From ecd6e0f3cca5aff93d2931ceeca92cb23b1d05bd Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Mon, 6 Apr 2026 16:11:46 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 1/1, 187 changes) --- translations/da/.co-op-translator.json | 4 +- .../lessons/1-introduction-to-iot/README.md | 2 +- .../1-introduction-to-iot/virtual-device.md | 4 +- .../lessons/2-deeper-dive/README.md | 10 +- .../lessons/3-sensors-and-actuators/README.md | 10 +- .../3-sensors-and-actuators/pi-actuator.md | 4 +- .../3-sensors-and-actuators/pi-sensor.md | 4 +- .../virtual-device-actuator.md | 4 +- .../virtual-device-sensor.md | 4 +- .../wio-terminal-actuator.md | 2 +- .../lessons/4-connect-internet/README.md | 10 +- .../lessons/1-predict-plant-growth/README.md | 8 +- .../1-predict-plant-growth/assignment.md | 2 +- .../lessons/1-predict-plant-growth/pi-temp.md | 4 +- .../virtual-device-temp.md | 8 +- .../wio-terminal-temp.md | 2 +- .../lessons/2-detect-soil-moisture/README.md | 2 +- .../2-detect-soil-moisture/assignment.md | 4 +- .../pi-soil-moisture.md | 4 +- .../virtual-device-soil-moisture.md | 4 +- .../wio-terminal-soil-moisture.md | 2 +- .../3-automated-plant-watering/README.md | 6 +- .../3-automated-plant-watering/pi-relay.md | 4 +- .../virtual-device-relay.md | 4 +- .../wio-terminal-relay.md | 2 +- .../README.md | 12 +- .../README.md | 6 +- .../6-keep-your-plant-secure/README.md | 6 +- .../lessons/1-location-tracking/README.md | 10 +- .../1-location-tracking/pi-gps-sensor.md | 4 +- .../virtual-device-gps-sensor.md | 10 +- .../wio-terminal-gps-sensor.md | 2 +- .../lessons/2-store-location-data/README.md | 10 +- .../3-visualize-location-data/README.md | 12 +- .../3-transport/lessons/4-geofences/README.md | 8 +- .../lessons/1-train-fruit-detector/README.md | 16 +- .../2-check-fruit-from-device/README.md | 10 +- .../2-check-fruit-from-device/pi-camera.md | 10 +- .../single-board-computer-classify-image.md | 2 +- .../virtual-device-camera.md | 6 +- .../wio-terminal-camera.md | 6 +- .../wio-terminal-classify-image.md | 2 +- .../3-run-fruit-detector-edge/README.md | 14 +- .../4-trigger-fruit-detector/README.md | 10 +- .../4-trigger-fruit-detector/pi-proximity.md | 2 +- .../virtual-device-proximity.md | 4 +- .../wio-terminal-proximity.md | 2 +- .../lessons/1-train-stock-detector/README.md | 14 +- .../lessons/2-check-stock-device/README.md | 12 +- .../single-board-computer-object-detector.md | 2 +- .../wio-terminal-object-detector.md | 2 +- .../lessons/1-speech-recognition/README.md | 10 +- .../lessons/1-speech-recognition/pi-audio.md | 4 +- .../1-speech-recognition/pi-microphone.md | 2 +- .../wio-terminal-audio.md | 2 +- .../2-language-understanding/README.md | 6 +- .../lessons/3-spoken-feedback/README.md | 2 +- .../4-multiple-language-support/README.md | 6 +- .../pi-translate-speech.md | 2 +- .../virtual-device-translate-speech.md | 2 +- .../wio-terminal-translate-speech.md | 2 +- translations/da/README.md | 179 ++++++++-------- translations/da/hardware.md | 2 +- translations/fi/.co-op-translator.json | 4 +- .../lessons/1-introduction-to-iot/README.md | 2 +- .../1-introduction-to-iot/virtual-device.md | 4 +- .../lessons/2-deeper-dive/README.md | 10 +- .../lessons/3-sensors-and-actuators/README.md | 10 +- .../3-sensors-and-actuators/pi-actuator.md | 4 +- .../3-sensors-and-actuators/pi-sensor.md | 4 +- .../virtual-device-actuator.md | 4 +- .../virtual-device-sensor.md | 4 +- .../wio-terminal-actuator.md | 2 +- .../lessons/4-connect-internet/README.md | 10 +- .../lessons/1-predict-plant-growth/README.md | 8 +- .../1-predict-plant-growth/assignment.md | 2 +- .../lessons/1-predict-plant-growth/pi-temp.md | 4 +- .../virtual-device-temp.md | 8 +- .../wio-terminal-temp.md | 2 +- .../lessons/2-detect-soil-moisture/README.md | 2 +- .../2-detect-soil-moisture/assignment.md | 4 +- .../virtual-device-soil-moisture.md | 4 +- .../wio-terminal-soil-moisture.md | 2 +- .../3-automated-plant-watering/README.md | 6 +- .../3-automated-plant-watering/pi-relay.md | 4 +- .../virtual-device-relay.md | 4 +- .../README.md | 12 +- .../README.md | 6 +- .../6-keep-your-plant-secure/README.md | 6 +- .../lessons/1-location-tracking/README.md | 10 +- .../1-location-tracking/pi-gps-sensor.md | 4 +- .../virtual-device-gps-sensor.md | 10 +- .../wio-terminal-gps-sensor.md | 2 +- .../lessons/2-store-location-data/README.md | 10 +- .../3-visualize-location-data/README.md | 12 +- .../3-transport/lessons/4-geofences/README.md | 8 +- .../lessons/1-train-fruit-detector/README.md | 16 +- .../2-check-fruit-from-device/README.md | 10 +- .../2-check-fruit-from-device/pi-camera.md | 10 +- .../single-board-computer-classify-image.md | 2 +- .../virtual-device-camera.md | 6 +- .../wio-terminal-camera.md | 6 +- .../wio-terminal-classify-image.md | 2 +- .../3-run-fruit-detector-edge/README.md | 14 +- .../4-trigger-fruit-detector/README.md | 10 +- .../4-trigger-fruit-detector/pi-proximity.md | 2 +- .../virtual-device-proximity.md | 4 +- .../wio-terminal-proximity.md | 2 +- .../lessons/1-train-stock-detector/README.md | 14 +- .../lessons/2-check-stock-device/README.md | 12 +- .../single-board-computer-object-detector.md | 2 +- .../wio-terminal-object-detector.md | 2 +- .../lessons/1-speech-recognition/README.md | 10 +- .../lessons/1-speech-recognition/pi-audio.md | 4 +- .../1-speech-recognition/pi-microphone.md | 2 +- .../wio-terminal-audio.md | 2 +- .../2-language-understanding/README.md | 6 +- .../lessons/3-spoken-feedback/README.md | 2 +- .../4-multiple-language-support/README.md | 6 +- .../pi-translate-speech.md | 2 +- .../virtual-device-translate-speech.md | 2 +- .../wio-terminal-translate-speech.md | 2 +- translations/fi/README.md | 166 ++++++++------- translations/fi/hardware.md | 2 +- translations/no/.co-op-translator.json | 4 +- .../lessons/1-introduction-to-iot/README.md | 2 +- .../1-introduction-to-iot/virtual-device.md | 4 +- .../lessons/2-deeper-dive/README.md | 10 +- .../lessons/3-sensors-and-actuators/README.md | 10 +- .../3-sensors-and-actuators/pi-actuator.md | 4 +- .../3-sensors-and-actuators/pi-sensor.md | 4 +- .../virtual-device-actuator.md | 4 +- .../virtual-device-sensor.md | 4 +- .../wio-terminal-actuator.md | 2 +- .../lessons/4-connect-internet/README.md | 10 +- .../lessons/1-predict-plant-growth/README.md | 4 +- .../1-predict-plant-growth/assignment.md | 2 +- .../lessons/1-predict-plant-growth/pi-temp.md | 2 +- .../virtual-device-temp.md | 8 +- .../wio-terminal-temp.md | 2 +- .../lessons/2-detect-soil-moisture/README.md | 2 +- .../2-detect-soil-moisture/assignment.md | 4 +- .../pi-soil-moisture.md | 4 +- .../virtual-device-soil-moisture.md | 4 +- .../wio-terminal-soil-moisture.md | 2 +- .../3-automated-plant-watering/README.md | 6 +- .../3-automated-plant-watering/pi-relay.md | 4 +- .../virtual-device-relay.md | 4 +- .../wio-terminal-relay.md | 2 +- .../README.md | 12 +- .../README.md | 6 +- .../6-keep-your-plant-secure/README.md | 6 +- .../lessons/1-location-tracking/README.md | 10 +- .../1-location-tracking/pi-gps-sensor.md | 4 +- .../virtual-device-gps-sensor.md | 10 +- .../wio-terminal-gps-sensor.md | 2 +- .../lessons/2-store-location-data/README.md | 10 +- .../3-visualize-location-data/README.md | 12 +- .../3-transport/lessons/4-geofences/README.md | 8 +- .../lessons/1-train-fruit-detector/README.md | 16 +- .../2-check-fruit-from-device/README.md | 10 +- .../2-check-fruit-from-device/pi-camera.md | 10 +- .../single-board-computer-classify-image.md | 2 +- .../virtual-device-camera.md | 6 +- .../wio-terminal-camera.md | 6 +- .../wio-terminal-classify-image.md | 2 +- .../3-run-fruit-detector-edge/README.md | 14 +- .../4-trigger-fruit-detector/README.md | 10 +- .../4-trigger-fruit-detector/pi-proximity.md | 2 +- .../virtual-device-proximity.md | 4 +- .../wio-terminal-proximity.md | 2 +- .../lessons/1-train-stock-detector/README.md | 14 +- .../lessons/2-check-stock-device/README.md | 12 +- .../single-board-computer-object-detector.md | 2 +- .../wio-terminal-object-detector.md | 2 +- .../lessons/1-speech-recognition/README.md | 10 +- .../lessons/1-speech-recognition/pi-audio.md | 4 +- .../1-speech-recognition/pi-microphone.md | 2 +- .../wio-terminal-audio.md | 2 +- .../2-language-understanding/README.md | 6 +- .../lessons/3-spoken-feedback/README.md | 2 +- .../4-multiple-language-support/README.md | 6 +- .../pi-translate-speech.md | 2 +- .../virtual-device-translate-speech.md | 2 +- .../wio-terminal-translate-speech.md | 2 +- translations/no/README.md | 201 +++++++++--------- translations/no/hardware.md | 2 +- 187 files changed, 805 insertions(+), 773 deletions(-) diff --git a/translations/da/.co-op-translator.json b/translations/da/.co-op-translator.json index 46fe7020e..0fbf7c612 100644 --- a/translations/da/.co-op-translator.json +++ b/translations/da/.co-op-translator.json @@ -738,8 +738,8 @@ "language_code": "da" }, "README.md": { - "original_hash": "3fcc056cd3837e33d2bdf79f9c359fcf", - "translation_date": "2026-01-30T02:03:42+00:00", + "original_hash": "accf69391fa4450eadbf492ca024cccf", + "translation_date": "2026-04-06T16:07:21+00:00", "source_file": "README.md", "language_code": "da" }, diff --git a/translations/da/1-getting-started/lessons/1-introduction-to-iot/README.md b/translations/da/1-getting-started/lessons/1-introduction-to-iot/README.md index 87c34eef0..dd0b38403 100644 --- a/translations/da/1-getting-started/lessons/1-introduction-to-iot/README.md +++ b/translations/da/1-getting-started/lessons/1-introduction-to-iot/README.md @@ -1,6 +1,6 @@ # Introduktion til IoT -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-1.2606670fa61ee904687da5d6fa4e726639d524d064c895117da1b95b9ff6251d.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-1.2606670fa61ee904.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. diff --git a/translations/da/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md b/translations/da/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md index 890dedb32..79537fd9b 100644 --- a/translations/da/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md +++ b/translations/da/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md @@ -203,7 +203,7 @@ Som et andet 'Hello World'-trin vil du køre CounterFit-appen og forbinde din ko Appen vil begynde at køre og åbne i din webbrowser: - ![CounterFit-appen kører i en browser](../../../../../translated_images/da/counterfit-first-run.433326358b669b31d0e99c3513cb01bfbb13724d162c99cdcc8f51ecf5f9c779.png) + ![CounterFit-appen kører i en browser](../../../../../translated_images/da/counterfit-first-run.433326358b669b31.webp) Den vil være markeret som *Disconnected*, med LED'en i øverste højre hjørne slukket. @@ -224,7 +224,7 @@ Som et andet 'Hello World'-trin vil du køre CounterFit-appen og forbinde din ko 1. I denne nye terminal skal du køre `app.py`-filen som før. Status for CounterFit vil ændre sig til **Connected**, og LED'en vil lyse op. - ![CounterFit viser som connected](../../../../../translated_images/da/counterfit-connected.ed30b46d8f79b0921f3fc70be10366e596a89dca3f80c2224a9d9fc98fccf884.png) + ![CounterFit viser som connected](../../../../../translated_images/da/counterfit-connected.ed30b46d8f79b092.webp) > 💁 Du kan finde denne kode i [code/virtual-device](../../../../../1-getting-started/lessons/1-introduction-to-iot/code/virtual-device)-mappen. diff --git a/translations/da/1-getting-started/lessons/2-deeper-dive/README.md b/translations/da/1-getting-started/lessons/2-deeper-dive/README.md index 1c4baea57..8ff545d73 100644 --- a/translations/da/1-getting-started/lessons/2-deeper-dive/README.md +++ b/translations/da/1-getting-started/lessons/2-deeper-dive/README.md @@ -1,6 +1,6 @@ # En dybere indsigt i IoT -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-2.324b0580d620c25e0a24fb7fddfc0b29a846dd4b82c08e7a9466d580ee78ce51.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-2.324b0580d620c25e.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -38,7 +38,7 @@ De to komponenter i en IoT-applikation er *Internet* og *ting*. Lad os se nærme Disse enheder interagerer med den fysiske verden, enten ved at bruge sensorer til at indsamle data fra deres omgivelser eller ved at kontrollere output eller aktuatorer for at foretage fysiske ændringer. Et typisk eksempel er en smart termostat - en enhed, der har en temperatursensor, en måde at indstille en ønsket temperatur på, såsom en drejeknap eller touchscreen, og en forbindelse til et varme- eller kølesystem, der kan tændes, når den registrerede temperatur er uden for det ønskede område. Temperatursensoren registrerer, at rummet er for koldt, og en aktuator tænder for varmen. -![Et diagram, der viser temperatur og en drejeknap som input til en IoT-enhed, og kontrol af en varmeenhed som output](../../../../../translated_images/da/basic-thermostat.a923217fd1f37e5a6f3390396a65c22a387419ea2dd17e518ec24315ba6ae9a8.png) +![Et diagram, der viser temperatur og en drejeknap som input til en IoT-enhed, og kontrol af en varmeenhed som output](../../../../../translated_images/da/basic-thermostat.a923217fd1f37e5a.webp) Der findes et enormt udvalg af forskellige ting, der kan fungere som IoT-enheder, fra dedikeret hardware, der registrerer én ting, til generelle enheder, endda din smartphone! En smartphone kan bruge sensorer til at registrere verden omkring sig og aktuatorer til at interagere med verden - for eksempel ved at bruge en GPS-sensor til at registrere din placering og en højttaler til at give dig navigationsinstruktioner til en destination. @@ -54,7 +54,7 @@ Enheder forbinder heller ikke altid direkte til internettet via WiFi eller kabel Med eksemplet med en smart termostat ville termostaten forbinde via hjemmets WiFi til en cloud-tjeneste, der kører i skyen. Den ville sende temperaturdata til denne cloud-tjeneste, og derfra ville dataene blive skrevet til en slags database, der gør det muligt for husejeren at tjekke aktuelle og tidligere temperaturer via en telefonapp. En anden tjeneste i skyen ville vide, hvilken temperatur husejeren ønsker, og sende beskeder tilbage til IoT-enheden via cloud-tjenesten for at fortælle varmesystemet, om det skal tændes eller slukkes. -![Et diagram, der viser temperatur og en drejeknap som input til en IoT-enhed, IoT-enheden med tovejskommunikation til skyen, som igen har tovejskommunikation til en telefon, og kontrol af en varmeenhed som output fra IoT-enheden](../../../../../translated_images/da/mobile-controlled-thermostat.4a994010473d8d6a52ba68c67e5f02dc8928c717e93ca4b9bc55525aa75bbb60.png) +![Et diagram, der viser temperatur og en drejeknap som input til en IoT-enhed, IoT-enheden med tovejskommunikation til skyen, som igen har tovejskommunikation til en telefon, og kontrol af en varmeenhed som output fra IoT-enheden](../../../../../translated_images/da/mobile-controlled-thermostat.4a994010473d8d6a.webp) En endnu smartere version kunne bruge AI i skyen med data fra andre sensorer, der er forbundet til andre IoT-enheder, såsom bevægelsessensorer, der registrerer, hvilke rum der er i brug, samt data som vejr og endda din kalender, for at træffe beslutninger om, hvordan temperaturen skal indstilles på en intelligent måde. For eksempel kunne den slukke for varmen, hvis den læser fra din kalender, at du er på ferie, eller slukke for varmen rum for rum afhængigt af, hvilke rum du bruger, og lære af dataene for at blive mere og mere præcis over tid. @@ -94,7 +94,7 @@ Jo hurtigere clock-cyklussen er, jo flere instruktioner kan behandles pr. sekund > 💁 CPU'er udfører programmer ved hjælp af [fetch-decode-execute-cyklussen](https://wikipedia.org/wiki/Instruction_cycle). For hver clock-tik vil CPU'en hente den næste instruktion fra hukommelsen, afkode den og derefter udføre den, såsom at bruge en aritmetisk logisk enhed (ALU) til at lægge 2 tal sammen. Nogle udførelser vil tage flere tik at køre, så den næste cyklus vil køre ved næste tik, efter instruktionen er afsluttet. -![Fetch-decode-execute-cyklussen, der viser, hvordan fetch henter en instruktion fra programmet, der er gemt i RAM, og derefter afkoder og udfører den på en CPU](../../../../../translated_images/da/fetch-decode-execute.2fd6f150f6280392807f4475382319abd0cee0b90058e1735444d6baa6f2078c.png) +![Fetch-decode-execute-cyklussen, der viser, hvordan fetch henter en instruktion fra programmet, der er gemt i RAM, og derefter afkoder og udfører den på en CPU](../../../../../translated_images/da/fetch-decode-execute.2fd6f150f6280392.webp) Mikrocontrollere har meget lavere clock-hastigheder end stationære eller bærbare computere eller endda de fleste smartphones. Wio Terminal har for eksempel en CPU, der kører ved 120MHz eller 120.000.000 cyklusser pr. sekund. @@ -182,7 +182,7 @@ Arduino-boards programmeres i C eller C++. Brug af C/C++ gør det muligt at komp Du vil skrive din opsætningskode i `setup`-funktionen, såsom at oprette forbindelse til WiFi og cloud-tjenester eller initialisere pins til input og output. Din loop-kode vil derefter indeholde behandlingskode, såsom at læse fra en sensor og sende værdien til skyen. Du vil normalt inkludere en forsinkelse i hver loop, for eksempel hvis du kun vil sende sensordata hvert 10. sekund, vil du tilføje en forsinkelse på 10 sekunder i slutningen af loopen, så mikrocontrolleren kan sove og spare strøm, og derefter køre loopen igen, når det er nødvendigt 10 sekunder senere. -![En Arduino-sketch, der kører setup først og derefter kører loop gentagne gange](../../../../../translated_images/da/arduino-sketch.79590cb837ff7a7c6a68d1afda6cab83fd53d3bb1bd9a8bf2eaf8d693a4d3ea6.png) +![En Arduino-sketch, der kører setup først og derefter kører loop gentagne gange](../../../../../translated_images/da/arduino-sketch.79590cb837ff7a7c.webp) ✅ Denne programarkitektur kaldes en *event loop* eller *message loop*. Mange applikationer bruger dette under motorhjelmen og er standarden for de fleste desktop-applikationer, der kører på OS'er som Windows, macOS eller Linux. `loop` lytter efter beskeder fra brugergrænsefladekomponenter som knapper eller enheder som tastaturet og reagerer på dem. Du kan læse mere i denne [artikel om event loops](https://wikipedia.org/wiki/Event_loop). diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/README.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/README.md index ce0986dc3..4c48c497b 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/README.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/README.md @@ -1,6 +1,6 @@ # Interager med den fysiske verden med sensorer og aktuatorer -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-3.cc3b7b4cd646de598698cce043c0393fd62ef42bac2eaf60e61272cd844250f4.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-3.cc3b7b4cd646de59.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -92,7 +92,7 @@ Digitale sensorer, ligesom analoge sensorer, registrerer verden omkring dem ved Den enkleste digitale sensor er en knap eller kontakt. Dette er en sensor med to tilstande, tændt eller slukket. -![En knap modtager 5 volt. Når den ikke er trykket, returnerer den 0 volt, når den er trykket, returnerer den 5 volt](../../../../../translated_images/da/button.eadb560b77ac45e56f523d9d8876e40444f63b419e33eb820082d461fa79490b.png) +![En knap modtager 5 volt. Når den ikke er trykket, returnerer den 0 volt, når den er trykket, returnerer den 5 volt](../../../../../translated_images/da/button.eadb560b77ac45e5.webp) Pins på IoT-enheder, såsom GPIO-pins, kan måle dette signal direkte som en 0 eller 1. Hvis den sendte spænding er den samme som den returnerede spænding, læses værdien som 1, ellers læses værdien som 0. Der er ingen grund til at konvertere signalet, det kan kun være 1 eller 0. @@ -125,7 +125,7 @@ Nogle almindelige aktuatorer inkluderer: Følg den relevante vejledning nedenfor for at tilføje en aktuator til din IoT-enhed, styret af sensoren, for at bygge en IoT-natlampe. Den vil indsamle lysniveauer fra lyssensoren og bruge en aktuator i form af en LED til at udsende lys, når det registrerede lysniveau er for lavt. -![Et flowdiagram over opgaven, der viser lysniveauer, der bliver læst og kontrolleret, og LED'en bliver styret](../../../../../translated_images/da/assignment-1-flow.7552a51acb1a5ec858dca6e855cdbb44206434006df8ba3799a25afcdab1665d.png) +![Et flowdiagram over opgaven, der viser lysniveauer, der bliver læst og kontrolleret, og LED'en bliver styret](../../../../../translated_images/da/assignment-1-flow.7552a51acb1a5ec8.webp) * [Arduino - Wio Terminal](wio-terminal-actuator.md) * [Single-board computer - Raspberry Pi](pi-actuator.md) @@ -140,7 +140,7 @@ Ligesom sensorer er aktuatorer enten analoge eller digitale. Analoge aktuatorer tager et analogt signal og konverterer det til en form for interaktion, hvor interaktionen ændrer sig baseret på den leverede spænding. Et eksempel er en dæmpbar lampe, såsom dem du måske har i dit hjem. Mængden af spænding, der leveres til lampen, bestemmer, hvor lys den er. -![En lysdæmper ved lav spænding og lysere ved højere spænding](../../../../../translated_images/da/dimmable-light.9ceffeb195dec1a849da718b2d71b32c35171ff7dfea9c07bbf82646a67acf6b.png) +![En lysdæmper ved lav spænding og lysere ved højere spænding](../../../../../translated_images/da/dimmable-light.9ceffeb195dec1a8.webp) Ligesom med sensorer fungerer den faktiske IoT-enhed med digitale signaler, ikke analoge. Det betyder, at for at sende et analogt signal skal IoT-enheden have en digital-til-analog-konverter (DAC), enten direkte på IoT-enheden eller på et tilslutningskort. Dette konverterer 0'erne og 1'erne fra IoT-enheden til en analog spænding, som aktuatoren kan bruge. @@ -187,7 +187,7 @@ Digitale aktuatorer, ligesom digitale sensorer, har enten to tilstande, der styr En simpel digital aktuator er en LED. Når en enhed sender et digitalt signal på 1, sendes en høj spænding, der tænder LED'en. Når et digitalt signal på 0 sendes, falder spændingen til 0V, og LED'en slukkes. -![En LED er slukket ved 0 volt og tændt ved 5V](../../../../../translated_images/da/led.ec6d94f66676a174ad06d9fa9ea49c2ee89beb18b312d5c6476467c66375b07f.png) +![En LED er slukket ved 0 volt og tændt ved 5V](../../../../../translated_images/da/led.ec6d94f66676a174.webp) ✅ Hvilke andre simple 2-tilstands aktuatorer kan du komme i tanke om? Et eksempel er en solenoid, som er en elektromagnet, der kan aktiveres til at gøre ting som at flytte en dørlås, der låser/oplåser en dør. diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md index 01d004405..89a9ced8c 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md @@ -26,7 +26,7 @@ Grove LED'en leveres som en modul med et udvalg af LED'er, så du kan vælge far Tilslut LED'en. -![En Grove LED](../../../../../translated_images/da/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![En Grove LED](../../../../../translated_images/da/grove-led.6c853be93f473cf2.webp) 1. Vælg din foretrukne LED, og indsæt benene i de to huller på LED-modulet. @@ -40,7 +40,7 @@ Tilslut LED'en. 1. Med Raspberry Pi slukket skal du tilslutte den anden ende af Grove-kablet til det digitale stik mærket **D5** på Grove Base-hatten, der er tilsluttet Pi'en. Dette stik er det andet fra venstre i rækken af stik ved siden af GPIO-pindene. -![Grove LED tilsluttet stik D5](../../../../../translated_images/da/pi-led.97f1d474981dc35d1c7996c7b17de355d3d0a6bc9606d79fa5f89df933415122.png) +![Grove LED tilsluttet stik D5](../../../../../translated_images/da/pi-led.97f1d474981dc35d.webp) ## Programmer natlampen diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md index f9b042875..6b9521f90 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md @@ -16,13 +16,13 @@ Grove-lyssensoren, der bruges til at registrere lysniveauer, skal forbindes til Tilslut lyssensoren. -![En Grove-lyssensor](../../../../../translated_images/da/grove-light-sensor.b8127b7c434e632d6bcdb57587a14e9ef69a268a22df95d08628f62b8fa5505c.png) +![En Grove-lyssensor](../../../../../translated_images/da/grove-light-sensor.b8127b7c434e632d.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på lyssensormodulet. Det kan kun sættes i på én måde. 1. Med Raspberry Pi slukket, tilslut den anden ende af Grove-kablet til det analoge stik mærket **A0** på Grove Base-hatten, der er tilsluttet Pi'en. Dette stik er det andet fra højre i rækken af stik ved siden af GPIO-pindene. -![Grove-lyssensoren tilsluttet stik A0](../../../../../translated_images/da/pi-light-sensor.66cc1e31fa48cd7d5f23400d4b2119aa41508275cb7c778053a7923b4e972d7e.png) +![Grove-lyssensoren tilsluttet stik A0](../../../../../translated_images/da/pi-light-sensor.66cc1e31fa48cd7d.webp) ## Programmer lyssensoren diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md index b2fc70fd1..957a93e3f 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md @@ -36,11 +36,11 @@ Tilføj LED'en til CounterFit-appen. 1. Vælg knappen **Add** for at oprette LED'en på Pin 5. - ![LED-indstillingerne](../../../../../translated_images/da/counterfit-create-led.ba9db1c9b8c622a635d6dfae5cdc4e70c2b250635bd4f0601c6cf0bd22b7ba46.png) + ![LED-indstillingerne](../../../../../translated_images/da/counterfit-create-led.ba9db1c9b8c622a6.webp) LED'en vil blive oprettet og vises i listen over aktuatorer. - ![LED'en oprettet](../../../../../translated_images/da/counterfit-led.c0ab02de6d256ad84d9bad4d67a7faa709f0ea83e410cfe9b5561ef0cef30b1c.png) + ![LED'en oprettet](../../../../../translated_images/da/counterfit-led.c0ab02de6d256ad8.webp) Når LED'en er oprettet, kan du ændre farven ved hjælp af *Color*-vælgeren. Vælg knappen **Set** for at ændre farven, efter du har valgt den. diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md index 9f01109be..4afc53aea 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md @@ -28,11 +28,11 @@ Tilføj lyssensoren til CounterFit-appen. 1. Klik på knappen **Add** for at oprette lyssensoren på Pin 0. - ![Indstillinger for lyssensoren](../../../../../translated_images/da/counterfit-create-light-sensor.9f36a5e0d4458d8d554d54b34d2c806d56093d6e49fddcda2d20f6fef7f5cce1.png) + ![Indstillinger for lyssensoren](../../../../../translated_images/da/counterfit-create-light-sensor.9f36a5e0d4458d8d.webp) Lyssensoren vil blive oprettet og vises i sensorlisten. - ![Lyssensoren oprettet](../../../../../translated_images/da/counterfit-light-sensor.5d0f5584df56b90f6b2561910d9cb20dfbd73eeff2177c238d38f4de54aefae1.png) + ![Lyssensoren oprettet](../../../../../translated_images/da/counterfit-light-sensor.5d0f5584df56b90f.webp) ## Programmer lyssensoren diff --git a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md index 594ebdc0a..05bc068bb 100644 --- a/translations/da/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md +++ b/translations/da/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md @@ -26,7 +26,7 @@ Grove LED'en kommer som en modul med et udvalg af LED'er, så du kan vælge farv Tilslut LED'en. -![En Grove LED](../../../../../translated_images/da/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![En Grove LED](../../../../../translated_images/da/grove-led.6c853be93f473cf2.webp) 1. Vælg din favorit LED og indsæt benene i de to huller på LED-modulet. diff --git a/translations/da/1-getting-started/lessons/4-connect-internet/README.md b/translations/da/1-getting-started/lessons/4-connect-internet/README.md index c9f12333e..0bfc59aaa 100644 --- a/translations/da/1-getting-started/lessons/4-connect-internet/README.md +++ b/translations/da/1-getting-started/lessons/4-connect-internet/README.md @@ -1,6 +1,6 @@ # Tilslut din enhed til internettet -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-4.7344e074ea68fa545fd320b12dce36d72dd62d28c3b4596cb26cf315f434b98f.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-4.7344e074ea68fa54.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -47,7 +47,7 @@ MQTT er den mest populære kommunikationsprotokol for IoT-enheder og dækkes i d MQTT har en enkelt broker og flere klienter. Alle klienter forbinder til brokeren, og brokeren videresender beskeder til de relevante klienter. Beskeder videresendes ved hjælp af navngivne emner (topics) i stedet for at blive sendt direkte til en individuel klient. En klient kan publicere til et emne, og alle klienter, der abonnerer på det emne, vil modtage beskeden. -![IoT-enhed, der publicerer telemetri på /telemetry-emnet, og cloud-tjenesten, der abonnerer på det emne](../../../../../translated_images/da/mqtt.cbf7f21d9adc3e17548b359444cc11bb4bf2010543e32ece9a47becf54438c23.png) +![IoT-enhed, der publicerer telemetri på /telemetry-emnet, og cloud-tjenesten, der abonnerer på det emne](../../../../../translated_images/da/mqtt.cbf7f21d9adc3e17.webp) ✅ Lav noget research. Hvis du har mange IoT-enheder, hvordan kan du sikre, at din MQTT-broker kan håndtere alle beskederne? @@ -69,7 +69,7 @@ I stedet for at håndtere kompleksiteten ved at opsætte en MQTT-broker som en d > 💁 Denne testbroker er offentlig og ikke sikker. Enhver kan lytte til, hvad du publicerer, så den bør ikke bruges til data, der skal holdes private. -![Et flowdiagram over opgaven, der viser lysniveauer, der aflæses og kontrolleres, og LED'en, der styres](../../../../../translated_images/da/assignment-1-internet-flow.3256feab5f052fd273bf4e331157c574c2c3fa42e479836fc9c3586f41db35a5.png) +![Et flowdiagram over opgaven, der viser lysniveauer, der aflæses og kontrolleres, og LED'en, der styres](../../../../../translated_images/da/assignment-1-internet-flow.3256feab5f052fd2.webp) Følg det relevante trin nedenfor for at forbinde din enhed til MQTT-brokeren: @@ -352,7 +352,7 @@ For maskiner vil du måske beholde dataene, især hvis de bruges til at lede eft IoT-enhedsdesignere bør også overveje, om IoT-enheden kan bruges under en internetafbrydelse eller tab af signal forårsaget af placering. En smart termostat bør kunne træffe nogle begrænsede beslutninger for at kontrollere opvarmning, hvis den ikke kan sende telemetri til skyen på grund af en afbrydelse. -[![Denne Ferrari blev ubrugelig, fordi nogen forsøgte at opgradere den under jorden, hvor der ikke er mobilsignal](../../../../../translated_images/da/bricked-car.dc38f8efadc6c59d76211f981a521efb300939283dee468f79503aae3ec67615.png)](https://twitter.com/internetofshit/status/1315736960082808832) +[![Denne Ferrari blev ubrugelig, fordi nogen forsøgte at opgradere den under jorden, hvor der ikke er mobilsignal](../../../../../translated_images/da/bricked-car.dc38f8efadc6c59d.webp)](https://twitter.com/internetofshit/status/1315736960082808832) For MQTT til at håndtere tab af forbindelse skal enheden og serverkoden være ansvarlige for at sikre beskedlevering, hvis det er nødvendigt, f.eks. ved at kræve, at alle beskeder, der sendes, besvares med yderligere beskeder på et svar-emne, og hvis ikke, bliver de manuelt køet til at blive afspillet senere. @@ -360,7 +360,7 @@ For MQTT til at håndtere tab af forbindelse skal enheden og serverkoden være a Kommandoer er beskeder sendt af skyen til en enhed, der instruerer den i at gøre noget. Det involverer ofte at give en form for output via en aktuator, men det kan også være en instruktion til selve enheden, såsom at genstarte eller indsamle ekstra telemetri og returnere det som svar på kommandoen. -![En internetforbundet termostat modtager en kommando om at tænde for varmen](../../../../../translated_images/da/commands.d6c06bbbb3a02cce95f2831a1c331daf6dedd4e470c4aa2b0ae54f332016e504.png) +![En internetforbundet termostat modtager en kommando om at tænde for varmen](../../../../../translated_images/da/commands.d6c06bbbb3a02cce.webp) En termostat kunne modtage en kommando fra skyen om at tænde for varmen. Baseret på telemetridata fra alle sensorer, hvis cloud-tjenesten har besluttet, at varmen skal være tændt, sender den den relevante kommando. diff --git a/translations/da/2-farm/lessons/1-predict-plant-growth/README.md b/translations/da/2-farm/lessons/1-predict-plant-growth/README.md index aab6cc479..7aa7cd3bc 100644 --- a/translations/da/2-farm/lessons/1-predict-plant-growth/README.md +++ b/translations/da/2-farm/lessons/1-predict-plant-growth/README.md @@ -1,6 +1,6 @@ # Forudsig plantevækst med IoT -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-5.42b234299279d263143148b88ab4583861a32ddb03110c6c1120e41bb88b2592.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-5.42b234299279d263.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -90,7 +90,7 @@ Vækstgradedage, eller GDD, beregnes pr. dag som den gennemsnitlige temperatur i Den fulde formel for GDD er lidt kompliceret, men der findes en forenklet ligning, der ofte bruges som en god tilnærmelse: -![GDD = T max + T min divideret med 2, alt minus T base](../../../../../translated_images/da/gdd-calculation.79b3660f9c5757aa92dc2dd2cdde75344e2d2c1565c4b3151640f7887edc0275.png) +![GDD = T max + T min divideret med 2, alt minus T base](../../../../../translated_images/da/gdd-calculation.79b3660f9c5757aa.webp) * **GDD** - dette er antallet af vækstgradedage * **T max** - dette er den daglige maksimumtemperatur i grader Celsius @@ -118,7 +118,7 @@ Ved at indsætte disse tal i vores beregning: Dette giver en beregning på: -![GDD = 16 + 12 divideret med 2, alt minus 10, hvilket giver et svar på 4](../../../../../translated_images/da/gdd-calculation-corn.64a58b7a7afcd0dfd46ff733996d939f17f4f3feac9f0d1c632be3523e51ebd9.png) +![GDD = 16 + 12 divideret med 2, alt minus 10, hvilket giver et svar på 4](../../../../../translated_images/da/gdd-calculation-corn.64a58b7a7afcd0df.webp) Majsen modtog 4 GDD den dag. Hvis vi antager en majsvariant, der har brug for 800 GDD for at modne, vil den have brug for yderligere 796 GDD for at nå modenhed. @@ -239,7 +239,7 @@ Trinene til at gøre dette manuelt er: For eksempel, hvis dagens højeste temperatur er 25°C, og den laveste er 12°C: -![GDD = 25 + 12 divideret med 2, derefter træk 10 fra resultatet, hvilket giver 8.5](../../../../../translated_images/da/gdd-calculation-strawberries.59f57db94b22adb8ff6efb951ace33af104a1c6ccca3ffb0f8169c14cb160c90.png) +![GDD = 25 + 12 divideret med 2, derefter træk 10 fra resultatet, hvilket giver 8.5](../../../../../translated_images/da/gdd-calculation-strawberries.59f57db94b22adb8.webp) * 25 + 12 = 37 * 37 / 2 = 18.5 diff --git a/translations/da/2-farm/lessons/1-predict-plant-growth/assignment.md b/translations/da/2-farm/lessons/1-predict-plant-growth/assignment.md index 62c5a60d3..d03b96cfc 100644 --- a/translations/da/2-farm/lessons/1-predict-plant-growth/assignment.md +++ b/translations/da/2-farm/lessons/1-predict-plant-growth/assignment.md @@ -33,7 +33,7 @@ Når du har temperaturdata, kan du bruge Jupyter Notebook i dette repo til at vi Jupyter starter op og åbner notebooken i din browser. Arbejd dig igennem instruktionerne i notebooken for at visualisere de målte temperaturer og beregne vækstdage (GDD). - ![Jupyter Notebook](../../../../../translated_images/da/gdd-jupyter-notebook.c5b52cf21094f158a61f47f455490fd95f1729777ff90861a4521820bf354cdc.png) + ![Jupyter Notebook](../../../../../translated_images/da/gdd-jupyter-notebook.c5b52cf21094f158.webp) ## Vurderingskriterier diff --git a/translations/da/2-farm/lessons/1-predict-plant-growth/pi-temp.md b/translations/da/2-farm/lessons/1-predict-plant-growth/pi-temp.md index 272cb04dd..4e56abc6f 100644 --- a/translations/da/2-farm/lessons/1-predict-plant-growth/pi-temp.md +++ b/translations/da/2-farm/lessons/1-predict-plant-growth/pi-temp.md @@ -16,13 +16,13 @@ Grove-temperatursensoren kan tilsluttes Raspberry Pi. Tilslut temperatursensoren -![En Grove-temperatursensor](../../../../../translated_images/da/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![En Grove-temperatursensor](../../../../../translated_images/da/grove-dht11.07f8eafceee17004.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på fugtigheds- og temperatursensoren. Det kan kun sættes i på én måde. 1. Med Raspberry Pi slukket, tilslut den anden ende af Grove-kablet til det digitale stik markeret **D5** på Grove Base-hatten, der er tilsluttet Pi'en. Dette stik er det andet fra venstre i rækken af stik ved siden af GPIO-pinnene. -![Grove-temperatursensoren tilsluttet stik A0](../../../../../translated_images/da/pi-temperature-sensor.3ff82fff672c8e565ef25a39d26d111de006b825a7e0867227ef4e7fbff8553c.png) +![Grove-temperatursensoren tilsluttet stik A0](../../../../../translated_images/da/pi-temperature-sensor.3ff82fff672c8e56.webp) ## Programmer temperatursensoren diff --git a/translations/da/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md b/translations/da/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md index ebc2c8ff1..32b979c74 100644 --- a/translations/da/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md +++ b/translations/da/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md @@ -38,11 +38,11 @@ Tilføj fugtigheds- og temperatursensorerne til CounterFit-appen. 1. Vælg knappen **Add** for at oprette fugtighedssensoren på Pin 5. - ![Indstillinger for fugtighedssensor](../../../../../translated_images/da/counterfit-create-humidity-sensor.2750e27b6f30e09cf4e22101defd5252710717620816ab41ba688f91f757c49a.png) + ![Indstillinger for fugtighedssensor](../../../../../translated_images/da/counterfit-create-humidity-sensor.2750e27b6f30e09c.webp) Fugtighedssensoren vil blive oprettet og vises i sensorlisten. - ![Fugtighedssensor oprettet](../../../../../translated_images/da/counterfit-humidity-sensor.7b12f7f339e430cb26c8211d2dba4ef75261b353a01da0932698b5bebd693f27.png) + ![Fugtighedssensor oprettet](../../../../../translated_images/da/counterfit-humidity-sensor.7b12f7f339e430cb.webp) 1. Opret en temperatursensor: @@ -54,11 +54,11 @@ Tilføj fugtigheds- og temperatursensorerne til CounterFit-appen. 1. Vælg knappen **Add** for at oprette temperatursensoren på Pin 6. - ![Indstillinger for temperatursensor](../../../../../translated_images/da/counterfit-create-temperature-sensor.199350ed34f7343d79dccbe95eaf6c11d2121f03d1c35ab9613b330c23f39b29.png) + ![Indstillinger for temperatursensor](../../../../../translated_images/da/counterfit-create-temperature-sensor.199350ed34f7343d.webp) Temperatursensoren vil blive oprettet og vises i sensorlisten. - ![Temperatursensor oprettet](../../../../../translated_images/da/counterfit-temperature-sensor.f0560236c96a9016bafce7f6f792476fe3367bc6941a1f7d5811d144d4bcbfff.png) + ![Temperatursensor oprettet](../../../../../translated_images/da/counterfit-temperature-sensor.f0560236c96a9016.webp) ## Programmer temperatursensor-appen diff --git a/translations/da/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md b/translations/da/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md index b4cf36115..b048bc191 100644 --- a/translations/da/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md +++ b/translations/da/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md @@ -18,7 +18,7 @@ Grove-temperatursensoren kan tilsluttes Wio Terminalens digitale port. Tilslut temperatursensoren. -![En Grove-temperatursensor](../../../../../translated_images/da/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![En Grove-temperatursensor](../../../../../translated_images/da/grove-dht11.07f8eafceee17004.