন ছবি দিলে, এটি জানাবে যে নতুন ছবিটি একটি পাকা নাকি কাঁচা কলা।
+
+> 🎓 এমএল মডেলের ফলাফলকে বলা হয় *পূর্বাভাস (predictions)* ।
+
+![2 bananas, a ripe one with a prediction of 99.7% ripe, 0.3% unripe, and an unripe one with a prediction of 1.4% ripe, 98.6% unripe](../../../../images/bananas-ripe-vs-unripe-predictions.png)
+
+এমএল মডেলগুলি বাইনারি উত্তর দেয় না, বরং তারা সম্ভাব্যতা দেয়। উদাহরণস্বরূপ, একটি মডেলকে একটি কলার ছবি দেওয়া হলে এবং `পাকা` তে ৯৯.৭% এবং `কাঁচা` তে ০.০৩% এর রেজাল্ট দিতে পারে। আমাদের কোড তারপর সেই পূর্বাভাস বাছাই করবে এবং কলা পাকা - এই সিদ্ধান্ত নেবে।
+
+এইরকম ছবি সনাক্ত করতে ব্যবহৃত এমএল মডেলটিকে বলা হয় *ইমেজ ক্লাসিফায়ার* - এটিকে লেবেলযুক্ত ছবি দেওয়া হয় এবং তারপরে এই লেবেলগুলির ভিত্তিতে নতুন চিত্রগুলি শ্রেণিবদ্ধ করা হয়।
+
+> 💁 এটি একটি অতি-সরলীকরণ ব্যখ্যা এবং মডেলগুলিকে প্রশিক্ষণ দেওয়ার আরও অনেক উপায় রয়েছে যা সর্বদা লেবেলযুক্ত আউটপুটগুলির প্রয়োজন হয় না, যেমন unsupervised learning প্রক্রিয়া। আমরা যদি এমএল সম্পর্কে আরও জানতে চাই, তাহলে [মেশিন লার্নিং এর ২৪ লেসনের কারিক্যুলামটি](https://aka.ms/ML-beginners) দেখি।
+
+## ইমেজ ক্লাসিফায়ারকে প্রশিক্ষণ প্রদান
+
+একটি ইমেজ ক্লাসিফায়ার সফলভাবে প্রশিক্ষণের জন্য আমাদের লক্ষ লক্ষ ইমেজ প্রয়োজন। যেমন দেখা যাচ্ছে, একবার আমাদের লক্ষ লক্ষ বা কোটি কোটি ইমেজের উপর প্রশিক্ষণপ্রাপ্ত একটি ইমেজ ক্লাসিফায়ার হয়ে গেলে, আমরা এটি পুনরায় ব্যবহার করতে পারি এবং ছবিগুলির একটি ছোট সেট ব্যবহার করে পুনরায় প্রশিক্ষণ দিতে পারি এবং *ট্রান্সফার লার্নিং* নামক একটি প্রক্রিয়া ব্যবহার করে দুর্দান্তরকমের এক্যুরেট ফলাফল পেতে পারি। ।
+
+> 🎓 ট্রান্সফার লার্নিং হল এমন প্রক্রিয়া যেখানে আমরা একটি বিদ্যমান এমএল মডেল থেকে নতুন ডেটা ভিত্তিক নতুন মডেলে আগের  লার্নিং ট্রান্সফার করি।
+
+একবার ইমেজ ক্লাসিফায়ারকে বিভিন্ন ধরণের চিত্রের জন্য প্রশিক্ষণ দেওয়া হলে, এর অভ্যন্তরীণ আকার, রঙ এবং নিদর্শনগুলি সনাক্ত করতে বেশ পারদর্শী হয়ে যায়। ট্রান্সফার লার্নিং এর দ্বারা মডেলটি ইমেজ পার্টস এর ইতিমধ্যে যা শিখেছে তা নিতে এবং নতুন ইমেজ চিনতে বেশ সুবিধা হয়।
+
+![Once you can recognize shapes, they can be put into different configurations to make a boat or a cat](../../../../images/shapes-to-images.png)
+
+আমরা এটিকে ছোটদেরকে আকার-আকৃতি চেনানোর জন্য ছবির বইয়ের মতো মনে করতে পারি, যেখানে একবার আমরা একটি অর্ধ-বৃত্ত, একটি আয়তক্ষেত্র এবং একটি ত্রিভুজ চিনতে পারিদ। আমরা এই আকারগুলির কনফিগারেশনের উপর নির্ভর করে একটি পাল তোলা নৌকা বা একটি বিড়ালকে চিনতে পারি। ইমেজ ক্লাসিফায়ার আকার চিনতে পারে এবং ট্রান্সফার লার্নিং এটি শেখায় যে কী কী সমন্বয় করে একটি নৌকা বা একটি বিড়াল তৈরি করে - অথবা একটি কীভাবে একটি পাকা কলা পাওয়া যায়।
+
+ক্লাউড-ভিত্তিক সার্ভিসগুলি যা আমাদেরকে আমাদের মডেলকে প্রশিক্ষণ দিতে সাহায্য করে। তারপর ওয়েব এপিআইয়ের মাধ্যমে এটি ব্যবহার করতে পারি। 
+
+> 💁 এই মডেলগুলিকে প্রশিক্ষণ দিতে প্রচুর কম্পিউটার রিসোর্স লাগে, সাধারণত গ্রাফিক্স প্রসেসিং ইউনিট বা জিপিইউ এর মাধ্যমে তা করা হয়। এটি সেই বিশেষ হার্ডওয়্যার যা আমাদের এক্সবক্সে গেমগুলি চালায়। মেশিন লার্নিং মডেলগুলি প্রশিক্ষণের জন্যও এটি ব্যবহার করা যেতে পারে। ক্লাউড ব্যবহার করে আমরা এই মডেলগুলিকে প্রশিক্ষণের জন্য জিপিইউ সহ শক্তিশালী কম্পিউটারের রিসোর্স পেতে পারি, আমাদের প্রয়োজনীয় কম্পিউটিং পাওয়ার এর অ্যাক্সেস পেতে পারি, কেবল আমাদের প্রয়োজনীয় সময়ের জন্য - এতে করে আমাদের খরচও কম, কাজও হয়ে যাবে।
+
+## কাস্টম ভিশন
+
+কাস্টম ভিশন হল ইমেজ ক্লাসিফায়ার প্রশিক্ষণের জন্য একটি ক্লাউড ভিত্তিক টুল। এটি আমাদেরকে অল্প সংখ্যক চিত্র ব্যবহার করে একটি ক্লাসিফায়ার প্রশিক্ষণ দেওয়ার অনুমতি দেয়। আমরা একটি ওয়েব পোর্টাল, ওয়েব এপিআই বা একটি এসডিকে এর মাধ্যমে ছবি আপলোড করতে পারি, প্রতিটি ইমেজকে একটি *ট্যাগ* দিতে পারি যেটি সেই ছবির শ্রেণিবিন্যাস নির্দেশ করে। তারপরে আমরা মডেলটিকে প্রশিক্ষণ দিব এবং এটি কতটা ভাল কাজ করে তা পরীক্ষা করে দেখব। একবার আমরা মডেলটি নিয়ে সন্তুষ্ট হলে, আমরা এর সংস্করণগুলি প্রকাশ করতে পারি যা একটি ওয়েব API বা SDK এর মাধ্যমে ব্যবহার করা যায়।
+
+![The Azure Custom Vision logo](../../../../images/custom-vision-logo.png)
+
+> 💁 একটি কাস্টম ভিশন মডেলকে প্রতি শ্রেণিবিন্যাসের জন্য কমপক্ষে  5টির মতো প্রশিক্ষণ ছবি দিতে পারি, তবে যত বেশী দিতে পারবো, তত ভালো। উন্নত ফলাফলের জন্য কমপক্ষে 30 টি ছবি দেয়া উচিত।
+
+কাস্টম ভিশন মাইক্রোসফটের কগনিটিভ সার্ভিস নামে পরিচিত এআই টুলের একটি অংশের অংশ। এগুলি হল এআই টুলস যা কোনো প্রশিক্ষণ ছাড়াই ব্যবহার করা যেতে পারে অথবা অল্প পরিমাণে প্রশিক্ষণ দিয়ে ব্যবহার করা যেতে পারে। এর মধ্যে রয়েছে speech recognition, অনুবাদ, ভাষা বোঝা এবং চিত্র বিশ্লেষণ। এগুলি Azure সার্ভিস হিসাবে উপলব্ধ আছে, Free tier এ।
+
+> 💁 বিনামূল্যে স্তর বা  Free tier  একটি মডেল তৈরি করা, প্রশিক্ষণ দেওয়া, তারপর উন্নয়ন কাজের জন্য এটি ব্যবহার করার জন্য যথেষ্ট। [মাইক্রোসফট ডকস এ কাস্টম ভিশন এর লিমিট এবং কোটা - এই পেইজে](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/limits-and-quotas?WT.mc_id=academic-17441-jabenn) বিনামূল্যে স্তর (Free tier) সম্পর্কে আমরা পড়তে পারি 
+
+### কাজ - কগনিটিভ সার্ভিস রিসোর্স তৈরী
+
+কাস্টম ভিশন ব্যবহার করার জন্য, আমাদেরকে প্রথমে Azure CLI ব্যবহার করে Azure- এ দুটি cognitive services resources তৈরি করতে হবে, একটি কাস্টম ভিশন প্রশিক্ষণের জন্য এবং একটি কাস্টম ভিশন ফলাফলের জন্য।
+
+1. একটি রিসোর্স গ্রুপ তৈরী করি যার নাম `fruit-quality-detector`
+
+1. একটি বিনামূল্যে কাস্টম ভিশন প্রশিক্ষণ রিসোর্স তৈরি করতে নিম্নলিখিত কমান্ডটি ব্যবহার ্করি:
+
+    ```sh
+    az cognitiveservices account create --name fruit-quality-detector-training \
+                                        --resource-group fruit-quality-detector \
+                                        --kind CustomVision.Training \
+                                        --sku F0 \
+                                        --yes \
+                                        --location <location>
+    ```
+
+     `<location>` এর স্থলে রিসোর্স গ্রুপ তৈরীতে যে লোকেশোন দেয়া হয়েছে তা বসাই।
+
+    এটি আমাদের রিসোর্স গ্রুপে একটি কাস্টম ভিশন ট্রেনিং রিসোর্স তৈরি করবে। এটিকে নাম দেয়া হবে `fruit-quality-detector-training` (ফলের-গুণ-সনাক্তকারী-প্রশিক্ষণ) এবং `F0` sku ব্যবহার করি, যা বিনামূল্য স্তরে পাওয়া যায়। `--yes` অপশনের অর্থ হল কগনিটিভ সার্ভিসের শর্তাবলীতে আমরা সম্মত।
+
+> 💁 আমরা যদি ইতিমধ্যে কোন ফ্রী একাউন্ট থেকে কগনিটিভ সার্ভিস ব্যবহার করে থাকি, তাহলে `S0` sku ব্যবহার করতে হবে।
+
+1. একটি বিনামূল্যে কাস্টম ভিশন প্রেডিকশোন রিসোর্স তৈরি করতে নিম্নলিখিত কমান্ডটি ব্যবহার করি:
+
+    ```sh
+    az cognitiveservices account create --name fruit-quality-detector-prediction \
+                                        --resource-group fruit-quality-detector \
+                                        --kind CustomVision.Prediction \
+                                        --sku F0 \
+                                        --yes \
+                                        --location <location>
+    ```
+
+    `<location>` এর স্থলে রিসোর্স গ্রুপ তৈরীতে যে লোকেশোন দেয়া হয়েছে তা বসাই।
+
+    এটি আমাদের রিসোর্স গ্রুপে একটি কাস্টম ভিশন ্প্রেডিকশন রিসোর্স তৈরি করবে। এটিকে বলা হবে `fruit-quality-detector-prediction` এবং 'F0' স্কু ব্যবহার করি, যা ফ্রী। `-yes` অপশনের  অর্থ হল কগনিটিভ সার্ভিসের শর্তাবলীতে আমরা সম্মত।
+
+### কাজ - ইমেজ ক্লাসিফায়ার প্রজেক্ট তৈরী
+
+1. Custom Vision portal চালু করি [CustomVision.ai](https://customvision.ai) এবুং Azure এর জন্য ব্যবহৃত মাইক্রোসফট একাউন্টে লগিন করি।
+
+1. এখন [একটি ক্লাসিফায়ার নির্মাণের জন্য নতুন প্রজেক্ট তৈরি করার প্রক্রিয়া - Microsoft docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#create-a-new-project) পড়ে নতুন কাস্টম ভিশন প্রজেক্ট নির্মাণ করি।
+