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på fugtigheds- og temperatursensoren. Det kan kun sættes i på én måde. diff --git a/translations/da/2-farm/lessons/2-detect-soil-moisture/README.md b/translations/da/2-farm/lessons/2-detect-soil-moisture/README.md index 05f998f75..9a0592d8d 100644 --- a/translations/da/2-farm/lessons/2-detect-soil-moisture/README.md +++ b/translations/da/2-farm/lessons/2-detect-soil-moisture/README.md @@ -13,7 +13,7 @@ I²C har en bus bestående af 2 hovedledninger samt 2 strømledninger: | VCC | Voltage common collector | Strømforsyningen til enhederne. Denne er forbundet til SDA- og SCL-ledningerne for at levere deres strøm via en pull-up modstand, der slukker signalet, når ingen enhed er controller. | | GND | Ground | Dette giver en fælles jordforbindelse for det elektriske kredsløb. | -![I2C-bus med 3 enheder forbundet til SDA- og SCL-ledningerne, der deler en fælles jordledning](../../../../../translated_images/da/i2c.83da845dde02256bdd462dbe0d5145461416b74930571b89d1ae142841eeb584.png) +![I2C-bus med 3 enheder forbundet til SDA- og SCL-ledningerne, der deler en fælles jordledning](../../../../../translated_images/da/i2c.83da845dde02256b.webp) For at sende data vil en enhed udsende en startbetingelse for at vise, at den er klar til at sende data. Den vil derefter blive controller. Controlleren sender derefter adressen på den enhed, den ønsker at kommunikere med, sammen med information om, hvorvidt den vil læse eller skrive data. Når dataene er blevet overført, sender controlleren en stopbetingelse for at indikere, at den er færdig. Herefter kan en anden enhed blive controller og sende eller modtage data. diff --git a/translations/da/2-farm/lessons/2-detect-soil-moisture/assignment.md b/translations/da/2-farm/lessons/2-detect-soil-moisture/assignment.md index e5518a2e1..0882e83b9 100644 --- a/translations/da/2-farm/lessons/2-detect-soil-moisture/assignment.md +++ b/translations/da/2-farm/lessons/2-detect-soil-moisture/assignment.md @@ -20,14 +20,14 @@ Du skal gentage disse trin flere gange for at få de nødvendige målinger, med Den gravimetriske jordfugtighed beregnes som: -![jordfugtighed % er vægt våd minus vægt tør, divideret med vægt tør, gange 100](../../../../../translated_images/da/gsm-calculation.6da38c6201eec14e7573bb2647aa18892883193553d23c9d77e5dc681522dfb2.png) +![jordfugtighed % er vægt våd minus vægt tør, divideret med vægt tør, gange 100](../../../../../translated_images/da/gsm-calculation.6da38c6201eec14e.webp) * W - vægten af den våde jord * W - vægten af den tørre jord For eksempel, lad os sige, at du har en jordprøve, der vejer 212g våd og 197g tør. -![Beregningen udfyldt](../../../../../translated_images/da/gsm-calculation-example.99f9803b4f29e97668e7c15412136c0c399ab12dbba0b89596fdae9d8aedb6fb.png) +![Beregningen udfyldt](../../../../../translated_images/da/gsm-calculation-example.99f9803b4f29e976.webp) * W = 212g * W = 197g diff --git a/translations/da/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md b/translations/da/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md index 91ddbd8a5..96d904d81 100644 --- a/translations/da/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md +++ b/translations/da/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md @@ -18,13 +18,13 @@ Grove jordfugtighedssensoren kan tilsluttes Raspberry Pi'en. Tilslut jordfugtighedssensoren. -![En Grove jordfugtighedssensor](../../../../../translated_images/da/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78be5cc5a07839385fd6718857f31b5bf5ad3d0c73c83b2f0ef.png) +![En Grove jordfugtighedssensor](../../../../../translated_images/da/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78b.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på jordfugtighedssensoren. Det kan kun sættes i på én måde. 1. Med Raspberry Pi'en slukket, tilslut den anden ende af Grove-kablet til det analoge stik mærket **A0** på Grove Base Hat, der er tilsluttet Pi'en. Dette stik er det næstsidste til højre i rækken af stik ved siden af GPIO-pins. -![Grove jordfugtighedssensor tilsluttet A0-stikket](../../../../../translated_images/da/pi-soil-moisture-sensor.fdd7eb2393792cf6739cacf1985d9f55beda16d372f30d0b5a51d586f978a870.png) +![Grove jordfugtighedssensor tilsluttet A0-stikket](../../../../../translated_images/da/pi-soil-moisture-sensor.fdd7eb2393792cf6.webp) 1. Sæt jordfugtighedssensoren i jorden. Den har en 'højeste positionslinje' - en hvid linje på tværs af sensoren. Sæt sensoren i jorden op til, men ikke over, denne linje. diff --git a/translations/da/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md b/translations/da/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md index 0a366c579..d14417336 100644 --- a/translations/da/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md +++ b/translations/da/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md @@ -34,11 +34,11 @@ Tilføj jordfugtighedssensoren til CounterFit-appen. 1. Vælg knappen **Add** for at oprette *Soil Moisture*-sensoren på Pin 0. - ![Indstillinger for jordfugtighedssensoren](../../../../../translated_images/da/counterfit-create-soil-moisture-sensor.35266135a5e0ae68b29a684d7db0d2933a8098b2307d197f7c71577b724603aa.png) + ![Indstillinger for jordfugtighedssensoren](../../../../../translated_images/da/counterfit-create-soil-moisture-sensor.35266135a5e0ae68.webp) Jordfugtighedssensoren vil blive oprettet og vises i sensorlisten. - ![Den oprettede jordfugtighedssensor](../../../../../translated_images/da/counterfit-soil-moisture-sensor.81742b2de0e9de60a3b3b9a2ff8ecc686d428eb6d71820f27a693be26e5aceee.png) + ![Den oprettede jordfugtighedssensor](../../../../../translated_images/da/counterfit-soil-moisture-sensor.81742b2de0e9de60.webp) ## Programmer jordfugtighedssensor-appen diff --git a/translations/da/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md b/translations/da/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md index 806d202d3..2f739becf 100644 --- a/translations/da/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md +++ b/translations/da/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md @@ -18,7 +18,7 @@ Grove jordfugtighedssensoren kan tilsluttes Wio Terminalens konfigurerbare analo Tilslut jordfugtighedssensoren. -![En Grove jordfugtighedssensor](../../../../../translated_images/da/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78be5cc5a07839385fd6718857f31b5bf5ad3d0c73c83b2f0ef.png) +![En Grove jordfugtighedssensor](../../../../../translated_images/da/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78b.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på jordfugtighedssensoren. Det kan kun sættes i på én måde. diff --git a/translations/da/2-farm/lessons/3-automated-plant-watering/README.md b/translations/da/2-farm/lessons/3-automated-plant-watering/README.md index 7819addb0..4ed230889 100644 --- a/translations/da/2-farm/lessons/3-automated-plant-watering/README.md +++ b/translations/da/2-farm/lessons/3-automated-plant-watering/README.md @@ -1,6 +1,6 @@ # Automatisk plantevanding -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-7.30b5f577d3cb8e031238751475cb519c7d6dbaea261b5df4643d086ffb2a03bb.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-7.30b5f577d3cb8e03.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -32,7 +32,7 @@ IoT-enheder bruger lav spænding. Selvom dette er nok til sensorer og lavstrøms Løsningen på dette er at have en pumpe tilsluttet en ekstern strømforsyning og bruge en aktuator til at tænde pumpen, ligesom du ville tænde en lampe. Det kræver en lille mængde energi (i form af energi i din krop) for din finger at trykke på en kontakt, og dette forbinder lampen til elnettet, der kører på 110v/240v. -![En lyskontakt tænder strømmen til en lampe](../../../../../translated_images/da/light-switch.760317ad6ab8bd6d611da5352dfe9c73a94a0822ccec7df3c8bae35da18e1658.png) +![En lyskontakt tænder strømmen til en lampe](../../../../../translated_images/da/light-switch.760317ad6ab8bd6d.webp) > 🎓 [Elnet](https://wikipedia.org/wiki/Mains_electricity) refererer til den elektricitet, der leveres til hjem og virksomheder gennem national infrastruktur i mange dele af verden. @@ -72,7 +72,7 @@ Når armen bevæger sig, kan du normalt høre den lave kontakt med elektromagnet Elektromagneten behøver ikke meget strøm for at aktivere og trække armen; den kan styres med 3,3V eller 5V output fra en IoT-udviklingskit. Udgangskredsløbet kan bære meget mere strøm, afhængigt af relæet, inklusive elnetspænding eller endda højere strømniveauer til industriel brug. På denne måde kan en IoT-udviklingskit styre et vandingssystem, fra en lille pumpe til en enkelt plante, op til et massivt industrielt system til en hel kommerciel gård. -![Et Grove-relæ med kontrolkredsløb, udgangskredsløb og relæ mærket](../../../../../translated_images/da/grove-relay-labelled.293e068f5c3c2a199bd7892f2661fdc9e10c920b535cfed317fbd6d1d4ae1168.png) +![Et Grove-relæ med kontrolkredsløb, udgangskredsløb og relæ mærket](../../../../../translated_images/da/grove-relay-labelled.293e068f5c3c2a19.webp) Billedet ovenfor viser et Grove-relæ. Kontrolkredsløbet forbinder til en IoT-enhed og tænder eller slukker relæet ved hjælp af 3,3V eller 5V. Udgangskredsløbet har to terminaler, hvoraf en kan være strøm eller jord. Udgangskredsløbet kan håndtere op til 250V ved 10A, nok til en række enheder, der drives af elnettet. Du kan få relæer, der kan håndtere endnu højere strømniveauer. diff --git a/translations/da/2-farm/lessons/3-automated-plant-watering/pi-relay.md b/translations/da/2-farm/lessons/3-automated-plant-watering/pi-relay.md index 550dfc3d3..ef0212594 100644 --- a/translations/da/2-farm/lessons/3-automated-plant-watering/pi-relay.md +++ b/translations/da/2-farm/lessons/3-automated-plant-watering/pi-relay.md @@ -18,13 +18,13 @@ Grove-relæet kan tilsluttes Raspberry Pi'en. Tilslut relæet. -![Et Grove-relæ](../../../../../translated_images/da/grove-relay.d426958ca210fbd0fb7983d7edc069d46c73a8b0a099d94797bd756f7b6bb6be.png) +![Et Grove-relæ](../../../../../translated_images/da/grove-relay.d426958ca210fbd0.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på relæet. Det kan kun sættes i på én måde. 1. Med Raspberry Pi'en slukket, tilslut den anden ende af Grove-kablet til det digitale stik markeret **D5** på Grove Base Hat, der er tilsluttet Pi'en. Dette stik er det andet fra venstre på rækken af stik ved siden af GPIO-pinnene. Lad jordfugtighedssensoren være tilsluttet **A0**-stikket. -![Grove-relæet tilsluttet D5-stikket og jordfugtighedssensoren tilsluttet A0-stikket](../../../../../translated_images/da/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e69ec716cd2719ce117700bd1fc933eaf93476c103c57939b.png) +![Grove-relæet tilsluttet D5-stikket og jordfugtighedssensoren tilsluttet A0-stikket](../../../../../translated_images/da/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e.webp) 1. Sæt jordfugtighedssensoren i jorden, hvis den ikke allerede er det fra den forrige lektion. diff --git a/translations/da/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md b/translations/da/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md index 5382effe1..c89cb01d0 100644 --- a/translations/da/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md +++ b/translations/da/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md @@ -28,11 +28,11 @@ Tilføj relæet til CounterFit-appen. 1. Vælg **Add**-knappen for at oprette relæet på Pin 5. - ![Relæindstillingerne](../../../../../translated_images/da/counterfit-create-relay.fa7c40fd0f2f6afc33b35ea94fcb235085be4861e14e3fe6b9b7bcfc82d1c888.png) + ![Relæindstillingerne](../../../../../translated_images/da/counterfit-create-relay.fa7c40fd0f2f6afc.webp) Relæet vil blive oprettet og vises i listen over aktuatorer. - ![Relæet oprettet](../../../../../translated_images/da/counterfit-relay.bbf74c1dbdc8b9acd983367fcbd06703a402aefef6af54ddb28e11307ba8a12c.png) + ![Relæet oprettet](../../../../../translated_images/da/counterfit-relay.bbf74c1dbdc8b9ac.webp) ## Programmer relæet diff --git a/translations/da/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md b/translations/da/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md index fa7efa826..a863de6b6 100644 --- a/translations/da/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md +++ b/translations/da/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md @@ -18,7 +18,7 @@ Grove-relæet kan tilsluttes Wio Terminalens digitale port. Tilslut relæet. -![Et Grove-relæ](../../../../../translated_images/da/grove-relay.d426958ca210fbd0fb7983d7edc069d46c73a8b0a099d94797bd756f7b6bb6be.png) +![Et Grove-relæ](../../../../../translated_images/da/grove-relay.d426958ca210fbd0.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på relæet. Det kan kun sættes i på én måde. diff --git a/translations/da/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md b/translations/da/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md index 6e2ff70de..773e70bf1 100644 --- a/translations/da/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md +++ b/translations/da/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Migrér din plante til skyen -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-8.3f21f3c11159e6a0a376351973ea5724d5de68fa23b4288853a174bed9ac48c3.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-8.3f21f3c11159e6a0.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -46,8 +46,8 @@ Dette kunne være meget dyrt, kræve en bred vifte af dygtige medarbejdere og v Skyen omtales ofte spøgende som 'en andens computer'. Den oprindelige idé var simpel - i stedet for at købe computere, lejer du en andens computer. En anden, en cloud-udbyder, ville administrere enorme datacentre. De ville være ansvarlige for at købe og installere hardware, håndtere strøm og køling, netværk, bygningssikkerhed, hardware- og softwareopdateringer, alt. Som kunde ville du leje de computere, du har brug for, leje flere, når efterspørgslen stiger, og reducere antallet, når efterspørgslen falder. Disse cloud-datacentre findes over hele verden. -![Et Microsoft cloud-datacenter](../../../../../translated_images/da/azure-region-existing.73f704604f2aa6cb9b5a49ed40e93d4fd81ae3f4e6af4a8ca504023902832f56.png) -![Planlagt udvidelse af et Microsoft cloud-datacenter](../../../../../translated_images/da/azure-region-planned-expansion.a5074a1e8af74f156a73552d502429e5b126ea5019274d767ecb4b9afdad442b.png) +![Et Microsoft cloud-datacenter](../../../../../translated_images/da/azure-region-existing.73f704604f2aa6cb.webp) +![Planlagt udvidelse af et Microsoft cloud-datacenter](../../../../../translated_images/da/azure-region-planned-expansion.a5074a1e8af74f15.webp) Disse datacentre kan være flere kvadratkilometer store. Billederne ovenfor blev taget for nogle år siden i et Microsoft cloud-datacenter og viser den oprindelige størrelse sammen med en planlagt udvidelse. Området, der er ryddet til udvidelsen, er over 5 kvadratkilometer. @@ -108,11 +108,11 @@ IoT-tjenester i skyen løser disse problemer. De vedligeholdes af store cloud-ud IoT-enheder forbinder til en cloud-tjeneste enten ved hjælp af en enheds-SDK (et bibliotek, der leverer kode til at arbejde med tjenestens funktioner) eller direkte via en kommunikationsprotokol som MQTT eller HTTP. Enheds-SDK'en er normalt den nemmeste vej at tage, da den håndterer alt for dig, såsom at vide, hvilke emner der skal publiceres eller abonneres på, og hvordan man håndterer sikkerhed. -![Enheder forbinder til en tjeneste ved hjælp af en enheds-SDK. Serverkode forbinder også til tjenesten via en SDK](../../../../../translated_images/da/iot-service-connectivity.7e873847921a5d6fd60d0ba3a943210194518cee0d4e362476624316443275c3.png) +![Enheder forbinder til en tjeneste ved hjælp af en enheds-SDK. Serverkode forbinder også til tjenesten via en SDK](../../../../../translated_images/da/iot-service-connectivity.7e873847921a5d6f.webp) Din enhed kommunikerer derefter med andre dele af din applikation via denne tjeneste - ligesom du sendte telemetri og modtog kommandoer via MQTT. Dette sker normalt ved hjælp af en service-SDK eller et lignende bibliotek. Beskeder kommer fra din enhed til tjenesten, hvor andre komponenter i din applikation derefter kan læse dem, og beskeder kan derefter sendes tilbage til din enhed. -![Enheder uden en gyldig hemmelig nøgle kan ikke forbinde til IoT-tjenesten](../../../../../translated_images/da/iot-service-allowed-denied-connection.818b0063ac213fb84204a7229303764d9b467ca430fb822b4ac2fca267d56726.png) +![Enheder uden en gyldig hemmelig nøgle kan ikke forbinde til IoT-tjenesten](../../../../../translated_images/da/iot-service-allowed-denied-connection.818b0063ac213fb8.webp) Disse tjenester implementerer sikkerhed ved at kende til alle de enheder, der kan forbinde og sende data, enten ved at have enhederne forudregistreret hos tjenesten eller ved at give enhederne hemmelige nøgler eller certifikater, som de kan bruge til at registrere sig selv hos tjenesten første gang, de forbinder. Ukendte enheder kan ikke forbinde; hvis de prøver, afviser tjenesten forbindelsen og ignorerer beskeder sendt af dem. @@ -124,7 +124,7 @@ Andre komponenter i din applikation kan forbinde til IoT-tjenesten og lære om a Nu hvor du har et Azure-abonnement, kan du tilmelde dig en IoT-tjeneste. IoT-tjenesten fra Microsoft hedder Azure IoT Hub. -![Azure IoT Hub-logoet](../../../../../translated_images/da/azure-iot-hub-logo.28a19de76d0a1932464d858f7558712bcdace3e5ec69c434d482ed7ce41c3a26.png) +![Azure IoT Hub-logoet](../../../../../translated_images/da/azure-iot-hub-logo.28a19de76d0a1932.webp) Videoen nedenfor giver en kort oversigt over Azure IoT Hub: diff --git a/translations/da/2-farm/lessons/5-migrate-application-to-the-cloud/README.md b/translations/da/2-farm/lessons/5-migrate-application-to-the-cloud/README.md index c443272d9..01dda680d 100644 --- a/translations/da/2-farm/lessons/5-migrate-application-to-the-cloud/README.md +++ b/translations/da/2-farm/lessons/5-migrate-application-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Migrer din applikationslogik til skyen -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-9.dfe99c8e891f48e179724520da9f5794392cf9a625079281ccdcbf09bd85e1b6.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-9.dfe99c8e891f48e1.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -28,7 +28,7 @@ I denne lektion dækker vi: Serverløs, eller serverløs computing, indebærer at oprette små kodeblokke, der køres i skyen som svar på forskellige typer hændelser. Når hændelsen opstår, køres din kode, og den får data om hændelsen. Disse hændelser kan komme fra mange forskellige kilder, herunder webanmodninger, beskeder i en kø, ændringer i en database eller beskeder sendt til en IoT-tjeneste af IoT-enheder. -![Hændelser, der sendes fra en IoT-tjeneste til en serverløs tjeneste, og behandles samtidig af flere funktioner](../../../../../translated_images/da/iot-messages-to-serverless.0194da1cc0732bb7d0f823aed3fce54735c6b1ad3bf36089804d8aaefc0a774f.png) +![Hændelser, der sendes fra en IoT-tjeneste til en serverløs tjeneste, og behandles samtidig af flere funktioner](../../../../../translated_images/da/iot-messages-to-serverless.0194da1cc0732bb7.webp) > 💁 Hvis du tidligere har brugt database-triggere, kan du tænke på dette som noget lignende: kode, der udløses af en hændelse som f.eks. indsættelse af en række. @@ -54,7 +54,7 @@ Som IoT-udvikler er den serverløse model ideel. Du kan skrive en funktion, der Den serverløse computing-tjeneste fra Microsoft kaldes Azure Functions. -![Azure Functions-logoet](../../../../../translated_images/da/azure-functions-logo.1cfc8e3204c9c44aaf80fcf406fc8544d80d7f00f8d3e8ed6fed764563e17564.png) +![Azure Functions-logoet](../../../../../translated_images/da/azure-functions-logo.1cfc8e3204c9c44a.webp) Den korte video nedenfor giver et overblik over Azure Functions. diff --git a/translations/da/2-farm/lessons/6-keep-your-plant-secure/README.md b/translations/da/2-farm/lessons/6-keep-your-plant-secure/README.md index 5a6452e53..8da9e193c 100644 --- a/translations/da/2-farm/lessons/6-keep-your-plant-secure/README.md +++ b/translations/da/2-farm/lessons/6-keep-your-plant-secure/README.md @@ -1,6 +1,6 @@ # Hold din plante sikker -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-10.829c86b80b9403bb770929ee553a1d293afe50dc23121aaf9be144673ae012cc.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-10.829c86b80b9403bb.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -52,11 +52,11 @@ Dette er scenarier fra den virkelige verden og sker hele tiden. Nogle eksempler Når en enhed opretter forbindelse til en IoT-tjeneste, bruger den en ID til at identificere sig selv. Problemet er, at denne ID kan klones - en hacker kunne opsætte en ondsindet enhed, der bruger den samme ID som en rigtig enhed, men sender falske data. -![Både gyldige og ondsindede enheder kunne bruge den samme ID til at sende telemetri](../../../../../translated_images/da/iot-device-and-hacked-device-connecting.e0671675df74d6d99eb1dedb5a670e606f698efa6202b1ad4c8ae548db299cc6.png) +![Både gyldige og ondsindede enheder kunne bruge den samme ID til at sende telemetri](../../../../../translated_images/da/iot-device-and-hacked-device-connecting.e0671675df74d6d9.webp) Løsningen på dette er at konvertere de data, der sendes, til et krypteret format ved hjælp af en værdi, der kun er kendt af enheden og skyen. Denne proces kaldes *kryptering*, og værdien, der bruges til at kryptere dataene, kaldes en *krypteringsnøgle*. -![Hvis kryptering bruges, accepteres kun krypterede meddelelser, andre afvises](../../../../../translated_images/da/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f979e46f2849b573564eeb4a4dc5b52f669f62745397492fb.png) +![Hvis kryptering bruges, accepteres kun krypterede meddelelser, andre afvises](../../../../../translated_images/da/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f.webp) Skytjenesten kan derefter konvertere dataene tilbage til et læsbart format ved hjælp af en proces kaldet *dekryptering*, enten ved hjælp af den samme krypteringsnøgle eller en *dekrypteringsnøgle*. Hvis den krypterede meddelelse ikke kan dekrypteres med nøglen, er enheden blevet hacket, og meddelelsen afvises. diff --git a/translations/da/3-transport/lessons/1-location-tracking/README.md b/translations/da/3-transport/lessons/1-location-tracking/README.md index 9a9928225..6a07d9ab9 100644 --- a/translations/da/3-transport/lessons/1-location-tracking/README.md +++ b/translations/da/3-transport/lessons/1-location-tracking/README.md @@ -1,6 +1,6 @@ # Sporing af placering -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-11.9fddbac4b664c6d50ab7ac9bb32f1fc3f945f03760e72f7f43938073762fb017.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-11.9fddbac4b664c6d5.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -63,13 +63,13 @@ Jorden er en kugle - en tredimensionel cirkel. På grund af dette defineres punk > 💁 Ingen ved helt præcist, hvorfor cirkler oprindeligt blev opdelt i 360 grader. [Wikipedia-siden om grader (vinkel)](https://wikipedia.org/wiki/Degree_(angle)) dækker nogle af de mulige årsager. -![Linjer af breddegrad fra 90° ved Nordpolen, 45° halvvejs mellem Nordpolen og ækvator, 0° ved ækvator, -45° halvvejs mellem ækvator og Sydpolen og -90° ved Sydpolen](../../../../../translated_images/da/latitude-lines.11d8d91dfb2014a57437272d7db7fd6607243098e8685f06e0c5f1ec984cb7eb.png) +![Linjer af breddegrad fra 90° ved Nordpolen, 45° halvvejs mellem Nordpolen og ækvator, 0° ved ækvator, -45° halvvejs mellem ækvator og Sydpolen og -90° ved Sydpolen](../../../../../translated_images/da/latitude-lines.11d8d91dfb2014a5.webp) Breddegrad måles ved hjælp af linjer, der cirkler Jorden og løber parallelt med ækvator, og opdeler den nordlige og sydlige halvkugle i hver 90°. Ækvator er ved 0°, Nordpolen er ved 90°, også kendt som 90° Nord, og Sydpolen er ved -90°, eller 90° Syd. Længdegrad måles som antallet af grader målt øst og vest. 0°-udgangspunktet for længdegrad kaldes *Prime Meridian* og blev i 1884 defineret som en linje fra Nordpolen til Sydpolen, der går gennem [British Royal Observatory i Greenwich, England](https://wikipedia.org/wiki/Royal_Observatory,_Greenwich). -![Linjer af længdegrad, der går fra -180° vest for Prime Meridian, til 0° på Prime Meridian, til 180° øst for Prime Meridian](../../../../../translated_images/da/longitude-meridians.ab4ef1c91c064586b0185a3c8d39e585903696c6a7d28c098a93a629cddb5d20.png) +![Linjer af længdegrad, der går fra -180° vest for Prime Meridian, til 0° på Prime Meridian, til 180° øst for Prime Meridian](../../../../../translated_images/da/longitude-meridians.ab4ef1c91c064586.webp) > 🎓 En meridian er en imaginær lige linje, der går fra Nordpolen til Sydpolen og danner en halvcirkel. @@ -100,7 +100,7 @@ Koordinater for et punkt gives altid som `breddegrad, længdegrad`, så eksemple * En breddegrad på 47.6423109 (47.6423109 grader nord for ækvator) * En længdegrad på -122.1390293 (122.1390293 grader vest for Prime Meridian). -![Microsoft Campus på 47.6423109,-122.117198](../../../../../translated_images/da/microsoft-gps-location-world.a321d481b010f6adfcca139b2ba0adc53b79f58a540495b8e2ce7f779ea64bfe.png) +![Microsoft Campus på 47.6423109,-122.117198](../../../../../translated_images/da/microsoft-gps-location-world.a321d481b010f6ad.webp) ## Global Positioning Systems (GPS) @@ -112,7 +112,7 @@ GPS-systemer fungerer ved at have et antal satellitter, der sender et signal med > 💁 GPS-sensorer har brug for antenner for at opfange radiobølger. Antennerne, der er indbygget i lastbiler og biler med indbygget GPS, er placeret for at få et godt signal, normalt på forruden eller taget. Hvis du bruger et separat GPS-system, såsom en smartphone eller en IoT-enhed, skal du sikre dig, at antennen, der er indbygget i GPS-systemet eller telefonen, har frit udsyn til himlen, såsom at være monteret på din forrude. -![Ved at kende afstanden fra sensoren til flere satellitter kan placeringen beregnes](../../../../../translated_images/da/gps-satellites.04acf1148fe25fbf1586bc2e8ba698e8d79b79a50c36824b38417dd13372b90f.png) +![Ved at kende afstanden fra sensoren til flere satellitter kan placeringen beregnes](../../../../../translated_images/da/gps-satellites.04acf1148fe25fbf.webp) GPS-satellitter kredser om Jorden, ikke på et fast punkt over sensoren, så placeringsdata inkluderer højde over havets overflade samt bredde- og længdegrad. diff --git a/translations/da/3-transport/lessons/1-location-tracking/pi-gps-sensor.md b/translations/da/3-transport/lessons/1-location-tracking/pi-gps-sensor.md index 7ca9f8ec1..977e92058 100644 --- a/translations/da/3-transport/lessons/1-location-tracking/pi-gps-sensor.md +++ b/translations/da/3-transport/lessons/1-location-tracking/pi-gps-sensor.md @@ -18,13 +18,13 @@ Grove GPS-sensoren kan tilsluttes Raspberry Pi'en. Tilslut GPS-sensoren. -![En Grove GPS-sensor](../../../../../translated_images/da/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![En Grove GPS-sensor](../../../../../translated_images/da/grove-gps-sensor.247943bf69b03f0d.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på GPS-sensoren. Det kan kun sættes i på én måde. 1. Med Raspberry Pi'en slukket, tilslut den anden ende af Grove-kablet til UART-stikket markeret **UART** på Grove Base-hatten, der er tilsluttet Pi'en. Dette stik er placeret på den midterste række, på siden tættest på SD-kortslottet, i den modsatte ende af USB-portene og ethernet-stikket. - ![Grove GPS-sensoren tilsluttet UART-stikket](../../../../../translated_images/da/pi-gps-sensor.1f99ee2b2f6528915047ec78967bd362e0e4ee0ed594368a3837b9cf9cdaca64.png) + ![Grove GPS-sensoren tilsluttet UART-stikket](../../../../../translated_images/da/pi-gps-sensor.1f99ee2b2f652891.webp) 1. Placer GPS-sensoren, så den tilkoblede antenne har udsyn til himlen - ideelt set ved et åbent vindue eller udenfor. Det er lettere at få et klart signal uden forhindringer foran antennen. diff --git a/translations/da/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md b/translations/da/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md index 4ba341753..599cd2165 100644 --- a/translations/da/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md +++ b/translations/da/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md @@ -38,11 +38,11 @@ Tilføj GPS-sensoren til CounterFit-appen. 1. Vælg knappen **Add** for at oprette GPS-sensoren på porten `/dev/ttyAMA0`. - ![Indstillinger for GPS-sensoren](../../../../../translated_images/da/counterfit-create-gps-sensor.6385dc9357d85ad1d47b4abb2525e7651fd498917d25eefc5a72feab09eedc70.png) + ![Indstillinger for GPS-sensoren](../../../../../translated_images/da/counterfit-create-gps-sensor.6385dc9357d85ad1.webp) GPS-sensoren vil blive oprettet og vises i sensorlisten. - ![Den oprettede GPS-sensor](../../../../../translated_images/da/counterfit-gps-sensor.3fbb15af0a5367566f2f11324ef5a6f30861cdf2b497071a5e002b7aa473550e.png) + ![Den oprettede GPS-sensor](../../../../../translated_images/da/counterfit-gps-sensor.3fbb15af0a536756.webp) ## Programmer GPS-sensoren @@ -102,17 +102,17 @@ Programmer GPS-sensor-appen. * Indstil **Source** til `Lat/Lon`, og angiv en specifik breddegrad, længdegrad og antal satellitter, der bruges til at få GPS-fix. Denne værdi sendes kun én gang, så marker **Repeat**-boksen for at få dataene til at gentage hvert sekund. - ![GPS-sensoren med lat/lon valgt](../../../../../translated_images/da/counterfit-gps-sensor-latlon.008c867d75464fbe7f84107cc57040df565ac07cb57d2f21db37d087d470197d.png) + ![GPS-sensoren med lat/lon valgt](../../../../../translated_images/da/counterfit-gps-sensor-latlon.008c867d75464fbe.webp) * Indstil **Source** til `NMEA`, og tilføj nogle NMEA-sætninger i tekstboksen. Alle disse værdier sendes med en forsinkelse på 1 sekund, før hver ny GGA (positionsfix)-sætning kan læses. - ![GPS-sensoren med NMEA-sætninger indstillet](../../../../../translated_images/da/counterfit-gps-sensor-nmea.c62eea442171e17e19528b051b104cfcecdc9cd18db7bc72920f29821ae63f73.png) + ![GPS-sensoren med NMEA-sætninger indstillet](../../../../../translated_images/da/counterfit-gps-sensor-nmea.c62eea442171e17e.webp) Du kan bruge et værktøj som [nmeagen.org](https://www.nmeagen.org) til at generere disse sætninger ved at tegne på et kort. Disse værdier sendes kun én gang, så marker **Repeat**-boksen for at få dataene til at gentage 1 sekund efter, at de alle er sendt. * Indstil **Source** til GPX-fil, og upload en GPX-fil med spor-lokationer. Du kan downloade GPX-filer fra en række populære kort- og vandresider, såsom [AllTrails](https://www.alltrails.com/). Disse filer indeholder flere GPS-lokationer som en rute, og GPS-sensoren returnerer hver ny lokation med 1 sekunds interval. - ![GPS-sensoren med en GPX-fil indstillet](../../../../../translated_images/da/counterfit-gps-sensor-gpxfile.8310b063ce8a425ccc8ebeec8306aeac5e8e55207f007d52c6e1194432a70cd9.png) + ![GPS-sensoren med en GPX-fil indstillet](../../../../../translated_images/da/counterfit-gps-sensor-gpxfile.8310b063ce8a425c.webp) Disse værdier sendes kun én gang, så marker **Repeat**-boksen for at få dataene til at gentage 1 sekund efter, at de alle er sendt. diff --git a/translations/da/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md b/translations/da/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md index 431131d72..df287b5ed 100644 --- a/translations/da/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md +++ b/translations/da/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md @@ -18,7 +18,7 @@ Grove GPS-sensoren kan tilsluttes Wio Terminal. Tilslut GPS-sensoren. -![En Grove GPS-sensor](../../../../../translated_images/da/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![En Grove GPS-sensor](../../../../../translated_images/da/grove-gps-sensor.247943bf69b03f0d.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på GPS-sensoren. Det kan kun sættes i på én måde. diff --git a/translations/da/3-transport/lessons/2-store-location-data/README.md b/translations/da/3-transport/lessons/2-store-location-data/README.md index 879284e19..e6471837d 100644 --- a/translations/da/3-transport/lessons/2-store-location-data/README.md +++ b/translations/da/3-transport/lessons/2-store-location-data/README.md @@ -1,6 +1,6 @@ # Gem lokationsdata -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-12.ca7f53039712a3ec14ad6474d8445361c84adab643edc53fa6269b77895606bb.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-12.ca7f53039712a3ec.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -75,7 +75,7 @@ NoSQL-databaser kaldes NoSQL, fordi de ikke har den samme faste struktur som SQL > 💁 På trods af deres navn tillader nogle NoSQL-databaser, at du bruger SQL til at forespørge data. -![Dokumenter i mapper i en NoSQL-database](../../../../../translated_images/da/noqsl-database.62d24ccf5b73f60d35c245a8533f1c7147c0928e955b82cb290b2e184bb434df.png) +![Dokumenter i mapper i en NoSQL-database](../../../../../translated_images/da/noqsl-database.62d24ccf5b73f60d.webp) NoSQL-databaser har ikke et foruddefineret skema, der begrænser, hvordan data gemmes. I stedet kan du indsætte enhver form for ustrukturerede data, normalt ved hjælp af JSON-dokumenter. Disse dokumenter kan organiseres i mapper, ligesom filer på din computer. Hvert dokument kan have forskellige felter fra andre dokumenter - for eksempel, hvis du gemte IoT-data fra dine landbrugskøretøjer, kunne nogle have felter for accelerometer- og hastighedsdata, mens andre kunne have felter for temperaturen i traileren. Hvis du tilføjede en ny lastbiltype, såsom en med indbyggede vægte til at spore vægten af den transporterede last, kunne din IoT-enhed tilføje dette nye felt, og det kunne gemmes uden ændringer i databasen. @@ -89,7 +89,7 @@ I denne lektion vil du bruge NoSQL-lagring til at gemme IoT-data. I den sidste lektion indfangede du GPS-data fra en GPS-sensor, der var forbundet til din IoT-enhed. For at gemme disse IoT-data i skyen skal du sende dem til en IoT-tjeneste. Igen vil du bruge Azure IoT Hub, den samme IoT-skytjeneste, som du brugte i det forrige projekt. -![Afsendelse af GPS-telemetri fra en IoT-enhed til IoT Hub](../../../../../translated_images/da/gps-telemetry-iot-hub.8115335d51cd2c1285d20e9d1b18cf685e59a8e093e7797291ef173445af6f3d.png) +![Afsendelse af GPS-telemetri fra en IoT-enhed til IoT Hub](../../../../../translated_images/da/gps-telemetry-iot-hub.8115335d51cd2c12.webp) ### Opgave - send GPS-data til en IoT Hub @@ -171,7 +171,7 @@ Cold path-data gemmes i datalagre - databaser designet til at gemme store mængd Når data flyder ind i din IoT Hub, kan du skrive noget serverløs kode til at lytte efter hændelser, der offentliggøres til den Event-Hub-kompatible endpoint. Dette er warm path - disse data vil blive gemt og brugt i den næste lektion til rapportering om rejsen. -![Afsendelse af GPS-telemetri fra en IoT-enhed til IoT Hub og derefter til Azure Functions via en event hub-trigger](../../../../../translated_images/da/gps-telemetry-iot-hub-functions.24d3fa5592455e9f4e2fe73856b40c3915a292b90263c31d652acfd976cfedd8.png) +![Afsendelse af GPS-telemetri fra en IoT-enhed til IoT Hub og derefter til Azure Functions via en event hub-trigger](../../../../../translated_images/da/gps-telemetry-iot-hub-functions.24d3fa5592455e9f.webp) ### Opgave - håndter GPS-hændelser med serverløs kode @@ -193,7 +193,7 @@ Når data flyder ind i din IoT Hub, kan du skrive noget serverløs kode til at l ## Azure Storage-konti -![Azure Storage-logoet](../../../../../translated_images/da/azure-storage-logo.605c0f602c640d482a80f1b35a2629a32d595711b7ab1d7ceea843250615ff32.png) +![Azure Storage-logoet](../../../../../translated_images/da/azure-storage-logo.605c0f602c640d48.webp) Azure Storage-konti er en alsidig lagringstjeneste, der kan gemme data på forskellige måder. Du kan gemme data som blobs, i køer, i tabeller eller som filer – og alt dette på samme tid. diff --git a/translations/da/3-transport/lessons/3-visualize-location-data/README.md b/translations/da/3-transport/lessons/3-visualize-location-data/README.md index 73cb239c0..0fb8856e8 100644 --- a/translations/da/3-transport/lessons/3-visualize-location-data/README.md +++ b/translations/da/3-transport/lessons/3-visualize-location-data/README.md @@ -1,6 +1,6 @@ # Visualiser lokationsdata -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-13.a259db1485021be7d7c72e90842fbe0ab977529e8684c179b5fb1ea75e92b3ef.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-13.a259db1485021be7.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -64,11 +64,11 @@ Lad os tage et simpelt eksempel - tilbage i landbrugsprojektet indsamlede du dat Som menneske kan det være svært at forstå disse data. Det er en mur af tal uden nogen mening. Som et første skridt til at visualisere disse data kan de plottes på et linjediagram: -![Et linjediagram af ovenstående data](../../../../../translated_images/da/chart-soil-moisture.fd6d9d0cdc0b5f75e78038ecb8945dfc84b38851359de99d84b16e3336d6d7c2.png) +![Et linjediagram af ovenstående data](../../../../../translated_images/da/chart-soil-moisture.fd6d9d0cdc0b5f75.webp) Dette kan yderligere forbedres ved at tilføje en linje, der indikerer, hvornår det automatiske vandingssystem blev tændt ved en jordfugtighedsaflæsning på 450: -![Et linjediagram af jordfugtighed med en linje ved 450](../../../../../translated_images/da/chart-soil-moisture-relay.fbb391236d34a64d0abf1df396e9197e0a24df14150620b9cc820a64a55c9326.png) +![Et linjediagram af jordfugtighed med en linje ved 450](../../../../../translated_images/da/chart-soil-moisture-relay.fbb391236d34a64d.webp) Dette diagram viser meget hurtigt ikke kun, hvad jordfugtighedsniveauerne var, men også de punkter, hvor vandingssystemet blev tændt. @@ -84,7 +84,7 @@ Når man arbejder med GPS-data, kan den mest klare visualisering være at plotte At arbejde med kort er en interessant øvelse, og der er mange at vælge imellem, såsom Bing Maps, Leaflet, Open Street Maps og Google Maps. I denne lektion vil du lære om [Azure Maps](https://azure.microsoft.com/services/azure-maps/?WT.mc_id=academic-17441-jabenn) og hvordan de kan vise dine GPS-data. -![Azure Maps-logoet](../../../../../translated_images/da/azure-maps-logo.35d01dcfbd81fe6140e94257aaa1538f785a58c91576d14e0ebe7a2f6c694b99.png) +![Azure Maps-logoet](../../../../../translated_images/da/azure-maps-logo.35d01dcfbd81fe61.webp) Azure Maps er "en samling af geospatiale tjenester og SDK'er, der bruger friske kortdata til at give geografisk kontekst til web- og mobilapplikationer." Udviklere får værktøjer til at skabe smukke, interaktive kort, der kan gøre ting som at give anbefalede trafikruter, give information om trafikulykker, indendørs navigation, søgefunktioner, højdeinformation, vejrtjenester og mere. @@ -185,7 +185,7 @@ Nu kan du tage det næste skridt, som er at vise dit kort på en webside. Vi vil Hvis du åbner din `index.html`-side i en webbrowser, bør du se et kort indlæst og fokuseret på Seattle-området. - ![Et kort, der viser Seattle, en by i staten Washington, USA](../../../../../translated_images/da/map-image.8fb2c53eb23ef39c1c0a4410a5282e879b3b452b707eb066ff04c5488d3d72b7.png) + ![Et kort, der viser Seattle, en by i staten Washington, USA](../../../../../translated_images/da/map-image.8fb2c53eb23ef39c.webp) ✅ Eksperimentér med zoom- og centerparametrene for at ændre dit korts visning. Du kan tilføje forskellige koordinater, der svarer til din datas bredde- og længdegrad, for at re-centrere kortet. @@ -318,7 +318,7 @@ Hvis du foretager et kald til din lagring for at hente dataene, kan du blive ove 1. Indlæs HTML-siden i din browser. Den vil indlæse kortet, derefter indlæse alle GPS-data fra lagringen og plotte dem på kortet. - ![Et kort over Saint Edward State Park nær Seattle, med cirkler, der viser en rute rundt om parkens kant](../../../../../translated_images/da/map-path.896832e72dc696ffe20650e4051027d4855442d955f93fdbb80bb417ca8a406f.png) + ![Et kort over Saint Edward State Park nær Seattle, med cirkler, der viser en rute rundt om parkens kant](../../../../../translated_images/da/map-path.896832e72dc696ff.webp) > 💁 Du kan finde denne kode i [code](../../../../../3-transport/lessons/3-visualize-location-data/code)-mappen. diff --git a/translations/da/3-transport/lessons/4-geofences/README.md b/translations/da/3-transport/lessons/4-geofences/README.md index 8b64714bd..332e12454 100644 --- a/translations/da/3-transport/lessons/4-geofences/README.md +++ b/translations/da/3-transport/lessons/4-geofences/README.md @@ -1,6 +1,6 @@ # Geofences -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-14.63980c5150ae3c153e770fb71d044c1845dce79248d86bed9fc525adf3ede73c.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-14.63980c5150ae3c15.