+    প্রজেক্টের নাম দিই `fruit-quality-detector`.
+
+    আমরা এখন আমাদের প্রজেক্ট তৈরি করি, আমাদের আগে তৈরি করা `fruit-quality-detector-training` রিসোর্স ব্যবহার করতে হবে। একটি *ক্লাসিফিকেশন* প্রজেক্ট টাইপ, একটি *মাল্টিক্লাস* ক্লাসিফিকেশন টাইপ এবং *ফুড* ডোমেইন ব্যবহার করি।
+
+    ![The settings for the custom vision project with the name set to fruit-quality-detector, no description, the resource set to fruit-quality-detector-training, the project type set to classification, the classification types set to multi class and the domains set to food](../../../../images/custom-vision-create-project.png)
+
+✅ ইমেজ ক্লাসিফায়ারের জন্য কাস্টম ভিশন ইউআই এক্সপ্লোর করার জন্য কিছু সময় নিই।
+
+### কাজ - ইমেজ ক্লাসিফায়ারকে প্রশিক্ষণ প্রদান
+
+একটি ইমেজ ক্লাসিফায়ারকে প্রশিক্ষণ দেওয়ার জন্য, আমাদের ভাল এবং খারাপ উভয় গুণের ফলের একাধিক ছবি প্রয়োজন হবে, যেমন একটি পাকা এবং একটি অতিরিক্ত পাকা কলা।
+
+> 💁এই ক্লাসিফায়ারগুলো যেকোনো কিছুর ছবিকে শ্রেণীবদ্ধ করতে পারে। তাই যদি আমাদের কাছে ভিন্ন মানের ফল না থাকে তবে আমরা অন্য যেকোন দুটি ভিন্ন ধরনের ফল ব্যবহার করতে পারেন, অথবা বিড়াল এবং কুকুর -  এই ধর০ণের ক্লাসিফিকেশনও করতে পারি!
+
+আদর্শভাবে প্রতিটি ছবিতে শুধু ফল থাকা উচিত, যার মধ্যে একটি সামঞ্জস্যপূর্ণ ব্যাকগ্রাউণ্ড , অথবা বিভিন্ন প্রকারের ব্যাকগ্রাউণ্ড থাকতে হবে। নিশ্চিত করি যে ব্যাকগ্রাউণ্ড এ এমন কিছু নেই যা পাকা বনাম কাঁচা ফলের সনাক্তকরণে প্রভাব ফেলবে।
+
+> 💁 নির্দিষ্ট ব্যাকগ্রাউণ্ড বা নির্দিষ্ট আইটেম না থাকাই ভালো যা ক্লাসিফায়ারের জন্য অপ্রাসঙ্গিক, অন্যথায় ক্লাসিফায়ারের কেবল ব্যাকগ্রাউণ্ড এর উপর ভিত্তি করে শ্রেণীবদ্ধ করতে পারে। ত্বকের ক্যান্সারের জন্য একটি ক্লাসিফায়ার ছিল যা মোলগুলির স্বাভাবিক এবং ক্যান্সারযুক্ত উভয় এর জন্য প্রশিক্ষিত ছিল। ক্যান্সারযুক্ত মোলের ছবিতে আকার পরিমাপের জন্য সেখানে স্কেল রাখা ছিলো। এটি দেখা যায় যে, ক্লাসিফায়ারের ছবিগুলিতে স্কেল্গুলোকে চিহ্নিত করার ক্ষেত্রে প্রায় 100% নির্ভুল ছিল, কিন্তু সত্যিকারের ক্যান্সারযুক্ত মোল এর ক্ষেত্রে (ছবিতে স্কেল না রেখে) তা ততটা ভালো প্রেডিকশন দিতে পারেনি।।
+
+ইমেজ ক্লাসিফায়ার খুব কম রেজ্যুলেশনে চলে। উদাহরণস্বরূপ, কাস্টম ভিশন 10240x10240 পর্যন্ত প্রশিক্ষণ এবং ভবিষ্যদ্বাণী চিত্র গ্রহণ করতে পারে, কিন্তু 227x227 রেজ্যুলেশনে চিত্রগুলিতে মডেলটি প্রশিক্ষণ এবং রান করে। বড় আকারের ছবিগুলি এই আকারে সঙ্কুচিত হয়, তাই আমাদেরকে নিশ্চিত করতে হবে যে আমরা যে জিনিসটি শ্রেণিবদ্ধ করছি তা চিত্রের একটি বড় অংশ দখল করে অন্যথায় এটি ক্লাসিফায়ার দ্বারা পরিবর্তিত ছোট ছবিতে খুবই ছোট হয়ে যেতে পারে।
+
+1. আমাদের ক্লাসিফায়ারের জন্য ছবি সংগ্রহ করতে হবে। ক্লাসিফায়ারকে প্রশিক্ষণের জন্য আমাদেরকে প্রতিটি লেবেলের কমপক্ষে .৫ টি ছবির প্রয়োজন হবে, তবে বেশি হলে আরও ভাল। ক্লাসিফায়ার পরীক্ষা করার জন্য আমাদের কয়েকটি অতিরিক্ত চিত্রেরও প্রয়োজন হবে। এই ছবিগুলি সব একই জিনিসের ভিন্ন চিত্র হওয়া উচিত। উদাহরণ স্বরূপ:
+
+    * ২টি পাকা কলা নিয়ে, কয়েকটি ভিন্ন অবস্থান থেকে প্রত্যেকটির কিছু ছবি তুলি, কমপক্ষে ৭ টি ছবি তুলতে হবে (৫ টি প্রশিক্ষণ, ২টি পরীক্ষা)। কিন্তু আরও বেশি ছবি তুলতে পারলে ভালো।
+
+        ![Photos of 2 different bananas](../../../../images/banana-training-images.png)
+
+    * ২টি কাঁচা কলা একই কাজটি আবারও করি।
+
+    আমাদের কমপক্ষে ১০টি প্রশিক্ষণ চিত্র থাকতে হবে, যার মধ্যে কমপক্ষে ৫ টি পাকা এবং ৫ টি কাঁচা এবং ৪ টি পরীক্ষার চিত্র, যেখানে ২টি পাকা, ২টি কাঁচা। আমাদের ছবিগুলি png বা jpegs হওয়া উচিত যা 6MB এর চেয়ে ছোট। যদি আমরা সেগুলোকে আইফোন দিয়ে ধারণ করি, উদাহরণস্বরূপ সেগুলো হতে পারে উচ্চ রেজোলিউশনের HEIC ছবি, তাই রূপান্তর করতে হবে এবং সম্ভবত সঙ্কুচিত হতে হবে। মনে রাখতে হবে, যত বেশি ছবি তত ভাল এবং আমাদের একই সংখ্যক পাকা এবং কাঁচা ্কলার ছবি থাকতে হবে।
+
+    যদি আমাদের পাকা এবং কাঁচা উভয় ফলই না থাকে, তাহলে আমরা বিভিন্ন ফল, অথবা আমাদের কাছে থাকা যেকোনো দুটি বস্তু ব্যবহার করতে পারব। আমরা পাকা এবং কাঁচা কলাগুলির [images](./images) ফোল্ডারে কিছু উদাহরণ চিত্র খুঁজে পাব যা আমরা ব্যবহার চাইলে করতে পারি।