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -35,7 +35,7 @@ I denne lektion dækker vi: En geofence er en virtuel afgrænsning for et geografisk område i den virkelige verden. Geofences kan være cirkler defineret som et punkt og en radius (for eksempel en cirkel på 100 m omkring en bygning) eller en polygon, der dækker et område som en skolezone, bygrænser eller et universitets- eller kontorområde. -![Nogle eksempler på geofences, der viser en cirkulær geofence omkring Microsofts firmabutik og en polygon-geofence omkring Microsofts vestcampus](../../../../../translated_images/da/geofence-examples.172fbc534665769f6e1a1ddcf75e3b25183cd10354c80cc603ba44b635390e1a.png) +![Nogle eksempler på geofences, der viser en cirkulær geofence omkring Microsofts firmabutik og en polygon-geofence omkring Microsofts vestcampus](../../../../../translated_images/da/geofence-examples.172fbc534665769f.webp) > 💁 Du har måske allerede brugt geofences uden at vide det. Hvis du har sat en påmindelse i iOS' påmindelsesapp eller Google Keep baseret på en placering, har du brugt en geofence. Disse apps opsætter en geofence baseret på den angivne placering og giver dig besked, når din telefon træder ind i geofencen. @@ -212,7 +212,7 @@ Det er vigtigt at kende afstanden til kanten af geofencen og kombinere dette med For eksempel, forestil dig GPS-aflæsninger, der viser, at et køretøj kører langs en vej, der ender med at løbe tæt på en geofence. Hvis en enkelt GPS-værdi er unøjagtig og placerer køretøjet inden for geofencen, på trods af at der ikke er nogen adgangsvej, kan den ignoreres. -![En GPS-rute, der viser et køretøj, der passerer Microsoft-campus på 520, med GPS-aflæsninger langs vejen undtagen én på campus, inden for en geofence](../../../../../translated_images/da/geofence-crossing-inaccurate-gps.6a3ed911202ad9cabb66d3964888cec03a42c61d5b8f536ad5bdc99716b370f5.png) +![En GPS-rute, der viser et køretøj, der passerer Microsoft-campus på 520, med GPS-aflæsninger langs vejen undtagen én på campus, inden for en geofence](../../../../../translated_images/da/geofence-crossing-inaccurate-gps.6a3ed911202ad9ca.webp) På billedet ovenfor er der en geofence over en del af Microsoft-campus. Den røde linje viser en lastbil, der kører langs 520, med cirkler, der viser GPS-aflæsningerne. De fleste af disse aflæsninger er præcise og følger 520, men én aflæsning er unøjagtig og befinder sig inden for geofencen. Denne aflæsning kan umuligt være korrekt – der er ingen veje, hvor lastbilen pludselig kan dreje fra 520 ind på campus og derefter tilbage på 520. Koden, der tjekker denne geofence, skal tage de tidligere aflæsninger i betragtning, før den handler på resultaterne af geofence-testen. ✅ Hvilke yderligere data ville du have brug for at tjekke for at afgøre, om en GPS-aflæsning kan betragtes som korrekt? @@ -284,7 +284,7 @@ Som du måske husker fra tidligere lektioner, giver IoT Hub dig mulighed for at Svaret er, at det kan den ikke! I stedet kan du definere flere separate forbindelser til at læse hændelser, og hver af dem kan administrere afspilningen af ulæste meddelelser. Disse kaldes *forbrugergrupper*. Når du opretter forbindelse til endpointet, kan du angive, hvilken forbrugergruppe du vil oprette forbindelse til. Hver komponent i din applikation vil oprette forbindelse til en anden forbrugergruppe. -![En IoT Hub med 3 forbrugergrupper, der distribuerer de samme meddelelser til 3 forskellige Functions-apps](../../../../../translated_images/da/consumer-groups.a3262e26fc27ba2092863678ad57af15c7223416e388a23f330c058cf4358630.png) +![En IoT Hub med 3 forbrugergrupper, der distribuerer de samme meddelelser til 3 forskellige Functions-apps](../../../../../translated_images/da/consumer-groups.a3262e26fc27ba20.webp) I teorien kan op til 5 applikationer oprette forbindelse til hver forbrugergruppe, og de vil alle modtage meddelelser, når de ankommer. Det er bedst at have kun én applikation, der tilgår hver forbrugergruppe, for at undgå dobbeltbehandling af meddelelser og sikre, at alle køede meddelelser behandles korrekt ved genstart. For eksempel, hvis du kører din Functions-app lokalt samtidig med, at den kører i skyen, vil begge behandle meddelelser, hvilket fører til dubletter i blob-lageret. diff --git a/translations/da/4-manufacturing/lessons/1-train-fruit-detector/README.md b/translations/da/4-manufacturing/lessons/1-train-fruit-detector/README.md index a07873795..973301b1e 100644 --- a/translations/da/4-manufacturing/lessons/1-train-fruit-detector/README.md +++ b/translations/da/4-manufacturing/lessons/1-train-fruit-detector/README.md @@ -1,6 +1,6 @@ # Træn en frugtkvalitetsdetektor -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-15.843d21afdc6fb2bba70cd9db7b7d2f91598859fafda2078b0bdc44954194b6c0.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-15.843d21afdc6fb2bb.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -38,7 +38,7 @@ Ikke alle afgrøder modnes jævnt. Tomater, for eksempel, kan stadig have nogle Den stigende automatisering af høst flyttede sorteringen af produkter fra marken til fabrikken. Mad ville rejse på lange transportbånd med hold af mennesker, der gennemgik produkterne og fjernede alt, der ikke levede op til kvalitetsstandarderne. Høst blev billigere takket være maskiner, men der var stadig en omkostning ved manuelt at sortere mad. -![Hvis en rød tomat registreres, fortsætter den sin rejse uforstyrret. Hvis en grøn tomat registreres, skubbes den i en affaldsbeholder af en arm](../../../../../translated_images/da/optical-tomato-sorting.61aa134bdda4e5b1bfb16a212c1e35a6ef0c426cbb8b1c975f79d7bfbf48d068.png) +![Hvis en rød tomat registreres, fortsætter den sin rejse uforstyrret. Hvis en grøn tomat registreres, skubbes den i en affaldsbeholder af en arm](../../../../../translated_images/da/optical-tomato-sorting.61aa134bdda4e5b1.webp) Den næste udvikling var at bruge maskiner til at sortere, enten indbygget i høstmaskinen eller i forarbejdningsanlæggene. Den første generation af disse maskiner brugte optiske sensorer til at registrere farver og styrede aktuatorer til at skubbe grønne tomater i en affaldsbeholder ved hjælp af arme eller lufttryk, mens røde tomater fortsatte på et netværk af transportbånd. @@ -62,7 +62,7 @@ For eksempel kunne du give en model millioner af billeder af umodne bananer som > 🎓 Resultaterne af ML-modeller kaldes *forudsigelser*. -![2 bananer, en moden med en forudsigelse på 99,7% moden, 0,3% umoden, og en umoden med en forudsigelse på 1,4% moden, 98,6% umoden](../../../../../translated_images/da/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50ece4e4589e724b142da0681f35470fe3db3f7d51240f69c85.png) +![2 bananer, en moden med en forudsigelse på 99,7% moden, 0,3% umoden, og en umoden med en forudsigelse på 1,4% moden, 98,6% umoden](../../../../../translated_images/da/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50e.webp) ML-modeller giver ikke et binært svar, men i stedet sandsynligheder. For eksempel kan en model få et billede af en banan og forudsige `moden` med 99,7% og `umoden` med 0,3%. Din kode ville derefter vælge den bedste forudsigelse og beslutte, at bananen er moden. @@ -90,7 +90,7 @@ Der findes en bred vifte af værktøjer, der kan hjælpe dig med dette, herunder Custom Vision er et cloud-baseret værktøj til træning af billedklassifikatorer. Det giver dig mulighed for at træne en klassifikator ved kun at bruge et lille antal billeder. Du kan uploade billeder via en webportal, web-API eller et SDK og give hvert billede en *tag*, der angiver klassifikationen af det billede. Du træner derefter modellen og tester den for at se, hvor godt den fungerer. Når du er tilfreds med modellen, kan du udgive versioner af den, der kan tilgås via en web-API eller et SDK. -![Azure Custom Vision-logoet](../../../../../translated_images/da/custom-vision-logo.d3d4e7c8a87ec9daf825e72e210576c3cbf60312577be7a139e22dd97ab7f1e6.png) +![Azure Custom Vision-logoet](../../../../../translated_images/da/custom-vision-logo.d3d4e7c8a87ec9da.webp) > 💁 Du kan træne en Custom Vision-model med så lidt som 5 billeder pr. klassifikation, men flere er bedre. Du kan opnå bedre resultater med mindst 30 billeder. @@ -146,7 +146,7 @@ For at bruge Custom Vision skal du først oprette to Cognitive Services-ressourc Når du opretter dit projekt, skal du sørge for at bruge den `fruit-quality-detector-training`-ressource, du oprettede tidligere. Brug en *Classification*-projekttype, en *Multiclass*-klassifikationstype og *Food*-domænet. - ![Indstillingerne for Custom Vision-projektet med navnet sat til fruit-quality-detector, ingen beskrivelse, ressourcen sat til fruit-quality-detector-training, projekttypen sat til classification, klassifikationstyperne sat til multi class og domænet sat til food](../../../../../translated_images/da/custom-vision-create-project.cf46325b92d8b131089f6647cf5e07b664cb77850e106d66e3c057b6b69756c6.png) + ![Indstillingerne for Custom Vision-projektet med navnet sat til fruit-quality-detector, ingen beskrivelse, ressourcen sat til fruit-quality-detector-training, projekttypen sat til classification, klassifikationstyperne sat til multi class og domænet sat til food](../../../../../translated_images/da/custom-vision-create-project.cf46325b92d8b131.webp) ✅ Tag dig tid til at udforske Custom Vision-brugergrænsefladen for din billedklassifikator. @@ -164,7 +164,7 @@ Billedklassificeringsmodeller kører ved meget lav opløsning. For eksempel kan * Brug 2 modne bananer, og tag nogle billeder af hver fra forskellige vinkler, mindst 7 billeder (5 til træning, 2 til test), men helst flere. - ![Fotos af 2 forskellige bananer](../../../../../translated_images/da/banana-training-images.530eb203346d73bc23b8b990fb4609470bf4ff7c942ccc13d4cfffeed9be1ad4.png) + ![Fotos af 2 forskellige bananer](../../../../../translated_images/da/banana-training-images.530eb203346d73bc.webp) * Gentag samme proces med 2 umodne bananer. @@ -174,7 +174,7 @@ Billedklassificeringsmodeller kører ved meget lav opløsning. For eksempel kan 1. Følg [upload og tag billeder-sektionen i quickstart-guiden til at bygge en klassificeringsmodel på Microsoft Docs](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) for at uploade dine træningsbilleder. Tag de modne frugter som `ripe` og de umodne som `unripe`. - ![Upload-dialoger, der viser upload af billeder af modne og umodne bananer](../../../../../translated_images/da/image-upload-bananas.0751639f3815e0ec42bdbc6254d1e4357a185834d1ae10c9948a0e7d6d336695.png) + ![Upload-dialoger, der viser upload af billeder af modne og umodne bananer](../../../../../translated_images/da/image-upload-bananas.0751639f3815e0ec.webp) 1. Følg [træn klassificeringsmodellen-sektionen i quickstart-guiden til at bygge en klassificeringsmodel på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) for at træne billedklassificeringsmodellen med dine uploadede billeder. @@ -192,7 +192,7 @@ Når din model er trænet, kan du teste den ved at give den et nyt billede til k 1. Følg [test din model-dokumentationen på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) for at teste din billedklassificeringsmodel. Brug de testbilleder, du oprettede tidligere, ikke nogen af de billeder, du brugte til træning. - ![En umoden banan forudsagt som umoden med 98,9% sandsynlighed, moden med 1,1% sandsynlighed](../../../../../translated_images/da/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64886422438850ea14f0be6ac918c217ea3b255c685abfabe7.png) + ![En umoden banan forudsagt som umoden med 98,9% sandsynlighed, moden med 1,1% sandsynlighed](../../../../../translated_images/da/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64.webp) 1. Prøv alle de testbilleder, du har adgang til, og observer sandsynlighederne. diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/README.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/README.md index 868ac3ef4..2f1679875 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/README.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/README.md @@ -1,6 +1,6 @@ # Kontroller frugtkvalitet med en IoT-enhed -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-16.215daf18b00631fbdfd64c6fc2dc6044dff5d544288825d8076f9fb83d964c23.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-16.215daf18b00631fb.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -26,7 +26,7 @@ I denne lektion dækker vi: Kamerasensorer, som navnet antyder, er kameraer, du kan tilslutte til din IoT-enhed. De kan tage stillbilleder eller optage streamingvideo. Nogle returnerer rå billeddata, mens andre komprimerer billeddataene til en billedfil som JPEG eller PNG. Normalt er de kameraer, der fungerer med IoT-enheder, meget mindre og har lavere opløsning end dem, du måske er vant til, men du kan få kameraer med høj opløsning, der kan konkurrere med de bedste smartphones. Du kan få alle slags udskiftelige linser, opsætninger med flere kameraer, infrarøde termiske kameraer eller UV-kameraer. -![Lyset fra en scene passerer gennem en linse og fokuseres på en CMOS-sensor](../../../../../translated_images/da/cmos-sensor.75f9cd74decb137149a4c9ea825251a4549497d67c0ae2776159e6102bb53aa9.png) +![Lyset fra en scene passerer gennem en linse og fokuseres på en CMOS-sensor](../../../../../translated_images/da/cmos-sensor.75f9cd74decb1371.webp) De fleste kamerasensorer bruger billedsensorer, hvor hver pixel er en fotodiode. En linse fokuserer billedet på billedsensoren, og tusinder eller millioner af fotodioder registrerer lyset, der falder på hver enkelt, og gemmer det som pixeldata. @@ -74,7 +74,7 @@ Iterationer publiceres fra Custom Vision-portalen. 1. Vælg knappen **Publish** for iterationen. - ![Publiceringsknappen](../../../../../translated_images/da/custom-vision-publish-button.b7174e1977b0c33b8b72d4e5b1326c779e0af196f3849d09985ee2d7d5493a39.png) + ![Publiceringsknappen](../../../../../translated_images/da/custom-vision-publish-button.b7174e1977b0c33b.webp) 1. I dialogboksen *Publish Model* skal du indstille *Prediction resource* til den `fruit-quality-detector-prediction`-ressource, du oprettede i den sidste lektion. Lad navnet være `Iteration2`, og vælg knappen **Publish**. @@ -88,7 +88,7 @@ Iterationer publiceres fra Custom Vision-portalen. Tag også en kopi af værdien *Prediction-Key*. Dette er en sikker nøgle, som du skal sende, når du kalder modellen. Kun applikationer, der sender denne nøgle, har tilladelse til at bruge modellen, alle andre applikationer afvises. - ![Dialogboksen for forudsigelses-API, der viser URL og nøgle](../../../../../translated_images/da/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Dialogboksen for forudsigelses-API, der viser URL og nøgle](../../../../../translated_images/da/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Når en ny iteration publiceres, vil den have et andet navn. Hvordan tror du, du ville ændre den iteration, en IoT-enhed bruger? @@ -109,7 +109,7 @@ Du kan opleve, at de resultater, du får, når du bruger kameraet tilsluttet din For at få de bedste resultater for en billedklassifikator vil du gerne træne modellen med billeder, der er så ens som muligt med de billeder, der bruges til forudsigelser. Hvis du for eksempel brugte dit telefonkamera til at tage billeder til træning, vil billedkvaliteten, skarpheden og farverne være anderledes end et kamera tilsluttet en IoT-enhed. -![2 bananbilleder, et lavopløsningsbillede med dårlig belysning fra en IoT-enhed, og et højopløsningsbillede med god belysning fra en telefon](../../../../../translated_images/da/banana-picture-compare.174df164dc326a42cf7fb051a7497e6113c620e91552d92ca914220305d47d9a.png) +![2 bananbilleder, et lavopløsningsbillede med dårlig belysning fra en IoT-enhed, og et højopløsningsbillede med god belysning fra en telefon](../../../../../translated_images/da/banana-picture-compare.174df164dc326a42.webp) På billedet ovenfor blev bananbilledet til venstre taget med et Raspberry Pi-kamera, mens det til højre blev taget af den samme banan på samme sted med en iPhone. Der er en tydelig forskel i kvalitet - iPhone-billedet er skarpere, med lysere farver og mere kontrast. diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md index 0c6312234..f0cb36ff4 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md @@ -16,7 +16,7 @@ Kameraet kan tilsluttes Raspberry Pi ved hjælp af et fladkabel. ### Opgave - tilslut kameraet -![Et Raspberry Pi Camera](../../../../../translated_images/da/pi-camera-module.4278753c31bd6e757aa2b858be97d72049f71616278cefe4fb5abb485b40a078.png) +![Et Raspberry Pi Camera](../../../../../translated_images/da/pi-camera-module.4278753c31bd6e75.webp) 1. Sluk for Pi'en. @@ -24,17 +24,17 @@ Kameraet kan tilsluttes Raspberry Pi ved hjælp af et fladkabel. Du kan finde en animation, der viser, hvordan man åbner klipsen og indsætter kablet, i [Raspberry Pi Getting Started with the Camera module documentation](https://projects.raspberrypi.org/en/projects/getting-started-with-picamera/2). - ![Fladkablet indsat i kameramodulet](../../../../../translated_images/da/pi-camera-ribbon-cable.0bf82acd251611c21ac616f082849413e2b322a261d0e4f8fec344248083b07e.png) + ![Fladkablet indsat i kameramodulet](../../../../../translated_images/da/pi-camera-ribbon-cable.0bf82acd251611c2.webp) 1. Fjern Grove Base Hat fra Pi'en. 1. Før fladkablet gennem kamerahullet i Grove Base Hat. Sørg for, at den blå side af kablet vender mod de analoge porte mærket **A0**, **A1** osv. - ![Fladkablet føres gennem grove base hat](../../../../../translated_images/da/grove-base-hat-ribbon-cable.501fed202fcf73b11b2b68f6d246189f7d15d3e4423c572ddee79d77b4632b47.png) + ![Fladkablet føres gennem grove base hat](../../../../../translated_images/da/grove-base-hat-ribbon-cable.501fed202fcf73b1.webp) 1. Indsæt fladkablet i kamerastikket på Pi'en. Træk igen den sorte plastikklips op, indsæt kablet, og skub derefter klipsen tilbage på plads. Den blå side af kablet skal vende mod USB- og ethernet-portene. - ![Fladkablet tilsluttet kamerastikket på Pi'en](../../../../../translated_images/da/pi-camera-socket-ribbon-cable.a18309920b11800911082ed7aa6fb28e6d9be3a022e4079ff990016cae3fca10.png) + ![Fladkablet tilsluttet kamerastikket på Pi'en](../../../../../translated_images/da/pi-camera-socket-ribbon-cable.a18309920b118009.webp) 1. Monter Grove Base Hat igen. @@ -101,7 +101,7 @@ Programmer enheden. Linjen `camera.rotation = 0` angiver rotationen af billedet. Fladkablet kommer ind i bunden af kameraet, men hvis dit kamera blev roteret for at gøre det lettere at pege på det objekt, du vil klassificere, kan du ændre denne linje til antallet af grader af rotation. - ![Kameraet hænger ned over en sodavandsdåse](../../../../../translated_images/da/pi-camera-upside-down.5376961ba31459883362124152ad6b823d5ac5fc14e85f317e22903bd681c2b6.png) + ![Kameraet hænger ned over en sodavandsdåse](../../../../../translated_images/da/pi-camera-upside-down.5376961ba3145988.webp) For eksempel, hvis du hænger fladkablet over noget, så det er øverst på kameraet, skal du sætte rotationen til 180: diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md index 45be5e38f..746faccf7 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md @@ -84,7 +84,7 @@ Custom Vision-tjenesten har et Python SDK, som du kan bruge til at klassificere Du vil kunne se det billede, der blev taget, og disse værdier i fanen **Predictions** i Custom Vision. - ![En banan i Custom Vision forudsagt som moden med 56,8% og umoden med 43,1%](../../../../../translated_images/da/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![En banan i Custom Vision forudsagt som moden med 56,8% og umoden med 43,1%](../../../../../translated_images/da/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Du kan finde denne kode i mappen [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) eller [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device). diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md index 4556972af..c45a30f3b 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md @@ -34,11 +34,11 @@ Tilføj kameraet til CounterFit-appen. 1. Vælg knappen **Add** for at oprette kameraet. - ![Kameraindstillingerne](../../../../../translated_images/da/counterfit-create-camera.a5de97f59c0bd3cbe0416d7e89a3cfe86d19fbae05c641c53a91286412af0a34.png) + ![Kameraindstillingerne](../../../../../translated_images/da/counterfit-create-camera.a5de97f59c0bd3cb.webp) Kameraet vil blive oprettet og vises i sensorlisten. - ![Kameraet oprettet](../../../../../translated_images/da/counterfit-camera.001ec52194c8ee5d3f617173da2c79e1df903d10882adc625cbfc493525125d4.png) + ![Kameraet oprettet](../../../../../translated_images/da/counterfit-camera.001ec52194c8ee5d.webp) ## Programmer kameraet @@ -103,7 +103,7 @@ Programmer enheden. 1. Konfigurer billedet, som kameraet i CounterFit vil fange. Du kan enten sætte *Source* til *File* og derefter uploade en billedfil, eller sætte *Source* til *WebCam*, og billeder vil blive fanget fra dit webcam. Sørg for at vælge knappen **Set** efter at have valgt et billede eller dit webcam. - ![CounterFit med en fil sat som billedkilde og et webcam, der viser en person, der holder en banan i en forhåndsvisning af webcammet](../../../../../translated_images/da/counterfit-camera-options.eb3bd5150a8e7dffbf24bc5bcaba0cf2cdef95fbe6bbe393695d173817d6b8df.png) + ![CounterFit med en fil sat som billedkilde og et webcam, der viser en person, der holder en banan i en forhåndsvisning af webcammet](../../../../../translated_images/da/counterfit-camera-options.eb3bd5150a8e7dff.webp) 1. Et billede vil blive fanget og gemt som `image.jpg` i den aktuelle mappe. Du vil se denne fil i VS Code-udforskeren. Vælg filen for at se billedet. Hvis det skal roteres, opdater linjen `camera.rotation = 0` som nødvendigt og tag et nyt billede. diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md index 5eae902a7..b8bd6408d 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md @@ -16,7 +16,7 @@ ArduCam har ikke en Grove-sokkel, men forbinder i stedet til både SPI- og I2C-b Tilslut kameraet. -![En ArduCam sensor](../../../../../translated_images/da/arducam.20e4e4cbb268296570b5914e20d6c349fc42ddac9ed4e1b9deba2188204eebae.png) +![En ArduCam sensor](../../../../../translated_images/da/arducam.20e4e4cbb2682965.webp) 1. Pindene på bunden af ArduCam skal forbindes til GPIO-pindene på Wio Terminalen. For at gøre det nemmere at finde de rigtige pins, skal du sætte GPIO-pin-klistermærket, der følger med Wio Terminalen, rundt om pindene: @@ -35,7 +35,7 @@ Tilslut kameraet. | SDA | 3 (I2C1_SDA) | I2C Serial Data | | SCL | 5 (I2C1_SCL) | I2C Serial Clock | - ![Wio Terminal forbundet til ArduCam med jumperkabler](../../../../../translated_images/da/arducam-wio-terminal-connections.a4d5a4049bdb5ab800a2877389fc6ecf5e4ff307e6451ff56c517e6786467d0a.png) + ![Wio Terminal forbundet til ArduCam med jumperkabler](../../../../../translated_images/da/arducam-wio-terminal-connections.a4d5a4049bdb5ab8.webp) GND- og VCC-forbindelserne leverer en 5V strømforsyning til ArduCam. Det kører på 5V, i modsætning til Grove-sensorer, der kører på 3V. Denne strøm kommer direkte fra USB-C-forbindelsen, der forsyner enheden. @@ -456,7 +456,7 @@ Wio Terminalen understøtter kun microSD-kort på op til 16GB. Hvis du har et st 1. Sluk for microSD-kortet og fjern det ved at skubbe det lidt ind og slippe, så det springer ud. Du skal muligvis bruge et tyndt værktøj til dette. Sæt microSD-kortet i din computer for at se billederne. - ![Et billede af en banan taget med ArduCam](../../../../../translated_images/da/banana-arducam.be1b32d4267a8194b0fd042362e56faa431da9cd4af172051b37243ea9be0256.jpg) + ![Et billede af en banan taget med ArduCam](../../../../../translated_images/da/banana-arducam.be1b32d4267a8194.webp) > 💁 Det kan tage et par billeder, før kameraets hvidbalance justerer sig selv. Du vil bemærke dette baseret på farven på de billeder, der bliver taget, de første par kan se ud til at have forkert farve. Du kan altid omgå dette ved at ændre koden til at tage et par billeder, der ignoreres i `setup`-funktionen. diff --git a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md index 4c215719a..1022aac21 100644 --- a/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md +++ b/translations/da/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md @@ -208,7 +208,7 @@ Disse certifikater indeholder offentlige nøgler og behøver ikke at blive holdt Du vil kunne se det billede, der blev taget, og disse værdier i **Predictions**-fanen i Custom Vision. - ![En banan i Custom Vision forudsagt moden med 56.8% og umoden med 43.1%](../../../../../translated_images/da/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![En banan i Custom Vision forudsagt moden med 56.8% og umoden med 43.1%](../../../../../translated_images/da/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Du kan finde denne kode i mappen [code-classify/wio-terminal](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/wio-terminal). diff --git a/translations/da/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md b/translations/da/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md index 60803154f..0a917b631 100644 --- a/translations/da/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md +++ b/translations/da/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md @@ -1,6 +1,6 @@ # Kør din frugtdetektor på kanten -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-17.bc333c3c35ba8e42cce666cfffa82b915f787f455bd94e006aea2b6f2722421a.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-17.bc333c3c35ba8e42.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -33,11 +33,11 @@ I denne lektion dækker vi: Edge computing indebærer, at computere behandler IoT-data så tæt som muligt på det sted, hvor dataene genereres. I stedet for at have denne behandling i skyen, flyttes den til kanten af skyen - dit interne netværk. -![Et arkitekturdiagram, der viser internettjenester i skyen og IoT-enheder på et lokalt netværk](../../../../../translated_images/da/cloud-without-edge.b4da641f6022c95ed6b91fde8b5323abd2f94e0d52073ad54172ae8f5dac90e9.png) +![Et arkitekturdiagram, der viser internettjenester i skyen og IoT-enheder på et lokalt netværk](../../../../../translated_images/da/cloud-without-edge.b4da641f6022c95e.webp) I de tidligere lektioner har du haft enheder, der indsamler data og sender data til skyen for at blive analyseret, hvor serverløse funktioner eller AI-modeller kører i skyen. -![Et arkitekturdiagram, der viser IoT-enheder på et lokalt netværk, der forbinder til edge-enheder, og disse edge-enheder forbinder til skyen](../../../../../translated_images/da/cloud-with-edge.1e26462c62c126fe150bd15a5714ddf0be599f09bacbad08b85be02b76ea1ae1.png) +![Et arkitekturdiagram, der viser IoT-enheder på et lokalt netværk, der forbinder til edge-enheder, og disse edge-enheder forbinder til skyen](../../../../../translated_images/da/cloud-with-edge.1e26462c62c126fe.webp) Edge computing indebærer at flytte nogle af cloud-tjenesterne væk fra skyen og over på computere, der kører på samme netværk som IoT-enhederne, og kun kommunikere med skyen, hvis det er nødvendigt. For eksempel kan du køre AI-modeller på edge-enheder for at analysere frugtens modenhed og kun sende analyser tilbage til skyen, såsom antallet af modne frugter kontra umodne. @@ -85,7 +85,7 @@ For IoT-systemer vil du ofte have en blanding af cloud- og edge computing, hvor ## Azure IoT Edge -![Azure IoT Edge-logoet](../../../../../translated_images/da/azure-iot-edge-logo.c1c076749b5cba2e8755262fadc2f19ca1146b948d76990b1229199ac2292d79.png) +![Azure IoT Edge-logoet](../../../../../translated_images/da/azure-iot-edge-logo.c1c076749b5cba2e.webp) Azure IoT Edge er en tjeneste, der kan hjælpe dig med at flytte arbejdsbelastninger ud af skyen og til kanten. Du opsætter en enhed som en edge-enhed, og fra skyen kan du implementere kode på den edge-enhed. Dette giver dig mulighed for at blande skyens og kantens kapaciteter. @@ -99,7 +99,7 @@ IoT Edge er indbygget i IoT Hub, så du kan administrere edge-enheder ved hjælp IoT Edge kører kode fra *containere* - selvstændige applikationer, der kører isoleret fra resten af applikationerne på din computer. Når du kører en container, fungerer den som en separat computer, der kører inde i din computer, med sin egen software, tjenester og applikationer. De fleste gange kan containere ikke få adgang til noget på din computer, medmindre du vælger at dele ting som en mappe med containeren. Containeren eksponerer derefter tjenester via en åben port, som du kan forbinde til eller eksponere for dit netværk. -![En webanmodning omdirigeret til en container](../../../../../translated_images/da/container-web-browser.4ee81dd4f0d8838ce622b2a0d600b6a4322b5d4fe43159facd87b7b34f84d66a.png) +![En webanmodning omdirigeret til en container](../../../../../translated_images/da/container-web-browser.4ee81dd4f0d8838c.webp) For eksempel kan du have en container med et websted, der kører på port 80, standard HTTP-porten, og du kan derefter eksponere den fra din computer også på port 80. @@ -195,11 +195,11 @@ Når modellen er blevet trænet, skal den eksporteres som en container. ## Forbered din container til implementering -![Containere bygges og pushes derefter til et containerregister, hvorefter de implementeres fra containerregisteret til en edge-enhed ved hjælp af IoT Edge](../../../../../translated_images/da/container-edge-flow.c246050dd60ceefdb6ace026a4ce5c6aa4112bb5898ae23fbb2ab4be29ae3e1b.png) +![Containere bygges og pushes derefter til et containerregister, hvorefter de implementeres fra containerregisteret til en edge-enhed ved hjælp af IoT Edge](../../../../../translated_images/da/container-edge-flow.c246050dd60ceefd.webp) Når du har downloadet din model, skal den bygges som en container og derefter pushes til et containerregister - et online sted, hvor du kan gemme containere. IoT Edge kan derefter downloade containeren fra registeret og sende den til din enhed. -![Azure Container Registry-logoet](../../../../../translated_images/da/azure-container-registry-logo.09494206991d4b295025ebff7d4e2900325e527a59184ffbc8464b6ab59654be.png) +![Azure Container Registry-logoet](../../../../../translated_images/da/azure-container-registry-logo.09494206991d4b29.webp) Det containerregister, du vil bruge i denne lektion, er Azure Container Registry. Dette er ikke en gratis tjeneste, så for at spare penge skal du sørge for at [rydde op i dit projekt](../../../clean-up.md), når du er færdig. diff --git a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/README.md b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/README.md index bae7178be..5e0532b2e 100644 --- a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/README.md +++ b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/README.md @@ -1,6 +1,6 @@ # Udløs frugtkvalitetsdetektion fra en sensor -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-18.92c32ed1d354caa5a54baa4032cf0b172d4655e8e326ad5d46c558a0def15365.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-18.92c32ed1d354caa5.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -39,7 +39,7 @@ IoT-applikationer kan beskrives som *ting* (enheder), der sender data, som gener ### Reference IoT-arkitektur -![En reference IoT-arkitektur](../../../../../translated_images/da/iot-reference-architecture.2278b98b55c6d4e89bde18eada3688d893861d43507641804dd2f9d3079cfaa0.png) +![En reference IoT-arkitektur](../../../../../translated_images/da/iot-reference-architecture.2278b98b55c6d4e8.webp) Diagrammet ovenfor viser en reference IoT-arkitektur. @@ -49,7 +49,7 @@ Diagrammet ovenfor viser en reference IoT-arkitektur. * **Indsigter** kommer fra serverløse applikationer eller fra analyser, der køres på lagrede data. * **Handlinger** kan være kommandoer sendt til enheder eller visualisering af data, der giver mennesker mulighed for at træffe beslutninger. -![En reference IoT-arkitektur](../../../../../translated_images/da/iot-reference-architecture-azure.0b8d2161af924cb18ae48a8558a19541cca47f27264851b5b7e56d7b8bb372ac.png) +![En reference IoT-arkitektur](../../../../../translated_images/da/iot-reference-architecture-azure.0b8d2161af924cb1.webp) Diagrammet ovenfor viser nogle af de komponenter og tjenester, der er dækket indtil videre i disse lektioner, og hvordan de hænger sammen i en reference IoT-arkitektur. @@ -89,7 +89,7 @@ Du skal bygge et system, hvor frugt registreres, når det ankommer på transport ### Prototyping af din applikation -![En reference IoT-arkitektur for frugtkvalitetskontrol](../../../../../translated_images/da/iot-reference-architecture-fruit-quality.cc705f121c3b6fa71c800d9630935ac34bc08223a04601e35f41d5e9b5dd5207.png) +![En reference IoT-arkitektur for frugtkvalitetskontrol](../../../../../translated_images/da/iot-reference-architecture-fruit-quality.cc705f121c3b6fa7.webp) Diagrammet ovenfor viser en referencearkitektur for denne prototype-applikation. @@ -124,7 +124,7 @@ Følg den relevante guide for at bruge en nærhedssensor til at registrere et ob Prototypen af frugtdetektoren har flere komponenter, der kommunikerer med hinanden. -![Komponenterne kommunikerer med hinanden](../../../../../translated_images/da/fruit-quality-detector-message-flow.adf2a65da8fd8741ac7af11361574de89adc126785d67606bb4d2ec00467e380.png) +![Komponenterne kommunikerer med hinanden](../../../../../translated_images/da/fruit-quality-detector-message-flow.adf2a65da8fd8741.webp) * En nærhedssensor måler afstanden til et stykke frugt og sender dette til IoT Hub * Kommandoen til at styre kameraet kommer fra IoT Hub til kameraenheden diff --git a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md index 7aa08da23..b8b306388 100644 --- a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md +++ b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md @@ -20,7 +20,7 @@ Grove time of flight-sensoren kan tilsluttes Raspberry Pi'en. Tilslut time of flight-sensoren. -![En Grove time of flight-sensor](../../../../../translated_images/da/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![En Grove time of flight-sensor](../../../../../translated_images/da/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på time of flight-sensoren. Det kan kun sættes i på én måde. diff --git a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md index 5fe4270da..2315dd600 100644 --- a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md +++ b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md @@ -36,11 +36,11 @@ Tilføj afstandssensoren til CounterFit-appen. 1. Vælg knappen **Add** for at oprette afstandssensoren. - ![Indstillinger for afstandssensoren](../../../../../translated_images/da/counterfit-create-distance-sensor.967c9fb98f27888d95920c9784d004c972490eb71f70397fe13bd70a79a879a3.png) + ![Indstillinger for afstandssensoren](../../../../../translated_images/da/counterfit-create-distance-sensor.967c9fb98f27888d.webp) Afstandssensoren vil blive oprettet og vises i sensorlisten. - ![Afstandssensoren oprettet](../../../../../translated_images/da/counterfit-distance-sensor.079eefeeea0b68afc36431ce8fcbe2f09a7e4916ed1cd5cb30e696db53bc18fa.png) + ![Afstandssensoren oprettet](../../../../../translated_images/da/counterfit-distance-sensor.079eefeeea0b68af.webp) ## Programmer afstandssensoren diff --git a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md index bf4356272..3210613ec 100644 --- a/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md +++ b/translations/da/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md @@ -20,7 +20,7 @@ Grove Time of Flight-sensoren kan tilsluttes Wio Terminalen. Tilslut Time of Flight-sensoren. -![En Grove Time of Flight-sensor](../../../../../translated_images/da/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![En Grove Time of Flight-sensor](../../../../../translated_images/da/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på Time of Flight-sensoren. Det kan kun sættes i på én måde. diff --git a/translations/da/5-retail/lessons/1-train-stock-detector/README.md b/translations/da/5-retail/lessons/1-train-stock-detector/README.md index 4414d0bba..cdd0db1ea 100644 --- a/translations/da/5-retail/lessons/1-train-stock-detector/README.md +++ b/translations/da/5-retail/lessons/1-train-stock-detector/README.md @@ -1,6 +1,6 @@ # Træn en lagerdetektor -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-19.cf6973cecadf080c4b526310620dc4d6f5994c80fb0139c6f378cc9ca2d435cd.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-19.cf6973cecadf080c.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -36,7 +36,7 @@ Objektgenkendelse indebærer at finde objekter i billeder ved hjælp af AI. I mo Billedklassifikation handler om at klassificere et billede som helhed - hvad er sandsynligheden for, at hele billedet matcher hvert tag. Du får sandsynligheder tilbage for hvert tag, der blev brugt til at træne modellen. -![Billedklassifikation af cashewnødder og tomatpuré](../../../../../translated_images/da/image-classifier-cashews-tomato.bc2e16ab8f05cf9ac0f59f73e32efc4227f9a5b601b90b2c60f436694547a965.png) +![Billedklassifikation af cashewnødder og tomatpuré](../../../../../translated_images/da/image-classifier-cashews-tomato.bc2e16ab8f05cf9a.webp) I eksemplet ovenfor klassificeres to billeder ved hjælp af en model, der er trænet til at klassificere bøtter med cashewnødder eller dåser med tomatpuré. Det første billede er en bøtte med cashewnødder og har to resultater fra billedklassifikatoren: @@ -60,7 +60,7 @@ Når du derefter bruger den til at forudsige billeder, får du ikke en liste ove > 🎓 *Afgrænsningsbokse* er boksene omkring et objekt. -![Objektgenkendelse af cashewnødder og tomatpuré](../../../../../translated_images/da/object-detector-cashews-tomato.1af7c26686b4db0e709754aeb196f4e73271f54e2085db3bcccb70d4a0d84d97.png) +![Objektgenkendelse af cashewnødder og tomatpuré](../../../../../translated_images/da/object-detector-cashews-tomato.1af7c26686b4db0e.webp) Billedet ovenfor indeholder både en bøtte med cashewnødder og tre dåser tomatpuré. Objektgenkendelsesmodellen har fundet cashewnødderne og returneret afgrænsningsboksen, der indeholder cashewnødderne, med sandsynligheden for, at afgrænsningsboksen indeholder objektet, i dette tilfælde 97.6%. Modellen har også fundet tre dåser tomatpuré og giver tre separate afgrænsningsbokse, én for hver fundet dåse, og hver med en sandsynlighedsprocent for, at afgrænsningsboksen indeholder en dåse tomatpuré. @@ -111,7 +111,7 @@ Du kan træne en objektgenkendelsesmodel ved hjælp af Custom Vision, på en lig Når du opretter dit projekt, skal du sørge for at bruge `stock-detector-training`-ressourcen, du oprettede tidligere. Brug projekttypen *Object Detection* og domænet *Products on Shelves*. - ![Indstillingerne for Custom Vision-projektet med navnet sat til fruit-quality-detector, ingen beskrivelse, ressourcen sat til fruit-quality-detector-training, projekttypen sat til klassifikation, klassifikationstyperne sat til multi class og domænerne sat til food](../../../../../translated_images/da/custom-vision-create-object-detector-project.32d4fb9aa8e7e7375f8a799bfce517aca970f2cb65e42d4245c5e635c734ab29.png) + ![Indstillingerne for Custom Vision-projektet med navnet sat til fruit-quality-detector, ingen beskrivelse, ressourcen sat til fruit-quality-detector-training, projekttypen sat til klassifikation, klassifikationstyperne sat til multi class og domænerne sat til food](../../../../../translated_images/da/custom-vision-create-object-detector-project.32d4fb9aa8e7e737.webp) ✅ Domænet *Products on Shelves* er specifikt målrettet mod at genkende lager på butikshylder. Læs mere om de forskellige domæner i [Select a domain-dokumentationen på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection) @@ -133,11 +133,11 @@ For at træne din model skal du bruge et sæt billeder, der indeholder de objekt 1. Følg [Upload og tag billeder-sektionen i Build an object detector quickstart på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) for at uploade dine træningsbilleder. Opret relevante tags afhængigt af de typer objekter, du vil genkende. - ![Upload-dialogerne, der viser upload af billeder af modne og umodne bananer](../../../../../translated_images/da/image-upload-object-detector.77c7892c3093cb59b79018edecd678749a75d71a099bc8a2d2f2f76320f88a5b.png) + ![Upload-dialogerne, der viser upload af billeder af modne og umodne bananer](../../../../../translated_images/da/image-upload-object-detector.77c7892c3093cb59.webp) Når du tegner afgrænsningsbokse for objekter, skal du holde dem stramt omkring objektet. Det kan tage lidt tid at markere alle billederne, men værktøjet vil foreslå, hvad det tror er afgrænsningsboksene, hvilket gør det hurtigere. - ![Tagging af tomatpuré](../../../../../translated_images/da/object-detector-tag-tomato-paste.f47c362fb0f0eb582f3bc68cf3855fb43a805106395358d41896a269c210b7b4.png) + ![Tagging af tomatpuré](../../../../../translated_images/da/object-detector-tag-tomato-paste.f47c362fb0f0eb58.webp) > 💁 Hvis du har mere end 15 billeder for hvert objekt, kan du træne efter 15 og derefter bruge funktionen **Suggested tags**. Dette vil bruge den trænede model til at genkende objekterne i de ikke-mærkede billeder. Du kan derefter bekræfte de genkendte objekter eller afvise og gen-tegne afgrænsningsboksene. Dette kan spare *meget* tid. @@ -155,7 +155,7 @@ Når din objektgenkendelsesmodel er trænet, kan du teste den ved at give den ny 1. Brug knappen **Quick Test** til at uploade testbilleder og verificere, at objekterne genkendes. Brug de testbilleder, du oprettede tidligere, ikke nogen af de billeder, du brugte til træning. - ![3 dåser tomatpuré genkendt med sandsynligheder på 38%, 35.5% og 34.6%](../../../../../translated_images/da/object-detector-detected-tomato-paste.52656fe87af4c37b4ee540526d63e73ed075da2e54a9a060aa528e0c562fb1b6.png) + ![3 dåser tomatpuré genkendt med sandsynligheder på 38%, 35.5% og 34.6%](../../../../../translated_images/da/object-detector-detected-tomato-paste.52656fe87af4c37b.webp) 1. Prøv alle de testbilleder, du har adgang til, og observer sandsynlighederne. diff --git a/translations/da/5-retail/lessons/2-check-stock-device/README.md b/translations/da/5-retail/lessons/2-check-stock-device/README.md index b7442f236..6567d1fb7 100644 --- a/translations/da/5-retail/lessons/2-check-stock-device/README.md +++ b/translations/da/5-retail/lessons/2-check-stock-device/README.md @@ -1,6 +1,6 @@ # Tjek lager fra en IoT-enhed -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-20.0211df9551a8abb300fc8fcf7dc2789468dea2eabe9202273ac077b0ba37f15e.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-20.0211df9551a8abb3.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -62,7 +62,7 @@ Iterationer udgives fra Custom Vision-portalen. 1. Vælg knappen **Publish** for iterationen. - ![Udgiv-knappen](../../../../../translated_images/da/custom-vision-object-detector-publish-button.34ee379fc650ccb9856c3868d0003f413b9529f102fc73c37168c98d721cc293.png) + ![Udgiv-knappen](../../../../../translated_images/da/custom-vision-object-detector-publish-button.34ee379fc650ccb9.webp) 1. I dialogboksen *Publish Model* skal du indstille *Prediction resource* til den `stock-detector-prediction`-ressource, du oprettede i den sidste lektion. Lad navnet være `Iteration2`, og vælg knappen **Publish**. @@ -76,7 +76,7 @@ Iterationer udgives fra Custom Vision-portalen. Tag også en kopi af værdien *Prediction-Key*. Dette er en sikker nøgle, som du skal sende, når du kalder modellen. Kun applikationer, der sender denne nøgle, har tilladelse til at bruge modellen, alle andre applikationer afvises. - ![Dialogboksen for forudsigelses-API, der viser URL og nøgle](../../../../../translated_images/da/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Dialogboksen for forudsigelses-API, der viser URL og nøgle](../../../../../translated_images/da/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Når en ny iteration udgives, vil den have et andet navn. Hvordan tror du, at du ville ændre den iteration, som en IoT-enhed bruger? @@ -95,7 +95,7 @@ Når du bruger objektdetektoren, får du ikke kun de registrerede objekter med d Resultaterne af en forudsigelse i fanen **Predictions** i Custom Vision har afgrænsningsboksene tegnet på det billede, der blev sendt til forudsigelse. -![4 dåser tomatpuré på en hylde med forudsigelser for de 4 registreringer på 35,8 %, 33,5 %, 25,7 % og 16,6 %](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) +![4 dåser tomatpuré på en hylde med forudsigelser for de 4 registreringer på 35,8 %, 33,5 %, 25,7 % og 16,6 %](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca341.webp) I billedet ovenfor blev 4 dåser tomatpuré registreret. I resultaterne er en rød firkant overlejret for hvert objekt, der blev registreret i billedet, hvilket angiver afgrænsningsboksen for billedet. @@ -103,7 +103,7 @@ I billedet ovenfor blev 4 dåser tomatpuré registreret. I resultaterne er en r Afgrænsningsbokse defineres med 4 værdier - top, venstre, højde og bredde. Disse værdier er på en skala fra 0-1, der repræsenterer positionerne som en procentdel af billedets størrelse. Oprindelsen (0,0-positionen) er øverste venstre hjørne af billedet, så topværdien er afstanden fra toppen, og bunden af afgrænsningsboksen er toppen plus højden. -![En afgrænsningsboks omkring en dåse tomatpuré](../../../../../translated_images/da/bounding-box.1420a7ea0d3d15f71e1ffb5cf4b2271d184fac051f990abc541975168d163684.png) +![En afgrænsningsboks omkring en dåse tomatpuré](../../../../../translated_images/da/bounding-box.1420a7ea0d3d15f7.webp) Billedet ovenfor er 600 pixels bredt og 800 pixels højt. Afgrænsningsboksen starter 320 pixels nede, hvilket giver en topkoordinat på 0,4 (800 x 0,4 = 320). Fra venstre starter afgrænsningsboksen 240 pixels inde, hvilket giver en venstre koordinat på 0,4 (600 x 0,4 = 240). Højden på afgrænsningsboksen er 240 pixels, hvilket giver en højdeværdi på 0,3 (800 x 0,3 = 240). Bredden på afgrænsningsboksen er 120 pixels, hvilket giver en breddeværdi på 0,2 (600 x 0,2 = 120). @@ -118,7 +118,7 @@ Ved at bruge procentværdier fra 0-1 betyder det, at uanset hvilken størrelse b Du kan bruge afgrænsningsbokse kombineret med sandsynligheder til at evaluere, hvor præcis en registrering er. For eksempel kan en objektdetektor registrere flere objekter, der overlapper hinanden, for eksempel registrere én dåse inde i en anden. Din kode kunne se på afgrænsningsboksene, forstå, at dette er umuligt, og ignorere eventuelle objekter, der har en betydelig overlapning med andre objekter. -![To afgrænsningsbokse, der overlapper en dåse tomatpuré](../../../../../translated_images/da/overlap-object-detection.d431e03cae75072a2760430eca7f2c5fdd43045bfd72dadcbf12711f7cd6c2ae.png) +![To afgrænsningsbokse, der overlapper en dåse tomatpuré](../../../../../translated_images/da/overlap-object-detection.d431e03cae75072a.webp) I eksemplet ovenfor angav en afgrænsningsboks en forudsagt dåse tomatpuré med 78,3 %. En anden afgrænsningsboks er lidt mindre og er inde i den første afgrænsningsboks med en sandsynlighed på 64,3 %. Din kode kan tjekke afgrænsningsboksene, se, at de overlapper fuldstændigt, og ignorere den lavere sandsynlighed, da det ikke er muligt, at én dåse er inde i en anden. diff --git a/translations/da/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md b/translations/da/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md index 1377ec26d..83943a315 100644 --- a/translations/da/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md +++ b/translations/da/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md @@ -67,7 +67,7 @@ Koden, du brugte til at klassificere billeder, ligner meget koden til at detekte Du vil kunne se det billede, der blev taget, og disse værdier i **Predictions**-fanen i Custom Vision. - ![4 dåser tomatpuré på en hylde med forudsigelser for de 4 detektioner på 35,8%, 33,5%, 25,7% og 16,6%](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 dåser tomatpuré på en hylde med forudsigelser for de 4 detektioner på 35,8%, 33,5%, 25,7% og 16,6%](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Du kan finde denne kode i mappen [code-detect/pi](../../../../../5-retail/lessons/2-check-stock-device/code-detect/pi) eller [code-detect/virtual-iot-device](../../../../../5-retail/lessons/2-check-stock-device/code-detect/virtual-iot-device). diff --git a/translations/da/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md b/translations/da/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md index 9036fb74b..7fa2b5dfb 100644 --- a/translations/da/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md +++ b/translations/da/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md @@ -95,7 +95,7 @@ Den kode, du brugte til at klassificere billeder, ligner meget koden til at dete Du vil kunne se det billede, der blev taget, og disse værdier i **Predictions**-fanen i Custom Vision. - ![4 dåser tomatpuré på en hylde med forudsigelser for de 4 detektioner på 35,8%, 33,5%, 25,7% og 16,6%](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 dåser tomatpuré på en hylde med forudsigelser for de 4 detektioner på 35,8%, 33,5%, 25,7% og 16,6%](../../../../../translated_images/da/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Du kan finde denne kode i mappen [code-detect/wio-terminal](../../../../../5-retail/lessons/2-check-stock-device/code-detect/wio-terminal). diff --git a/translations/da/6-consumer/lessons/1-speech-recognition/README.md b/translations/da/6-consumer/lessons/1-speech-recognition/README.md index 99b710973..9ff0b57e8 100644 --- a/translations/da/6-consumer/lessons/1-speech-recognition/README.md +++ b/translations/da/6-consumer/lessons/1-speech-recognition/README.md @@ -1,6 +1,6 @@ # Genkend tale med en IoT-enhed -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-21.e34de51354d6606fb5ee08d8c89d0222eea0a2a7aaf744a8805ae847c4f69dc4.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-21.e34de51354d6606f.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -51,7 +51,7 @@ Mikrofoner findes i forskellige typer: Dynamiske mikrofoner behøver ikke strøm for at fungere; det elektriske signal skabes udelukkende af mikrofonen. - ![Patti Smith synger i en Shure SM58 (dynamisk cardioid-type) mikrofon](../../../../../translated_images/da/dynamic-mic.8babac890a2d80dfb0874b5bf37d4b851fe2aeb9da6fd72945746176978bf3bb.jpg) + ![Patti Smith synger i en Shure SM58 (dynamisk cardioid-type) mikrofon](../../../../../translated_images/da/dynamic-mic.8babac890a2d80df.webp) * Bånd - Båndmikrofoner ligner dynamiske mikrofoner, men de har et metalbånd i stedet for en membran. Dette bånd bevæger sig i et magnetfelt og genererer en elektrisk strøm. Ligesom dynamiske mikrofoner behøver båndmikrofoner ikke strøm for at fungere. @@ -59,11 +59,11 @@ Mikrofoner findes i forskellige typer: * Kondensator - Kondensatormikrofoner har en tynd metalmembran og en fast metalbagplade. Elektricitet påføres begge dele, og når membranen vibrerer, ændres den statiske ladning mellem pladerne og genererer et signal. Kondensatormikrofoner kræver strøm for at fungere - kaldet *Phantom power*. - ![C451B små-membran kondensatormikrofon fra AKG Acoustics](../../../../../translated_images/da/condenser-mic.6f6ed5b76ca19e0ec3fd0c544601542d4479a6cb7565db336de49fbbf69f623e.jpg) + ![C451B små-membran kondensatormikrofon fra AKG Acoustics](../../../../../translated_images/da/condenser-mic.6f6ed5b76ca19e0e.webp) * MEMS - Mikroelektromekaniske systemmikrofoner, eller MEMS, er mikrofoner på en chip. De har en trykfølsom membran ætset på en siliciumchip og fungerer på samme måde som en kondensatormikrofon. Disse mikrofoner kan være meget små og integreret i kredsløb. - ![En MEMS-mikrofon på et kredsløb](../../../../../translated_images/da/mems-microphone.80574019e1f5e4d9ee72fed720ecd25a39fc2969c91355d17ebb24ba4159e4c4.png) + ![En MEMS-mikrofon på et kredsløb](../../../../../translated_images/da/mems-microphone.80574019e1f5e4d9.webp) På billedet ovenfor er chippen mærket **LEFT** en MEMS-mikrofon med en lille membran mindre end en millimeter bred. @@ -159,7 +159,7 @@ For at undgå kompleksiteten ved at træne og bruge en vågningsordsmodel vil de ## Konverter tale til tekst -![Logo for taletjenester](../../../../../translated_images/da/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Logo for taletjenester](../../../../../translated_images/da/azure-speech-logo.a1f08c4befb0159f.webp) Ligesom med billedklassifikation i et tidligere projekt findes der forudbyggede AI-tjenester, der kan tage tale som en lydfil og konvertere det til tekst. En sådan tjeneste er Speech Service, en del af Cognitive Services, forudbyggede AI-tjenester, du kan bruge i dine apps. diff --git a/translations/da/6-consumer/lessons/1-speech-recognition/pi-audio.md b/translations/da/6-consumer/lessons/1-speech-recognition/pi-audio.md index 3a3ce4106..363d5d5b7 100644 --- a/translations/da/6-consumer/lessons/1-speech-recognition/pi-audio.md +++ b/translations/da/6-consumer/lessons/1-speech-recognition/pi-audio.md @@ -16,13 +16,13 @@ Knappen kan tilsluttes Grove-basen. #### Opgave - tilslut knappen -![En Grove-knap](../../../../../translated_images/da/grove-button.a70cfbb809a8563681003250cf5b06d68cdcc68624f9e2f493d5a534ae2da1e5.png) +![En Grove-knap](../../../../../translated_images/da/grove-button.a70cfbb809a85636.webp) 1. Sæt den ene ende af et Grove-kabel i stikket på knapmodulet. Det kan kun sættes i på én måde. 1. Med Raspberry Pi'en slukket, tilslut den anden ende af Grove-kablet til det digitale stik mærket **D5** på Grove Base HAT'en, der er tilsluttet Pi'en. Dette stik er det andet fra venstre i rækken af stik ved siden af GPIO-pindene. -![Grove-knappen tilsluttet stik D5](../../../../../translated_images/da/pi-button.c7a1a4f55943341ce1baf1057658e9a205804d4131d258e820c93f951df0abf3.png) +![Grove-knappen tilsluttet stik D5](../../../../../translated_images/da/pi-button.c7a1a4f55943341c.webp) ## Optag lyd diff --git a/translations/da/6-consumer/lessons/1-speech-recognition/pi-microphone.md b/translations/da/6-consumer/lessons/1-speech-recognition/pi-microphone.md index cb6ad6d32..674d058f9 100644 --- a/translations/da/6-consumer/lessons/1-speech-recognition/pi-microphone.md +++ b/translations/da/6-consumer/lessons/1-speech-recognition/pi-microphone.md @@ -34,7 +34,7 @@ Mikrofonen og højttalerne skal tilsluttes og konfigureres. 1. Hvis du bruger ReSpeaker 2-Mics Pi HAT, kan du fjerne Grove-basen og derefter montere ReSpeaker-hatten i stedet. - ![En Raspberry Pi med en ReSpeaker-hat](../../../../../translated_images/da/pi-respeaker-hat.f00fabe7dd039a93e2e0aa0fc946c9af0c6a9eb17c32fa1ca097fb4e384f69f0.png) + ![En Raspberry Pi med en ReSpeaker-hat](../../../../../translated_images/da/pi-respeaker-hat.f00fabe7dd039a93.webp) Du får brug for en Grove-knap senere i denne lektion, men en er indbygget i denne hat, så Grove-basen er ikke nødvendig. diff --git a/translations/da/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md b/translations/da/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md index c78d17ff2..8fbcca832 100644 --- a/translations/da/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md +++ b/translations/da/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md @@ -10,7 +10,7 @@ Den indbyggede mikrofon opfanger et analogt signal, som bliver konverteret til e ✅ Læs mere om DMA på [siden om direkte hukommelsesadgang på Wikipedia](https://wikipedia.org/wiki/Direct_memory_access). -![Lyd fra mikrofonen går til en ADC og derefter til DMAC. Dette skriver til en buffer. Når denne buffer er fuld, behandles den, og DMAC skriver til en anden buffer](../../../../../translated_images/da/dmac-adc-buffers.4509aee49145c90bc2e1be472b8ed2ddfcb2b6a81ad3e559114aca55f5fff759.png) +![Lyd fra mikrofonen går til en ADC og derefter til DMAC. Dette skriver til en buffer. Når denne buffer er fuld, behandles den, og DMAC skriver til en anden buffer](../../../../../translated_images/da/dmac-adc-buffers.4509aee49145c90b.webp) DMAC kan optage lyd fra ADC'en med faste intervaller, for eksempel 16.000 gange i sekundet for 16KHz lyd. Den kan skrive disse optagede data til en forudallokeret hukommelsesbuffer, og når denne er fuld, gøre den tilgængelig for din kode til behandling. Brug af denne hukommelse kan forsinke lydoptagelsen, men du kan opsætte flere buffere. DMAC skriver til buffer 1, og når den er fuld, giver den besked til din kode om at behandle buffer 1, mens DMAC skriver til buffer 2. Når buffer 2 er fuld, giver den besked til din kode og går tilbage til at skrive til buffer 1. På den måde mister du ingen data, så længe du behandler hver buffer hurtigere, end det tager at fylde en. diff --git a/translations/da/6-consumer/lessons/2-language-understanding/README.md b/translations/da/6-consumer/lessons/2-language-understanding/README.md index ed69920cd..729946b26 100644 --- a/translations/da/6-consumer/lessons/2-language-understanding/README.md +++ b/translations/da/6-consumer/lessons/2-language-understanding/README.md @@ -1,6 +1,6 @@ # Forstå sprog -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-22.6148ea28500d9e00c396aaa2649935fb6641362c8f03d8e5e90a676977ab01dd.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-22.6148ea28500d9e00.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -46,7 +46,7 @@ Sprogforståelsesmodeller er AI-modeller, der er trænet til at udtrække visse ## Opret en sprogforståelsesmodel -![LUIS-logoet](../../../../../translated_images/da/luis-logo.5cb4f3e88c020ee6df4f614e8831f4a4b6809a7247bf52085fb48d629ef9be52.png) +![LUIS-logoet](../../../../../translated_images/da/luis-logo.5cb4f3e88c020ee6.webp) Du kan oprette sprogforståelsesmodeller ved hjælp af LUIS, en sprogforståelsestjeneste fra Microsoft, der er en del af Cognitive Services. @@ -169,7 +169,7 @@ Du kan finde instruktioner til brug af LUIS-portalen i [Quickstart: Build your a 1. Når du indtaster hvert eksempel, vil LUIS begynde at registrere entiteter og understrege og mærke dem, den finder. - ![Eksemplerne med tal og tidsenheder understreget af LUIS](../../../../../translated_images/da/luis-intent-examples.25716580b2d2723cf1bafdf277d015c7f046d8cfa20f27bddf3a0873ec45fab7.png) + ![Eksemplerne med tal og tidsenheder understreget af LUIS](../../../../../translated_images/da/luis-intent-examples.25716580b2d2723c.webp) ### Opgave - træn og test modellen diff --git a/translations/da/6-consumer/lessons/3-spoken-feedback/README.md b/translations/da/6-consumer/lessons/3-spoken-feedback/README.md index 65eb18d3f..f8cf146ea 100644 --- a/translations/da/6-consumer/lessons/3-spoken-feedback/README.md +++ b/translations/da/6-consumer/lessons/3-spoken-feedback/README.md @@ -1,6 +1,6 @@ # Indstil en timer og giv mundtlig feedback -![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-23.f38483e1d4df4828990d3f02d60e46c978b075d384ae7cb4f7bab738e107c850.jpg) +![En sketchnote-oversigt over denne lektion](../../../../../translated_images/da/lesson-23.f38483e1d4df4828.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. diff --git a/translations/da/6-consumer/lessons/4-multiple-language-support/README.md b/translations/da/6-consumer/lessons/4-multiple-language-support/README.md index 0a7e4d79a..8d392f7d5 100644 --- a/translations/da/6-consumer/lessons/4-multiple-language-support/README.md +++ b/translations/da/6-consumer/lessons/4-multiple-language-support/README.md @@ -1,6 +1,6 @@ # Understøt flere sprog -![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-24.4246968ed058510ab275052e87ef9aa89c7b2f938915d103c605c04dc6cd5bb7.jpg) +![En sketchnote oversigt over denne lektion](../../../../../translated_images/da/lesson-24.4246968ed058510a.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. @@ -74,7 +74,7 @@ Der findes en række AI-tjenester, som du kan bruge fra dine applikationer til a ### Cognitive Services Speech Service -![Logoet for tale-tjenesten](../../../../../translated_images/da/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Logoet for tale-tjenesten](../../../../../translated_images/da/azure-speech-logo.a1f08c4befb0159f.webp) Tale-tjenesten, som du har brugt i de sidste par lektioner, har oversættelsesmuligheder for talegenkendelse. Når du genkender tale, kan du anmode om ikke kun teksten af talen på samme sprog, men også på andre sprog. @@ -82,7 +82,7 @@ Tale-tjenesten, som du har brugt i de sidste par lektioner, har oversættelsesmu ### Cognitive Services Translator Service -![Logoet for oversætter-tjenesten](../../../../../translated_images/da/azure-translator-logo.c6ed3a4a433edfd2f11577eca105412c50b8396b194cbbd730723dd1d0793bcd.png) +![Logoet for oversætter-tjenesten](../../../../../translated_images/da/azure-translator-logo.c6ed3a4a433edfd2.webp) Translator-tjenesten er en dedikeret oversættelsestjeneste, der kan oversætte tekst fra ét sprog til ét eller flere målsprog. Ud over at oversætte understøtter den en bred vifte af ekstra funktioner, herunder maskering af bandeord. Den giver dig også mulighed for at angive en specifik oversættelse for et bestemt ord eller en sætning, så du kan arbejde med termer, du ikke ønsker oversat, eller have en specifik velkendt oversættelse. diff --git a/translations/da/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md b/translations/da/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md index 71b88773a..f2c13fe2e 100644 --- a/translations/da/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md +++ b/translations/da/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md @@ -25,7 +25,7 @@ REST API'en for taletjenesten understøtter ikke direkte oversættelser, men du > > For eksempel, hvis du træner LUIS på engelsk, men ønsker at bruge fransk som brugersprog, kan du oversætte sætninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjælp af Bing Translate og derefter bruge knappen **Lyt til oversættelse** til at tale oversættelsen ind i din mikrofon. > - > ![Knappen lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a9.webp) 1. Tilføj oversættelses-API-nøglen under `speech_api_key`: diff --git a/translations/da/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md b/translations/da/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md index 28c9a77be..383f01bf1 100644 --- a/translations/da/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md +++ b/translations/da/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md @@ -37,7 +37,7 @@ Tale-tjenesten kan tage tale og ikke kun konvertere den til tekst på samme spro > > For eksempel, hvis du træner LUIS på engelsk, men ønsker at bruge fransk som brugersprog, kan du oversætte sætninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjælp af Bing Translate og derefter bruge knappen **Lyt til oversættelse** til at tale oversættelsen ind i din mikrofon. > - > ![Knappen Lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen Lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a9.webp) 1. Erstat deklarationerne `recognizer_config` og `recognizer` med følgende: diff --git a/translations/da/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md b/translations/da/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md index 55f152da6..ab3f91d0f 100644 --- a/translations/da/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md +++ b/translations/da/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md @@ -105,7 +105,7 @@ REST API'en for taletjenesten understøtter ikke direkte oversættelser. I stede > > For eksempel, hvis du træner LUIS på engelsk, men ønsker at bruge fransk som brugersprog, kan du oversætte sætninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjælp af Bing Translate, og derefter bruge knappen **Lyt til oversættelse** til at tale oversættelsen ind i din mikrofon. > - > ![Knappen Lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen Lyt til oversættelse på Bing Translate](../../../../../translated_images/da/bing-translate.348aa796d6efe2a9.webp) 1. Tilføj oversættelsestjenestens API-nøgle og placering under `SPEECH_LOCATION`: diff --git a/translations/da/README.md b/translations/da/README.md index 4c0b81fde..e736d2909 100644 --- a/translations/da/README.md +++ b/translations/da/README.md @@ -8,53 +8,63 @@ [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/IoT-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/IoT-For-Beginners/stargazers/) -### Deltag i Azure AI Foundry fællesskabet +### Deltag i Azure AI Foundry Community -Hvis du sidder fast eller har spørgsmål om at bygge AI-apps. Deltag i diskussioner om MCP med andre lærende og erfarne udviklere. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit. +Hvis du sidder fast eller har spørgsmål om at bygge AI-apps, så deltag med lærende og erfarne udviklere i diskussioner om MCP. Det er et støttende fællesskab, hvor spørgsmål er velkomne, og viden deles frit. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Hvis du har produktfeedback eller fejl under bygning, besøg: +Hvis du har produktfeedback eller fejl, mens du bygger, besøg: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) Følg disse trin for at komme i gang med at bruge disse ressourcer: -1. **Fork repositoryet**: Klik [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) -2. **Klon repositoryet**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` +1. **Fork repository'et**: Klik [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) +2. **Klon repository'et**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` 3. [**Deltag i Microsoft Foundry Discord og mød eksperter og andre udviklere**](https://discord.com/invite/ByRwuEEgH4) -### 🌐 Multi-sprogsunderstøttelse +### 🌐 Multisprogunderstøttelse -#### Understøttet via GitHub Action (Automatiseret & altid opdateret) +#### Understøttet via GitHub Action (Automatiseret & Altid Opdateret) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](./README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](./README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) > **Foretrækker du at klone lokalt?** - -> Dette repository inkluderer 50+ sprogoversættelser, som betydeligt øger downloadstørrelsen. For at klone uden oversættelser, brug sparse checkout: +> +> Dette repository inkluderer 50+ sprogoversættelser, hvilket øger downloadstørrelsen markant. For at klone uden oversættelser, brug sparse checkout: +> +> **Bash / macOS / Linux:** > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git > cd IoT-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` +> +> **CMD (Windows):** +> ```cmd +> git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git +> cd IoT-For-Beginners +> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" +> ``` +> > Dette giver dig alt, hvad du behøver for at gennemføre kurset med en meget hurtigere download. -# IoT for Begyndere – Et læseplan +# IoT for Begyndere - Et Curriculum -Azure Cloud Advocates hos Microsoft er glade for at tilbyde en 12-ugers, 24-lektioners læseplan, der handler om IoT-grundlæggende. Hver lektion inkluderer for- og efter-quizzer, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede undervisningsmetode gør det muligt for dig at lære ved at bygge, en dokumenteret måde at fastholde nye færdigheder på. +Azure Cloud Advocates hos Microsoft er glade for at tilbyde et 12-ugers, 24-lektioners curriculum, der handler om IoT grundlæggende. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning, en opgave og mere. Vores projektbaserede pædagogik giver dig mulighed for at lære mens du bygger, en dokumenteret måde for nye færdigheder at 'sætte sig fast'. -Projekterne dækker fødevarens rejse fra mark til bord. Dette inkluderer landbrug, logistik, produktion, detailhandel og forbruger – alle populære industrisektorer for IoT-enheder. +Projekterne dækker fødevarets rejse fra gård til bord. Dette inkluderer landbrug, logistik, fremstilling, detailhandel og forbruger – alle populære brancheområder for IoT-enheder. -![En køreplan for kurset, der viser 24 lektioner om intro, landbrug, transport, forarbejdning, detailhandel og madlavning](../../translated_images/da/Roadmap.bb1dec285dda0eda.webp) +![Et køreplanskort for kurset der viser 24 lektioner, der dækker intro, landbrug, transport, forarbejdning, detail og madlavning](../../translated_images/da/Roadmap.bb1dec285dda0eda.webp) > Sketchnote af [Nitya Narasimhan](https://github.com/nitya). Klik på billedet for en større version. -**En hjertelig tak til vores forfattere [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett), og vores sketchnote-kunstner [Nitya Narasimhan](https://github.com/nitya).** +**En hjertelig tak til vores forfattere [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett), og vores sketchnote-artist [Nitya Narasimhan](https://github.com/nitya).** -**Tak også til vores team af [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn), som har gennemgået og oversat denne læseplan – [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform), og [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** +**Tak også til vores team af [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn), som har gennemgået og oversat dette curriculum - [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform), og [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** Mød teamet! @@ -64,9 +74,9 @@ Mød teamet! > 🎥 Klik på billedet ovenfor for en video om projektet! -> **Lærere**, vi har [inkluderet nogle forslag](for-teachers.md) til, hvordan man bruger denne læseplan. Hvis du ønsker at oprette dine egne lektioner, har vi også inkluderet en [lektionsskabelon](lesson-template/README.md). +> **Lærere**, vi har [inkluderet nogle forslag](for-teachers.md) til, hvordan man bruger dette curriculum. Hvis du ønsker at oprette dine egne lektioner, har vi også inkluderet en [lektion-skabelon](lesson-template/README.md). -> **[Studerende](https://aka.ms/student-page)**, for at bruge denne læseplan på egen hånd, forgrene hele repoet og gennemføre øvelserne alene, startende med en for-forelæsningsquiz, derefter læs forelæsningen og gennemfør resten af aktiviteterne. Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at kopiere løsningskoden; denne kode er dog tilgængelig i /solutions-mapperne i hver projektorienteret lektion. En anden ide er at danne en studiegruppe med venner og gennemgå indholdet sammen. Til yderligere studier anbefaler vi [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). +> **[Studerende](https://aka.ms/student-page)**, for at bruge dette curriculum på egen hånd, forkynd hele repo'et og gennemfør øvelserne selv, startende med en quiz før lektionen, læs lektionen og gennemfør resten af aktiviteterne. Prøv at skabe projekterne ved at forstå lektionerne i stedet for blot at kopiere løsningskoden; dog er denne kode tilgængelig i /solutions mapperne i hver projektorienterede lektion. En anden idé er at danne en studiegruppe med venner og gennemgå materialet sammen. Til yderligere studie anbefaler vi [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). For en videooversigt over dette kursus, se denne video: @@ -76,76 +86,76 @@ For en videooversigt over dette kursus, se denne video: ## Pædagogik -Vi har valgt to pædagogiske principper, mens vi byggede denne læseplan: at sikre, at den er projektbaseret, og at den inkluderer hyppige quizzer. Ved slutningen af denne serie vil eleverne have bygget et system til overvågning og vanding af planter, en køretøjs-tracker, et smart fabriks-setup til at spore og kontrollere mad og en stemmestyret madlavningstimer, og vil have lært det grundlæggende om Internet of Things, herunder hvordan man skriver enhedskode, forbinder til skyen, analyserer telemetri og kører AI ved kanten. +Vi har valgt to pædagogiske principper under udformningen af dette curriculum: sikring af at det er projektbaseret og at det indeholder hyppige quizzer. Ved slutningen af denne serie vil de studerende have bygget et system til overvågning og vanding af planter, en køretøjssporing, et smart fabriksetup til at spore og kontrollere mad, og en stemmestyret madlavningstimer, samt lært det grundlæggende om Internet of Things, inklusive hvordan man skriver enhedskode, forbinder til skyen, analyserer telemetri og kører AI ved kanten. -Ved at sikre, at indholdet hænger sammen med projekterne, bliver processen mere engagerende for eleverne, og fastholdelsen af koncepter vil blive forbedret. +Ved at sikre at indholdet stemmer overens med projekterne, bliver processen mere engagerende for de studerende og fastholdelsen af begreber øges. -Derudover sætter en lavrisiko-quiz før en klasse elevens hensigt mod at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Denne læseplan er designet til at være fleksibel og sjov og kan tages helt eller delvist. Projekterne starter småt og bliver gradvist mere komplekse ved slutningen af den 12-ugers cyklus. +Derudover sætter en lavrisiko quiz før en klasse den studerendes intention mod at lære et emne, mens en anden quiz efter klassen sikrer yderligere fastholdelse. Dette curriculum er designet til at være fleksibelt og sjovt og kan tages helt eller delvist. Projekterne starter småt og bliver mere komplekse ved slutningen af den 12-ugers cyklus. -Hvert projekt er baseret på hardware fra den virkelige verden, som er tilgængelig for studerende og hobbyister. Hvert projekt undersøger det specifikke projektområde og giver relevant baggrundsviden. For at være en succesfuld udvikler hjælper det at forstå det domæne, hvor man løser problemer; ved at give denne baggrundsviden kan eleverne tænke over deres IoT-løsninger og læring i konteksten af den slags virkelige problemer, de kunne blive bedt om at løse som IoT-udvikler. Eleverne lærer ’hvorfor’ bag de løsninger, de bygger, og får en forståelse for slutbrugeren. +Hvert projekt er baseret på hardware fra den virkelige verden, som er tilgængelig for studerende og hobbyister. Hvert projekt dykker ned i det specifikke projektområde og giver relevant baggrundsviden. For at blive en succesfuld udvikler hjælper det at forstå domænet, hvor du løser problemer. Denne baggrundsviden giver de studerende mulighed for at tænke over deres IoT-løsninger og lære i konteksten af den slags virkelige problemer, de kan blive bedt om at løse som IoT-udviklere. Studerende lærer 'hvorfor' af de løsninger, de bygger, og får en forståelse for slutbrugeren. ## Hardware +Vi har to valgmuligheder for IoT-hardware til brug for projekterne afhængigt af personlige præferencer, programmeringssprogskundskaber eller præferencer, læringsmål og tilgængelighed. Vi har også leveret en 'virtuel hardware'-version til dem, der ikke har adgang til hardware, eller som ønsker at lære mere, inden de forpligter sig til et køb. Du kan læse mere og finde en 'indkøbsliste' på [hardware-siden](./hardware.md), inklusive links til køb af komplette kits fra vores venner hos Seeed Studio. -Vi har to valgmuligheder for IoT-hardware til projekterne afhængig af personlige præferencer, programmeringssprogs-kendskab, læringsmål og tilgængelighed. Vi har også leveret en 'virtuel hardware'-version for dem, der ikke har adgang til fysisk hardware, eller som ønsker at lære mere inden de køber. Du kan læse mere og finde en ’indkøbsliste’ på [hardware-siden](./hardware.md), inklusive links til at købe komplette kits fra vores venner hos Seeed Studio. -> 💁 Find vores [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md) og [Translation](TRANSLATIONS.md) retningslinjer. Vi byder din konstruktive feedback velkommen! +> 💁 Find vores [Adfærdskodeks](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md) og [Oversættelses](TRANSLATIONS.md) retningslinjer. Vi byder din konstruktive feedback velkommen! > -> 🔧 Har du problemer? Se vores [Troubleshooting Guide](TROUBLESHOOTING.md) for løsninger på almindelige problemer. +> 🔧 Har du problemer? Tjek vores [Fejlfinding Guide](TROUBLESHOOTING.md) for løsninger på almindelige problemer. ## Hver lektion inkluderer: - sketchnote - valgfri supplerende video -- warmup quiz før lektionen -- skreven lektion -- for projektbaserede lektioner, trin-for-trin-vejledninger i hvordan man bygger projektet -- videnschecks +- opvarmningsquiz før lektionen +- skriftlig lektion +- for projektbaserede lektioner trin-for-trin vejledninger om, hvordan man bygger projektet +- videnskontroller - en udfordring - supplerende læsning - opgave - [quiz efter lektionen](https://ff-quizzes.netlify.app/en/) -> **En note om quizzer**: Alle quizzer findes i quiz-app mappen, med i alt 48 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køre lokalt eller deployeres til Azure; følg instruktionerne i `quiz-app` mappen. De bliver gradvist lokaliseret. +> **En note om quizzer**: Alle quizzer findes i quiz-app mappen, i alt 48 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt eller implementeres på Azure; følg instruktionerne i `quiz-app` mappen. De bliver gradvist oversat. ## Lektioner -| | Projektnavn | Koncepter undervist | Læringsmål | Linket lektion | -| :---: | :------------------------------------: | :---------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------: | -| 01 | [Kom godt i gang](./1-getting-started/README.md) | Introduktion til IoT | Lær de grundlæggende principper for IoT og grundlæggende byggeklodser til IoT-løsninger såsom sensorer og cloud-tjenester mens du opsætter din første IoT-enhed | [Introduktion til IoT](./1-getting-started/lessons/1-introduction-to-iot/README.md) | -| 02 | [Kom godt i gang](./1-getting-started/README.md) | En dybere introduktion til IoT | Lær mere om komponenterne i et IoT-system, samt mikrokontrollere og enkeltkort-computere | [En dybere introduktion til IoT](./1-getting-started/lessons/2-deeper-dive/README.md) | -| 03 | [Kom godt i gang](./1-getting-started/README.md) | Interagér med den fysiske verden med sensorer og aktuatorer | Lær om sensorer til at indsamle data fra den fysiske verden, og aktuatorer til at sende feedback, mens du bygger et natlys | [Interagér med den fysiske verden med sensorer og aktuatorer](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | -| 04 | [Kom godt i gang](./1-getting-started/README.md) | Forbind din enhed til internettet | Lær om, hvordan man forbinder en IoT-enhed til internettet for at sende og modtage beskeder ved at forbinde dit natlys til en MQTT-broker | [Forbind din enhed til internettet](./1-getting-started/lessons/4-connect-internet/README.md) | -| 05 | [Farm](./2-farm/README.md) | Forudsig plantevækst | Lær hvordan man forudsiger plantevækst ved hjælp af temperaturdata indsamlet af en IoT-enhed | [Forudsig plantevækst](./2-farm/lessons/1-predict-plant-growth/README.md) | -| 06 | [Farm](./2-farm/README.md) | Registrer jordfugtighed | Lær hvordan man registrerer jordfugtighed og kalibrerer en jordfugtighedssensor | [Registrer jordfugtighed](./2-farm/lessons/2-detect-soil-moisture/README.md) | -| 07 | [Farm](./2-farm/README.md) | Automatiseret plantevanding | Lær hvordan man automatiserer og timer vanding ved hjælp af et relæ og MQTT | [Automatiseret plantevanding](./2-farm/lessons/3-automated-plant-watering/README.md) | -| 08 | [Farm](./2-farm/README.md) | Migrer din plante til skyen | Lær om skyen og cloud-hostede IoT-tjenester og hvordan du forbinder din plante til en af disse i stedet for en offentlig MQTT-broker | [Migrer din plante til skyen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | -| 09 | [Farm](./2-farm/README.md) | Migrer din applikationslogik til skyen | Lær om, hvordan du kan skrive applikationslogik i skyen, der reagerer på IoT-beskeder | [Migrer din applikationslogik til skyen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | -| 10 | [Farm](./2-farm/README.md) | Hold din plante sikker | Lær om sikkerhed med IoT og hvordan du holder din plante sikker med nøgler og certifikater | [Hold din plante sikker](./2-farm/lessons/6-keep-your-plant-secure/README.md) | -| 11 | [Transport](./3-transport/README.md) | Lokationssporing | Lær om GPS-lokationssporing for IoT-enheder | [Lokationssporing](./3-transport/lessons/1-location-tracking/README.md) | -| 12 | [Transport](./3-transport/README.md) | Gem lokationsdata | Lær hvordan man gemmer IoT-data for senere visualisering eller analyse | [Gem lokationsdata](./3-transport/lessons/2-store-location-data/README.md) | -| 13 | [Transport](./3-transport/README.md) | Visualisér lokationsdata | Lær om at visualisere lokationsdata på et kort, og hvordan kort repræsenterer den virkelige 3D-verden i 2 dimensioner | [Visualisér lokationsdata](./3-transport/lessons/3-visualize-location-data/README.md) | -| 14 | [Transport](./3-transport/README.md) | Geofences | Lær om geofences, og hvordan de kan bruges til at advare, når køretøjer i forsyningskæden er tæt på deres destination | [Geofences](./3-transport/lessons/4-geofences/README.md) | -| 15 | [Manufacturing](./4-manufacturing/README.md) | Træn en frugtkvalitetsdetektor | Lær om at træne en billedklassifikator i skyen til at detektere frugtkvalitet | [Træn en frugtkvalitetsdetektor](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | -| 16 | [Manufacturing](./4-manufacturing/README.md) | Tjek frugtkvalitet fra en IoT-enhed | Lær om brugen af din frugtkvalitetsdetektor fra en IoT-enhed | [Tjek frugtkvalitet fra en IoT-enhed](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | -| 17 | [Manufacturing](./4-manufacturing/README.md) | Kør din frugtdetektor på kanten | Lær om at køre din frugtdetektor på en IoT-enhed på kanten | [Kør din frugtdetektor på kanten](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | -| 18 | [Manufacturing](./4-manufacturing/README.md) | Udløs frugtkvalitetsdetektion fra en sensor | Lær om at udløse frugtkvalitetsdetektion fra en sensor | [Udløs