+
+1. এক্ষেত্রে সহজে অনুসরণযোগ্য গাইড হিসেবে [ক্লাসিফায়ারের জন্য ছবি আপলোড ও ট্যাগ](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) ্দেখতে পারি। পাকা কলাকে `ripe` এবং কাঁচাগুলোকে  `unripe` হিসেবে ট্যাগ দিই।
+
+    ![The upload dialogs showing the upload of ripe and unripe banana pictures](../../../../images/image-upload-bananas.png)
+
+1. এখন [ক্লাসিফায়ারের ট্রেনিং কুইকস্টার্ট গাইড ](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) দেখে ট্রেনিং সম্পন্ন করি।
+
+   ট্রেনিং টাইপের জন্য **Quick Training**  নির্বাচন করি।
+
+> 🍌 ক্লাসিফায়ার প্রশিক্ষণ চলাকালীন যদি এই ফলগুলো খাওয়ার চিন্তা মাথায় আসে, তাহলে আগেই যথেষ্ট সংখ্যক ছবি তুলে রাখি !
+
+## ইমেজ ক্লাসিফায়ারকে মূল্যায়ণ
+
+একবার এই ক্লাসিফায়ার ট্রেইনড হয়ে গেলে,  এটিতে ছবি চিহ্নিতকরণের জন্য করার জন্য একটি নতুন (টেস্ট) চিত্র দিয়ে এটি পরীক্ষা করি।
+
+### কাজ - ইমেজ ক্লাসিফায়ারকে মূল্যায়ণ
+
+1. এক্ষেত্রে সহজে অনুসরণযোগ্য [মডেল টেস্ট করার গাইড](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) অনুসরণ করি, নতুন ছবি দিয়ে টেস্ট করতে।
+
+    ![A unripe banana predicted as unripe with a 98.9% probability, ripe with a 1.1% probability](../../../../images/banana-unripe-quick-test-prediction.png)
+
+1. আমাদের কাছে থাকা সমস্ত ছবিগুলি দিয়ে চেষ্টা করি এবং ফলাফলের নির্ভুল হবার সম্ভাবনা পর্যবেক্ষণ করি।
+
+## ইমেজ ক্লাসিফায়ারকে পুনরায় প্রশিক্ষণ
+
+যখন আমরা আমাদের ক্লাসিফায়ার পরীক্ষা করি, এটি আমাদের প্রত্যাশিত ফলাফল নাও দিতে পারে। ইমেজ ক্লাসিফায়ার মেশিন লার্নিং ব্যবহার করে একটি ছবিতে কি আছে সে সম্পর্কে ভবিষ্যদ্বাণী করে, সম্ভাবনার উপর ভিত্তি করে একটি ইমেজের বিশেষ বৈশিষ্ট্য (একটি নির্দিষ্ট লেবেলের) সাথে মিলিয়ে দেখে। এটি ছবিতে কি আছে তা বোঝে না - এটি একটি কলা কী তা জানে না বা বুঝতে পারেনা যে একটি কলা ও নৌকার মধ্যে কী পার্থক্য। কোন ভুল থাকলে, আমরা আমাদের ক্লাসিফায়ারকে ইমেজ দিয়ে পুনরায় প্রশিক্ষণ দিয়ে আরো উন্নত করতে পারি।
+
+প্রতিবার আমরা quick test ব্যবহার করে রান দিলে, ছবি এবং ফলাফল সংরক্ষণ করা হয়। আমরা আমাদের মডেল পুনরায় প্রশিক্ষণ দিতে এই ছবি ব্যবহার করতে পারি।
+
+### কাজ - ইমেজ ক্লাসিফায়ারকে পুনরায় প্রশিক্ষণ
+
+1. এক্ষেত্রে সহজে অনুসরণযোগ্য গাইড হিসেবে [Predicted ছবি ব্যবহার করে ট্রেনিং প্রদান - এই ডকুমেন্ট ](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#use-the-predicted-image-for-training) পড়ে, আমাদের মডেলকে পুনরায় প্রশিক্ষণ দিতে পারি, সঠিক ট্যাগ ব্যবহার করে।
+
+1. মডেলকে retrain করা হয়ে গেলে, টেস্ট ইমেজ দিয়ে পরীক্ষা করে দেখি।
+
+---
+
+## 🚀 চ্যালেঞ্জ
+
+যদি আমরা কলার উপর প্রশিক্ষিত একটি মডেলকে একটি স্ট্রবেরি এর ছবি অথবা একজন ব্যক্তি যিনি কলার স্যুট বা কস্টিউম পরে রয়েছেন অথবা একটি হলুদ রঙের কার্টুন চরিত্র যেমন সিম্পসন এর ছবি দিয়ে টেস্ট করতে যাই, তাহলে কোন ধরণের ফলাফল আসতে পারে বলে মনে হয় ?
+
+নিশ্চিত না হলে, আমরা বরং কাজটি আসলেই করে দেখি যে কেমন ফলাফল আসে। ছবি আমরা [Bing Image search](https://www.bing.com/images/trending) থেকেই পেয়ে যাব।
+
+## লেকচার-পরবর্তী কুইজ
+
+[লেকচার-পরবর্তী কুইজ](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/30)
+
+##  রিভিউ এবং স্ব-অধ্যয়ন
+
+
+* যখন ক্লাসিফায়ারকে প্রশিক্ষণ দিচ্ছিলাম, তখন সেখানে আমরা হয়তো *Precision*, *Recall*, and *AP* এর মান দেখেছি যা তৈরি করা মডেলটিকে রেটিং দেয়। এই মানগুলি কী তা সম্পর্কে আরো জানতে আমরা [ক্লাসিফায়ার মূল্যায়ন সংক্রান্ত ডকুমেন্ট](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#evaluate-the-classifier) পড়তে পারি।
+* ক্লাসিফায়ারের মান আরো উন্নত করার জন্য [কাস্টম ভিশন মানোন্নয়ন সংক্রান্ত ডকুমেন্ট](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-improving-your-classifier?WT.mc_id=academic-17441-jabenn) পড়তে পারি।
+
+
+## এসাইনমেন্ট
+
+[বিভিন্ন ফল ও সবজির জন্য ক্লাসিফায়ার তৈরী](assignment.bn.md)

4-manufacturing/lessons/1-train-fruit-detector/translations/assignment.bn.md

@@ -0,0 +1,16 @@
+# বিভিন্ন ফল ও সবজির জন্য ক্লাসিফায়ার তৈরী
+
+## নির্দেশাবলী
+
+এই পাঠে আমরা একটি ইমেজ ক্লাসিফায়ারকে পাকা এবং কাঁচা ফলের মধ্যে পার্থক্য করতে প্রশিক্ষণ দিয়েছি, কিন্তু শুধুমাত্র এক ধরনের ফল ব্যবহার করে। ফলের ধরণ এবং পাকা ও কাঁচা এর মধ্যে পার্থক্য অনুসারে সাফল্যের বিভিন্ন হারের সাথে একটি ক্লাসিফায়ারকে একাধিক ফল চিনতে প্রশিক্ষণ দেওয়া যেতে পারে।
+
+উদাহরণস্বরূপ, যেসব ফল পাকলে রঙ পরিবর্তন করে তাদের সাথে, ইমেজ ক্লাসিফায়ারগুলি রঙ সনাক্তকারী সেন্সরের চেয়ে কম কার্যকর হতে পারে কারণ তারা সাধারণত সম্পূর্ণ রঙের পরিবর্তে ধূসর স্কেলের ছবিতে কাজ করে।
+
+আমাদের ক্লাসিফায়ারকে অন্যান্য ফলের সাথে প্রশিক্ষণ দিয়ে দেখা যেতে পারে যে এটি কতটা ভাল কাজ করে, বিশেষ করে যখন ফলগুলি প্রায় একই রকম দেখতে হয়। উদাহরণস্বরূপ, আপেল এবং টমেটো।
+
+## এসাইনমেন্ট মূল্যায়ন মানদন্ড
+
+| ক্রাইটেরিয়া | দৃষ্টান্তমূলক (সর্বোত্তম) | পর্যাপ্ত (মাঝারি) | উন্নতি প্রয়োজন (নিম্নমান) |
+| --------- | ------------------ | -------------- | -------------------- |
+|একাধিক খাদ্যপণ্যের জন্য ক্লাসিফায়ারকে প্রশিক্ষণ প্রদান | একাধিক ফলের জন্য ক্লাসিফায়ার প্রশিক্ষণ দিতে সক্ষম | কেবল একধরণের ফলের জন্য ক্লাসিফায়ারকে প্রশিক্ষণ দিতে সক্ষম|  ক্লাসিফায়ার প্রশিক্ষণ দিতে ব্যার্থ |
+| ক্লাসিফায়ারের সাফল্য নিরূপণ | বিভিন্ন খাদ্যপণ্যের জন্য ক্লাসিফায়ারের সাফল্য নিরূপণ করে তা যথাযথভাবে ব্যখ্যা করতে সক্ষম | পর্যবেক্কখণ এবং মানোন্নয়নের জন্য সুপারিশ প্রদান করতে সক্ষম | ক্লাসিফায়ারের সাফল্য নির্ধারণে ব্যার্থ |