frugtkvalitetsdetektion fra en sensor](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | -| 19 | [Retail](./5-retail/README.md) | Træn en lagerdetektor | Lær hvordan du bruger objektdetektion til at træne en lagerdetektor til at tælle lager i en butik | [Træn en lagerdetektor](./5-retail/lessons/1-train-stock-detector/README.md) | -| 20 | [Retail](./5-retail/README.md) | Tjek lager fra en IoT-enhed | Lær hvordan man tjekker lager fra en IoT-enhed ved hjælp af en objektdetekteringsmodel | [Tjek lager fra en IoT-enhed](./5-retail/lessons/2-check-stock-device/README.md) | -| 21 | [Consumer](./6-consumer/README.md) | Genkend tale med en IoT-enhed | Lær hvordan man genkender tale fra en IoT-enhed til at bygge en smart timer | [Genkend tale med en IoT-enhed](./6-consumer/lessons/1-speech-recognition/README.md) | -| 22 | [Consumer](./6-consumer/README.md) | Forstå sprog | Lær hvordan man forstår sætninger talt til en IoT-enhed | [Forstå sprog](./6-consumer/lessons/2-language-understanding/README.md) | -| 23 | [Consumer](./6-consumer/README.md) | Stil en timer og giv talt feedback | Lær hvordan du stiller en timer på en IoT-enhed og giver talt feedback om, hvornår timeren startes og slutter | [Stil en timer og giv talt feedback](./6-consumer/lessons/3-spoken-feedback/README.md) | -| 24 | [Consumer](./6-consumer/README.md) | Understøt flere sprog | Lær hvordan man understøtter flere sprog, både i tale til enheden og i svarene fra din smart timer | [Understøt flere sprog](./6-consumer/lessons/4-multiple-language-support/README.md) | +| | Projekt navn | Underviste begreber | Læringsmål | Linket lektion | +| :---: | :------------------------------------: | :--------------------------------------------------------------: | ---------------------------------------------------------------------------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------: | +| 01 | [Kom godt i gang](./1-getting-started/README.md) | Introduktion til IoT | Lær de grundlæggende principper for IoT og de grundlæggende byggesten i IoT-løsninger såsom sensorer og cloud-tjenester, mens du opsætter din første IoT-enhed | [Introduktion til IoT](./1-getting-started/lessons/1-introduction-to-iot/README.md) | +| 02 | [Kom godt i gang](./1-getting-started/README.md) | Et dybere dyk i IoT | Lær mere om komponenterne i et IoT-system, samt mikrocontrollere og enkeltkort computere | [Et dybere dyk i IoT](./1-getting-started/lessons/2-deeper-dive/README.md) | +| 03 | [Kom godt i gang](./1-getting-started/README.md) | Interagér med den fysiske verden med sensorer og aktuatorer | Lær om sensorer til at indsamle data fra den fysiske verden og aktuatorer til at sende feedback, mens du bygger en natlampe | [Interagér med den fysiske verden med sensorer og aktuatorer](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | +| 04 | [Kom godt i gang](./1-getting-started/README.md) | Forbind din enhed til internettet | Lær om, hvordan man forbinder en IoT-enhed til internettet for at sende og modtage beskeder ved at forbinde din natlampe til en MQTT-broker | [Forbind din enhed til internettet](./1-getting-started/lessons/4-connect-internet/README.md) | +| 05 | [Farm](./2-farm/README.md) | Forudsige plantevækst | Lær hvordan man forudsiger plantevækst ved hjælp af temperaturdata indsamlet af en IoT-enhed | [Forudsige plantevækst](./2-farm/lessons/1-predict-plant-growth/README.md) | +| 06 | [Farm](./2-farm/README.md) | Registrer jordfugtighed | Lær hvordan man registrerer jordfugtighed og kalibrerer en jordfugtighedssensor | [Registrer jordfugtighed](./2-farm/lessons/2-detect-soil-moisture/README.md) | +| 07 | [Farm](./2-farm/README.md) | Automatiseret vanding af planter | Lær hvordan man automatiserer og tidsindstiller vanding ved hjælp af et relæ og MQTT | [Automatiseret vanding af planter](./2-farm/lessons/3-automated-plant-watering/README.md) | +| 08 | [Farm](./2-farm/README.md) | Migrer din plante til skyen | Lær om skyen og cloud-hostede IoT-tjenester og hvordan du forbinder din plante til en af disse i stedet for en offentlig MQTT-broker | [Migrer din plante til skyen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | +| 09 | [Farm](./2-farm/README.md) | Migrer din applikationslogik til skyen | Lær hvordan du kan skrive applikationslogik i skyen, der reagerer på IoT-beskeder | [Migrer din applikationslogik til skyen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | +| 10 | [Farm](./2-farm/README.md) | Hold din plante sikker | Lær om sikkerhed i IoT og hvordan du holder din plante sikker med nøgler og certifikater | [Hold din plante sikker](./2-farm/lessons/6-keep-your-plant-secure/README.md) | +| 11 | [Transport](./3-transport/README.md) | Lokationssporing | Lær om GPS-lokationssporing for IoT-enheder | [Lokationssporing](./3-transport/lessons/1-location-tracking/README.md) | +| 12 | [Transport](./3-transport/README.md) | Gem lokationsdata | Lær hvordan man gemmer IoT-data til senere visualisering eller analyse | [Gem lokationsdata](./3-transport/lessons/2-store-location-data/README.md) | +| 13 | [Transport](./3-transport/README.md) | Visualiser lokationsdata | Lær om visualisering af lokationsdata på et kort, og hvordan kort repræsenterer den rigtige 3D-verden i 2 dimensioner | [Visualiser lokationsdata](./3-transport/lessons/3-visualize-location-data/README.md) | +| 14 | [Transport](./3-transport/README.md) | Geofences | Lær om geofences, og hvordan de kan bruges til at advare, når køretøjer i forsyningskæden er tæt på deres destination | [Geofences](./3-transport/lessons/4-geofences/README.md) | +| 15 | [Manufacturing](./4-manufacturing/README.md) | Træn en frugtkvalitetsdetektor | Lær om at træne en billedklassificerer i skyen til at detektere frugtkvalitet | [Træn en frugtkvalitetsdetektor](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | +| 16 | [Manufacturing](./4-manufacturing/README.md) | Kontroller frugtkvalitet fra en IoT-enhed | Lær om brugen af din frugtkvalitetsdetektor fra en IoT-enhed | [Kontroller frugtkvalitet fra en IoT-enhed](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | +| 17 | [Manufacturing](./4-manufacturing/README.md) | Kør din frugtdetektor på edge-enheden | Lær om at køre din frugtdetektor på en IoT-enhed ved edge | [Kør din frugtdetektor på edge-enheden](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | +| 18 | [Manufacturing](./4-manufacturing/README.md) | Udløs frugtkvalitetsdetektion fra en sensor | Lær om at udløse frugtkvalitetsdetektion fra en sensor | [Udløs frugtkvalitetsdetektion fra en sensor](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | +| 19 | [Retail](./5-retail/README.md) | Træn en lagerdetektor | Lær hvordan du bruger objektdetektion til at træne en lagerdetektor til at tælle lager i en butik | [Træn en lagerdetektor](./5-retail/lessons/1-train-stock-detector/README.md) | +| 20 | [Retail](./5-retail/README.md) | Tjek lagerstatus fra en IoT-enhed | Lær hvordan du tjekker lagerstatus fra en IoT-enhed ved hjælp af en objektdetekteringsmodel | [Tjek lagerstatus fra en IoT-enhed](./5-retail/lessons/2-check-stock-device/README.md) | +| 21 | [Consumer](./6-consumer/README.md) | Genkend tale med en IoT-enhed | Lær hvordan du genkender tale fra en IoT-enhed for at bygge en smart timer | [Genkend tale med en IoT-enhed](./6-consumer/lessons/1-speech-recognition/README.md) | +| 22 | [Consumer](./6-consumer/README.md) | Forstå sprog | Lær hvordan man forstår sætninger talt til en IoT-enhed | [Forstå sprog](./6-consumer/lessons/2-language-understanding/README.md) | +| 23 | [Consumer](./6-consumer/README.md) | Indstil en timer og giv mundtlig feedback | Lær hvordan man indstiller en timer på en IoT-enhed og giver mundtlig feedback om, hvornår timeren starter og slutter | [Indstil en timer og giv mundtlig feedback](./6-consumer/lessons/3-spoken-feedback/README.md) | +| 24 | [Consumer](./6-consumer/README.md) | Understøt flere sprog | Lær hvordan man støtter flere sprog, både til at blive talt til og til svar fra din smarte timer | [Understøt flere sprog](./6-consumer/lessons/4-multiple-language-support/README.md) | ## Offline adgang -Du kan køre denne dokumentation offline ved at bruge [Docsify](https://docsify.js.org/#/). Fork dette repo, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskine, og kør derefter i roden af denne repo `docsify serve`. Hjemmesiden vil blive serveret på port 3000 på din localhost: `localhost:3000`. +Du kan køre denne dokumentation offline ved at bruge [Docsify](https://docsify.js.org/#/). Fork dette repo, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskine, og skriv derefter i rodmappen i dette repo `docsify serve`. Hjemmesiden vil blive serveret på port 3000 på din localhost: `localhost:3000`. ## Quiz -Tak til fællesskabet for at hoste det interaktive quiz, som tester din viden om hvert kapitel. Du kan teste din viden [her](https://ff-quizzes.netlify.app/en/) +Tak til community for at hoste den interaktive quiz, som tester din viden om hvert kapitel. Du kan teste din viden [her](https://ff-quizzes.netlify.app/en/) ### PDF -Du kan generere en PDF af dette indhold til offline brug, hvis nødvendigt. For at gøre dette, sørg for at have [npm installeret](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) og kør følgende kommandoer i roden af denne repo: +Du kan generere en PDF af dette indhold til offline adgang, hvis nødvendigt. For at gøre dette skal du sikre dig, at du har [npm installeret](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) og køre følgende kommandoer i rodmappen i dette repo: ```sh npm i @@ -154,59 +164,60 @@ npm run convert ### Slides -Der er diaspræsentationer til nogle af lektionerne i [slides](../../slides) mappen. +Der findes slide-decks for nogle af lektionerne i [slides](../../slides) mappen. -## Andre pensum -Vores team producerer andre pensum! Tjek: +## Andre læseplaner + +Vores team producerer andre læseplaner! Tjek: ### LangChain [![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) [![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) - +[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agenter [![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI-agenter for begyndere](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generativ AI-serie -[![Generativ AI for begyndere](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generativ AI Serie +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Kerneundervisning -[![ML for begyndere](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for begyndere](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for begyndere](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersikkerhed for begyndere](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Webudvikling for begyndere](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for begyndere](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR-udvikling for begyndere](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Kernelæring +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot-serie -[![Copilot for AI-parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot Serie +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Eventyr](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) - +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) + ## Billedhenvisninger -Du kan finde alle henvisninger til billederne brugt i dette pensum, hvor det er nødvendigt, i [Henvisninger](./attributions.md). +Du kan finde alle henvisninger for billederne brugt i denne læreplan, hvor det er nødvendigt, i [Attributions](./attributions.md). --- -**Ansvarsfraskrivelse**: -Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse. +**Ansvarsfraskrivelse**: +Dette dokument er blevet oversat ved brug af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog skal anses for at være den autoritative kilde. For kritiske oplysninger anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der opstår som følge af brugen af denne oversættelse. \ No newline at end of file diff --git a/translations/da/hardware.md b/translations/da/hardware.md index 7aba8e41d..1788b86e3 100644 --- a/translations/da/hardware.md +++ b/translations/da/hardware.md @@ -26,7 +26,7 @@ Seeed Studios har venligst gjort al hardware tilgængelig som letkøbte kits: **[IoT for begyndere med Seeed og Microsoft - Raspberry Pi 4 Starter Kit](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)** -[![Raspberry Pi Terminal hardware kit](../../translated_images/da/pi-hardware-kit.26dbadaedb7dd44c73b0131d5d68ea29472ed0a9744f90d5866c6d82f2d16380.png)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) +[![Raspberry Pi Terminal hardware kit](../../translated_images/da/pi-hardware-kit.26dbadaedb7dd44c.webp)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) ## Arduino diff --git a/translations/fi/.co-op-translator.json b/translations/fi/.co-op-translator.json index cadab5c76..daabac29d 100644 --- a/translations/fi/.co-op-translator.json +++ b/translations/fi/.co-op-translator.json @@ -738,8 +738,8 @@ "language_code": "fi" }, "README.md": { - "original_hash": "3fcc056cd3837e33d2bdf79f9c359fcf", - "translation_date": "2026-01-30T02:06:59+00:00", + "original_hash": "accf69391fa4450eadbf492ca024cccf", + "translation_date": "2026-04-06T16:11:26+00:00", "source_file": "README.md", "language_code": "fi" }, diff --git a/translations/fi/1-getting-started/lessons/1-introduction-to-iot/README.md b/translations/fi/1-getting-started/lessons/1-introduction-to-iot/README.md index 9a427a2a3..94fd6f8a7 100644 --- a/translations/fi/1-getting-started/lessons/1-introduction-to-iot/README.md +++ b/translations/fi/1-getting-started/lessons/1-introduction-to-iot/README.md @@ -1,6 +1,6 @@ # Johdanto IoT:hen -![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-1.2606670fa61ee904687da5d6fa4e726639d524d064c895117da1b95b9ff6251d.jpg) +![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-1.2606670fa61ee904.webp) > Sketchnoten on tehnyt [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. diff --git a/translations/fi/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md b/translations/fi/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md index 50b853992..92c0d29d3 100644 --- a/translations/fi/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md +++ b/translations/fi/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md @@ -203,7 +203,7 @@ Toisena 'Hello World' -vaiheena käynnistät CounterFit-sovelluksen ja yhdistät Sovellus käynnistyy ja avautuu verkkoselaimessasi: - ![CounterFit-sovellus käynnissä selaimessa](../../../../../translated_images/fi/counterfit-first-run.433326358b669b31d0e99c3513cb01bfbb13724d162c99cdcc8f51ecf5f9c779.png) + ![CounterFit-sovellus käynnissä selaimessa](../../../../../translated_images/fi/counterfit-first-run.433326358b669b31.webp) Sovellus on merkitty *Disconnected*-tilaan, ja oikean yläkulman LED on sammutettu. @@ -224,7 +224,7 @@ Toisena 'Hello World' -vaiheena käynnistät CounterFit-sovelluksen ja yhdistät 1. Aja `app.py`-tiedosto uudessa terminaalissa kuten aiemmin. CounterFitin tila muuttuu **Connected**-tilaan ja LED syttyy. - ![CounterFit näyttää Connected-tilan](../../../../../translated_images/fi/counterfit-connected.ed30b46d8f79b0921f3fc70be10366e596a89dca3f80c2224a9d9fc98fccf884.png) + ![CounterFit näyttää Connected-tilan](../../../../../translated_images/fi/counterfit-connected.ed30b46d8f79b092.webp) > 💁 Löydät tämän koodin [code/virtual-device](../../../../../1-getting-started/lessons/1-introduction-to-iot/code/virtual-device) -kansiosta. diff --git a/translations/fi/1-getting-started/lessons/2-deeper-dive/README.md b/translations/fi/1-getting-started/lessons/2-deeper-dive/README.md index 36954e957..ec676ad74 100644 --- a/translations/fi/1-getting-started/lessons/2-deeper-dive/README.md +++ b/translations/fi/1-getting-started/lessons/2-deeper-dive/README.md @@ -1,6 +1,6 @@ # Syvällisempi katsaus IoT:hen -![Tämän oppitunnin sketchnote](../../../../../translated_images/fi/lesson-2.324b0580d620c25e0a24fb7fddfc0b29a846dd4b82c08e7a9466d580ee78ce51.jpg) +![Tämän oppitunnin sketchnote](../../../../../translated_images/fi/lesson-2.324b0580d620c25e.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -38,7 +38,7 @@ IoT:n **laite**-osa viittaa laitteeseen, joka voi olla vuorovaikutuksessa fyysis Nämä laitteet ovat vuorovaikutuksessa fyysisen maailman kanssa joko käyttämällä antureita ympäristönsä tietojen keräämiseen tai ohjaamalla ulostuloja tai toimilaitteita fyysisten muutosten tekemiseksi. Tyypillinen esimerkki on älykäs termostaatti – laite, jossa on lämpötila-anturi, tapa asettaa haluttu lämpötila, kuten säädin tai kosketusnäyttö, ja yhteys lämmitys- tai jäähdytysjärjestelmään, joka voidaan kytkeä päälle, kun havaittu lämpötila on halutun alueen ulkopuolella. Lämpötila-anturi havaitsee, että huone on liian kylmä, ja toimilaite kytkee lämmityksen päälle. -![Kaavio, jossa lämpötila ja säädin ovat IoT-laitteen syötteitä, ja lämmittimen ohjaus on ulostulo](../../../../../translated_images/fi/basic-thermostat.a923217fd1f37e5a6f3390396a65c22a387419ea2dd17e518ec24315ba6ae9a8.png) +![Kaavio, jossa lämpötila ja säädin ovat IoT-laitteen syötteitä, ja lämmittimen ohjaus on ulostulo](../../../../../translated_images/fi/basic-thermostat.a923217fd1f37e5a.webp) IoT-laitteina voi toimia valtava määrä erilaisia laitteita, yksinkertaisista antureista yleiskäyttöisiin laitteisiin, jopa älypuhelimeesi! Älypuhelin voi käyttää antureita ympäristönsä havaitsemiseen ja toimilaitteita vuorovaikutukseen maailman kanssa – esimerkiksi GPS-anturia sijaintisi havaitsemiseen ja kaiutinta navigointiohjeiden antamiseen määränpäähän. @@ -54,7 +54,7 @@ Laitteet eivät myöskään aina yhdistä suoraan Internetiin WiFi- tai langalli Esimerkkinä älykkäästä termostaatista, termostaatti yhdistyy kodin WiFi-verkon kautta pilvipalveluun. Se lähettää lämpötilatiedot tähän pilvipalveluun, josta ne tallennetaan jonkinlaiseen tietokantaan, jolloin kodinomistaja voi tarkistaa nykyiset ja aiemmat lämpötilat puhelinsovelluksella. Toinen pilvipalvelu tietää, mikä lämpötila kodinomistajaa miellyttää, ja lähettää viestejä IoT-laitteelle pilvipalvelun kautta kertoakseen lämmitysjärjestelmälle, milloin se kytketään päälle tai pois päältä. -![Kaavio, jossa lämpötila ja säädin ovat IoT-laitteen syötteitä, IoT-laite on kaksisuuntaisessa yhteydessä pilveen, joka puolestaan on kaksisuuntaisessa yhteydessä puhelimeen, ja lämmittimen ohjaus on ulostulo IoT-laitteesta](../../../../../translated_images/fi/mobile-controlled-thermostat.4a994010473d8d6a52ba68c67e5f02dc8928c717e93ca4b9bc55525aa75bbb60.png) +![Kaavio, jossa lämpötila ja säädin ovat IoT-laitteen syötteitä, IoT-laite on kaksisuuntaisessa yhteydessä pilveen, joka puolestaan on kaksisuuntaisessa yhteydessä puhelimeen, ja lämmittimen ohjaus on ulostulo IoT-laitteesta](../../../../../translated_images/fi/mobile-controlled-thermostat.4a994010473d8d6a.webp) Älykkäämpi versio voisi käyttää pilvessä olevaa tekoälyä ja tietoja muista IoT-laitteisiin liitetyistä antureista, kuten tilan käyttöä havaitsevista antureista, sekä tietoja, kuten säätietoja ja jopa kalenteriasi, tehdäkseen päätöksiä lämpötilan asettamisesta älykkäästi. Esimerkiksi se voisi kytkeä lämmityksen pois päältä, jos kalenterisi mukaan olet lomalla, tai säätää lämmitystä huonekohtaisesti sen mukaan, mitä huoneita käytät, oppien datasta ajan myötä tarkemmaksi. @@ -94,7 +94,7 @@ Mitä nopeampi kellosykli, sitä enemmän käskyjä voidaan käsitellä sekunnis > 💁 Suorittimet suorittavat ohjelmia käyttäen [fetch-decode-execute-sykliä](https://wikipedia.org/wiki/Instruction_cycle). Jokaisella kellotikillä suoritin hakee seuraavan käskyn muistista, dekoodaa sen ja suorittaa sen, esimerkiksi käyttämällä aritmeettis-loogista yksikköä (ALU) kahden luvun yhteenlaskuun. Jotkut suoritukset vievät useita tikkejä, joten seuraava sykli alkaa seuraavalla tikillä, kun käsky on suoritettu. -![Fetch-decode-execute-syklit, joissa fetch hakee käskyn ohjelmasta RAM-muistista, dekoodaa ja suorittaa sen suorittimessa](../../../../../translated_images/fi/fetch-decode-execute.2fd6f150f6280392807f4475382319abd0cee0b90058e1735444d6baa6f2078c.png) +![Fetch-decode-execute-syklit, joissa fetch hakee käskyn ohjelmasta RAM-muistista, dekoodaa ja suorittaa sen suorittimessa](../../../../../translated_images/fi/fetch-decode-execute.2fd6f150f6280392.webp) Mikrokontrollereiden kellonopeudet ovat paljon alhaisempia kuin pöytätietokoneiden, kannettavien tietokoneiden tai useimpien älypuhelimien. Esimerkiksi Wio Terminalin suoritin toimii 120 MHz:n nopeudella eli 120 000 000 sykliä sekunnissa. @@ -182,7 +182,7 @@ Arduino-kortit ohjelmoidaan C- tai C++-kielellä. C/C++:n käyttö mahdollistaa Kirjoittaisit alustuslogiikkasi `setup`-funktioon, kuten WiFi-yhteyden muodostamisen ja pilvipalveluihin yhdistämisen tai pinnejä syötölle ja lähdölle alustettaessa. `loop`-funktioon sisältyisi prosessointikoodi, kuten sensorin lukeminen ja arvon lähettäminen pilveen. Lisäisit yleensä viiveen jokaiseen silmukkaan, esimerkiksi jos haluat sensoridatan lähetettävän vain 10 sekunnin välein, lisäisit 10 sekunnin viiveen silmukan loppuun, jotta mikro-ohjain voi nukkua, säästää virtaa ja suorittaa silmukan uudelleen tarvittaessa 10 sekunnin kuluttua. -![Arduino-sketch, joka suorittaa ensin setupin ja sitten loopin toistuvasti](../../../../../translated_images/fi/arduino-sketch.79590cb837ff7a7c6a68d1afda6cab83fd53d3bb1bd9a8bf2eaf8d693a4d3ea6.png) +![Arduino-sketch, joka suorittaa ensin setupin ja sitten loopin toistuvasti](../../../../../translated_images/fi/arduino-sketch.79590cb837ff7a7c.webp) ✅ Tämä ohjelma-arkkitehtuuri tunnetaan nimellä *tapahtumasilmukka* tai *viestisilmukka*. Monet sovellukset käyttävät tätä taustalla, ja se on standardi useimmille työpöytäsovelluksille, jotka toimivat käyttöjärjestelmissä kuten Windows, macOS tai Linux. `loop` kuuntelee viestejä käyttöliittymäkomponenteilta, kuten painikkeilta, tai laitteilta, kuten näppäimistöltä, ja reagoi niihin. Voit lukea lisää tästä [artikkelista tapahtumasilmukasta](https://wikipedia.org/wiki/Event_loop). diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/README.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/README.md index f3a8bb6eb..5c43ca27e 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/README.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/README.md @@ -1,6 +1,6 @@ # Vuorovaikutus fyysisen maailman kanssa antureiden ja toimilaitteiden avulla -![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-3.cc3b7b4cd646de598698cce043c0393fd62ef42bac2eaf60e61272cd844250f4.jpg) +![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-3.cc3b7b4cd646de59.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -92,7 +92,7 @@ Digitaaliset anturit, kuten analogiset anturit, havaitsevat ympäröivän maailm Yksinkertaisin digitaalinen anturi on painike tai kytkin. Tämä on anturi, jolla on kaksi tilaa: päällä tai pois päältä. -![Painike vastaanottaa 5 volttia. Kun sitä ei paineta, se palauttaa 0 volttia, kun sitä painetaan, se palauttaa 5 volttia](../../../../../translated_images/fi/button.eadb560b77ac45e56f523d9d8876e40444f63b419e33eb820082d461fa79490b.png) +![Painike vastaanottaa 5 volttia. Kun sitä ei paineta, se palauttaa 0 volttia, kun sitä painetaan, se palauttaa 5 volttia](../../../../../translated_images/fi/button.eadb560b77ac45e5.webp) IoT-laitteiden pinnit, kuten GPIO-pinnit, voivat mitata tämän signaalin suoraan 0:na tai 1:nä. Jos lähetetty jännite on sama kuin palautettu jännite, luettu arvo on 1, muuten luettu arvo on 0. Signaalia ei tarvitse muuntaa, sillä se voi olla vain 1 tai 0. @@ -125,7 +125,7 @@ Joidenkin yleisten toimilaitteiden esimerkkejä: Seuraa alla olevia ohjeita lisätäksesi toimilaitteen IoT-laitteeseesi, jota ohjataan anturilla, rakentaaksesi IoT-yövalon. Se kerää valon määrän valoanturista ja käyttää toimilaitetta, kuten LED-valoa, tuottamaan valoa, kun havaittu valon määrä on liian alhainen. -![Tehtävän vuokaavio, joka näyttää valon määrän lukemisen ja tarkistamisen sekä LED-valon ohjaamisen](../../../../../translated_images/fi/assignment-1-flow.7552a51acb1a5ec858dca6e855cdbb44206434006df8ba3799a25afcdab1665d.png) +![Tehtävän vuokaavio, joka näyttää valon määrän lukemisen ja tarkistamisen sekä LED-valon ohjaamisen](../../../../../translated_images/fi/assignment-1-flow.7552a51acb1a5ec8.webp) * [Arduino - Wio Terminal](wio-terminal-actuator.md) * [Yksikorttitietokone - Raspberry Pi](pi-actuator.md) @@ -140,7 +140,7 @@ Kuten anturit, toimilaitteet ovat joko analogisia tai digitaalisia. Analogiset toimilaitteet ottavat analogisen signaalin ja muuntavat sen jonkinlaiseksi vuorovaikutukseksi, jossa vuorovaikutus muuttuu syötetyn jännitteen mukaan. Yksi esimerkki on himmennettävä valo, kuten ne, joita saatat käyttää kotonasi. Valon kirkkaus määräytyy syötetyn jännitteen mukaan. -![Valo himmennetty matalalla jännitteellä ja kirkkaampi korkeammalla jännitteellä](../../../../../translated_images/fi/dimmable-light.9ceffeb195dec1a849da718b2d71b32c35171ff7dfea9c07bbf82646a67acf6b.png) +![Valo himmennetty matalalla jännitteellä ja kirkkaampi korkeammalla jännitteellä](../../../../../translated_images/fi/dimmable-light.9ceffeb195dec1a8.webp) Kuten antureiden kanssa, varsinainen IoT-laite toimii digitaalisilla signaaleilla, ei analogisilla. Tämä tarkoittaa, että analogisen signaalin lähettämiseksi IoT-laitteessa täytyy olla digitaalista analogiseksi muuntava laite (DAC), joko suoraan IoT-laitteessa tai liitäntälevyssä. Tämä muuntaa IoT-laitteen 0:t ja 1:t analogiseksi jännitteeksi, jota toimilaite voi käyttää. @@ -187,7 +187,7 @@ Digitaaliset toimilaitteet, kuten digitaaliset anturit, ovat joko kahdessa tilas Yksi yksinkertainen digitaalinen toimilaite on LED. Kun laite lähettää digitaalisen signaalin 1, lähetetään korkea jännite, joka sytyttää LEDin. Kun lähetetään digitaalinen signaali 0, jännite laskee 0V:iin ja LED sammuu. -![LED on pois päältä 0 voltilla ja päällä 5V:lla](../../../../../translated_images/fi/led.ec6d94f66676a174ad06d9fa9ea49c2ee89beb18b312d5c6476467c66375b07f.png) +![LED on pois päältä 0 voltilla ja päällä 5V:lla](../../../../../translated_images/fi/led.ec6d94f66676a174.webp) ✅ Mitä muita yksinkertaisia kaksitilaisia toimilaitteita keksit? Yksi esimerkki on solenoidi, joka on sähkömagneetti, jota voidaan aktivoida tekemään asioita, kuten siirtämään oven salpaa lukitsemalla/avaamalla oven. diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md index 1b3bd17bd..d2d7347a5 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md @@ -26,7 +26,7 @@ Grove LED tulee moduulina, jossa on valikoima LED-valoja, joten voit valita halu Liitä LED. -![Grove LED](../../../../../translated_images/fi/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![Grove LED](../../../../../translated_images/fi/grove-led.6c853be93f473cf2.webp) 1. Valitse suosikkisi LED-valo ja aseta sen jalat LED-moduulin kahteen reikään. @@ -40,7 +40,7 @@ Liitä LED. 1. Kun Raspberry Pi on sammutettu, liitä Grove-kaapelin toinen pää Grove Base -hatun digitaaliseen liittimeen, joka on merkitty **D5**. Tämä liitin on toinen vasemmalta GPIO-pinnien vieressä olevassa liitinrivissä. -![Grove LED liitettynä D5-liittimeen](../../../../../translated_images/fi/pi-led.97f1d474981dc35d1c7996c7b17de355d3d0a6bc9606d79fa5f89df933415122.png) +![Grove LED liitettynä D5-liittimeen](../../../../../translated_images/fi/pi-led.97f1d474981dc35d.webp) ## Ohjelmoi yövalo diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md index c6312175a..a1a93b8c2 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md @@ -16,13 +16,13 @@ Grove-valosensori, jota käytetään valotason havaitsemiseen, täytyy liittää Liitä valosensori -![Grove-valosensori](../../../../../translated_images/fi/grove-light-sensor.b8127b7c434e632d6bcdb57587a14e9ef69a268a22df95d08628f62b8fa5505c.png) +![Grove-valosensori](../../../../../translated_images/fi/grove-light-sensor.b8127b7c434e632d.webp) 1. Työnnä Grove-kaapelin toinen pää valosensorimoduulin liittimeen. Se menee sisään vain yhdellä tavalla. 1. Kun Raspberry Pi on sammutettu, liitä Grove-kaapelin toinen pää Grove Base -hatun analogiseen liittimeen, joka on merkitty **A0**. Tämä liitin on toinen oikealta GPIO-pinnien vieressä olevassa liitinrivissä. -![Grove-valosensori liitettynä liittimeen A0](../../../../../translated_images/fi/pi-light-sensor.66cc1e31fa48cd7d5f23400d4b2119aa41508275cb7c778053a7923b4e972d7e.png) +![Grove-valosensori liitettynä liittimeen A0](../../../../../translated_images/fi/pi-light-sensor.66cc1e31fa48cd7d.webp) ## Ohjelmoi valosensori diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md index 4dc058c88..54427906e 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md @@ -36,11 +36,11 @@ Lisää LED CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi LED Pin 5:lle. - ![LED-asetukset](../../../../../translated_images/fi/counterfit-create-led.ba9db1c9b8c622a635d6dfae5cdc4e70c2b250635bd4f0601c6cf0bd22b7ba46.png) + ![LED-asetukset](../../../../../translated_images/fi/counterfit-create-led.ba9db1c9b8c622a6.webp) LED luodaan ja se ilmestyy toimilaitteiden listaan. - ![Luotu LED](../../../../../translated_images/fi/counterfit-led.c0ab02de6d256ad84d9bad4d67a7faa709f0ea83e410cfe9b5561ef0cef30b1c.png) + ![Luotu LED](../../../../../translated_images/fi/counterfit-led.c0ab02de6d256ad8.webp) Kun LED on luotu, voit muuttaa sen väriä *Color*-valitsimella. Valitse **Set**-painike muuttaaksesi väriä valinnan jälkeen. diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md index c3dca894f..f8ac56bd5 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md @@ -28,11 +28,11 @@ Lisää valosensori CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi valosensorin Pin 0:aan. - ![Valosensorin asetukset](../../../../../translated_images/fi/counterfit-create-light-sensor.9f36a5e0d4458d8d554d54b34d2c806d56093d6e49fddcda2d20f6fef7f5cce1.png) + ![Valosensorin asetukset](../../../../../translated_images/fi/counterfit-create-light-sensor.9f36a5e0d4458d8d.webp) Valosensori luodaan ja se ilmestyy sensorilistaan. - ![Luotu valosensori](../../../../../translated_images/fi/counterfit-light-sensor.5d0f5584df56b90f6b2561910d9cb20dfbd73eeff2177c238d38f4de54aefae1.png) + ![Luotu valosensori](../../../../../translated_images/fi/counterfit-light-sensor.5d0f5584df56b90f.webp) ## Ohjelmoi valosensori diff --git a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md index 3a458e864..b8a85f526 100644 --- a/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md +++ b/translations/fi/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md @@ -26,7 +26,7 @@ Grove LED tulee moduulina, jossa on valikoima LED-valoja, joten voit valita halu Liitä LED. -![Grove LED](../../../../../translated_images/fi/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![Grove LED](../../../../../translated_images/fi/grove-led.6c853be93f473cf2.webp) 1. Valitse suosikkisi LED-valo ja aseta sen jalat LED-moduulin kahteen reikään. diff --git a/translations/fi/1-getting-started/lessons/4-connect-internet/README.md b/translations/fi/1-getting-started/lessons/4-connect-internet/README.md index 5babee3c2..12fe44d68 100644 --- a/translations/fi/1-getting-started/lessons/4-connect-internet/README.md +++ b/translations/fi/1-getting-started/lessons/4-connect-internet/README.md @@ -1,6 +1,6 @@ # Yhdistä laitteesi Internetiin -![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-4.7344e074ea68fa545fd320b12dce36d72dd62d28c3b4596cb26cf315f434b98f.jpg) +![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-4.7344e074ea68fa54.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -47,7 +47,7 @@ MQTT on suosituin viestintäprotokolla IoT-laitteille, ja se käsitellään täs MQTT:ssä on yksi välittäjä ja useita asiakkaita. Kaikki asiakkaat yhdistyvät välittäjään, ja välittäjä ohjaa viestit oikeille asiakkaille. Viestit ohjataan nimettyjen aiheiden avulla, eikä niitä lähetetä suoraan yksittäiselle asiakkaalle. Asiakas voi julkaista aiheeseen, ja kaikki asiakkaat, jotka tilaavat kyseisen aiheen, saavat viestin. -![IoT-laite julkaisee telemetriaa /telemetry-aiheessa, ja pilvipalvelu tilaa kyseisen aiheen](../../../../../translated_images/fi/mqtt.cbf7f21d9adc3e17548b359444cc11bb4bf2010543e32ece9a47becf54438c23.png) +![IoT-laite julkaisee telemetriaa /telemetry-aiheessa, ja pilvipalvelu tilaa kyseisen aiheen](../../../../../translated_images/fi/mqtt.cbf7f21d9adc3e17.webp) ✅ Tee tutkimusta. Jos sinulla on paljon IoT-laitteita, miten voit varmistaa, että MQTT-välittäjäsi pystyy käsittelemään kaikki viestit? @@ -69,7 +69,7 @@ Sen sijaan, että käsittelisit MQTT-välittäjän asettamisen monimutkaisuuksia > 💁 Tämä testivälittäjä on julkinen ja ei-suojattu. Kuka tahansa voi kuunnella, mitä julkaiset, joten sitä ei pitäisi käyttää yksityistä dataa sisältävien viestien kanssa. -![Tehtävän vuokaavio, jossa valotasoja luetaan ja tarkistetaan, ja LEDiä ohjataan](../../../../../translated_images/fi/assignment-1-internet-flow.3256feab5f052fd273bf4e331157c574c2c3fa42e479836fc9c3586f41db35a5.png) +![Tehtävän vuokaavio, jossa valotasoja luetaan ja tarkistetaan, ja LEDiä ohjataan](../../../../../translated_images/fi/assignment-1-internet-flow.3256feab5f052fd2.webp) Seuraa alla olevaa ohjetta yhdistääksesi laitteesi MQTT-välittäjään: @@ -350,7 +350,7 @@ Koneille data kannattaa ehkä säilyttää, erityisesti jos sitä käytetään t IoT-laitteiden suunnittelijoiden tulisi myös harkita, voiko IoT-laite toimia Internet-katkoksen tai sijainnin aiheuttaman signaalin menetyksen aikana. Älykäs termostaatti pitäisi pystyä tekemään joitakin rajoitettuja päätöksiä lämmityksen ohjaamiseksi, jos se ei voi lähettää telemetriaa pilveen katkoksen vuoksi. -[![Tämä Ferrari meni käyttökelvottomaksi, koska joku yritti päivittää sitä maan alla, missä ei ole matkapuhelinverkkoa](../../../../../translated_images/fi/bricked-car.dc38f8efadc6c59d76211f981a521efb300939283dee468f79503aae3ec67615.png)](https://twitter.com/internetofshit/status/1315736960082808832) +[![Tämä Ferrari meni käyttökelvottomaksi, koska joku yritti päivittää sitä maan alla, missä ei ole matkapuhelinverkkoa](../../../../../translated_images/fi/bricked-car.dc38f8efadc6c59d.webp)](https://twitter.com/internetofshit/status/1315736960082808832) MQTT:n käsitelläkseen yhteyden katkeamista laitteen ja palvelinkoodin täytyy huolehtia viestien toimituksesta, jos se on tarpeen, esimerkiksi vaatimalla, että kaikki lähetetyt viestit saavat vastauksen lisäviesteillä vastausaiheessa, ja jos eivät, ne jonotetaan manuaalisesti toistettavaksi myöhemmin. @@ -358,7 +358,7 @@ MQTT:n käsitelläkseen yhteyden katkeamista laitteen ja palvelinkoodin täytyy Komennot ovat viestejä, jotka pilvi lähettää laitteelle, ohjeistaen sitä tekemään jotain. Useimmiten tämä tarkoittaa jonkinlaista ulostuloa aktuaattorin kautta, mutta se voi olla ohje laitteelle itselleen, kuten uudelleenkäynnistys tai lisätelemetrian kerääminen ja palauttaminen vastauksena komentoon. -![Internet-yhteydessä oleva termostaatti vastaanottaa komennon lämmityksen kytkemiseksi päälle](../../../../../translated_images/fi/commands.d6c06bbbb3a02cce95f2831a1c331daf6dedd4e470c4aa2b0ae54f332016e504.png) +![Internet-yhteydessä oleva termostaatti vastaanottaa komennon lämmityksen kytkemiseksi päälle](../../../../../translated_images/fi/commands.d6c06bbbb3a02cce.webp) Termostaatti voisi vastaanottaa pilvestä komennon kytkeä lämmitys päälle. Kaikkien antureiden telemetriatietojen perusteella pilvipalvelu on päättänyt, että lämmitys pitäisi olla päällä, joten se lähettää asiaankuuluvan komennon. diff --git a/translations/fi/2-farm/lessons/1-predict-plant-growth/README.md b/translations/fi/2-farm/lessons/1-predict-plant-growth/README.md index ab5eb6104..e9eb4bb80 100644 --- a/translations/fi/2-farm/lessons/1-predict-plant-growth/README.md +++ b/translations/fi/2-farm/lessons/1-predict-plant-growth/README.md @@ -1,6 +1,6 @@ ## Ennusta kasvien kasvua IoT:n avulla -![Yleiskuva tämän oppitunnin sisällöstä](../../../../../translated_images/fi/lesson-5.42b234299279d263143148b88ab4583861a32ddb03110c6c1120e41bb88b2592.jpg) +![Yleiskuva tämän oppitunnin sisällöstä](../../../../../translated_images/fi/lesson-5.42b234299279d263.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -90,7 +90,7 @@ Kasvupäivien asteet, eli GDD, lasketaan päivittäin päivän keskilämpötilan Täydellinen GDD-kaava on hieman monimutkainen, mutta yksinkertaistettu yhtälö on usein hyvä arvio: -![GDD = T max + T min jaettuna kahdella, kaikki miinus T base](../../../../../translated_images/fi/gdd-calculation.79b3660f9c5757aa92dc2dd2cdde75344e2d2c1565c4b3151640f7887edc0275.png) +![GDD = T max + T min jaettuna kahdella, kaikki miinus T base](../../../../../translated_images/fi/gdd-calculation.79b3660f9c5757aa.webp) * **GDD** - tämä on kasvupäivien asteiden määrä * **T max** - tämä on päivän maksimilämpötila Celsius-asteina @@ -118,7 +118,7 @@ Kun nämä luvut syötetään laskentaan: Tämä antaa laskennan: -![GDD = 16 + 12 jaettuna kahdella, kaikki miinus 10, tuloksena 4](../../../../../translated_images/fi/gdd-calculation-corn.64a58b7a7afcd0dfd46ff733996d939f17f4f3feac9f0d1c632be3523e51ebd9.png) +![GDD = 16 + 12 jaettuna kahdella, kaikki miinus 10, tuloksena 4](../../../../../translated_images/fi/gdd-calculation-corn.64a58b7a7afcd0df.webp) Maissi sai 4 GDD:tä sinä päivänä. Oletetaan, että maissilajike tarvitsee kypsyäkseen 800 GDD:tä, jolloin se tarvitsee vielä 796 GDD:tä saavuttaakseen kypsyyden. @@ -239,7 +239,7 @@ Manuaaliset vaiheet tähän ovat: Esimerkiksi, jos päivän korkein lämpötila on 25°C ja matalin 12°C: -![GDD = 25 + 12 jaettuna kahdella, vähennä tuloksesta 10, jolloin saadaan 8.5](../../../../../translated_images/fi/gdd-calculation-strawberries.59f57db94b22adb8ff6efb951ace33af104a1c6ccca3ffb0f8169c14cb160c90.png) +![GDD = 25 + 12 jaettuna kahdella, vähennä tuloksesta 10, jolloin saadaan 8.5](../../../../../translated_images/fi/gdd-calculation-strawberries.59f57db94b22adb8.webp) * 25 + 12 = 37 * 37 / 2 = 18.5 diff --git a/translations/fi/2-farm/lessons/1-predict-plant-growth/assignment.md b/translations/fi/2-farm/lessons/1-predict-plant-growth/assignment.md index a99254d63..7e58791f2 100644 --- a/translations/fi/2-farm/lessons/1-predict-plant-growth/assignment.md +++ b/translations/fi/2-farm/lessons/1-predict-plant-growth/assignment.md @@ -33,7 +33,7 @@ Kun sinulla on lämpötiladataa, voit käyttää tämän repositorion Jupyter No Jupyter käynnistyy ja avaa notebookin selaimessasi. Käy läpi notebookin ohjeet visualisoidaksesi mitatut lämpötilat ja laskeaksesi kasvukauden astepäivät (GDD). - ![Jupyter Notebook](../../../../../translated_images/fi/gdd-jupyter-notebook.c5b52cf21094f158a61f47f455490fd95f1729777ff90861a4521820bf354cdc.png) + ![Jupyter Notebook](../../../../../translated_images/fi/gdd-jupyter-notebook.c5b52cf21094f158.webp) ## Arviointikriteerit diff --git a/translations/fi/2-farm/lessons/1-predict-plant-growth/pi-temp.md b/translations/fi/2-farm/lessons/1-predict-plant-growth/pi-temp.md index 5ba6427ce..ebf330708 100644 --- a/translations/fi/2-farm/lessons/1-predict-plant-growth/pi-temp.md +++ b/translations/fi/2-farm/lessons/1-predict-plant-growth/pi-temp.md @@ -16,13 +16,13 @@ Grove-lämpötila-anturi voidaan liittää Raspberry Pi:hin. Yhdistä lämpötila-anturi -![Grove-lämpötila-anturi](../../../../../translated_images/fi/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![Grove-lämpötila-anturi](../../../../../translated_images/fi/grove-dht11.07f8eafceee17004.webp) 1. Työnnä Grove-kaapelin toinen pää kosteus- ja lämpötila-anturin liittimeen. Se menee sisään vain yhdellä tavalla. 