4-manufacturing/lessons/2-check-fruit-from-device/README.md

@@ -24,7 +24,7 @@ In this lesson we'll cover:
 
 ## Camera sensors
 
-Camera sensors, as the name suggests, are cameras that you can connect to your IoT device. They can take still images, or capture streaming video. Some will return raw image data, others will compress the image data into an image file such as a JPEG or PNG. Usually the cameras that work with IoT devices are much smaller and lower resolution that what you might be used to, but you can get high resolution cameras that will rival top end phones. You can get all manner of interchangeable lenses, multiple camera setups, infra-red thermal cameras, or UV cameras.
+Camera sensors, as the name suggests, are cameras that you can connect to your IoT device. They can take still images, or capture streaming video. Some will return raw image data, others will compress the image data into an image file such as a JPEG or PNG. Usually the cameras that work with IoT devices are much smaller and lower resolution than what you might be used to, but you can get high resolution cameras that will rival top end phones. You can get all manner of interchangeable lenses, multiple camera setups, infra-red thermal cameras, or UV cameras.
 
 ![The light from a scene passes through a lens and is focused on a CMOS sensor](../../../images/cmos-sensor.png)
 

4-manufacturing/lessons/3-run-fruit-detector-edge/README.md

@@ -71,7 +71,7 @@ There are downsides to edge computing, where the cloud may be a preferred option
 
 1. **Scale and flexibility** - cloud computing can adjust to network and data needs in real-time by adding or reducing servers and other resources. To add more edge computers requires manually adding more devices.
 
-1. **Reliability and resiliency** - cloud computing provides multiple servers often in multiple locations for redundancy and disaster recovery. To have the same level of redundancy on the edge requires large investments and a lor of configuration work.
+1. **Reliability and resiliency** - cloud computing provides multiple servers often in multiple locations for redundancy and disaster recovery. To have the same level of redundancy on the edge requires large investments and a lot of configuration work.
 
 1. **Maintenance** - cloud service providers provide system maintenance and updates.
 

4-manufacturing/lessons/4-trigger-fruit-detector/README.md

@@ -10,7 +10,7 @@
 
 ## Introduction
 
-An IoT application is not just a single device capturing data and sending it to the cloud, it is more often that not multiple devices all working together to capture data from the physical world using sensors, make decisions based off that data, and interacting back with the physical world via actuators or visualizations.
+An IoT application is not just a single device capturing data and sending it to the cloud, it is more often than not multiple devices all working together to capture data from the physical world using sensors, make decisions based off that data, and interacting back with the physical world via actuators or visualizations.
 
 In this lesson you will learn more about architecting complex IoT applications, incorporating multiple sensors, multiple cloud services to analyze and store data, and showing a response via an actuator. You will learn how to architect a fruit quality control system prototype, including about using proximity sensors to trigger the IoT application, and what the architecture of this prototype would be.
 
@@ -105,7 +105,7 @@ For the prototype, you will implement all of this on a single device. If you are
 
 ## Trigger fruit quality checking from a sensor
 
-The IoT device needs some kind of trigger to indicate when fruit is ready to be classified. One trigger for this would be to measure when the fruit is at the right location on the conveyor belt my measuring the distance to a sensor.
+The IoT device needs some kind of trigger to indicate when fruit is ready to be classified. One trigger for this would be to measure when the fruit is at the right location on the conveyor belt by measuring the distance to a sensor.
 
 ![Proximity sensors send laser beams to objects like bananas and time how long till the beam is bounced back](../../../images/proximity-sensor.png)
 

4-manufacturing/translations/.dummy.md

@@ -1,9 +0,0 @@
-# Dummy File
-
-This file acts as a placeholder for the `translations` folder. <br>
-**Please remove this file after adding the first translation**
-
-For the instructions, follow the directives in the [translations guide](https://github.com/microsoft/IoT-For-Beginners/blob/main/TRANSLATIONS.md) .
-
-## THANK YOU
-We truly appreciate your efforts!