1. Kun Raspberry Pi on sammutettu, liitä Grove-kaapelin toinen pää digitaaliseen liittimeen, joka on merkitty **D5** Grove Base hatissa, joka on kiinnitetty Pi:hin. Tämä liitin on toinen vasemmalta rivissä, joka on GPIO-pinnien vieressä. -![Grove-lämpötila-anturi liitettynä liittimeen A0](../../../../../translated_images/fi/pi-temperature-sensor.3ff82fff672c8e565ef25a39d26d111de006b825a7e0867227ef4e7fbff8553c.png) +![Grove-lämpötila-anturi liitettynä liittimeen A0](../../../../../translated_images/fi/pi-temperature-sensor.3ff82fff672c8e56.webp) ## Ohjelmoi lämpötila-anturi diff --git a/translations/fi/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md b/translations/fi/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md index e03f7da6e..67cf53f9e 100644 --- a/translations/fi/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md +++ b/translations/fi/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md @@ -38,11 +38,11 @@ Lisää kosteus- ja lämpötila-anturit CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi kosteusanturin pinniin 5. - ![Kosteusanturin asetukset](../../../../../translated_images/fi/counterfit-create-humidity-sensor.2750e27b6f30e09cf4e22101defd5252710717620816ab41ba688f91f757c49a.png) + ![Kosteusanturin asetukset](../../../../../translated_images/fi/counterfit-create-humidity-sensor.2750e27b6f30e09c.webp) Kosteusanturi luodaan ja se näkyy anturilistassa. - ![Luotu kosteusanturi](../../../../../translated_images/fi/counterfit-humidity-sensor.7b12f7f339e430cb26c8211d2dba4ef75261b353a01da0932698b5bebd693f27.png) + ![Luotu kosteusanturi](../../../../../translated_images/fi/counterfit-humidity-sensor.7b12f7f339e430cb.webp) 1. Luo lämpötila-anturi: @@ -54,11 +54,11 @@ Lisää kosteus- ja lämpötila-anturit CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi lämpötila-anturin pinniin 6. - ![Lämpötila-anturin asetukset](../../../../../translated_images/fi/counterfit-create-temperature-sensor.199350ed34f7343d79dccbe95eaf6c11d2121f03d1c35ab9613b330c23f39b29.png) + ![Lämpötila-anturin asetukset](../../../../../translated_images/fi/counterfit-create-temperature-sensor.199350ed34f7343d.webp) Lämpötila-anturi luodaan ja se näkyy anturilistassa. - ![Luotu lämpötila-anturi](../../../../../translated_images/fi/counterfit-temperature-sensor.f0560236c96a9016bafce7f6f792476fe3367bc6941a1f7d5811d144d4bcbfff.png) + ![Luotu lämpötila-anturi](../../../../../translated_images/fi/counterfit-temperature-sensor.f0560236c96a9016.webp) ## Ohjelmoi lämpötila-anturisovellus diff --git a/translations/fi/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md b/translations/fi/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md index 407ce18b2..63656cc91 100644 --- a/translations/fi/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md +++ b/translations/fi/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md @@ -18,7 +18,7 @@ Grove-lämpötila-anturi voidaan liittää Wio Terminalin digitaaliseen porttiin Yhdistä lämpötila-anturi. -![Grove-lämpötila-anturi](../../../../../translated_images/fi/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![Grove-lämpötila-anturi](../../../../../translated_images/fi/grove-dht11.07f8eafceee17004.webp) 1. Työnnä Grove-kaapelin toinen pää kosteus- ja lämpötila-anturin liittimeen. Se menee sisään vain yhdellä tavalla. diff --git a/translations/fi/2-farm/lessons/2-detect-soil-moisture/README.md b/translations/fi/2-farm/lessons/2-detect-soil-moisture/README.md index 008096bcd..88ec8762e 100644 --- a/translations/fi/2-farm/lessons/2-detect-soil-moisture/README.md +++ b/translations/fi/2-farm/lessons/2-detect-soil-moisture/README.md @@ -13,7 +13,7 @@ I²C-väylä koostuu kahdesta pääjohtimesta sekä kahdesta virtajohdosta: | VCC | Jännite yhteiskerääjä | Laitteiden virtalähde. Tämä on kytketty SDA- ja SCL-johtimiin, jotka saavat virtansa vetovastuksen kautta, joka kytkee signaalin pois päältä, kun mikään laite ei ole ohjaaja. | | GND | Maa | Tarjoaa yhteisen maadoituksen sähköpiirille. | -![I2C-väylä, jossa 3 laitetta on kytketty SDA- ja SCL-johtimiin, jakamassa yhteisen maadoitusjohdon](../../../../../translated_images/fi/i2c.83da845dde02256bdd462dbe0d5145461416b74930571b89d1ae142841eeb584.png) +![I2C-väylä, jossa 3 laitetta on kytketty SDA- ja SCL-johtimiin, jakamassa yhteisen maadoitusjohdon](../../../../../translated_images/fi/i2c.83da845dde02256b.webp) Datan lähettämiseksi yksi laite antaa aloitusehdon osoittaakseen, että se on valmis lähettämään dataa. Se toimii sitten ohjaajana. Ohjaaja lähettää sen laitteen osoitteen, jonka kanssa se haluaa kommunikoida, sekä tiedon siitä, haluaako se lukea vai kirjoittaa dataa. Kun data on lähetetty, ohjaaja lähettää lopetusehdon osoittaakseen, että se on valmis. Tämän jälkeen toinen laite voi ryhtyä ohjaajaksi ja lähettää tai vastaanottaa dataa. diff --git a/translations/fi/2-farm/lessons/2-detect-soil-moisture/assignment.md b/translations/fi/2-farm/lessons/2-detect-soil-moisture/assignment.md index e0d723cfc..dee5ea164 100644 --- a/translations/fi/2-farm/lessons/2-detect-soil-moisture/assignment.md +++ b/translations/fi/2-farm/lessons/2-detect-soil-moisture/assignment.md @@ -20,14 +20,14 @@ Sinun täytyy toistaa nämä vaiheet useita kertoja saadaksesi tarvittavat lukem Gravimetrinen maankosteus lasketaan seuraavasti: -![maankosteus % on märän paino miinus kuivan paino, jaettuna kuivan painolla, kerrottuna 100](../../../../../translated_images/fi/gsm-calculation.6da38c6201eec14e7573bb2647aa18892883193553d23c9d77e5dc681522dfb2.png) +![maankosteus % on märän paino miinus kuivan paino, jaettuna kuivan painolla, kerrottuna 100](../../../../../translated_images/fi/gsm-calculation.6da38c6201eec14e.webp) * W - märän maaperän paino * W - kuivan maaperän paino Esimerkiksi, jos sinulla on maaperänäyte, joka painaa 212 g märkänä ja 197 g kuivana: -![Täytetty laskelma](../../../../../translated_images/fi/gsm-calculation-example.99f9803b4f29e97668e7c15412136c0c399ab12dbba0b89596fdae9d8aedb6fb.png) +![Täytetty laskelma](../../../../../translated_images/fi/gsm-calculation-example.99f9803b4f29e976.webp) * W = 212 g * W = 197 g diff --git a/translations/fi/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md b/translations/fi/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md index c4362d7c0..07fdf5d46 100644 --- a/translations/fi/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md +++ b/translations/fi/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md @@ -34,11 +34,11 @@ Lisää maaperän kosteusanturi CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi *Soil Moisture* -anturin Pin 0:aan. - ![Maaperän kosteusanturin asetukset](../../../../../translated_images/fi/counterfit-create-soil-moisture-sensor.35266135a5e0ae68b29a684d7db0d2933a8098b2307d197f7c71577b724603aa.png) + ![Maaperän kosteusanturin asetukset](../../../../../translated_images/fi/counterfit-create-soil-moisture-sensor.35266135a5e0ae68.webp) Maaperän kosteusanturi luodaan ja se näkyy anturilistassa. - ![Luotu maaperän kosteusanturi](../../../../../translated_images/fi/counterfit-soil-moisture-sensor.81742b2de0e9de60a3b3b9a2ff8ecc686d428eb6d71820f27a693be26e5aceee.png) + ![Luotu maaperän kosteusanturi](../../../../../translated_images/fi/counterfit-soil-moisture-sensor.81742b2de0e9de60.webp) ## Ohjelmoi maaperän kosteusanturisovellus diff --git a/translations/fi/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md b/translations/fi/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md index f81e52e24..7bed8e7b2 100644 --- a/translations/fi/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md +++ b/translations/fi/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md @@ -18,7 +18,7 @@ Grove-maaperän kosteusanturi voidaan liittää Wio Terminalin konfiguroitavaan Liitä maaperän kosteusanturi. -![Grove-maaperän kosteusanturi](../../../../../translated_images/fi/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78be5cc5a07839385fd6718857f31b5bf5ad3d0c73c83b2f0ef.png) +![Grove-maaperän kosteusanturi](../../../../../translated_images/fi/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78b.webp) 1. Työnnä Grove-kaapelin toinen pää maaperän kosteusanturin liittimeen. Kaapeli menee sisään vain yhdellä tavalla. diff --git a/translations/fi/2-farm/lessons/3-automated-plant-watering/README.md b/translations/fi/2-farm/lessons/3-automated-plant-watering/README.md index 38d297b74..eb3bcad71 100644 --- a/translations/fi/2-farm/lessons/3-automated-plant-watering/README.md +++ b/translations/fi/2-farm/lessons/3-automated-plant-watering/README.md @@ -1,6 +1,6 @@ # Automaattinen kasvien kastelu -![Yleiskatsaus oppitunnista sketchnotena](../../../../../translated_images/fi/lesson-7.30b5f577d3cb8e031238751475cb519c7d6dbaea261b5df4643d086ffb2a03bb.jpg) +![Yleiskatsaus oppitunnista sketchnotena](../../../../../translated_images/fi/lesson-7.30b5f577d3cb8e03.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -32,7 +32,7 @@ IoT-laitteet käyttävät matalaa jännitettä. Vaikka tämä riittää antureil Ratkaisuna on kytkeä pumppu ulkoiseen virtalähteeseen ja käyttää toimilaitetta pumpun käynnistämiseen, aivan kuten valon kytkemisessä päälle. Sormesi tarvitsee vain pienen määrän energiaa kytkimen kääntämiseen, mikä yhdistää valon kotitaloussähköön, joka toimii 110v/240v jännitteellä. -![Valokytkin kytkee valon päälle](../../../../../translated_images/fi/light-switch.760317ad6ab8bd6d611da5352dfe9c73a94a0822ccec7df3c8bae35da18e1658.png) +![Valokytkin kytkee valon päälle](../../../../../translated_images/fi/light-switch.760317ad6ab8bd6d.webp) > 🎓 [Kotitaloussähkö](https://wikipedia.org/wiki/Mains_electricity) viittaa sähköön, joka toimitetaan koteihin ja yrityksiin kansallisen infrastruktuurin kautta monissa maailman osissa. @@ -72,7 +72,7 @@ Kun vipu liikkuu, voit yleensä kuulla sen osuvan sähkömagneettiin selkeällä Sähkömagneetti ei tarvitse paljon virtaa aktivoituakseen ja vetääkseen vivun, ja sitä voidaan ohjata IoT-kehitysalustan 3.3V tai 5V ulostulolla. Ulostulopiiri voi kantaa paljon enemmän virtaa, riippuen releestä, mukaan lukien kotitaloussähkö tai jopa korkeammat tehot teollisuuskäyttöön. Näin IoT-kehitysalusta voi ohjata kastelujärjestelmää, pienestä pumpusta yksittäiselle kasville aina massiiviseen teollisuusjärjestelmään koko kaupalliselle tilalle. -![Grove-rele, jossa ohjauspiiri, ulostulopiiri ja rele on merkitty](../../../../../translated_images/fi/grove-relay-labelled.293e068f5c3c2a199bd7892f2661fdc9e10c920b535cfed317fbd6d1d4ae1168.png) +![Grove-rele, jossa ohjauspiiri, ulostulopiiri ja rele on merkitty](../../../../../translated_images/fi/grove-relay-labelled.293e068f5c3c2a19.webp) Yllä olevassa kuvassa näkyy Grove-rele. Ohjauspiiri yhdistetään IoT-laitteeseen ja kytkee releen päälle tai pois päältä 3.3V tai 5V avulla. Ulostulopiirissä on kaksi liitintä, joista kumpi tahansa voi olla virtalähde tai maa. Ulostulopiiri voi käsitellä jopa 250V ja 10A, mikä riittää monille kotitaloussähköllä toimiville laitteille. Saatavilla on myös releitä, jotka kestävät vielä suurempia tehoja. diff --git a/translations/fi/2-farm/lessons/3-automated-plant-watering/pi-relay.md b/translations/fi/2-farm/lessons/3-automated-plant-watering/pi-relay.md index 0fab07cec..1b5d3717d 100644 --- a/translations/fi/2-farm/lessons/3-automated-plant-watering/pi-relay.md +++ b/translations/fi/2-farm/lessons/3-automated-plant-watering/pi-relay.md @@ -18,13 +18,13 @@ Grove-rele voidaan liittää Raspberry Pi:hin. Liitä rele. -![Grove-rele](../../../../../translated_images/fi/grove-relay.d426958ca210fbd0fb7983d7edc069d46c73a8b0a099d94797bd756f7b6bb6be.png) +![Grove-rele](../../../../../translated_images/fi/grove-relay.d426958ca210fbd0.webp) 1. Työnnä Grove-kaapelin toinen pää releen liittimeen. Se menee sisään vain yhdellä tavalla. 1. Kun Raspberry Pi on sammutettu, liitä Grove-kaapelin toinen pää Grove Base Hatin digitaaliseen liittimeen, joka on merkitty **D5**. Tämä liitin on toinen vasemmalta GPIO-pinnien vieressä olevassa liitinrivissä. Jätä maankosteusanturi liitetyksi **A0**-liittimeen. -![Grove-rele liitettynä D5-liittimeen ja maankosteusanturi liitettynä A0-liittimeen](../../../../../translated_images/fi/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e69ec716cd2719ce117700bd1fc933eaf93476c103c57939b.png) +![Grove-rele liitettynä D5-liittimeen ja maankosteusanturi liitettynä A0-liittimeen](../../../../../translated_images/fi/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e.webp) 1. Työnnä maankosteusanturi maahan, jos se ei ole jo siellä edellisen oppitunnin jäljiltä. diff --git a/translations/fi/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md b/translations/fi/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md index 0d9760579..fb6fca4fe 100644 --- a/translations/fi/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md +++ b/translations/fi/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md @@ -28,11 +28,11 @@ Lisää rele CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi releen Pin 5:lle. - ![Releen asetukset](../../../../../translated_images/fi/counterfit-create-relay.fa7c40fd0f2f6afc33b35ea94fcb235085be4861e14e3fe6b9b7bcfc82d1c888.png) + ![Releen asetukset](../../../../../translated_images/fi/counterfit-create-relay.fa7c40fd0f2f6afc.webp) Rele luodaan ja se näkyy aktuaattorilistassa. - ![Luotu rele](../../../../../translated_images/fi/counterfit-relay.bbf74c1dbdc8b9acd983367fcbd06703a402aefef6af54ddb28e11307ba8a12c.png) + ![Luotu rele](../../../../../translated_images/fi/counterfit-relay.bbf74c1dbdc8b9ac.webp) ## Ohjelmoi rele diff --git a/translations/fi/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md b/translations/fi/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md index 1bb77979e..8ed2d0bef 100644 --- a/translations/fi/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md +++ b/translations/fi/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Siirrä kasvisi pilveen -![Tämän oppitunnin yhteenveto sketchnotena](../../../../../translated_images/fi/lesson-8.3f21f3c11159e6a0a376351973ea5724d5de68fa23b4288853a174bed9ac48c3.jpg) +![Tämän oppitunnin yhteenveto sketchnotena](../../../../../translated_images/fi/lesson-8.3f21f3c11159e6a0.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -46,8 +46,8 @@ Tämä oli usein erittäin kallista, vaati laajaa osaamista ja oli hidasta muutt Pilveä kutsutaan usein vitsikkäästi "jonkun toisen tietokoneeksi". Alkuperäinen idea oli yksinkertainen – tietokoneiden ostamisen sijaan vuokrataan jonkun toisen tietokone. Pilvipalveluntarjoaja hallinnoi valtavia datakeskuksia ja vastaa kaikesta: laitteiston hankinnasta ja asennuksesta, sähkön ja jäähdytyksen hallinnasta, verkkoyhteyksistä, rakennusten turvallisuudesta sekä laitteiston ja ohjelmistojen päivityksistä. Asiakkaana vuokraat tarvitsemasi tietokoneet, lisäät kapasiteettia kysynnän kasvaessa ja vähennät sitä kysynnän laskiessa. Näitä pilvidatakeskuksia on ympäri maailmaa. -![Microsoftin pilvidatakeskus](../../../../../translated_images/fi/azure-region-existing.73f704604f2aa6cb9b5a49ed40e93d4fd81ae3f4e6af4a8ca504023902832f56.png) -![Microsoftin pilvidatakeskuksen suunniteltu laajennus](../../../../../translated_images/fi/azure-region-planned-expansion.a5074a1e8af74f156a73552d502429e5b126ea5019274d767ecb4b9afdad442b.png) +![Microsoftin pilvidatakeskus](../../../../../translated_images/fi/azure-region-existing.73f704604f2aa6cb.webp) +![Microsoftin pilvidatakeskuksen suunniteltu laajennus](../../../../../translated_images/fi/azure-region-planned-expansion.a5074a1e8af74f15.webp) Nämä datakeskukset voivat olla useiden neliökilometrien kokoisia. Yllä olevat kuvat on otettu muutama vuosi sitten Microsoftin pilvidatakeskuksesta, ja ne näyttävät keskuksen alkuperäisen koon sekä suunnitellun laajennuksen. Laajennusta varten raivattu alue on yli 5 neliökilometriä. @@ -108,11 +108,11 @@ Pilven IoT-palvelut ratkaisevat nämä ongelmat. Niitä ylläpitävät suuret pi IoT-laitteet yhdistävät pilvipalveluun joko laite-SDK:n (kirjasto, joka tarjoaa koodia palvelun ominaisuuksien hyödyntämiseen) avulla tai suoraan viestintäprotokollan, kuten MQTT:n tai HTTP:n, kautta. Laite-SDK on yleensä helpoin tapa, koska se hoitaa kaiken puolestasi, kuten tietää, mitä aiheita julkaista tai tilata, ja miten käsitellä turvallisuutta. -![Laitteet yhdistävät palveluun laite-SDK:n avulla. Palvelinkoodi yhdistää palveluun myös SDK:n kautta](../../../../../translated_images/fi/iot-service-connectivity.7e873847921a5d6fd60d0ba3a943210194518cee0d4e362476624316443275c3.png) +![Laitteet yhdistävät palveluun laite-SDK:n avulla. Palvelinkoodi yhdistää palveluun myös SDK:n kautta](../../../../../translated_images/fi/iot-service-connectivity.7e873847921a5d6f.webp) Laitteesi kommunikoi sitten sovelluksesi muiden osien kanssa tämän palvelun kautta – samalla tavalla kuin lähetit telemetriatietoja ja vastaanotit komentoja MQTT:n kautta. Tämä tapahtuu yleensä palvelu-SDK:n tai vastaavan kirjaston avulla. Viestit tulevat laitteeltasi palveluun, jossa sovelluksesi muut osat voivat lukea ne, ja viestit voidaan lähettää takaisin laitteellesi. -![Laitteet, joilla ei ole voimassa olevaa salaisuutta, eivät voi yhdistää IoT-palveluun](../../../../../translated_images/fi/iot-service-allowed-denied-connection.818b0063ac213fb84204a7229303764d9b467ca430fb822b4ac2fca267d56726.png) +![Laitteet, joilla ei ole voimassa olevaa salaisuutta, eivät voi yhdistää IoT-palveluun](../../../../../translated_images/fi/iot-service-allowed-denied-connection.818b0063ac213fb8.webp) Nämä palvelut toteuttavat turvallisuuden tietämällä kaikista laitteista, jotka voivat yhdistää ja lähettää tietoja, joko rekisteröimällä laitteet etukäteen palveluun tai antamalla laitteille salaisia avaimia tai varmenteita, joita ne voivat käyttää rekisteröityessään palveluun ensimmäistä kertaa. Tuntemattomat laitteet eivät voi yhdistää; jos ne yrittävät, palvelu hylkää yhteyden ja jättää niiden lähettämät viestit huomiotta. @@ -124,7 +124,7 @@ Sovelluksesi muut osat voivat yhdistää IoT-palveluun ja saada tietoa kaikista Nyt kun sinulla on Azure-tilaus, voit rekisteröityä IoT-palveluun. Microsoftin IoT-palvelu tunnetaan nimellä Azure IoT Hub. -![Azure IoT Hub -logo](../../../../../translated_images/fi/azure-iot-hub-logo.28a19de76d0a1932464d858f7558712bcdace3e5ec69c434d482ed7ce41c3a26.png) +![Azure IoT Hub -logo](../../../../../translated_images/fi/azure-iot-hub-logo.28a19de76d0a1932.webp) Alla oleva video antaa lyhyen yleiskatsauksen Azure IoT Hubista: diff --git a/translations/fi/2-farm/lessons/5-migrate-application-to-the-cloud/README.md b/translations/fi/2-farm/lessons/5-migrate-application-to-the-cloud/README.md index 114d65d39..caa26872c 100644 --- a/translations/fi/2-farm/lessons/5-migrate-application-to-the-cloud/README.md +++ b/translations/fi/2-farm/lessons/5-migrate-application-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Siirrä sovelluslogiikkasi pilveen -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-9.dfe99c8e891f48e179724520da9f5794392cf9a625079281ccdcbf09bd85e1b6.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-9.dfe99c8e891f48e1.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -28,7 +28,7 @@ Tässä oppitunnissa käsitellään: Serveritön, tai serveritön laskenta, tarkoittaa pienten koodilohkojen luomista, jotka suoritetaan pilvessä vastauksena erilaisiin tapahtumiin. Kun tapahtuma tapahtuu, koodisi suoritetaan ja sille välitetään tietoja tapahtumasta. Näitä tapahtumia voi tulla monista eri lähteistä, kuten verkkopyynnöistä, jonoon lisätyistä viesteistä, tietokannan muutoksista tai IoT-laitteiden lähettämistä viesteistä IoT-palveluun. -![Tapahtumia lähetetään IoT-palvelusta serverittömään palveluun, ja niitä käsitellään samanaikaisesti useilla funktioilla](../../../../../translated_images/fi/iot-messages-to-serverless.0194da1cc0732bb7d0f823aed3fce54735c6b1ad3bf36089804d8aaefc0a774f.png) +![Tapahtumia lähetetään IoT-palvelusta serverittömään palveluun, ja niitä käsitellään samanaikaisesti useilla funktioilla](../../../../../translated_images/fi/iot-messages-to-serverless.0194da1cc0732bb7.webp) > 💁 Jos olet käyttänyt tietokantatriggereitä aiemmin, voit ajatella tätä samalla tavalla: koodi käynnistyy tapahtumasta, kuten rivin lisäämisestä. @@ -54,7 +54,7 @@ IoT-kehittäjänä serveritön malli on ihanteellinen. Voit kirjoittaa funktion, Microsoftin serveritön laskentapalvelu tunnetaan nimellä Azure Functions. -![Azure Functions -logo](../../../../../translated_images/fi/azure-functions-logo.1cfc8e3204c9c44aaf80fcf406fc8544d80d7f00f8d3e8ed6fed764563e17564.png) +![Azure Functions -logo](../../../../../translated_images/fi/azure-functions-logo.1cfc8e3204c9c44a.webp) Alla oleva lyhyt video tarjoaa yleiskatsauksen Azure Functionsista. diff --git a/translations/fi/2-farm/lessons/6-keep-your-plant-secure/README.md b/translations/fi/2-farm/lessons/6-keep-your-plant-secure/README.md index 6965f3c58..1cb1edb04 100644 --- a/translations/fi/2-farm/lessons/6-keep-your-plant-secure/README.md +++ b/translations/fi/2-farm/lessons/6-keep-your-plant-secure/README.md @@ -1,6 +1,6 @@ # Pidä kasvisi turvassa -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-10.829c86b80b9403bb770929ee553a1d293afe50dc23121aaf9be144673ae012cc.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-10.829c86b80b9403bb.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -52,11 +52,11 @@ Nämä ovat todellisia tilanteita, joita tapahtuu jatkuvasti. Joitakin esimerkke Kun laite yhdistää IoT-palveluun, se käyttää tunnistetta itsensä tunnistamiseen. Ongelma on, että tämä tunniste voidaan kopioida – hakkeri voisi asettaa haitallisen laitteen käyttämään samaa tunnistetta kuin oikea laite, mutta lähettämään vääriä tietoja. -![Sekä oikea että haitallinen laite voivat käyttää samaa tunnistetta telemetrian lähettämiseen](../../../../../translated_images/fi/iot-device-and-hacked-device-connecting.e0671675df74d6d99eb1dedb5a670e606f698efa6202b1ad4c8ae548db299cc6.png) +![Sekä oikea että haitallinen laite voivat käyttää samaa tunnistetta telemetrian lähettämiseen](../../../../../translated_images/fi/iot-device-and-hacked-device-connecting.e0671675df74d6d9.webp) Ratkaisu tähän on muuntaa lähetettävät tiedot salattuun muotoon käyttämällä arvoa, joka tunnetaan vain laitteelle ja pilvelle. Tätä prosessia kutsutaan *salaamiseksi*, ja arvoa, jota käytetään tietojen salaamiseen, kutsutaan *salausavaimeksi*. -![Jos salaus on käytössä, vain salatut viestit hyväksytään, muut hylätään](../../../../../translated_images/fi/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f979e46f2849b573564eeb4a4dc5b52f669f62745397492fb.png) +![Jos salaus on käytössä, vain salatut viestit hyväksytään, muut hylätään](../../../../../translated_images/fi/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f.webp) Pilvipalvelu voi sitten muuntaa tiedot takaisin luettavaan muotoon prosessilla, jota kutsutaan *purkamiseksi*, käyttäen joko samaa salausavainta tai *purkuavainta*. Jos salattua viestiä ei voida purkaa avaimella, laite on hakkeroitu ja viesti hylätään. diff --git a/translations/fi/3-transport/lessons/1-location-tracking/README.md b/translations/fi/3-transport/lessons/1-location-tracking/README.md index 02bc3b368..0a67c3b00 100644 --- a/translations/fi/3-transport/lessons/1-location-tracking/README.md +++ b/translations/fi/3-transport/lessons/1-location-tracking/README.md @@ -1,6 +1,6 @@ # Sijainnin seuranta -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-11.9fddbac4b664c6d50ab7ac9bb32f1fc3f945f03760e72f7f43938073762fb017.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-11.9fddbac4b664c6d5.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -63,13 +63,13 @@ Maapallo on pallo – kolmiulotteinen ympyrä. Tämän vuoksi pisteet määritel > 💁 Kukaan ei oikeastaan tiedä alkuperäistä syytä siihen, miksi ympyrät jaetaan 360 asteeseen. [Wikipedia-sivu asteista (kulma)](https://wikipedia.org/wiki/Degree_(angle)) käsittelee joitakin mahdollisia syitä. -![Leveysasteiden linjat: 90° pohjoisnavalla, 45° puolivälissä pohjoisnavan ja päiväntasaajan välillä, 0° päiväntasaajalla, -45° puolivälissä päiväntasaajan ja etelänavan välillä ja -90° etelänavalla](../../../../../translated_images/fi/latitude-lines.11d8d91dfb2014a57437272d7db7fd6607243098e8685f06e0c5f1ec984cb7eb.png) +![Leveysasteiden linjat: 90° pohjoisnavalla, 45° puolivälissä pohjoisnavan ja päiväntasaajan välillä, 0° päiväntasaajalla, -45° puolivälissä päiväntasaajan ja etelänavan välillä ja -90° etelänavalla](../../../../../translated_images/fi/latitude-lines.11d8d91dfb2014a5.webp) Leveysaste mitataan linjoilla, jotka kiertävät maapallon ja kulkevat rinnakkain päiväntasaajan kanssa, jakaen pohjoisen ja eteläisen pallonpuoliskon 90° kumpaankin. Päiväntasaaja on 0°, pohjoisnapa on 90°, joka tunnetaan myös nimellä 90° pohjoista, ja etelänapa on -90°, eli 90° etelää. Pituusaste mitataan astemääränä itään ja länteen. Pituusasteen 0° alkuperä, *päämeridiaani*, määriteltiin vuonna 1884 linjaksi, joka kulkee pohjoisnavalta etelänavalle ja kulkee [Britannian kuninkaallisen observatorion Greenwichissä, Englannissa](https://wikipedia.org/wiki/Royal_Observatory,_Greenwich). -![Pituusasteiden linjat: -180° päämeridiaanin länsipuolella, 0° päämeridiaanilla, 180° päämeridiaanin itäpuolella](../../../../../translated_images/fi/longitude-meridians.ab4ef1c91c064586b0185a3c8d39e585903696c6a7d28c098a93a629cddb5d20.png) +![Pituusasteiden linjat: -180° päämeridiaanin länsipuolella, 0° päämeridiaanilla, 180° päämeridiaanin itäpuolella](../../../../../translated_images/fi/longitude-meridians.ab4ef1c91c064586.webp) > 🎓 Meridiaani on kuvitteellinen suora linja, joka kulkee pohjoisnavalta etelänavalle muodostaen puolikaaren. @@ -100,7 +100,7 @@ Pisteen koordinaatit annetaan aina muodossa `leveysaste, pituusaste`, joten aiem * Leveysasteen 47.6423109 (47.6423109 astetta pohjoiseen päiväntasaajasta) * Pituusasteen -122.1390293 (122.1390293 astetta länteen päämeridiaanista). -![Microsoftin kampus koordinaateissa 47.6423109,-122.117198](../../../../../translated_images/fi/microsoft-gps-location-world.a321d481b010f6adfcca139b2ba0adc53b79f58a540495b8e2ce7f779ea64bfe.png) +![Microsoftin kampus koordinaateissa 47.6423109,-122.117198](../../../../../translated_images/fi/microsoft-gps-location-world.a321d481b010f6ad.webp) ## Global Positioning Systems (GPS) @@ -112,7 +112,7 @@ GPS-järjestelmät toimivat siten, että useat satelliitit lähettävät signaal > 💁 GPS-anturit tarvitsevat antenneja havaitakseen radiotaajuuksia. Kuorma-autoihin ja autoihin sisäänrakennettujen GPS-järjestelmien antennit on sijoitettu hyvän signaalin saamiseksi, yleensä tuulilasiin tai katolle. Jos käytät erillistä GPS-järjestelmää, kuten älypuhelinta tai IoT-laitetta, sinun on varmistettava, että GPS-järjestelmään tai puhelimeen sisäänrakennettu antenni on selkeästi näkyvissä taivaalle, esimerkiksi tuulilasilla. -![Kun anturin etäisyys useista satelliiteista tiedetään, sijainti voidaan laskea](../../../../../translated_images/fi/gps-satellites.04acf1148fe25fbf1586bc2e8ba698e8d79b79a50c36824b38417dd13372b90f.png) +![Kun anturin etäisyys useista satelliiteista tiedetään, sijainti voidaan laskea](../../../../../translated_images/fi/gps-satellites.04acf1148fe25fbf.webp) GPS-satelliitit kiertävät maapalloa, eivät ole kiinteässä pisteessä anturin yläpuolella, joten sijaintitieto sisältää korkeuden merenpinnan yläpuolella sekä leveys- ja pituusasteen. diff --git a/translations/fi/3-transport/lessons/1-location-tracking/pi-gps-sensor.md b/translations/fi/3-transport/lessons/1-location-tracking/pi-gps-sensor.md index 633590825..084b89066 100644 --- a/translations/fi/3-transport/lessons/1-location-tracking/pi-gps-sensor.md +++ b/translations/fi/3-transport/lessons/1-location-tracking/pi-gps-sensor.md @@ -18,13 +18,13 @@ Grove GPS -anturi voidaan yhdistää Raspberry Pi:hin. Yhdistä GPS-anturi. -![Grove GPS -anturi](../../../../../translated_images/fi/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![Grove GPS -anturi](../../../../../translated_images/fi/grove-gps-sensor.247943bf69b03f0d.webp) 1. Työnnä Grove-kaapelin toinen pää GPS-anturin liittimeen. Se menee sisään vain yhdellä tavalla. 1. Kun Raspberry Pi on sammutettu, yhdistä Grove-kaapelin toinen pää UART-liittimeen, joka on merkitty **UART** Grove Base -hatissa, joka on kiinnitetty Pi:hin. Tämä liitin sijaitsee keskimmäisellä rivillä, SD-korttipaikan puolella, USB-porttien ja Ethernet-liittimen vastakkaisella puolella. - ![Grove GPS -anturi yhdistetty UART-liittimeen](../../../../../translated_images/fi/pi-gps-sensor.1f99ee2b2f6528915047ec78967bd362e0e4ee0ed594368a3837b9cf9cdaca64.png) + ![Grove GPS -anturi yhdistetty UART-liittimeen](../../../../../translated_images/fi/pi-gps-sensor.1f99ee2b2f652891.webp) 1. Aseta GPS-anturi niin, että siihen kiinnitetty antenni on näkyvissä taivaalle - mieluiten avoimen ikkunan vieressä tai ulkona. On helpompi saada selkeämpi signaali, kun antennin edessä ei ole esteitä. diff --git a/translations/fi/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md b/translations/fi/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md index 1da3cf0e1..f7a0c69f0 100644 --- a/translations/fi/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md +++ b/translations/fi/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md @@ -38,11 +38,11 @@ Lisää GPS-anturi CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi GPS-anturin porttiin `/dev/ttyAMA0`. - ![GPS-anturin asetukset](../../../../../translated_images/fi/counterfit-create-gps-sensor.6385dc9357d85ad1d47b4abb2525e7651fd498917d25eefc5a72feab09eedc70.png) + ![GPS-anturin asetukset](../../../../../translated_images/fi/counterfit-create-gps-sensor.6385dc9357d85ad1.webp) GPS-anturi luodaan ja se näkyy anturilistassa. - ![Luotu GPS-anturi](../../../../../translated_images/fi/counterfit-gps-sensor.3fbb15af0a5367566f2f11324ef5a6f30861cdf2b497071a5e002b7aa473550e.png) + ![Luotu GPS-anturi](../../../../../translated_images/fi/counterfit-gps-sensor.3fbb15af0a536756.webp) ## Ohjelmoi GPS-anturi @@ -102,17 +102,17 @@ Ohjelmoi GPS-anturisovellus. * Aseta **Source** arvoksi `Lat/Lon` ja määritä tarkka leveyspiiri, pituuspiiri ja satelliittien määrä, joita käytetään GPS-paikannukseen. Tämä arvo lähetetään vain kerran, joten valitse **Repeat**-ruutu, jotta data toistuu joka sekunti. - ![GPS-anturi, jossa lat lon valittuna](../../../../../translated_images/fi/counterfit-gps-sensor-latlon.008c867d75464fbe7f84107cc57040df565ac07cb57d2f21db37d087d470197d.png) + ![GPS-anturi, jossa lat lon valittuna](../../../../../translated_images/fi/counterfit-gps-sensor-latlon.008c867d75464fbe.webp) * Aseta **Source** arvoksi `NMEA` ja lisää NMEA-lauseita tekstikenttään. Kaikki nämä arvot lähetetään, ja uuden GGA (paikannus) -lauseen lukemisen välillä on 1 sekunnin viive. - ![GPS-anturi, jossa NMEA-lauseet asetettu](../../../../../translated_images/fi/counterfit-gps-sensor-nmea.c62eea442171e17e19528b051b104cfcecdc9cd18db7bc72920f29821ae63f73.png) + ![GPS-anturi, jossa NMEA-lauseet asetettu](../../../../../translated_images/fi/counterfit-gps-sensor-nmea.c62eea442171e17e.webp) Voit käyttää työkaluja, kuten [nmeagen.org](https://www.nmeagen.org), näiden lauseiden luomiseen piirtämällä kartalle. Nämä arvot lähetetään vain kerran, joten valitse **Repeat**-ruutu, jotta data toistuu sekunnin kuluttua siitä, kun kaikki on lähetetty. * Aseta **Source** arvoksi GPX-tiedosto ja lataa GPX-tiedosto, jossa on reittisijainteja. Voit ladata GPX-tiedostoja useilta suosituilla kartta- ja retkeilysivustoilta, kuten [AllTrails](https://www.alltrails.com/). Nämä tiedostot sisältävät useita GPS-sijainteja reittinä, ja GPS-anturi palauttaa jokaisen uuden sijainnin 1 sekunnin välein. - ![GPS-anturi, jossa GPX-tiedosto asetettu](../../../../../translated_images/fi/counterfit-gps-sensor-gpxfile.8310b063ce8a425ccc8ebeec8306aeac5e8e55207f007d52c6e1194432a70cd9.png) + ![GPS-anturi, jossa GPX-tiedosto asetettu](../../../../../translated_images/fi/counterfit-gps-sensor-gpxfile.8310b063ce8a425c.webp) Nämä arvot lähetetään vain kerran, joten valitse **Repeat**-ruutu, jotta data toistuu sekunnin kuluttua siitä, kun kaikki on lähetetty. diff --git a/translations/fi/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md b/translations/fi/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md index 1478c2b96..89bb3e6da 100644 --- a/translations/fi/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md +++ b/translations/fi/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md @@ -18,7 +18,7 @@ Grove GPS -anturi voidaan liittää Wio Terminal -laitteeseen. Yhdistä GPS-anturi. -![Grove GPS -anturi](../../../../../translated_images/fi/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![Grove GPS -anturi](../../../../../translated_images/fi/grove-gps-sensor.247943bf69b03f0d.webp) 1. Työnnä Grove-kaapelin toinen pää GPS-anturin liittimeen. Se menee sisään vain yhdellä tavalla. diff --git a/translations/fi/3-transport/lessons/2-store-location-data/README.md b/translations/fi/3-transport/lessons/2-store-location-data/README.md index b160be63a..af8c89b1a 100644 --- a/translations/fi/3-transport/lessons/2-store-location-data/README.md +++ b/translations/fi/3-transport/lessons/2-store-location-data/README.md @@ -1,6 +1,6 @@ # Tallenna sijaintitiedot -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-12.ca7f53039712a3ec14ad6474d8445361c84adab643edc53fa6269b77895606bb.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-12.ca7f53039712a3ec.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -75,7 +75,7 @@ NoSQL-tietokannat on nimetty näin, koska niillä ei ole SQL-tietokantojen jäyk > 💁 Nimestään huolimatta jotkut NoSQL-tietokannat mahdollistavat SQL:n käytön datan hakemiseen. -![Dokumentteja kansioissa NoSQL-tietokannassa](../../../../../translated_images/fi/noqsl-database.62d24ccf5b73f60d35c245a8533f1c7147c0928e955b82cb290b2e184bb434df.png) +![Dokumentteja kansioissa NoSQL-tietokannassa](../../../../../translated_images/fi/noqsl-database.62d24ccf5b73f60d.webp) NoSQL-tietokannoilla ei ole ennalta määriteltyä skeemaa, joka rajoittaisi datan tallennustapaa. Sen sijaan voit lisätä mitä tahansa strukturoimatonta dataa, yleensä JSON-dokumentteina. Nämä dokumentit voidaan järjestää kansioihin, kuten tiedostot tietokoneellasi. Jokaisella dokumentilla voi olla eri kenttiä kuin toisilla dokumenteilla – esimerkiksi, jos tallennat IoT-dataa maatilan ajoneuvoista, joillakin dokumenteilla voi olla kiihtyvyys- ja nopeustietokenttiä, kun taas toisilla voi olla perävaunun lämpötilatietokenttiä. Jos lisäisit uuden kuorma-autotyypin, kuten sellaisen, jossa on sisäänrakennetut vaa'at kuorman painon seuraamiseen, IoT-laite voisi lisätä tämän uuden kentän, ja se voitaisiin tallentaa ilman muutoksia tietokantaan. @@ -89,7 +89,7 @@ Tässä oppitunnissa käytät NoSQL-tallennusta IoT-datan tallentamiseen. Edellisessä oppitunnissa tallensit GPS-tietoja GPS-anturista, joka oli yhdistetty IoT-laitteeseesi. Jotta nämä IoT-tiedot voidaan tallentaa pilveen, ne täytyy lähettää IoT-palveluun. Käytät jälleen Azure IoT Hubia, samaa IoT-pilvipalvelua, jota käytit edellisessä projektissa. -![GPS-telemetrian lähettäminen IoT-laitteesta IoT Hubiin](../../../../../translated_images/fi/gps-telemetry-iot-hub.8115335d51cd2c1285d20e9d1b18cf685e59a8e093e7797291ef173445af6f3d.png) +![GPS-telemetrian lähettäminen IoT-laitteesta IoT Hubiin](../../../../../translated_images/fi/gps-telemetry-iot-hub.8115335d51cd2c12.webp) ### Tehtävä – lähetä GPS-tietoja IoT Hubiin @@ -171,7 +171,7 @@ Kylmä polku -data tallennetaan datavarastoihin – tietokantoihin, jotka on suu Kun data virtaa IoT Hubiin, voit kirjoittaa palvelimetonta koodia kuuntelemaan tapahtumia, jotka julkaistaan Event-Hub-yhteensopivaan päätepisteeseen. Tämä on lämmin polku – tämä data tallennetaan ja sitä käytetään seuraavassa oppitunnissa matkan raportointiin. -![GPS-telemetrian lähettäminen IoT-laitteesta IoT Hubiin ja sitten Azure Functions -palveluun tapahtumakäynnistimen kautta](../../../../../translated_images/fi/gps-telemetry-iot-hub-functions.24d3fa5592455e9f4e2fe73856b40c3915a292b90263c31d652acfd976cfedd8.png) +![GPS-telemetrian lähettäminen IoT-laitteesta IoT Hubiin ja sitten Azure Functions -palveluun tapahtumakäynnistimen kautta](../../../../../translated_images/fi/gps-telemetry-iot-hub-functions.24d3fa5592455e9f.webp) ### Tehtävä – käsittele GPS-tapahtumia palvelimettomalla koodilla @@ -193,7 +193,7 @@ Kun data virtaa IoT Hubiin, voit kirjoittaa palvelimetonta koodia kuuntelemaan t ## Azure Storage -tilit -![Azure Storage -logo](../../../../../translated_images/fi/azure-storage-logo.605c0f602c640d482a80f1b35a2629a32d595711b7ab1d7ceea843250615ff32.png) +![Azure Storage -logo](../../../../../translated_images/fi/azure-storage-logo.605c0f602c640d48.webp) Azure Storage -tilit ovat yleiskäyttöinen tallennuspalvelu, joka voi tallentaa dataa monin eri tavoin. Voit tallentaa dataa blobina, jonoissa, taulukoissa tai tiedostoina, ja kaikki nämä samanaikaisesti. diff --git a/translations/fi/3-transport/lessons/3-visualize-location-data/README.md b/translations/fi/3-transport/lessons/3-visualize-location-data/README.md index 1672db918..370c8fd35 100644 --- a/translations/fi/3-transport/lessons/3-visualize-location-data/README.md +++ b/translations/fi/3-transport/lessons/3-visualize-location-data/README.md @@ -1,6 +1,6 @@ # Visualisoi sijaintitiedot -![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-13.a259db1485021be7d7c72e90842fbe0ab977529e8684c179b5fb1ea75e92b3ef.jpg) +![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-13.a259db1485021be7.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -64,11 +64,11 @@ Yksinkertainen esimerkki: maatilaprojektissa tallensit maaperän kosteustietoja. Ihmisen on vaikea ymmärtää tällaista dataa. Se on pelkkä numeroseinä ilman merkitystä. Ensimmäinen askel datan visualisoinnissa voisi olla sen piirtäminen viivakaavioon: -![Viivakaavio yllä olevasta datasta](../../../../../translated_images/fi/chart-soil-moisture.fd6d9d0cdc0b5f75e78038ecb8945dfc84b38851359de99d84b16e3336d6d7c2.png) +![Viivakaavio yllä olevasta datasta](../../../../../translated_images/fi/chart-soil-moisture.fd6d9d0cdc0b5f75.webp) Tätä voidaan parantaa lisäämällä viiva, joka osoittaa, milloin automaattinen kastelujärjestelmä käynnistyi kosteusarvolla 450: -![Viivakaavio maaperän kosteudesta ja viiva arvolla 450](../../../../../translated_images/fi/chart-soil-moisture-relay.fbb391236d34a64d0abf1df396e9197e0a24df14150620b9cc820a64a55c9326.png) +![Viivakaavio maaperän kosteudesta ja viiva arvolla 450](../../../../../translated_images/fi/chart-soil-moisture-relay.fbb391236d34a64d.webp) Tämä kaavio näyttää nopeasti paitsi maaperän kosteustasot myös kohdat, joissa kastelujärjestelmä käynnistyi. @@ -84,7 +84,7 @@ Kun työskentelet GPS-datan kanssa, selkein tapa visualisoida dataa on piirtää Karttojen kanssa työskentely on mielenkiintoista, ja valittavana on monia vaihtoehtoja, kuten Bing Maps, Leaflet, Open Street Maps ja Google Maps. Tässä oppitunnissa opit [Azure Maps](https://azure.microsoft.com/services/azure-maps/?WT.mc_id=academic-17441-jabenn) -palvelusta ja siitä, kuinka se voi näyttää GPS-datasi. -![Azure Maps -logo](../../../../../translated_images/fi/azure-maps-logo.35d01dcfbd81fe6140e94257aaa1538f785a58c91576d14e0ebe7a2f6c694b99.png) +![Azure Maps -logo](../../../../../translated_images/fi/azure-maps-logo.35d01dcfbd81fe61.webp) Azure Maps on "kokoelma paikkatietopalveluita ja SDK:ita, jotka käyttävät ajankohtaista karttatietoa tarjotakseen maantieteellistä kontekstia verkkosovelluksille ja mobiilisovelluksille." Kehittäjille tarjotaan työkaluja luoda kauniita, interaktiivisia karttoja, jotka voivat esimerkiksi tarjota suositeltuja liikennereittejä, tietoa liikenneonnettomuuksista, sisätilanavigointia, hakutoimintoja, korkeustietoja, säätietopalveluita ja paljon muuta. @@ -185,7 +185,7 @@ Seuraava askel on näyttää kartta verkkosivulla. Käytämme vain yhtä `html`- Jos avaat `index.html`-sivusi verkkoselaimessa, sinun pitäisi nähdä kartta, joka on keskitetty Seattlen alueelle. - ![Kartta, joka näyttää Seattlen, kaupungin Washingtonin osavaltiossa, USA:ssa](../../../../../translated_images/fi/map-image.8fb2c53eb23ef39c1c0a4410a5282e879b3b452b707eb066ff04c5488d3d72b7.png) + ![Kartta, joka näyttää Seattlen, kaupungin Washingtonin osavaltiossa, USA:ssa](../../../../../translated_images/fi/map-image.8fb2c53eb23ef39c.webp) ✅ Kokeile zoomaus- ja keskitysparametreja muuttaaksesi kartan näkymää. Voit lisätä eri koordinaatit, jotka vastaavat datasi leveys- ja pituusasteita, keskittääksesi kartan uudelleen. @@ -318,7 +318,7 @@ Kun teet kutsun tallennustilaasi hakeaksesi dataa, saatat yllättyä, jos selaim 1. Lataa HTML-sivu selaimeesi. Se lataa kartan, hakee kaikki GPS-datat tallennustilasta ja piirtää ne kartalle. - ![Kartta Saint Edward State Parkista Seattlen lähellä, jossa ympyrät näyttävät reitin puiston reunalla](../../../../../translated_images/fi/map-path.896832e72dc696ffe20650e4051027d4855442d955f93fdbb80bb417ca8a406f.png) + ![Kartta Saint Edward State Parkista Seattlen lähellä, jossa ympyrät näyttävät reitin puiston reunalla](../../../../../translated_images/fi/map-path.896832e72dc696ff.webp) > 💁 Löydät tämän koodin [code](../../../../../3-transport/lessons/3-visualize-location-data/code)-kansiosta. diff --git a/translations/fi/3-transport/lessons/4-geofences/README.md b/translations/fi/3-transport/lessons/4-geofences/README.md index 603d8d31a..66c77b850 100644 --- a/translations/fi/3-transport/lessons/4-geofences/README.md +++ b/translations/fi/3-transport/lessons/4-geofences/README.md @@ -1,6 +1,6 @@ # Geoaidat -![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-14.63980c5150ae3c153e770fb71d044c1845dce79248d86bed9fc525adf3ede73c.jpg) +![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-14.63980c5150ae3c15.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -35,7 +35,7 @@ Tässä oppitunnissa käsitellään: Geoaidat ovat virtuaalisia rajoja todellisille maantieteellisille alueille. Geoaidat voivat olla ympyröitä, jotka määritellään pisteenä ja säteenä (esimerkiksi 100 m leveä ympyrä rakennuksen ympärillä), tai monikulmioita, jotka kattavat alueen, kuten koulun alueen, kaupungin rajat tai yliopiston tai toimiston kampuksen. -![Esimerkkejä geoaidoista: ympyrä Microsoftin yrityskaupan ympärillä ja monikulmio Microsoftin länsikampuksen ympärillä](../../../../../translated_images/fi/geofence-examples.172fbc534665769f6e1a1ddcf75e3b25183cd10354c80cc603ba44b635390e1a.png) +![Esimerkkejä geoaidoista: ympyrä Microsoftin yrityskaupan ympärillä ja monikulmio Microsoftin länsikampuksen ympärillä](../../../../../translated_images/fi/geofence-examples.172fbc534665769f.webp) > 💁 Olet ehkä jo käyttänyt geoaidoja tietämättäsi. Jos olet asettanut muistutuksen iOS-muistutussovelluksessa tai Google Keepissä sijainnin perusteella, olet käyttänyt geoaitaa. Nämä sovellukset luovat geoaidan annetun sijainnin perusteella ja ilmoittavat sinulle, kun puhelimesi saapuu geoaidan sisälle. @@ -212,7 +212,7 @@ On tärkeää tietää etäisyys geoaidan reunaan ja yhdistää tämä tieto mui Esimerkiksi, kuvittele GPS-lukemia, jotka osoittavat ajoneuvon ajavan tietä pitkin, joka kulkee geoaidan vieressä. Jos yksi GPS-arvo on epätarkka ja sijoittaa ajoneuvon geoaidan sisälle, vaikka sinne ei ole ajoneuvoyhteyttä, se voidaan jättää huomiotta. -![GPS-jälki, joka näyttää ajoneuvon kulkevan Microsoftin kampuksen ohi 520-tietä pitkin, GPS-lukemat tien varrella paitsi yksi kampuksella, geoaidan sisällä](../../../../../translated_images/fi/geofence-crossing-inaccurate-gps.6a3ed911202ad9cabb66d3964888cec03a42c61d5b8f536ad5bdc99716b370f5.png) +![GPS-jälki, joka näyttää ajoneuvon kulkevan Microsoftin kampuksen ohi 520-tietä pitkin, GPS-lukemat tien varrella paitsi yksi kampuksella, geoaidan sisällä](../../../../../translated_images/fi/geofence-crossing-inaccurate-gps.6a3ed911202ad9ca.webp) Yllä olevassa kuvassa on geofence Microsoftin kampuksen osan päällä. Punainen viiva näyttää rekan ajavan pitkin 520-tietä, ja ympyrät osoittavat GPS-lukemat. Suurin osa näistä lukemista on tarkkoja ja sijaitsee 520-tien varrella, mutta yksi epätarkka lukema on geofencen sisällä. Tämä lukema ei voi olla oikea – ei ole teitä, joiden kautta rekka voisi yhtäkkiä poiketa 520-tieltä kampukselle ja palata sitten takaisin 520-tielle. Geofencen tarkistava koodi tarvitsee ottaa huomioon aiemmat lukemat ennen kuin se toimii geofencen testitulosten perusteella. ✅ Mitä lisätietoja tarvitsisit tarkistaaksesi, voiko GPS-lukema olla oikea? @@ -284,7 +284,7 @@ Kuten muistat aiemmista oppitunneista, IoT Hub mahdollistaa tapahtumien uudellee Vastaus on, että se ei tiedä! Sen sijaan voit määritellä useita erillisiä yhteyksiä tapahtumien lukemiseen, ja jokainen niistä voi hallita lukemattomien viestien uudelleen toistoa. Näitä kutsutaan *kuluttajaryhmiksi*. Kun yhdistät päätepisteeseen, voit määrittää, mihin kuluttajaryhmään haluat yhdistää. Sovelluksesi jokainen komponentti yhdistyy eri kuluttajaryhmään. -![Yksi IoT Hub, jossa 3 kuluttajaryhmää jakaa samat viestit 3 eri Functions-sovellukseen](../../../../../translated_images/fi/consumer-groups.a3262e26fc27ba2092863678ad57af15c7223416e388a23f330c058cf4358630.png) +![Yksi IoT Hub, jossa 3 kuluttajaryhmää jakaa samat viestit 3 eri Functions-sovellukseen](../../../../../translated_images/fi/consumer-groups.a3262e26fc27ba20.webp) Teoriassa jopa 5 sovellusta voi yhdistyä jokaiseen kuluttajaryhmään, ja ne kaikki vastaanottavat viestejä niiden saapuessa. Paras käytäntö on, että vain yksi sovellus käyttää kutakin kuluttajaryhmää välttääkseen viestien kaksoiskäsittelyn ja varmistaakseen, että kaikki jonossa olevat viestit käsitellään oikein uudelleenkäynnistyksen yhteydessä. Esimerkiksi, jos käynnistäisit Functions-sovelluksesi paikallisesti sekä pilvessä, ne molemmat käsittelisivät viestejä, mikä johtaisi kaksoiskopioihin tallennustilin blob-tallennuksessa. diff --git a/translations/fi/4-manufacturing/lessons/1-train-fruit-detector/README.md b/translations/fi/4-manufacturing/lessons/1-train-fruit-detector/README.md index c64d01af2..8668a7682 100644 --- a/translations/fi/4-manufacturing/lessons/1-train-fruit-detector/README.md +++ b/translations/fi/4-manufacturing/lessons/1-train-fruit-detector/README.md @@ -1,6 +1,6 @@ # Kouluta hedelmien laadun tunnistaja -![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-15.843d21afdc6fb2bba70cd9db7b7d2f91598859fafda2078b0bdc44954194b6c0.jpg) +![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-15.843d21afdc6fb2bb.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -38,7 +38,7 @@ Kaikki sadot eivät kypsy tasaisesti. Esimerkiksi tomaateissa voi olla vielä vi Automaattisen sadonkorjuun nousu siirsi tuottelajittelun sadonkorjuusta tehtaaseen. Ruoka kulki pitkillä kuljetushihnoilla, joissa tiimit poimivat tuotteita ja poistivat kaiken, mikä ei täyttänyt vaadittua laatustandardia. Sadonkorjuu oli halvempaa koneiden ansiosta, mutta ruoan manuaalinen lajittelu oli edelleen kallista. -![Jos punainen tomaatti havaitaan, se jatkaa matkaansa keskeytyksettä. Jos vihreä tomaatti havaitaan, vipu heittää sen jäteastiaan.](../../../../../translated_images/fi/optical-tomato-sorting.61aa134bdda4e5b1bfb16a212c1e35a6ef0c426cbb8b1c975f79d7bfbf48d068.png) +![Jos punainen tomaatti havaitaan, se jatkaa matkaansa keskeytyksettä. Jos vihreä tomaatti havaitaan, vipu heittää sen jäteastiaan.](../../../../../translated_images/fi/optical-tomato-sorting.61aa134bdda4e5b1.webp) Seuraava kehitysaskel oli käyttää koneita lajitteluun, joko sadonkorjuukoneeseen sisäänrakennettuna tai käsittelylaitoksissa. Näiden koneiden ensimmäinen sukupolvi käytti optisia sensoreita värien havaitsemiseen, ohjaten toimilaitteita työntämään vihreät tomaatit jäteastiaan vipujen tai ilmapuhallusten avulla, jättäen punaiset tomaatit jatkamaan kuljetushihnoilla. @@ -62,7 +62,7 @@ Esimerkiksi voisit antaa mallille miljoonia kuvia raaoista banaaneista syötteen > 🎓 ML-mallien tuloksia kutsutaan *ennusteiksi*. -![2 banaania, kypsä banaani ennustuksella 99,7% kypsä, 0,3% raaka, ja raaka banaani ennustuksella 1,4% kypsä, 98,6% raaka.](../../../../../translated_images/fi/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50ece4e4589e724b142da0681f35470fe3db3f7d51240f69c85.png) +![2 banaania, kypsä banaani ennustuksella 99,7% kypsä, 0,3% raaka, ja raaka banaani ennustuksella 1,4% kypsä, 98,6% raaka.](../../../../../translated_images/fi/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50e.webp) ML-mallit eivät anna binäärivastausta, vaan todennäköisyyksiä. Esimerkiksi malli voi saada kuvan banaanista ja ennustaa `kypsä` 99,7% ja `raaka` 0,3%. Koodisi valitsisi parhaan ennustuksen ja päättäisi, että banaani on kypsä. @@ -90,7 +90,7 @@ On olemassa laaja valikoima työkaluja, jotka voivat auttaa sinua tässä, mukaa Custom Vision on pilvipohjainen työkalu kuvien luokittelijoiden kouluttamiseen. Sen avulla voit kouluttaa luokittelijan käyttämällä vain pientä määrää kuvia. Voit ladata kuvia verkkosivuston, verkkosovellusrajapinnan tai SDK:n kautta, antaen jokaiselle kuvalle *tunnisteen*, joka sisältää kuvan luokituksen. Sen jälkeen voit kouluttaa mallin ja testata sen suorituskykyä. Kun olet tyytyväinen malliin, voit julkaista sen versioita, joita voidaan käyttää verkkosovellusrajapinnan tai SDK:n kautta. -![Azure Custom Vision -logo](../../../../../translated_images/fi/custom-vision-logo.d3d4e7c8a87ec9daf825e72e210576c3cbf60312577be7a139e22dd97ab7f1e6.png) +![Azure Custom Vision -logo](../../../../../translated_images/fi/custom-vision-logo.d3d4e7c8a87ec9da.webp) > 💁 Voit kouluttaa Custom Vision -mallin vain 5 kuvalla per luokitus, mutta enemmän on parempi. Saat parempia tuloksia vähintään 30 kuvalla. @@ -146,7 +146,7 @@ Custom Visionin käyttämiseksi sinun täytyy ensin luoda kaksi Cognitive Servic Kun luot projektisi, varmista, että käytät aiemmin luomaasi `fruit-quality-detector-training` -resurssia. Käytä *Classification*-projektityyppiä, *Multiclass*-luokittelutyyppiä ja *Food*-toimialaa. - ![Custom Vision -projektin asetukset, nimi asetettu fruit-quality-detector, ei kuvausta, resurssi asetettu fruit-quality-detector-training, projektityyppi asetettu classification, luokittelutyypit asetettu multi class ja toimialat asetettu food.](../../../../../translated_images/fi/custom-vision-create-project.cf46325b92d8b131089f6647cf5e07b664cb77850e106d66e3c057b6b69756c6.png) + ![Custom Vision -projektin asetukset, nimi asetettu fruit-quality-detector, ei kuvausta, resurssi asetettu fruit-quality-detector-training, projektityyppi asetettu classification, luokittelutyypit asetettu multi class ja toimialat asetettu food.](../../../../../translated_images/fi/custom-vision-create-project.cf46325b92d8b131.webp) ✅ Käytä aikaa tutustuaksesi Custom Vision -käyttöliittymään kuvien luokittelijallesi. @@ -164,7 +164,7 @@ Kuvien luokittimet toimivat hyvin matalalla resoluutiolla. Esimerkiksi Custom Vi * Käytä 2 kypsää banaania ja ota kuvia kummastakin eri kulmista, vähintään 7 kuvaa (5 koulutukseen, 2 testaukseen), mutta mieluiten enemmän. - ![Kuvia kahdesta eri banaanista](../../../../../translated_images/fi/banana-training-images.530eb203346d73bc23b8b990fb4609470bf4ff7c942ccc13d4cfffeed9be1ad4.png) + ![Kuvia kahdesta eri banaanista](../../../../../translated_images/fi/banana-training-images.530eb203346d73bc.webp) * Toista sama prosessi käyttäen 2 raakaa banaania. @@ -174,7 +174,7 @@ Kuvien luokittimet toimivat hyvin matalalla resoluutiolla. Esimerkiksi Custom Vi 1. Seuraa [Microsoft-dokumentaation luokittimen nopean aloituksen osion kuvat lataaminen ja tunnistaminen](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) ohjeita ladataksesi koulutuskuvasi. Tunnista kypsät hedelmät `ripe`-tunnisteella ja raa'at hedelmät `unripe`-tunnisteella. - ![Latausdialogit, joissa ladataan kypsien ja raakojen banaanien kuvia](../../../../../translated_images/fi/image-upload-bananas.0751639f3815e0ec42bdbc6254d1e4357a185834d1ae10c9948a0e7d6d336695.png) + ![Latausdialogit, joissa ladataan kypsien ja raakojen banaanien kuvia](../../../../../translated_images/fi/image-upload-bananas.0751639f3815e0ec.webp) 1. Seuraa [Microsoft-dokumentaation luokittimen nopean aloituksen osion luokittimen kouluttaminen](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) ohjeita kouluttaaksesi kuvien luokittimen ladatuilla kuvillasi. @@ -192,7 +192,7 @@ Kun luokitin on koulutettu, voit testata sitä antamalla sille uuden kuvan luoki 1. Seuraa [Microsoft-dokumentaation testaa mallisi -osio](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) ohjeita testataksesi kuvien luokitinta. Käytä aiemmin luotuja testauskuvia, älä mitään koulutuksessa käytettyjä kuvia. - ![Raaka banaani ennustettu raa'aksi 98,9 % todennäköisyydellä, kypsäksi 1,1 % todennäköisyydellä](../../../../../translated_images/fi/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64886422438850ea14f0be6ac918c217ea3b255c685abfabe7.png) + ![Raaka banaani ennustettu raa'aksi 98,9 % todennäköisyydellä, kypsäksi 1,1 % todennäköisyydellä](../../../../../translated_images/fi/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64.webp) 1. Kokeile kaikkia testauskuvia, joihin sinulla on pääsy, ja tarkkaile todennäköisyyksiä. diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/README.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/README.md index 1b655ce87..2e9420512 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/README.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/README.md @@ -1,6 +1,6 @@ # Tarkista hedelmien laatu IoT-laitteella -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-16.215daf18b00631fbdfd64c6fc2dc6044dff5d544288825d8076f9fb83d964c23.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-16.215daf18b00631fb.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -26,7 +26,7 @@ Tässä oppitunnissa käsitellään: Kameran sensorit, kuten nimi kertoo, ovat kameroita, jotka voit liittää IoT-laitteeseesi. Ne voivat ottaa still-kuvia tai tallentaa videota. Jotkut sensorit palauttavat raakakuvaa, kun taas toiset pakkaavat kuvan esimerkiksi JPEG- tai PNG-tiedostoksi. Yleensä IoT-laitteiden kanssa käytettävät kamerat ovat paljon pienempiä ja matalamman resoluution kuin mihin olet tottunut, mutta saatavilla on myös korkearesoluutioisia kameroita, jotka kilpailevat huippupuhelimien kanssa. Voit hankkia vaihdettavia linssejä, usean kameran kokoonpanoja, infrapunalämpökameroita tai UV-kameroita. -![Valo kulkee linssin läpi ja tarkentuu CMOS-sensorille](../../../../../translated_images/fi/cmos-sensor.75f9cd74decb137149a4c9ea825251a4549497d67c0ae2776159e6102bb53aa9.png) +![Valo kulkee linssin läpi ja tarkentuu CMOS-sensorille](../../../../../translated_images/fi/cmos-sensor.75f9cd74decb1371.webp) Useimmat kameran sensorit käyttävät kuvakennoja, joissa jokainen pikseli on valodiodi. Linssi tarkentaa kuvan kuvakennolle, ja tuhannet tai miljoonat valodiodit havaitsevat niihin osuvan valon ja tallentavat sen pikselidatana. @@ -74,7 +74,7 @@ Iteroinnit julkaistaan Custom Vision -portaalista. 1. Valitse **Julkaise**-painike kyseiselle iteroinnille. - ![Julkaise-painike](../../../../../translated_images/fi/custom-vision-publish-button.b7174e1977b0c33b8b72d4e5b1326c779e0af196f3849d09985ee2d7d5493a39.png) + ![Julkaise-painike](../../../../../translated_images/fi/custom-vision-publish-button.b7174e1977b0c33b.webp) 1. *Julkaise malli* -valintaikkunassa aseta *Ennusteresurssi* `fruit-quality-detector-prediction`-resurssiksi, jonka loit edellisessä oppitunnissa. Jätä nimi `Iteration2`:ksi ja valitse **Julkaise**-painike. @@ -88,7 +88,7 @@ Iteroinnit julkaistaan Custom Vision -portaalista. Kopioi myös *Ennusteavain*-arvo. Tämä on turvallinen avain, joka täytyy välittää, kun kutsut mallia. Vain sovellukset, jotka välittävät tämän avaimen, voivat käyttää mallia, muut sovellukset hylätään. - ![Ennuste-API-valintaikkuna, joka näyttää URL:n ja avaimen](../../../../../translated_images/fi/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Ennuste-API-valintaikkuna, joka näyttää URL:n ja avaimen](../../../../../translated_images/fi/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Kun uusi iterointi julkaistaan, sillä on eri nimi. Miten luulet, että IoT-laitteessa vaihdetaan käytettävä iterointi? @@ -109,7 +109,7 @@ Saatat huomata, että kameran avulla IoT-laitteella otettujen kuvien tulokset ei Parhaiden tulosten saavuttamiseksi kuvien luokittelijassa haluat kouluttaa mallin kuvilla, jotka ovat mahdollisimman samanlaisia kuin ennusteisiin käytetyt kuvat. Jos esimerkiksi käytit puhelimen kameraa koulutuskuvien ottamiseen, kuvan laatu, terävyys ja värit eroavat IoT-laitteeseen liitetyn kameran kuvista. -![2 banaanikuvaa, toinen matalaresoluutioinen ja huonosti valaistu IoT-laitteelta, toinen korkearesoluutioinen ja hyvin valaistu puhelimesta](../../../../../translated_images/fi/banana-picture-compare.174df164dc326a42cf7fb051a7497e6113c620e91552d92ca914220305d47d9a.png) +![2 banaanikuvaa, toinen matalaresoluutioinen ja huonosti valaistu IoT-laitteelta, toinen korkearesoluutioinen ja hyvin valaistu puhelimesta](../../../../../translated_images/fi/banana-picture-compare.174df164dc326a42.webp) Yllä olevassa kuvassa vasemmanpuoleinen banaanikuva otettiin Raspberry Pi -kameralla, oikeanpuoleinen kuva otettiin samasta banaanista samassa paikassa iPhonella. Kuvien laadussa on selkeä ero – iPhonen kuva on terävämpi, värikkäämpi ja kontrastikkaampi. diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md index 49328013a..46c395b10 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md @@ -16,7 +16,7 @@ Kamera voidaan liittää Raspberry Pi:hin nauhakaapelilla. ### Tehtävä - liitä kamera -![Raspberry Pi -kamera](../../../../../translated_images/fi/pi-camera-module.4278753c31bd6e757aa2b858be97d72049f71616278cefe4fb5abb485b40a078.png) +![Raspberry Pi -kamera](../../../../../translated_images/fi/pi-camera-module.4278753c31bd6e75.webp) 1. Sammuta Pi. @@ -24,17 +24,17 @@ Kamera voidaan liittää Raspberry Pi:hin nauhakaapelilla. Voit katsoa animaation, joka näyttää, miten klipsi avataan ja kaapeli asetetaan, [Raspberry Pi:n Getting Started with the Camera module -dokumentaatiosta](https://projects.raspberrypi.org/en/projects/getting-started-with-picamera/2). - ![Nauhakaapeli liitetty kameramoduuliin](../../../../../translated_images/fi/pi-camera-ribbon-cable.0bf82acd251611c21ac616f082849413e2b322a261d0e4f8fec344248083b07e.png) + ![Nauhakaapeli liitetty kameramoduuliin](../../../../../translated_images/fi/pi-camera-ribbon-cable.0bf82acd251611c2.webp) 1. Poista Grove Base Hat Pi:stä. 1. Vie nauhakaapeli Grove Base Hatin kameran aukon läpi. Varmista, että kaapelin sininen puoli on kohti analogisia portteja, jotka on merkitty **A0**, **A1** jne. - ![Nauhakaapeli kulkee Grove Base Hatin läpi](../../../../../translated_images/fi/grove-base-hat-ribbon-cable.501fed202fcf73b11b2b68f6d246189f7d15d3e4423c572ddee79d77b4632b47.png) + ![Nauhakaapeli kulkee Grove Base Hatin läpi](../../../../../translated_images/fi/grove-base-hat-ribbon-cable.501fed202fcf73b1.webp) 1. Aseta nauhakaapeli Pi:n kameraliitäntään. Vedä jälleen mustaa muoviklipsiä ylös, aseta kaapeli ja työnnä klipsi takaisin paikalleen. Kaapelin sininen puoli tulisi olla kohti USB- ja Ethernet-portteja. - ![Nauhakaapeli liitetty Pi:n kameraliitäntään](../../../../../translated_images/fi/pi-camera-socket-ribbon-cable.a18309920b11800911082ed7aa6fb28e6d9be3a022e4079ff990016cae3fca10.png) + ![Nauhakaapeli liitetty Pi:n kameraliitäntään](../../../../../translated_images/fi/pi-camera-socket-ribbon-cable.a18309920b118009.webp) 1. Kiinnitä Grove Base Hat takaisin paikalleen. @@ -101,7 +101,7 @@ Ohjelmoi laite. Rivi `camera.rotation = 0` asettaa kuvan kierron. Nauhakaapeli tulee kameran alapuolelta, mutta jos kamera on käännetty helpottamaan kohteen suuntaamista, voit muuttaa tätä riviä kierron asteiden mukaan. - ![Kamera roikkuu juomatölkin yläpuolella](../../../../../translated_images/fi/pi-camera-upside-down.5376961ba31459883362124152ad6b823d5ac5fc14e85f317e22903bd681c2b6.png) + ![Kamera roikkuu juomatölkin yläpuolella](../../../../../translated_images/fi/pi-camera-upside-down.5376961ba3145988.webp) Esimerkiksi, jos ripustat nauhakaapelin kameran yläpuolelle, aseta kierto 180 asteeseen: diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md index b7fe5ae1d..9cf93c8ae 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md @@ -84,7 +84,7 @@ Custom Vision -palvelulla on Python SDK, jota voit käyttää kuvien luokitteluu Voit nähdä otetun kuvan ja nämä arvot **Predictions**-välilehdellä Custom Vision -palvelussa. - ![Banaani Custom Vision -palvelussa, ennustettu kypsäksi 56,8 % ja raaksi 43,1 %](../../../../../translated_images/fi/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![Banaani Custom Vision -palvelussa, ennustettu kypsäksi 56,8 % ja raaksi 43,1 %](../../../../../translated_images/fi/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Löydät tämän koodin [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) tai [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device) -kansiosta. diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md index 450353e07..64167625f 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md @@ -34,11 +34,11 @@ Lisää kamera CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi kameran. - ![Kameran asetukset](../../../../../translated_images/fi/counterfit-create-camera.a5de97f59c0bd3cbe0416d7e89a3cfe86d19fbae05c641c53a91286412af0a34.png) + ![Kameran asetukset](../../../../../translated_images/fi/counterfit-create-camera.a5de97f59c0bd3cb.webp) Kamera luodaan ja näkyy sensorilistassa. - ![Luotu kamera](../../../../../translated_images/fi/counterfit-camera.001ec52194c8ee5d3f617173da2c79e1df903d10882adc625cbfc493525125d4.png) + ![Luotu kamera](../../../../../translated_images/fi/counterfit-camera.001ec52194c8ee5d.webp) ## Ohjelmoi kamera @@ -103,7 +103,7 @@ Ohjelmoi laite. 1. Määritä kuva, jonka kamera CounterFitissä tallentaa. Voit joko asettaa *Source*-asetuksen *File*-tilaan ja ladata kuvatiedoston, tai asettaa *Source*-asetuksen *WebCam*-tilaan, jolloin kuvat tallennetaan verkkokamerastasi. Varmista, että valitset **Set**-painikkeen kuvan valitsemisen tai verkkokameran valitsemisen jälkeen. - ![CounterFit, jossa tiedosto on asetettu kuvalähteeksi, ja verkkokamera näyttää henkilön, joka pitää banaania verkkokameran esikatselussa](../../../../../translated_images/fi/counterfit-camera-options.eb3bd5150a8e7dffbf24bc5bcaba0cf2cdef95fbe6bbe393695d173817d6b8df.png) + ![CounterFit, jossa tiedosto on asetettu kuvalähteeksi, ja verkkokamera näyttää henkilön, joka pitää banaania verkkokameran esikatselussa](../../../../../translated_images/fi/counterfit-camera-options.eb3bd5150a8e7dff.webp) 1. Kuva tallennetaan ja tallennetaan nimellä `image.jpg` nykyiseen kansioon. Näet tämän tiedoston VS Code -tiedostonhallinnassa. Valitse tiedosto nähdäksesi kuvan. Jos se tarvitsee kiertoa, päivitä rivi `camera.rotation = 0` tarpeen mukaan ja ota uusi kuva. diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md index cfa115c4f..b8b6df03d 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md @@ -16,7 +16,7 @@ ArduCam ei sisällä Grove-liitintä, vaan se yhdistetään sekä SPI- että I2C Yhdistä kamera. -![ArduCam-anturi](../../../../../translated_images/fi/arducam.20e4e4cbb268296570b5914e20d6c349fc42ddac9ed4e1b9deba2188204eebae.png) +![ArduCam-anturi](../../../../../translated_images/fi/arducam.20e4e4cbb2682965.webp) 1. ArduCamin pohjassa olevat pinnit täytyy yhdistää Wio Terminalin GPIO-pinneihin. Jotta oikeat pinnit löytyvät helpommin, kiinnitä Wio Terminalin mukana tuleva GPIO-tarralappu pinneihin: @@ -35,7 +35,7 @@ Yhdistä kamera. | SDA | 3 (I2C1_SDA) | I2C-sarjadata | | SCL | 5 (I2C1_SCL) | I2C-sarjakello | - ![Wio Terminal yhdistetty ArduCamiin hyppylangoilla](../../../../../translated_images/fi/arducam-wio-terminal-connections.a4d5a4049bdb5ab800a2877389fc6ecf5e4ff307e6451ff56c517e6786467d0a.png) + ![Wio Terminal yhdistetty ArduCamiin hyppylangoilla](../../../../../translated_images/fi/arducam-wio-terminal-connections.a4d5a4049bdb5ab8.webp) GND- ja VCC-liitännät tarjoavat 5V virtalähteen ArduCamille. Se toimii 5V:lla, toisin kuin Grove-anturit, jotka toimivat 3V:lla. Tämä virta tulee suoraan USB-C-liitännästä, joka syöttää virtaa laitteelle. @@ -456,7 +456,7 @@ Wio Terminal tukee vain enintään 16GB:n microSD-kortteja. Jos sinulla on suure 1. Sammuta microSD-kortti ja poista se painamalla sitä hieman sisään ja vapauttamalla, jolloin se ponnahtaa ulos. Saatat joutua käyttämään ohutta työkalua tähän. Liitä microSD-kortti tietokoneeseesi nähdäksesi kuvat. - ![Kuva banaanista, otettu ArduCamilla](../../../../../translated_images/fi/banana-arducam.be1b32d4267a8194b0fd042362e56faa431da9cd4af172051b37243ea9be0256.jpg) + ![Kuva banaanista, otettu ArduCamilla](../../../../../translated_images/fi/banana-arducam.be1b32d4267a8194.webp) 💁 Kameran valkotasapainon säätämiseen voi kulua muutama kuva. Huomaat tämän kuvien värin perusteella, ensimmäiset kuvat voivat näyttää väriltään poikkeavilta. Voit aina kiertää tämän muuttamalla koodia siten, että `setup`-funktiossa otetaan muutama kuva, jotka jätetään huomiotta. diff --git a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md index bc788f311..9dbf9bec4 100644 --- a/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md +++ b/translations/fi/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md @@ -208,7 +208,7 @@ Varmenteet sisältävät julkisia avaimia, eikä niitä tarvitse pitää salassa Näet otetun kuvan ja nämä arvot **Predictions**-välilehdellä Custom Visionissa. - ![Banaani Custom Visionissa ennustettu kypsäksi 56.8 % ja raaksi 43.1 %](../../../../../translated_images/fi/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![Banaani Custom Visionissa ennustettu kypsäksi 56.8 % ja raaksi 43.1 %](../../../../../translated_images/fi/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Löydät tämän koodin [code-classify/wio-terminal](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/wio-terminal)-kansiosta. diff --git a/translations/fi/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md b/translations/fi/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md index de604c2ec..68b3b817e 100644 --- a/translations/fi/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md +++ b/translations/fi/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md @@ -1,6 +1,6 @@ # Suorita hedelmätunnistin reunalaitteella -![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-17.bc333c3c35ba8e42cce666cfffa82b915f787f455bd94e006aea2b6f2722421a.jpg) +![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-17.bc333c3c35ba8e42.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -33,11 +33,11 @@ Tässä oppitunnissa käsitellään: Reunalaskenta tarkoittaa IoT-datan käsittelyä mahdollisimman lähellä sen syntypaikkaa. Sen sijaan, että käsittely tapahtuisi pilvessä, se siirretään pilven reunalle – sisäiseen verkkoosi. -![Arkkitehtuurikaavio, jossa internetpalvelut pilvessä ja IoT-laitteet paikallisessa verkossa](../../../../../translated_images/fi/cloud-without-edge.b4da641f6022c95ed6b91fde8b5323abd2f94e0d52073ad54172ae8f5dac90e9.png) +![Arkkitehtuurikaavio, jossa internetpalvelut pilvessä ja IoT-laitteet paikallisessa verkossa](../../../../../translated_images/fi/cloud-without-edge.b4da641f6022c95e.webp) Tähän mennessä oppitunneilla laitteet ovat keränneet dataa ja lähettäneet sen pilveen analysoitavaksi, suorittaen pilvessä serverittömiä toimintoja tai AI-malleja. -![Arkkitehtuurikaavio, jossa IoT-laitteet paikallisessa verkossa yhdistyvät reunalaitteisiin, ja nämä reunalaitteet yhdistyvät pilveen](../../../../../translated_images/fi/cloud-with-edge.1e26462c62c126fe150bd15a5714ddf0be599f09bacbad08b85be02b76ea1ae1.png) +![Arkkitehtuurikaavio, jossa IoT-laitteet paikallisessa verkossa yhdistyvät reunalaitteisiin, ja nämä reunalaitteet yhdistyvät pilveen](../../../../../translated_images/fi/cloud-with-edge.1e26462c62c126fe.webp) Reunalaskenta siirtää osan pilvipalveluista pois pilvestä ja tietokoneille, jotka toimivat samalla verkolla kuin IoT-laitteet, kommunikoiden pilven kanssa vain tarvittaessa. Esimerkiksi AI-malleja voidaan suorittaa reunalaitteilla hedelmien kypsyyden analysoimiseksi, ja pilveen lähetetään vain analytiikkaa, kuten kypsien ja raakojen hedelmien lukumäärä. @@ -85,7 +85,7 @@ IoT-järjestelmissä haluat usein yhdistää pilvi- ja reunalaskennan, hyödynt ## Azure IoT Edge -![Azure IoT Edge -logo](../../../../../translated_images/fi/azure-iot-edge-logo.c1c076749b5cba2e8755262fadc2f19ca1146b948d76990b1229199ac2292d79.png) +![Azure IoT Edge -logo](../../../../../translated_images/fi/azure-iot-edge-logo.c1c076749b5cba2e.webp) Azure IoT Edge on palvelu, joka voi auttaa siirtämään työkuormia pois pilvestä reunalle. Voit määrittää laitteen reunalaitteeksi ja pilvestä käsin ottaa käyttöön koodia kyseiselle reunalaitteelle. Tämä mahdollistaa pilven ja reunan kyvykkyyksien yhdistämisen. @@ -99,7 +99,7 @@ IoT Edge on sisäänrakennettu IoT Hubiin, joten voit hallita reunalaitteita sam IoT Edge suorittaa koodia *konteista* – itsenäisistä sovelluksista, jotka toimivat erillään muista tietokoneesi sovelluksista. Kun suoritat kontin, se toimii kuin erillinen tietokone tietokoneesi sisällä, omilla ohjelmistoillaan, palveluillaan ja sovelluksillaan. Useimmiten kontit eivät pääse käsiksi mihinkään tietokoneellasi, ellei valitse jakaa esimerkiksi kansiota kontin kanssa. Kontti sitten tarjoaa palveluita avoimen portin kautta, johon voit yhdistää tai altistaa verkollesi. -![Verkkopyyntö ohjataan konttiin](../../../../../translated_images/fi/container-web-browser.4ee81dd4f0d8838ce622b2a0d600b6a4322b5d4fe43159facd87b7b34f84d66a.png) +![Verkkopyyntö ohjataan konttiin](../../../../../translated_images/fi/container-web-browser.4ee81dd4f0d8838c.webp) Esimerkiksi voit olla kontti, jossa verkkosivusto toimii portissa 80, oletus HTTP-portissa, ja voit sitten altistaa sen tietokoneeltasi myös portissa 80. @@ -195,11 +195,11 @@ Kun malli on koulutettu, se täytyy viedä konttina. ## Valmistele kontti käyttöönottoa varten -![Kontit rakennetaan, työnnetään konttirekisteriin ja otetaan käyttöön reunalaitteella IoT Edgen avulla](../../../../../translated_images/fi/container-edge-flow.c246050dd60ceefdb6ace026a4ce5c6aa4112bb5898ae23fbb2ab4be29ae3e1b.png) +![Kontit rakennetaan, työnnetään konttirekisteriin ja otetaan käyttöön reunalaitteella IoT Edgen avulla](../../../../../translated_images/fi/container-edge-flow.c246050dd60ceefd.webp) Kun olet ladannut mallisi, se täytyy rakentaa kontiksi ja työntää konttirekisteriin - verkossa olevaan sijaintiin, jossa voit säilyttää kontteja. IoT Edge voi sitten ladata kontin rekisteristä ja siirtää sen laitteellesi. -![Azure Container Registry -logo](../../../../../translated_images/fi/azure-container-registry-logo.09494206991d4b295025ebff7d4e2900325e527a59184ffbc8464b6ab59654be.png) +![Azure Container Registry -logo](../../../../../translated_images/fi/azure-container-registry-logo.09494206991d4b29.webp) Tässä oppitunnissa käytettävä konttirekisteri on Azure Container Registry. Tämä ei ole ilmainen palvelu, joten säästääksesi rahaa varmista, että [siivoat projektisi](../../../clean-up.md) kun olet valmis. diff --git a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/README.md b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/README.md index ca69fa367..d4d0cd32d 100644 --- a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/README.md +++ b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/README.md @@ -1,6 +1,6 @@ # Käynnistä hedelmien laadunvalvonta sensorista -![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-18.92c32ed1d354caa5a54baa4032cf0b172d4655e8e326ad5d46c558a0def15365.jpg) +![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-18.92c32ed1d354caa5.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -39,7 +39,7 @@ IoT-sovelluksia voidaan kuvata *asioina* (laitteet), jotka lähettävät dataa, ### Viitearkkitehtuuri IoT-sovelluksille -![Viitearkkitehtuuri IoT-sovelluksille](../../../../../translated_images/fi/iot-reference-architecture.2278b98b55c6d4e89bde18eada3688d893861d43507641804dd2f9d3079cfaa0.png) +![Viitearkkitehtuuri IoT-sovelluksille](../../../../../translated_images/fi/iot-reference-architecture.2278b98b55c6d4e8.webp) Yllä oleva kaavio esittää viitearkkitehtuurin IoT-sovelluksille. @@ -49,7 +49,7 @@ Yllä oleva kaavio esittää viitearkkitehtuurin IoT-sovelluksille. * **Oivallukset** syntyvät palveluttomista sovelluksista tai analytiikasta, joka suoritetaan tallennetulle datalle. * **Toimet** voivat olla komentoja, jotka lähetetään laitteille, tai datan visualisointia, joka mahdollistaa päätöksenteon ihmisille. -![Viitearkkitehtuuri Azure IoT:lle](../../../../../translated_images/fi/iot-reference-architecture-azure.0b8d2161af924cb18ae48a8558a19541cca47f27264851b5b7e56d7b8bb372ac.png) +![Viitearkkitehtuuri Azure IoT:lle](../../../../../translated_images/fi/iot-reference-architecture-azure.0b8d2161af924cb1.webp) Yllä oleva kaavio näyttää joitakin näissä oppitunneissa käsiteltyjä komponentteja ja palveluita sekä niiden yhteydet viitearkkitehtuurissa. @@ -89,7 +89,7 @@ Sinun täytyy rakentaa järjestelmä, jossa hedelmä havaitaan sen saapuessa kul ### Sovelluksen prototyyppi -![Viitearkkitehtuuri hedelmälaadun tarkistukseen](../../../../../translated_images/fi/iot-reference-architecture-fruit-quality.cc705f121c3b6fa71c800d9630935ac34bc08223a04601e35f41d5e9b5dd5207.png) +![Viitearkkitehtuuri hedelmälaadun tarkistukseen](../../../../../translated_images/fi/iot-reference-architecture-fruit-quality.cc705f121c3b6fa7.webp) Yllä oleva kaavio esittää viitearkkitehtuurin tälle prototyyppisovellukselle. @@ -124,7 +124,7 @@ Käy läpi asiaankuuluva opas läheisyysanturin käyttämiseksi IoT-laitteellasi Prototyyppinen hedelmälaadun tarkistin sisältää useita toisiinsa kommunikoivia komponentteja. -![Komponentit kommunikoivat keskenään](../../../../../translated_images/fi/fruit-quality-detector-message-flow.adf2a65da8fd8741ac7af11361574de89adc126785d67606bb4d2ec00467e380.png) +![Komponentit kommunikoivat keskenään](../../../../../translated_images/fi/fruit-quality-detector-message-flow.adf2a65da8fd8741.webp) * Läheisyysanturi mittaa etäisyyttä hedelmään ja lähettää tämän IoT Hubiin. * Kameraa ohjaava komento lähetetään IoT Hubista kameralle. diff --git a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md index ef524d18a..2ce35feda 100644 --- a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md +++ b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md @@ -20,7 +20,7 @@ Grove Time of Flight -sensori voidaan liittää Raspberry Pi:hin. Yhdistä Time of Flight -sensori. -![Grove Time of Flight -sensori](../../../../../translated_images/fi/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![Grove Time of Flight -sensori](../../../../../translated_images/fi/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Työnnä Grove-kaapelin toinen pää Time of Flight -sensorin liittimeen. Se menee sisään vain yhdellä tavalla. diff --git a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md index c262a1488..e4dbee759 100644 --- a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md +++ b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md @@ -36,11 +36,11 @@ Lisää etäisyyssensori CounterFit-sovellukseen. 1. Valitse **Add**-painike luodaksesi etäisyyssensorin. - ![Etäisyyssensorin asetukset](../../../../../translated_images/fi/counterfit-create-distance-sensor.967c9fb98f27888d95920c9784d004c972490eb71f70397fe13bd70a79a879a3.png) + ![Etäisyyssensorin asetukset](../../../../../translated_images/fi/counterfit-create-distance-sensor.967c9fb98f27888d.webp) Etäisyyssensori luodaan ja se näkyy sensorilistassa. - ![Luotu etäisyyssensori](../../../../../translated_images/fi/counterfit-distance-sensor.079eefeeea0b68afc36431ce8fcbe2f09a7e4916ed1cd5cb30e696db53bc18fa.png) + ![Luotu etäisyyssensori](../../../../../translated_images/fi/counterfit-distance-sensor.079eefeeea0b68af.webp) ## Ohjelmoi etäisyyssensori diff --git a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md index 12351a64c..983f9d929 100644 --- a/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md +++ b/translations/fi/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md @@ -20,7 +20,7 @@ Grove Time of Flight -sensori voidaan liittää Wio Terminaliin. Yhdistä Time of Flight -sensori. -![Grove Time of Flight -sensori](../../../../../translated_images/fi/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![Grove Time of Flight -sensori](../../../../../translated_images/fi/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Työnnä Grove-kaapelin toinen pää Time of Flight -sensorin liittimeen. Se menee sisään vain yhdellä tavalla. diff --git a/translations/fi/5-retail/lessons/1-train-stock-detector/README.md b/translations/fi/5-retail/lessons/1-train-stock-detector/README.md index 57bf3bfda..e925eb61a 100644 --- a/translations/fi/5-retail/lessons/1-train-stock-detector/README.md +++ b/translations/fi/5-retail/lessons/1-train-stock-detector/README.md @@ -1,6 +1,6 @@ # Kouluta varastontunnistin -![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-19.cf6973cecadf080c4b526310620dc4d6f5994c80fb0139c6f378cc9ca2d435cd.jpg) +![Tämän oppitunnin yleiskatsaus sketchnotena](../../../../../translated_images/fi/lesson-19.cf6973cecadf080c.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -36,7 +36,7 @@ Objektintunnistus tarkoittaa esineiden havaitsemista kuvista tekoälyn avulla. T Kuvien luokittelu keskittyy koko kuvan luokitteluun - mitkä ovat todennäköisyydet, että koko kuva vastaa kutakin tunnistetta. Saat takaisin todennäköisyydet kaikille mallin koulutuksessa käytetyille tunnisteille. -![Kuvien luokittelu cashewpähkinöistä ja tomaattipyreestä](../../../../../translated_images/fi/image-classifier-cashews-tomato.bc2e16ab8f05cf9ac0f59f73e32efc4227f9a5b601b90b2c60f436694547a965.png) +![Kuvien luokittelu cashewpähkinöistä ja tomaattipyreestä](../../../../../translated_images/fi/image-classifier-cashews-tomato.bc2e16ab8f05cf9a.webp) Yllä olevassa esimerkissä kaksi kuvaa luokitellaan mallilla, joka on koulutettu luokittelemaan cashewpähkinöiden purkkeja tai tomaattipyreen tölkkejä. Ensimmäinen kuva on cashewpähkinöiden purkki, ja kuvien luokittelija antaa seuraavat tulokset: @@ -60,7 +60,7 @@ Kun käytät mallia ennustamiseen, et saa takaisin tunnisteiden ja prosenttien l > 🎓 *Rajauslaatikot* ovat laatikoita esineen ympärillä. -![Objektintunnistus cashewpähkinöistä ja tomaattipyreestä](../../../../../translated_images/fi/object-detector-cashews-tomato.1af7c26686b4db0e709754aeb196f4e73271f54e2085db3bcccb70d4a0d84d97.png) +![Objektintunnistus cashewpähkinöistä ja tomaattipyreestä](../../../../../translated_images/fi/object-detector-cashews-tomato.1af7c26686b4db0e.webp) Yllä olevassa kuvassa on sekä cashewpähkinöiden purkki että kolme tomaattipyreen tölkkiä. Objektintunnistin havaitsi cashewpähkinät ja palautti rajauslaatikon, joka sisältää cashewpähkinät, sekä todennäköisyyden, että rajauslaatikko sisältää esineen, tässä tapauksessa 97.6%. Objektintunnistin havaitsi myös kolme tomaattipyreen tölkkiä ja antoi kolme erillistä rajauslaatikkoa, yhden jokaiselle havaitulle tölkille, ja jokaiselle prosentuaalisen todennäköisyyden, että rajauslaatikko sisältää tomaattipyreen tölkin. @@ -111,7 +111,7 @@ Voit kouluttaa objektintunnistimen Custom Vision -palvelussa samalla tavalla kui Kun luot projektisi, varmista, että käytät aiemmin luomaasi `stock-detector-training`-resurssia. Valitse *Object Detection* -projektityyppi ja *Products on Shelves* -toimialue. - ![Custom Vision -projektin asetukset, joissa nimi on asetettu "fruit-quality-detector", ei kuvausta, resurssi on "fruit-quality-detector-training", projektityyppi on "classification", luokittelutyypit ovat "multi class" ja toimialue on "food"](../../../../../translated_images/fi/custom-vision-create-object-detector-project.32d4fb9aa8e7e7375f8a799bfce517aca970f2cb65e42d4245c5e635c734ab29.png) + ![Custom Vision -projektin asetukset, joissa nimi on asetettu "fruit-quality-detector", ei kuvausta, resurssi on "fruit-quality-detector-training", projektityyppi on "classification", luokittelutyypit ovat "multi class" ja toimialue on "food"](../../../../../translated_images/fi/custom-vision-create-object-detector-project.32d4fb9aa8e7e737.webp) ✅ *Products on Shelves* -toimialue on erityisesti suunniteltu hyllyillä olevien tuotteiden tunnistamiseen. Lue lisää eri toimialueista [Microsoft-dokumentaation toimialueen valinta -osiosta](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection). @@ -133,11 +133,11 @@ Kouluttaaksesi mallisi tarvitset joukon kuvia, jotka sisältävät tunnistettavi 1. Seuraa [Microsoft-dokumentaation objektintunnistimen luomisen pikaohjeen Lataa ja merkitse kuvat -osaa](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) ladataksesi koulutuskuvasi. Luo asiaankuuluvat tunnisteet esineiden tyypin mukaan, joita haluat tunnistaa. - ![Latausikkunat, joissa ladataan kypsien ja raakojen banaanien kuvia](../../../../../translated_images/fi/image-upload-object-detector.77c7892c3093cb59b79018edecd678749a75d71a099bc8a2d2f2f76320f88a5b.png) + ![Latausikkunat, joissa ladataan kypsien ja raakojen banaanien kuvia](../../../../../translated_images/fi/image-upload-object-detector.77c7892c3093cb59.webp) Kun piirrät rajauslaatikoita esineille, pidä ne tiukasti esineen ympärillä. Kuvien merkitseminen voi viedä aikaa, mutta työkalu tunnistaa, mitä se uskoo olevan rajauslaatikot, mikä nopeuttaa prosessia. - ![Tomaattipyreen merkitseminen](../../../../../translated_images/fi/object-detector-tag-tomato-paste.f47c362fb0f0eb582f3bc68cf3855fb43a805106395358d41896a269c210b7b4.png) + ![Tomaattipyreen merkitseminen](../../../../../translated_images/fi/object-detector-tag-tomato-paste.f47c362fb0f0eb58.webp) > 💁 Jos sinulla on yli 15 kuvaa kutakin esinettä varten, voit kouluttaa mallin 15 kuvan jälkeen ja käyttää **Ehdotetut tunnisteet** -ominaisuutta. Tämä käyttää koulutettua mallia tunnistamaan esineet merkitsemättömistä kuvista. Voit sitten vahvistaa havaitut esineet tai hylätä ja piirtää rajauslaatikot uudelleen. Tämä voi säästää *paljon* aikaa. @@ -155,7 +155,7 @@ Kun objektintunnistin on koulutettu, voit testata sitä antamalla sille uusia ku 1. Käytä **Pikatesti**-painiketta ladataksesi testikuvia ja varmistaaksesi, että esineet tunnistetaan. Käytä aiemmin luomiasi testikuvia, älä mitään koulutuksessa käytettyjä kuvia. - ![3 tomaattipyreen tölkkiä havaittu todennäköisyyksillä 38%, 35.5% ja 34.6%](../../../../../translated_images/fi/object-detector-detected-tomato-paste.52656fe87af4c37b4ee540526d63e73ed075da2e54a9a060aa528e0c562fb1b6.png) + ![3 tomaattipyreen tölkkiä havaittu todennäköisyyksillä 38%, 35.5% ja 34.6%](../../../../../translated_images/fi/object-detector-detected-tomato-paste.52656fe87af4c37b.webp) 1. Kokeile kaikkia käytettävissäsi olevia testikuvia ja tarkkaile todennäköisyyksiä. diff --git a/translations/fi/5-retail/lessons/2-check-stock-device/README.md b/translations/fi/5-retail/lessons/2-check-stock-device/README.md index 8e2d2db7a..3ca15c5c2 100644 --- a/translations/fi/5-retail/lessons/2-check-stock-device/README.md +++ b/translations/fi/5-retail/lessons/2-check-stock-device/README.md @@ -1,6 +1,6 @@ # Tarkista varasto IoT-laitteella -![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-20.0211df9551a8abb300fc8fcf7dc2789468dea2eabe9202273ac077b0ba37f15e.jpg) +![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-20.0211df9551a8abb3.