4-manufacturing/translations/README.bn.md

@@ -0,0 +1,26 @@
+# উৎপাদন এবং প্রক্রিয়াকরণ - খাদ্য প্রক্রিয়াজাতকরণে IoT এর ব্যবহার 
+
+একবার খাদ্য একটি কেন্দ্রীয় হাব বা প্রক্রিয়াকরণ কারখানায় পৌঁছে গেলে, এটি যে সরাসরি সুপার মার্কেটে পাঠানো হয় তা কিন্তু সবসময় সত্য নয়। অনেক সময় খাদ্য প্রক্রিয়াজাতকরণের কয়েকটি ধাপের মধ্য দিয়ে যায়, যেমন গুণমান অনুসারে বাছাই করা। এটি একটি প্রক্রিয়া যা আগে মানুষ নিজে করতো - এটি শস্যক্ষেত থেকেই শুরু হতো এবং  বাছাইকারীরা কেবল পাকা ফল আলাদা করতো, তারপর কারখানায় ফল একটি কনভেয়ার বেল্টে চড়তো এবং কর্মচারীরা ম্যানুয়ালি যে কোনও ক্ষত বা পচা ফল সরিয়ে দেবে। স্কুলজীবনে গ্রীষ্মকালীন চাকরি হিসেবে স্ট্রবেরি বাছাই করার কাজ করে, আমি সাক্ষ্য দিতে পারি যে এটি খুব একটা মজাদার কাজ নয়।
+
+তখন কিছু আধুনিক সেটআপগুলোতে বাছাইয়ের জন্য IoT- এর উপর নির্ভর করে। [Weco](https://wecotek.com) এর মতো প্রথম দিকের কিছু যন্ত্র ছিলো, যেগুলো উৎপাদনের মান সনাক্ত করতে অপটিক্যাল সেন্সর ব্যবহার করে, উদাহরণস্বরূপ সবুজ টমেটো প্রত্যাখ্যান করে। এগুলি খামারেইবা প্রক্রিয়াকরণ কারখানায় স্থাপন করা যেতে পারে।
+
+আর্টিফিশিয়াল ইন্টেলিজেন্স (এআই) এবং মেশিন লার্নিং (এমএল) -এর অগ্রগতির ফলে, এই মেশিনগুলি আরও উন্নত হয়ে উঠতে পারছে, এমএল মডেল ব্যবহার করে ফল এবং বিদেশী বস্তু যেমন পাথর, ময়লা বা পোকামাকড়ের মধ্যে পার্থক্য করতে পারছে। এই মডেলগুলিকে ফলের গুণাগুণ সনাক্ত করার জন্য প্রশিক্ষণ দেওয়া যেতে পারে; কেবলমাত্র ফেটে যাওয়া ফলই নয় বরং ফসলের রোগ বা অন্যান্য সমস্যা প্রাথমিকভাবে সনাক্তকরণ করাক যেতে পারে।
+
+> 🎓 *এমএল মডেল*  শব্দটি ডেটা সেটের প্রশিক্ষিত (trained) মেশিন লার্নিং সফটওয়্যারের আউটপুটকে বোঝায়। উদাহরণস্বরূপ, একটি এমএল মডেলকে পাকা এবং কাঁচা টমেটোর মধ্যে পার্থক্য করতে প্রশিক্ষণ দেয়া যায়, তারপর টমেটো পাকা কি না তা দেখতে নতুন ছবিতে মডেলটি ব্যবহার করতে পারি।
+
+এই 4টি পাঠে আমরা শিখব কিভাবে ফলের গুণমান সনাক্ত করতে ইমেজ-ভিত্তিক এআই মডেলগুলিকে প্রশিক্ষণ দিতে হয়, কিভাবে একটি আইওটি ডিভাইস থেকে এগুলি ব্যবহার করতে হয় এবং কীভাবে এগুলি Edge ডিভাইস হিসেবে চালাতে হয় - যেটি ক্লাউডের পরিবর্তে একটি আইওটি ডিভাইসে কাজ করবে ।
+
+> 💁  এই লেসনগুলোতে আমরা কিছু ক্লাউড রিসোর্স ব্যবহার করবো। এখানে সবগুলো প্রজেক্ট সম্পূর্ণ না হলেও, আমাদেরকে [প্রজেক্ট ক্লীন-আপ](../translations/clean-up.bn.md) করতে হবে।
+
+## পাঠ্যসূচি
+
+1. [খাদ্যপণ্যের গুণমান সনাক্তকারীকে প্রশিক্ষণ প্রদান](./lessons/1-train-fruit-detector/translations/README.bn.md)
+1. [একটি IoT ডিভাইস থেকে ফলের গুণমান পরীক্ষাকরণ](./lessons/2-check-fruit-from-device/translations/README.bn.md)
+1. [ফলের মান সনাক্তকারী প্রোগ্রাম কে Edge এ চালানো](./lessons/3-run-fruit-detector-edge/translations/README.bn.md)
+1. [সেন্সরের মাধ্যমে  ফলের মান সনাক্তকারীকে চালনা করা](./lessons/4-trigger-fruit-detector/translations/README.bn.md)
+
+## ক্রেডিট
+
+♥️ ভালোবাসার সাথে প্রতিটি অধ্যায় লিখেছেন  [Jen Looper](https://github.com/jlooper) এবং [Jim Bennett](https://GitHub.com/JimBobBennett)
+
+

6-consumer/lessons/4-multiple-language-support/README.md

@@ -42,7 +42,7 @@ Text translation has been a computer science problem that has been researched fo
 
 Text translation started out as a technology known as Machine Translation (MT), that can translate between different language pairs. MT works by substituting words in one language with another, adding techniques to select the correct ways of translating phrases or parts of sentences when a simple word-for-word translation doesn't make sense.
 
-> 🎓 When translators support translating between one language and another, these are know as *language pairs*. Different tools support different language pairs, and these may not be complete. For example, a translator may support English to Spanish as a language pair, and Spanish to Italian as a language pair, but not English to Italian.
+> 🎓 When translators support translating between one language and another, these are known as *language pairs*. Different tools support different language pairs, and these may not be complete. For example, a translator may support English to Spanish as a language pair, and Spanish to Italian as a language pair, but not English to Italian.
 
 For example, translating "Hello world" from English into French can be performed with a substitution - "Bonjour" for "Hello", and "le monde" for "world", leading to the correct translation of "Bonjour le monde".
 

TRANSLATIONS.md

@@ -19,6 +19,10 @@ where _[language]_ is a two letter language abbreviation following the ISO 639-1
 
 > Important: when translating text in this repo, please ensure that you do not use machine translation. We will verify translations via the community, so please only volunteer for translations in languages where you are proficient.
 
+## Links
+
+When translating, please update links to the translated files. If a file hasn't been translated, keep the link to the English version. As each file is in a `translations` folder, you will also need to update the link depth for hyperlinks and images.
+
 ## Quizzes
 
 Add your translation to the quiz-app by adding a file here: https://github.com/microsoft/IoT-For-Beginners/tree/main/quiz-app/src/assets/translations. Please don't localize the words 'true' or 'false' however. thanks!

lesson-template/translations/README.id.md

@@ -0,0 +1,51 @@
+# [Topik Pelajaran]
+
+![Sematkan video di sini](video-url)
+
+## [Kuis Pra-Kuliah](quiz-url)
+
+[Jelaskan apa yang akan kita pelajari]
+
+### Pengenalan
+
+Jelaskan apa yang akan dibahas
+
+> Catatan
+
+### Prasyarat
+
+Langkah-langkah apa yang seharusnya sudah dibahas sebelum pelajaran ini?
+
+### Persiapan
+
+Langkah-langkah persiapan untuk memulai pelajaran ini
+
+---
+
+[Melangkah melalui konten dalam blok]
+
+## [Topik 1]
+
+### Tugas:
+
+Bekerja sama untuk meningkatkan *codebase* anda secara progresif untuk membangun proyek dengan kode bersama:
+
+```html
+blok kode
+```
+
+✅ Cek Pengetahuan - gunakan momen ini untuk memperluas pengetahuan siswa dengan membuka pertanyaan
+
+## [Topik 2]
+
+## [Topik 3]
+
+🚀 Tantangan: Tambahkan sebuah tantangan kepada siswa untuk dikerjakan secara kolaboratif di kelas untuk menyempurnakan project
+
+Opsional: tambahkan tangkapan layar UI dari pelajaran yang telah selesai jika sesuai
+
+## [Kuis Setelah Kuliah](quiz-url)
+
+## Ulasan & Belajar Mandiri
+
+**Keterlambatan Tugas [MM/YY]**: [Nama Tugas](assignment.md)

lesson-template/translations/assignment.id.md

@@ -0,0 +1,9 @@
+# [Nama Tugas]
+
+## Instruksi
+
+## Rubrik
+
+| Kriteria | Teladan   | Memadai  | Perlu Perbaikan   |
+| -------- | --------- | -------- | ----------------- |
+|          |           |          |                   |

translations/README.tr.md

@@ -121,7 +121,7 @@ Bir çeviriyle katkıda bulunmak ister miydiniz? Lütfen [çeviri rehberimizi](.
 
 ## Diğer Dersler
 
-Takımımız başka derler de yapıyor:
+Takımımız başka dersler de yapıyor:
 
 - [Yeni başlayanlar için web geliştiriciliği](https://aka.ms/webdev-beginners)
 - [Yeni başlayanlar için makine öğrenimi](https://aka.ms/ml-beginners)

translations/README.zh-cn.md

@@ -36,7 +36,7 @@ Microsoft 的 Azure Cloud 大使很高兴提供关于 IoT 基础的一个 12 个
 > 🎥 点击以上的图片来看这个项目的宣传片！
 
 
-## 教学法
+## 教学方法
 
 创建这个课程时，我们选择了两个教育原理：确保它基于项目以及它常常包括知识测验。完成课程后，学生们应该创建了一个植物监测和浇水系统、车辆追踪器、为了追踪和检查食物的智能工厂设置以及声控烹饪定时器，还有学会了物联网的基本技能，包括怎么为设备写代码、连接到云、分析遥测以及在边缘上运行人工智能。
 
@@ -50,7 +50,7 @@ Microsoft 的 Azure Cloud 大使很高兴提供关于 IoT 基础的一个 12 个
 
 根据你自己的选择、知道或喜欢的编码语言、学习目标等，我们对于项目的 IoT 硬件有两个选择。我们也提供了一个“虚拟硬件”的版本，为无法拿到硬件或者想在买硬件之前学多一点儿东西的人。你能在[硬件页](../hardware.md)找到更多资料与“购物清单”；它也包括来自我们朋友 Seeed Studio 完整套件的链接。
 
-> 💁 找一下我们的[行为守则](../CODE_OF_CONDUCT.md)、 [贡献](../CONTRIBUTING.md)和 [翻译](../TRANSLATIONS.md)的指导方针。 我们欢迎你的建设性反馈！
+> 💁 找一下我们的 [行为守则](../CODE_OF_CONDUCT.md)、 [贡献](../CONTRIBUTING.md) 和 [翻译](../TRANSLATIONS.md) 的指导方针。 我们欢迎你的建设性反馈！
 
 ## 每个课包括：
 
@@ -117,10 +117,11 @@ npm run convert
 
 ## 其它课程
 
-我们的组生成了其它课程！查一下：
+我们的团队制作了其它课程！查一下：
 
 - [网站开发（Web Dev for Beginners）](https://aka.ms/webdev-beginners)
 - [机器学习（ML for Beginners）](https://aka.ms/ml-beginners)
+- [数据科学（Data Science for Beginners）](https://aka.ms/datascience-beginners)
 
 ## 图片属性