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -62,7 +62,7 @@ Iteroinnit julkaistaan Custom Vision -portaalista. 1. Valitse iteroinnin **Publish**-painike. - ![Julkaisupainike](../../../../../translated_images/fi/custom-vision-object-detector-publish-button.34ee379fc650ccb9856c3868d0003f413b9529f102fc73c37168c98d721cc293.png) + ![Julkaisupainike](../../../../../translated_images/fi/custom-vision-object-detector-publish-button.34ee379fc650ccb9.webp) 1. *Publish Model* -valintaikkunassa aseta *Prediction resource* viime oppitunnissa luomaasi `stock-detector-prediction`-resurssiin. Jätä nimi `Iteration2`:ksi ja valitse **Publish**-painike. @@ -76,7 +76,7 @@ Iteroinnit julkaistaan Custom Vision -portaalista. Kopioi myös *Prediction-Key*-arvo. Tämä on turvallinen avain, joka täytyy välittää mallia kutsuttaessa. Vain sovellukset, jotka välittävät tämän avaimen, voivat käyttää mallia, muut sovellukset hylätään. - ![Ennustuksen API-valintaikkuna, joka näyttää URL:n ja avaimen](../../../../../translated_images/fi/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Ennustuksen API-valintaikkuna, joka näyttää URL:n ja avaimen](../../../../../translated_images/fi/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Kun uusi iterointi julkaistaan, sillä on eri nimi. Miten luulet, että IoT-laitteen käyttämä iterointi vaihdetaan? @@ -95,7 +95,7 @@ Kun käytät objektintunnistinta, saat takaisin paitsi havaitut objektit niiden Ennustuksen tulokset **Predictions**-välilehdellä Custom Visionissa sisältävät rajauslaatikot, jotka on piirretty kuvan päälle, joka lähetettiin ennustettavaksi. -![4 tomaattipyreen purkkia hyllyllä, ennustukset 35.8%, 33.5%, 25.7% ja 16.6%](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) +![4 tomaattipyreen purkkia hyllyllä, ennustukset 35.8%, 33.5%, 25.7% ja 16.6%](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca341.webp) Yllä olevassa kuvassa havaittiin 4 tomaattipyreen purkkia. Tuloksissa punainen neliö on lisätty jokaisen havaitun objektin päälle, mikä osoittaa kuvan rajauslaatikon. @@ -103,7 +103,7 @@ Yllä olevassa kuvassa havaittiin 4 tomaattipyreen purkkia. Tuloksissa punainen Rajauslaatikot määritetään neljällä arvolla - yläreuna, vasen reuna, korkeus ja leveys. Nämä arvot ovat asteikolla 0-1, mikä edustaa sijainteja prosentteina kuvan koosta. Alkuperä (0,0-sijainti) on kuvan vasen yläkulma, joten yläreunan arvo on etäisyys yläreunasta, ja rajauslaatikon alareuna on yläreuna plus korkeus. -![Rajauslaatikko tomaattipyreen purkin ympärillä](../../../../../translated_images/fi/bounding-box.1420a7ea0d3d15f71e1ffb5cf4b2271d184fac051f990abc541975168d163684.png) +![Rajauslaatikko tomaattipyreen purkin ympärillä](../../../../../translated_images/fi/bounding-box.1420a7ea0d3d15f7.webp) Yllä oleva kuva on 600 pikseliä leveä ja 800 pikseliä korkea. Rajauslaatikko alkaa 320 pikseliä alaspäin, mikä antaa yläreunan arvoksi 0.4 (800 x 0.4 = 320). Vasemmalta raja alkaa 240 pikseliä sivulle, mikä antaa vasemman reunan arvoksi 0.4 (600 x 0.4 = 240). Rajauslaatikon korkeus on 240 pikseliä, mikä antaa korkeuden arvoksi 0.3 (800 x 0.3 = 240). Rajauslaatikon leveys on 120 pikseliä, mikä antaa leveyden arvoksi 0.2 (600 x 0.2 = 120). @@ -118,7 +118,7 @@ Prosenttiarvojen käyttö asteikolla 0-1 tarkoittaa, että riippumatta kuvan koo Voit käyttää rajauslaatikoita yhdessä todennäköisyyksien kanssa arvioidaksesi, kuinka tarkka havainto on. Esimerkiksi objektintunnistin voi havaita useita objekteja, jotka menevät päällekkäin, esimerkiksi havaitsemalla yhden purkin toisen sisällä. Koodisi voisi tarkistaa rajauslaatikot, ymmärtää, että tämä on mahdotonta, ja jättää huomiotta kaikki objektit, joilla on merkittävä päällekkäisyys muiden objektien kanssa. -![Kaksi rajauslaatikkoa päällekkäin tomaattipyreen purkin ympärillä](../../../../../translated_images/fi/overlap-object-detection.d431e03cae75072a2760430eca7f2c5fdd43045bfd72dadcbf12711f7cd6c2ae.png) +![Kaksi rajauslaatikkoa päällekkäin tomaattipyreen purkin ympärillä](../../../../../translated_images/fi/overlap-object-detection.d431e03cae75072a.webp) Yllä olevassa esimerkissä yksi rajauslaatikko osoittaa ennustetun tomaattipyreen purkin 78.3% todennäköisyydellä. Toinen rajauslaatikko on hieman pienempi ja sisällä ensimmäisessä laatikossa 64.3% todennäköisyydellä. Koodisi voi tarkistaa rajauslaatikot, nähdä niiden olevan täysin päällekkäisiä, ja jättää huomiotta alemman todennäköisyyden, koska ei ole mahdollista, että yksi purkki olisi toisen sisällä. diff --git a/translations/fi/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md b/translations/fi/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md index fb6d4cc95..088d2bbe5 100644 --- a/translations/fi/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md +++ b/translations/fi/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md @@ -67,7 +67,7 @@ Koodi, jota käytit kuvien luokitteluun, on hyvin samanlainen kuin koodi objekti Näet otetun kuvan ja nämä arvot **Predictions**-välilehdellä Custom Visionissa. - ![4 tölkkiä tomaattipyrettä hyllyllä, jossa ennusteet 35,8 %, 33,5 %, 25,7 % ja 16,6 % neljälle tunnistukselle](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 tölkkiä tomaattipyrettä hyllyllä, jossa ennusteet 35,8 %, 33,5 %, 25,7 % ja 16,6 % neljälle tunnistukselle](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Löydät tämän koodin [code-detect/pi](../../../../../5-retail/lessons/2-check-stock-device/code-detect/pi) tai [code-detect/virtual-iot-device](../../../../../5-retail/lessons/2-check-stock-device/code-detect/virtual-iot-device) -kansiosta. diff --git a/translations/fi/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md b/translations/fi/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md index cb69b1ba4..f7903c71f 100644 --- a/translations/fi/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md +++ b/translations/fi/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md @@ -95,7 +95,7 @@ Koodi, jota käytit kuvien luokitteluun, on hyvin samanlainen kuin objektien tun Näet otetun kuvan ja nämä arvot **Predictions**-välilehdessä Custom Visionissa. - ![4 tomaattipyreetölkkiä hyllyllä ennusteilla, joissa tunnistusten todennäköisyydet ovat 35.8%, 33.5%, 25.7% ja 16.6%](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 tomaattipyreetölkkiä hyllyllä ennusteilla, joissa tunnistusten todennäköisyydet ovat 35.8%, 33.5%, 25.7% ja 16.6%](../../../../../translated_images/fi/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Löydät tämän koodin [code-detect/wio-terminal](../../../../../5-retail/lessons/2-check-stock-device/code-detect/wio-terminal) -kansiosta. diff --git a/translations/fi/6-consumer/lessons/1-speech-recognition/README.md b/translations/fi/6-consumer/lessons/1-speech-recognition/README.md index 9721b7915..0beeb2a50 100644 --- a/translations/fi/6-consumer/lessons/1-speech-recognition/README.md +++ b/translations/fi/6-consumer/lessons/1-speech-recognition/README.md @@ -1,6 +1,6 @@ # Tunnista puhe IoT-laitteella -![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-21.e34de51354d6606fb5ee08d8c89d0222eea0a2a7aaf744a8805ae847c4f69dc4.jpg) +![Tämän oppitunnin yleiskuvaus sketchnotena](../../../../../translated_images/fi/lesson-21.e34de51354d6606f.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -51,7 +51,7 @@ Mikrofoneja on monenlaisia: Dynaamiset mikrofonit eivät tarvitse virtaa toimiakseen, sillä sähköinen signaali syntyy täysin mikrofonin toiminnasta. - ![Patti Smith laulamassa Shure SM58 (dynaaminen kardioidimikrofoni) -mikrofoniin](../../../../../translated_images/fi/dynamic-mic.8babac890a2d80dfb0874b5bf37d4b851fe2aeb9da6fd72945746176978bf3bb.jpg) + ![Patti Smith laulamassa Shure SM58 (dynaaminen kardioidimikrofoni) -mikrofoniin](../../../../../translated_images/fi/dynamic-mic.8babac890a2d80df.webp) * Nauhamikrofonit - Nauhamikrofonit ovat samankaltaisia kuin dynaamiset mikrofonit, mutta niissä on metallinauha kalvon sijasta. Tämä nauha liikkuu magneettikentässä ja tuottaa sähkövirran. Kuten dynaamiset mikrofonit, nauhamikrofonit eivät tarvitse virtaa toimiakseen. @@ -59,11 +59,11 @@ Mikrofoneja on monenlaisia: * Kondensaattorimikrofonit - Kondensaattorimikrofoneissa on ohut metallikalvo ja kiinteä metallinen takalevy. Molempiin johdetaan sähköä, ja kun kalvo värähtelee, staattinen varaus levyjen välillä muuttuu ja tuottaa signaalin. Kondensaattorimikrofonit tarvitsevat virtaa toimiakseen – tätä kutsutaan *phantom-virraksi*. - ![C451B pienikalvoinen kondensaattorimikrofoni AKG Acousticsilta](../../../../../translated_images/fi/condenser-mic.6f6ed5b76ca19e0ec3fd0c544601542d4479a6cb7565db336de49fbbf69f623e.jpg) + ![C451B pienikalvoinen kondensaattorimikrofoni AKG Acousticsilta](../../../../../translated_images/fi/condenser-mic.6f6ed5b76ca19e0e.webp) * MEMS - Mikroelektromekaaniset järjestelmät (MEMS) ovat sirulle rakennettuja mikrofoneja. Niissä on paineherkkä kalvo, joka on kaiverrettu piisiruun, ja ne toimivat samankaltaisesti kuin kondensaattorimikrofonit. Nämä mikrofonit voivat olla erittäin pieniä ja integroitavissa piireihin. - ![MEMS-mikrofoni piirilevyllä](../../../../../translated_images/fi/mems-microphone.80574019e1f5e4d9ee72fed720ecd25a39fc2969c91355d17ebb24ba4159e4c4.png) + ![MEMS-mikrofoni piirilevyllä](../../../../../translated_images/fi/mems-microphone.80574019e1f5e4d9.webp) Yllä olevassa kuvassa siru, jossa lukee **LEFT**, on MEMS-mikrofoni, jossa on alle millimetrin levyinen kalvo. @@ -159,7 +159,7 @@ Välttääkseen herätyssanamallin kouluttamisen ja käytön monimutkaisuuden, t ## Muunna puhe tekstiksi -![Puhepalveluiden logo](../../../../../translated_images/fi/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Puhepalveluiden logo](../../../../../translated_images/fi/azure-speech-logo.a1f08c4befb0159f.webp) Aivan kuten kuvien luokittelussa aiemmassa projektissa, on olemassa valmiita tekoälypalveluita, jotka voivat ottaa puheen äänitiedostona ja muuntaa sen tekstiksi. Yksi tällainen palvelu on Puhepalvelu, joka on osa Cognitive Services -palveluita, valmiita tekoälypalveluita, joita voit käyttää sovelluksissasi. diff --git a/translations/fi/6-consumer/lessons/1-speech-recognition/pi-audio.md b/translations/fi/6-consumer/lessons/1-speech-recognition/pi-audio.md index 165134263..ea6b1274b 100644 --- a/translations/fi/6-consumer/lessons/1-speech-recognition/pi-audio.md +++ b/translations/fi/6-consumer/lessons/1-speech-recognition/pi-audio.md @@ -16,13 +16,13 @@ Painike voidaan liittää Grove Base HAT:iin. #### Tehtävä - liitä painike -![Grove-painike](../../../../../translated_images/fi/grove-button.a70cfbb809a8563681003250cf5b06d68cdcc68624f9e2f493d5a534ae2da1e5.png) +![Grove-painike](../../../../../translated_images/fi/grove-button.a70cfbb809a85636.webp) 1. Työnnä Grove-kaapelin toinen pää painikemoduulin liittimeen. Se menee sisään vain yhdellä tavalla. 1. Kun Raspberry Pi on sammutettu, liitä Grove-kaapelin toinen pää digitaaliseen liittimeen, joka on merkitty **D5** Grove Base HAT:ssa, joka on kiinnitetty Pi:hin. Tämä liitin on toinen vasemmalta GPIO-pinnien vieressä olevassa rivissä. -![Grove-painike liitettynä liittimeen D5](../../../../../translated_images/fi/pi-button.c7a1a4f55943341ce1baf1057658e9a205804d4131d258e820c93f951df0abf3.png) +![Grove-painike liitettynä liittimeen D5](../../../../../translated_images/fi/pi-button.c7a1a4f55943341c.webp) ## Tallenna ääntä diff --git a/translations/fi/6-consumer/lessons/1-speech-recognition/pi-microphone.md b/translations/fi/6-consumer/lessons/1-speech-recognition/pi-microphone.md index 4867ee98c..9a3c47c8f 100644 --- a/translations/fi/6-consumer/lessons/1-speech-recognition/pi-microphone.md +++ b/translations/fi/6-consumer/lessons/1-speech-recognition/pi-microphone.md @@ -34,7 +34,7 @@ Mikrofoni ja kaiuttimet täytyy liittää ja määrittää. 1. Jos käytät ReSpeaker 2-Mics Pi HAT:ia, voit poistaa Grove-pohjahatun ja asentaa ReSpeaker-hatun sen tilalle. - ![Raspberry Pi, jossa on ReSpeaker-hattu](../../../../../translated_images/fi/pi-respeaker-hat.f00fabe7dd039a93e2e0aa0fc946c9af0c6a9eb17c32fa1ca097fb4e384f69f0.png) + ![Raspberry Pi, jossa on ReSpeaker-hattu](../../../../../translated_images/fi/pi-respeaker-hat.f00fabe7dd039a93.webp) Tarvitset Grove-painikkeen myöhemmin tässä oppitunnissa, mutta sellainen on sisäänrakennettuna tässä hatussa, joten Grove-pohjahattua ei tarvita. diff --git a/translations/fi/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md b/translations/fi/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md index d7c78815d..0c6a13eed 100644 --- a/translations/fi/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md +++ b/translations/fi/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md @@ -10,7 +10,7 @@ Sisäänrakennettu mikrofoni tallentaa analogisen signaalin, joka muunnetaan dig ✅ Lue lisää DMA:sta [Wikipedia-artikkelista suorasta muistin pääsystä](https://wikipedia.org/wiki/Direct_memory_access). -![Ääni mikrofonista menee ADC:n kautta DMAC:lle. Tämä kirjoittaa yhteen puskuriin. Kun tämä puskuri on täynnä, se käsitellään ja DMAC kirjoittaa toiseen puskuriin](../../../../../translated_images/fi/dmac-adc-buffers.4509aee49145c90bc2e1be472b8ed2ddfcb2b6a81ad3e559114aca55f5fff759.png) +![Ääni mikrofonista menee ADC:n kautta DMAC:lle. Tämä kirjoittaa yhteen puskuriin. Kun tämä puskuri on täynnä, se käsitellään ja DMAC kirjoittaa toiseen puskuriin](../../../../../translated_images/fi/dmac-adc-buffers.4509aee49145c90b.webp) DMAC voi tallentaa ääntä ADC:ltä kiintein välein, esimerkiksi 16 000 kertaa sekunnissa 16 kHz:n ääntä varten. Se voi kirjoittaa nämä tallennetut tiedot ennalta varattuun muistipuskuriin, ja kun tämä on täynnä, se ilmoittaa koodillesi, että puskuri on valmis käsiteltäväksi. Tämän muistin käyttö voi viivästyttää äänen tallennusta, mutta voit asettaa useita puskureita. DMAC kirjoittaa puskuriin 1, ja kun se on täynnä, se ilmoittaa koodillesi käsitellä puskuri 1, samalla kun DMAC kirjoittaa puskuriin 2. Kun puskuri 2 on täynnä, se ilmoittaa koodillesi ja palaa kirjoittamaan puskuriin 1. Näin kauan kuin käsittelet jokaisen puskurin nopeammin kuin sen täyttymiseen kuluva aika, et menetä mitään tietoja. diff --git a/translations/fi/6-consumer/lessons/2-language-understanding/README.md b/translations/fi/6-consumer/lessons/2-language-understanding/README.md index 67c91ae4a..9e58f7843 100644 --- a/translations/fi/6-consumer/lessons/2-language-understanding/README.md +++ b/translations/fi/6-consumer/lessons/2-language-understanding/README.md @@ -1,6 +1,6 @@ # Ymmärrä kieli -![Tämän oppitunnin yhteenveto sketchnotena](../../../../../translated_images/fi/lesson-22.6148ea28500d9e00c396aaa2649935fb6641362c8f03d8e5e90a676977ab01dd.jpg) +![Tämän oppitunnin yhteenveto sketchnotena](../../../../../translated_images/fi/lesson-22.6148ea28500d9e00.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -46,7 +46,7 @@ Kielentunnistusmallit ovat tekoälymalleja, jotka on koulutettu poimimaan tietty ## Kielentunnistusmallin luominen -![LUIS-logo](../../../../../translated_images/fi/luis-logo.5cb4f3e88c020ee6df4f614e8831f4a4b6809a7247bf52085fb48d629ef9be52.png) +![LUIS-logo](../../../../../translated_images/fi/luis-logo.5cb4f3e88c020ee6.webp) Voit luoda kielentunnistusmalleja LUIS-palvelulla, joka on Microsoftin kielentunnistuspalvelu ja osa Cognitive Services -palveluita. @@ -169,7 +169,7 @@ Voit löytää ohjeet LUIS-portaalin käyttämiseen [Microsoft Docsin LUIS-porta 1. Kun syötät jokaisen esimerkin, LUIS alkaa tunnistaa entiteettejä ja alleviivaa ja merkitsee ne. - ![Esimerkit, joissa numerot ja ajan yksiköt alleviivattu LUIS:n toimesta](../../../../../translated_images/fi/luis-intent-examples.25716580b2d2723cf1bafdf277d015c7f046d8cfa20f27bddf3a0873ec45fab7.png) + ![Esimerkit, joissa numerot ja ajan yksiköt alleviivattu LUIS:n toimesta](../../../../../translated_images/fi/luis-intent-examples.25716580b2d2723c.webp) ### Tehtävä - kouluta ja testaa malli diff --git a/translations/fi/6-consumer/lessons/3-spoken-feedback/README.md b/translations/fi/6-consumer/lessons/3-spoken-feedback/README.md index ff39b5c2f..4f084fc18 100644 --- a/translations/fi/6-consumer/lessons/3-spoken-feedback/README.md +++ b/translations/fi/6-consumer/lessons/3-spoken-feedback/README.md @@ -1,6 +1,6 @@ # Aseta ajastin ja anna puhepalautetta -![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-23.f38483e1d4df4828990d3f02d60e46c978b075d384ae7cb4f7bab738e107c850.jpg) +![Tämän oppitunnin luonnoskuva](../../../../../translated_images/fi/lesson-23.f38483e1d4df4828.webp) > Luonnoskuva: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. diff --git a/translations/fi/6-consumer/lessons/4-multiple-language-support/README.md b/translations/fi/6-consumer/lessons/4-multiple-language-support/README.md index 20d2d8544..817e44092 100644 --- a/translations/fi/6-consumer/lessons/4-multiple-language-support/README.md +++ b/translations/fi/6-consumer/lessons/4-multiple-language-support/README.md @@ -1,6 +1,6 @@ # Tuen lisääminen useille kielille -![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-24.4246968ed058510ab275052e87ef9aa89c7b2f938915d103c605c04dc6cd5bb7.jpg) +![Tämän oppitunnin sketchnote-yhteenveto](../../../../../translated_images/fi/lesson-24.4246968ed058510a.webp) > Sketchnote: [Nitya Narasimhan](https://github.com/nitya). Klikkaa kuvaa nähdäksesi suuremman version. @@ -74,7 +74,7 @@ On olemassa useita tekoälypalveluita, joita voit käyttää sovelluksissasi puh ### Cognitive Services -puhepalvelu -![Puhepalvelun logo](../../../../../translated_images/fi/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Puhepalvelun logo](../../../../../translated_images/fi/azure-speech-logo.a1f08c4befb0159f.webp) Puhepalvelu, jota olet käyttänyt viimeisissä oppitunneissa, sisältää käännöstoimintoja puheen tunnistamiseen. Kun tunnistat puhetta, voit pyytää puheen tekstiversion paitsi samalla kielellä myös muilla kielillä. @@ -82,7 +82,7 @@ Puhepalvelu, jota olet käyttänyt viimeisissä oppitunneissa, sisältää kää ### Cognitive Services -kääntäjäpalvelu -![Kääntäjäpalvelun logo](../../../../../translated_images/fi/azure-translator-logo.c6ed3a4a433edfd2f11577eca105412c50b8396b194cbbd730723dd1d0793bcd.png) +![Kääntäjäpalvelun logo](../../../../../translated_images/fi/azure-translator-logo.c6ed3a4a433edfd2.webp) Kääntäjäpalvelu on omistettu käännöspalvelu, joka voi kääntää tekstiä yhdeltä kieleltä yhdelle tai useammalle kohdekielelle. Kääntämisen lisäksi se tukee monia lisäominaisuuksia, kuten kirosanojen peittämistä. Se mahdollistaa myös tietyn käännöksen määrittämisen tietylle sanalle tai lauseelle, jotta voit hallita termejä, joita ei haluta kääntää, tai käyttää tiettyä tunnettua käännöstä. diff --git a/translations/fi/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md b/translations/fi/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md index ec8d672fb..93dc88a98 100644 --- a/translations/fi/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md +++ b/translations/fi/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md @@ -25,7 +25,7 @@ Puhepalvelun REST API ei tue suoria käännöksiä, mutta voit käyttää Transl > > Esimerkiksi, jos koulutat LUIS:n englanniksi mutta haluat käyttää ranskaa käyttäjän kielenä, voit kääntää lauseita kuten "set a 2 minute and 27 second timer" englannista ranskaksi Bing Translaten avulla ja käyttää **Kuuntele käännös** -painiketta puhuaksesi käännöksen mikrofoniin. > - > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a9.webp) 1. Lisää käännöspalvelun API-avain `speech_api_key`-muuttujan alle: diff --git a/translations/fi/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md b/translations/fi/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md index 145d1313d..1c19f6655 100644 --- a/translations/fi/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md +++ b/translations/fi/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md @@ -37,7 +37,7 @@ Puhepalvelu voi ottaa puheen ja muuntaa sen tekstiksi samalla kielellä, mutta m > > Esimerkiksi, jos koulutat LUIS:n englanniksi mutta haluat käyttää ranskaa käyttäjän kielenä, voit kääntää lauseita kuten "set a 2 minute and 27 second timer" englannista ranskaksi Bing Translaten avulla ja käyttää **Kuuntele käännös**-painiketta puhuaksesi käännöksen mikrofoniin. > - > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a9.webp) 1. Korvaa `recognizer_config` ja `recognizer`-määrittelyt seuraavilla: diff --git a/translations/fi/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md b/translations/fi/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md index f800b8c5c..8aede2e71 100644 --- a/translations/fi/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md +++ b/translations/fi/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md @@ -105,7 +105,7 @@ Puhepalvelun REST API ei tue suoria käännöksiä, mutta voit käyttää Transl > > Esimerkiksi, jos koulutat LUIS:n englanniksi, mutta haluat käyttää ranskaa käyttäjän kielenä, voit kääntää lauseita kuten "set a 2 minute and 27 second timer" englannista ranskaksi Bing Translaten avulla ja käyttää **Kuuntele käännös**-painiketta puhuaksesi käännöksen mikrofoniin. > - > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Kuuntele käännös -painike Bing Translatessa](../../../../../translated_images/fi/bing-translate.348aa796d6efe2a9.webp) 1. Lisää käännöspalvelun API-avain ja sijainti `SPEECH_LOCATION`-kohdan alle: diff --git a/translations/fi/README.md b/translations/fi/README.md index ce862a56f..c359988dd 100644 --- a/translations/fi/README.md +++ b/translations/fi/README.md @@ -8,167 +8,179 @@ [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/IoT-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/IoT-For-Beginners/stargazers/) -### Liity Azure AI Foundry -yhteisöön +### Liity Azure AI Foundry -yhteisöön -Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta. Liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti. +Jos jumitut paikoillesi tai sinulla on kysyttävää tekoälysovellusten rakentamisesta. Liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymykset ovat tervetulleita ja tieto jaetaan vapaasti. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Jos sinulla on tuotepalautetta tai virheitä rakentamisen aikana, käy: +Jos sinulla on palautetta tuotteesta tai virheitä rakentaessasi, käy: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -Seuraa näitä ohjeita päästäksesi alkuun käyttämällä näitä resursseja: -1. **Forkkaa arkisto**: Klikkaa [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) -2. **Kloonaa arkisto**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` +Seuraa näitä ohjeita aloittaaksesi näiden resurssien käytön: +1. **Tee repositoriosta haarukka**: Klikkaa [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) +2. **Kloonaa repositorio**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` 3. [**Liity Microsoft Foundry Discordiin ja tapaa asiantuntijoita ja muita kehittäjiä**](https://discord.com/invite/ByRwuEEgH4) ### 🌐 Monikielinen tuki -#### Tuettu GitHub Actionin kautta (automaattinen & aina ajan tasalla) +#### Tuettu GitHub Actionin kautta (Automaattinen ja aina ajan tasalla) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](./README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabia](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgaria](../bg/README.md) | [Burma (Myanmar)](../my/README.md) | [Kiinan yksinkertaistettu](../zh-CN/README.md) | [Kiinan perinteinen, Hong Kong](../zh-HK/README.md) | [Kiinan perinteinen, Macao](../zh-MO/README.md) | [Kiinan perinteinen, Taiwan](../zh-TW/README.md) | [Kroatia](../hr/README.md) | [Tšekki](../cs/README.md) | [Tanska](../da/README.md) | [Hollanti](../nl/README.md) | [Viro](../et/README.md) | [Suomi](./README.md) | [Ranska](../fr/README.md) | [Saksa](../de/README.md) | [Kreikka](../el/README.md) | [Heprea](../he/README.md) | [Hindi](../hi/README.md) | [Unkari](../hu/README.md) | [Indonesia](../id/README.md) | [Italia](../it/README.md) | [Japani](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korea](../ko/README.md) | [Liettua](../lt/README.md) | [Malesia](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian pidgin](../pcm/README.md) | [Norja](../no/README.md) | [Persia (Farsi)](../fa/README.md) | [Puola](../pl/README.md) | [Portugali (Brasilia)](../pt-BR/README.md) | [Portugali (Portugali)](../pt-PT/README.md) | [Pendžabi (Gurmukhi)](../pa/README.md) | [Romania](../ro/README.md) | [Venäjä](../ru/README.md) | [Serbia (kyrillinen)](../sr/README.md) | [Slovakki](../sk/README.md) | [Sloveeni](../sl/README.md) | [Espanja](../es/README.md) | [Swahili](../sw/README.md) | [Ruotsi](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamili](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkki](../tr/README.md) | [Ukraina](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnam](../vi/README.md) > **Haluatko mieluummin kloonata paikallisesti?** - -> Tämä arkisto sisältää yli 50 käännöstä, mikä kasvattaa huomattavasti latauskokoa. Kloonaa ilman käännöksiä käyttämällä sparse checkoutia: +> +> Tämä repositorio sisältää yli 50 kielen käännöksiä, mikä kasvattavat merkittävästi latauskokoa. Jos haluat kloonata ilman käännöksiä, käytä sparse checkout -toimintoa: +> +> **Bash / macOS / Linux:** > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git > cd IoT-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen huomattavasti nopeammalla latauksella. +> +> **CMD (Windows):** +> ```cmd +> git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git +> cd IoT-For-Beginners +> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" +> ``` +> +> Tämä antaa sinulle kaiken tarvittavan kurssin suorittamiseen nopeammalla latauksella. -# IoT aloittelijoille – Oppimateriaali +# IoT aloittelijoille - Opetussuunnitelma -Microsoftin Azure Cloud Advocates tarjoaa 12 viikon, 24 oppitunnin oppimateriaalin, joka käsittelee IoT:n perusteita. Jokainen oppitunti sisältää ennakko- ja jälkitestit, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen opetusmenetelmämme mahdollistaa oppimisen samalla, kun rakennat, mikä on todistettu tapa saada uudet taidot pysymään. +Microsoftin Azure Cloud Advocates tarjoaa 12 viikon, 24 oppitunnin opetussuunnitelman, joka käsittelee IoT:n perusteita. Jokainen oppitunti sisältää ennen ja jälkeen pidettävät tietokilpailut, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen opetustapamme mahdollistaa oppimisen käytännössä, mikä on todistettu tapa uuden taidon omaksumiseen. -Projektit kattavat ruoan matkan pellolta pöytään. Tämä sisältää maatalouden, logistiikan, valmistuksen, vähittäiskaupan ja kuluttajan – kaikki suosittuja IoT-laitteiden käyttöalueita. +Projektit kattavat ruoan matkan tilalta pöytään. Tämä sisältää maanviljelyn, logistiikan, valmistuksen, vähittäiskaupan ja kuluttajan vaiheet - kaikki suosittuja IoT-laitteiden teollisuudenaloja. -![Kurssin tiekartta, jossa on 24 oppituntia johdannosta, maataloudesta, kuljetuksesta, prosessoinnista, vähittäiskaupasta ja ruoanlaitosta](../../translated_images/fi/Roadmap.bb1dec285dda0eda.webp) +![Kurssin tiekartta, joka näyttää 24 oppituntia sisältäen johdannon, viljelyn, kuljetuksen, jalostuksen, vähittäiskaupan ja ruoanlaiton](../../translated_images/fi/Roadmap.bb1dec285dda0eda.webp) -> Sketchnote [Nitya Narasimhanilta](https://github.com/nitya). Klikkaa kuvaa nähdäksesi isomman version. +> Kuvapiirros [Nitya Narasimhanilta](https://github.com/nitya). Klikkaa kuvaa saadaksesi isomman version. -**Lämmin kiitos kirjoittajillemme [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett) sekä sketchnote-taiteilijallemme [Nitya Narasimhan](https://github.com/nitya).** +**Lämpimät kiitokset kirjoittajillemme [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett) ja kuvapiirtäjällemme [Nitya Narasimhan](https://github.com/nitya).** -**Kiitokset myös tiimillemme [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn), jotka ovat tarkistaneet ja kääntäneet tämän oppimateriaalin – [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform) ja [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** +**Kiitokset myös tiimillemme [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn), jotka ovat tarkistaneet ja kääntäneet tätä opetussuunnitelmaa — [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform) ja [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** -Tapahtukaa tiimi! +Tavataan tiimi! -[![Mainosvideo](../../images/IOT.gif)](https://youtu.be/-wippUJRi5k) +[![Promo video](../../images/IOT.gif)](https://youtu.be/-wippUJRi5k) -**Gif tekijä** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif:** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi projektista videon! +> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista! -> **Opettajat**, olemme [sisällyttäneet ehdotuksia](for-teachers.md) tämän oppimateriaalin käyttöön. Jos haluat luoda omia oppituntejasi, olemme myös lisänneet [oppituntipohjan](lesson-template/README.md). +> **Opettajat**, olemme [sisällyttäneet joitakin ehdotuksia](for-teachers.md) siitä, miten käyttää tätä opetussuunnitelmaa. Jos haluat luoda omia oppitunteja, olemme myös lisänneet [oppituntipohjan](lesson-template/README.md). -> **Opiskelijat** (https://aka.ms/student-page), käyttääkseen tätä oppimateriaalia itsenäisesti, tee koko arkistosta fork ja suorita tehtävät itsenäisesti, aloittaen ennakkotestillä, lukemalla luento ja suorittamalla loput aktiviteeteista. Pyri luomaan projektit ymmärtämällä oppitunnit sen sijaan, että kopioisit ratkaisukoodin; kuitenkin koodi on saatavilla kunkin projektisuuntautuneen oppitunnin /solutions-kansiossa. Toinen idea voisi olla muodostaa opiskeluryhmä ystävien kanssa ja käydä sisältö yhdessä läpi. Lisäopiskelua varten suosittelemme [Microsoft Learnia](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). +> **[Opiskelijat](https://aka.ms/student-page)**, käyttääksesi tätä opetussuunnitelmaa itsenäisesti, haarukoi koko repositorio ja tee harjoitukset itse, aloittaen ennen luentoa pidettävällä tietokilpailulla, sitten lukemalla luento ja tekemällä loput tehtävistä. Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että kopioisit ratkaisukoodin; kyseinen koodi on kuitenkin saatavilla /solutions-kansioissa jokaisessa projektilähtöisessä oppitunnissa. Toinen idea olisi muodostaa opiskeluryhmä ystävien kanssa ja käydä sisältö läpi yhdessä. Lisäopiskelua varten suosittelemme [Microsoft Learnia](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). -Katso tämän kurssin videoesittely: +Katso tämä video saadaksesi yleiskatsauksen kurssiin: -[![Mainosvideo](https://img.youtube.com/vi/bccEMm8gRuc/0.jpg)](https://youtube.com/watch?v=bccEMm8gRuc "Mainosvideo") +[![Promo video](https://img.youtube.com/vi/bccEMm8gRuc/0.jpg)](https://youtube.com/watch?v=bccEMm8gRuc "Promo video") -> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi projektista videon! +> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista! -## Opetusperiaatteet +## Pedagogiikka -Olemme valinneet kaksi pedagogista periaatetta rakennettaessa tätä oppimateriaalia: varmistaa että se on projektipohjainen ja että siinä on usein testejä. Sarjan lopussa opiskelijat ovat rakentaneet kasvien seuranta- ja kastelujärjestelmän, ajoneuvoseurannan, älytehdas-asetuksen ruoan tarkkailua ja tarkistusta varten sekä ääniohjatun ruoanlaittoajastimen. He oppivat myös esineiden internetin perusteet, mukaan lukien laitekoodin kirjoittamisen, pilveen yhdistämisen, telemetrian analysoinnin ja tekoälyn ajamisen reunassa. +Olemme valinneet kaksi pedagogista periaatetta tämän opetussuunnitelman rakentamisessa: varmistaa, että se on projektipohjainen ja että siinä on usein tietokilpailuja. Sarjan lopussa opiskelijat ovat rakentaneet kasvien seuranta- ja kastelujärjestelmän, ajoneuvon seurannan, älytehtaan elintarvikkeiden seurantaan ja tarkastukseen sekä ääniohjatun ruoanlaittoaikakellon, ja he ovat oppineet esineiden internetin perusteet, mukaan lukien laitteen koodin kirjoittamisen, pilvipalveluun yhdistämisen, telemetrian analysoinnin ja tekoälyn suorittamisen reunalaitteilla. -Varmistamalla että sisältö vastaa projekteja, prosessi tehdään opiskelijoille kiinnostavammaksi ja käsitteiden omaksuminen tehostuu. +Sisällön sovittaminen projekteihin tekee prosessista opiskelijoille kiinnostavamman ja parantaa käsitteiden muistamista. -Lisäksi vähäriskinen koe ennen oppituntia asettaa opiskelijan aikeen oppia aiheesta, ja toinen koe oppitunnin jälkeen varmistaa edistyneemmän omaksumisen. Tämä oppimateriaali on suunniteltu olemaan joustava ja hauska ja sen voi suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja kasvavat monimutkaisuudeltaan loppua kohden 12 viikon aikana. +Lisäksi kevyt tietokilpailu ennen tuntia ohjaa opiskelijan käyttämään aikomuksensa uuden aiheen oppimiseen, ja toinen tietokilpailu tunnin jälkeen varmistaa asian paremman muistamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, sen voi suorittaa kokonaan tai osittain. Projektit alkavat pieninä ja monimutkaistuvat vähitellen 12 viikon jakson lopussa. -Jokainen projekti perustuu opiskelijoiden ja harrastajien käytettävissä olevaan todelliseen laitteistoon. Jokainen projekti käsittelee omaa projektialueensa, tarjoten siihen liittyvää taustatietoa. Onnistuneeksi kehittäjäksi tuleminen auttaa ymmärtämään sitä toimintaympäristöä, jossa ongelmia ratkotaan; tämä taustatieto antaa opiskelijoille mahdollisuuden pohtia IoT-ratkaisujaan ja oppimisiaan siinä kontekstissa, jossa heitä saatetaan pyytää ratkaisemaan aitoja ongelmia IoT-kehittäjinä. Opiskelijat oppivat ratkaisujensa 'miksi'-syyt ja saavat arvostusta loppukäyttäjää kohtaan. +Jokainen projekti perustuu opiskelijoiden ja harrastajien saatavilla olevaan todelliseen laitteistoon. Kukin projekti tutkii tiettyä projektialuetta, tarjoten asiaankuuluvaa taustatietoa. Onnistuneeksi kehittäjäksi auttaa ymmärtää ongelmanratkaisun ala, ja taustatiedon tarjoaminen antaa opiskelijoille mahdollisuuden ajatella IoT-ratkaisujaan ja oppimiaan asioita siinä kontekstissa, millaisia todellisia ongelmia he voisivat saada ratkaistavaksi IoT-kehittäjänä. Opiskelijat oppivat ratkaisujen 'miksi' ja saavat arvostusta loppukäyttäjää kohtaan. ## Laitteisto +Meillä on kaksi IoT-laitteistovaihtoehtoa projektien käyttöön henkilökohtaisen mieltymyksen, ohjelmointikielen tuntemuksen tai preferenssien, oppimistavoitteiden ja saatavuuden mukaan. Tarjoamme myös "virtuaalisen laitteiston" version niille, joilla ei ole fyysistä laitteistoa käytettävissä tai jotka haluavat oppia lisää ennen ostopäätöstä. Voit lukea lisää ja löytää "ostoslistan" [laitteistosivulta](./hardware.md), mukaan lukien linkkejä ostaa valmiita sarjoja ystäviltämme Seeed Studiolta. -Meillä on kaksi vaihtoehtoa IoT-laitteistolle projekteihin henkilökohtaisten mieltymysten, ohjelmointikielitaitojen, oppimistavoitteiden ja saatavuuden mukaan. Olemme myös tarjonneet 'virtuaalilaitteiston' versiota niille, joilla ei ole pääsyä laitteisiin tai jotka haluavat oppia lisää ennen ostosta. Voit lukea lisää ja löytää 'ostoskannan' [laitteistosivulta](./hardware.md), mukaan lukien linkit ostaa täydelliset sarjat ystäviltämme Seeed Studiossa. -> 💁 Löydät säännöstömme [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md) ja [Translation](TRANSLATIONS.md) ohjeistot. Otamme mielellämme vastaan rakentavaa palautettasi! +> 💁 Löydät [käyttäytymissääntömme](CODE_OF_CONDUCT.md), [osallistumisohjeet](CONTRIBUTING.md) ja [käännös-ohjeet](TRANSLATIONS.md). Otamme mielellämme vastaan rakentavaa palautettasi! > -> 🔧 Onko sinulla ongelmia? Katso [Vianmääritysohjeemme](TROUBLESHOOTING.md) yleisten ongelmien ratkaisuja varten. +> 🔧 Ongelmatilanteissa tutustu [vianmääritysohjeeseemme](TROUBLESHOOTING.md) yleisimpiin ongelmiin ja niiden ratkaisuihin. ## Jokainen oppitunti sisältää: -- muistiinpanokuvauksen +- luonnosmuistiinpanon - valinnaisen lisävideon -- lämmittelykyselyn ennen oppituntia +- esilämmittelykyselyn ennen oppituntia - kirjallisen oppitunnin -- projektilähtöisissä oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen -- tietotarkistuksia +- projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen +- tiedon tarkistuksia - haasteen - lisälukemista - tehtävän - [oppitunnin jälkeisen kyselyn](https://ff-quizzes.netlify.app/en/) -> **Huomautus kyselyistä**: Kaikki kyselyt löytyvät quiz-app-kansiosta, yhteensä 48 kyselyä joissa jokaisessa on kolme kysymystä. Ne ovat linkitettyinä oppitunneissa, mutta kyselysovellusta voi ajaa paikallisesti tai ottaa käyttöön Azureen; noudata quiz-app-kansion ohjeita. Kyselyitä ollaan vähitellen lokalisoimassa. +> **Huomautus kyselyistä**: Kaikki kyselyt löytyvät quiz-app-kansiosta, yhteensä 48 kyselyä, joissa kussakin on kolme kysymystä. Ne on linkitetty oppitunneista, mutta kyselysovellusta voi ajaa paikallisesti tai ottaa käyttöön Azuren kautta; katso ohjeet `quiz-app`-kansiosta. Ne ovat asteittain paikallistettavina. ## Oppitunnit -| | Projektin nimi | Opitut käsitteet | Oppimistavoitteet | Linkitetty oppitunti | -| :---: | :---------------------------------------: | :------------------------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------: | -| 01 | [Aloittaminen](./1-getting-started/README.md) | Johdatus IoT:hen | Opit IoT:n perusperiaatteet ja IoT-ratkaisujen peruselementit kuten anturit ja pilvipalvelut, kun asennat ensimmäisen IoT-laitteesi | [Johdatus IoT:hen](./1-getting-started/lessons/1-introduction-to-iot/README.md) | -| 02 | [Aloittaminen](./1-getting-started/README.md) | Syvällisempi katsaus IoT:hen | Opit lisää IoT-järjestelmän osista, mikro-ohjaimista ja yksittäisistä korteista | [Syvällisempi katsaus IoT:hen](./1-getting-started/lessons/2-deeper-dive/README.md) | -| 03 | [Aloittaminen](./1-getting-started/README.md) | Vuorovaikutus fyysisen maailman kanssa antureilla ja toimilaitteilla | Opit antureista keräämään tietoa fyysisestä maailmasta ja toimilaitteista palautteen lähettämiseen, samalla rakentaen yöllisvalo | [Vuorovaikutus fyysisen maailman kanssa antureilla ja toimilaitteilla](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | -| 04 | [Aloittaminen](./1-getting-started/README.md) | Yhdistä laitteesi internetiin | Opit yhdistämään IoT-laitteen internetiin viestien lähettämiseksi ja vastaanottamiseksi liittämällä yöllisvalosi MQTT-välittäjään | [Yhdistä laitteesi internetiin](./1-getting-started/lessons/4-connect-internet/README.md) | -| 05 | [Farmi](./2-farm/README.md) | Ennusta kasvin kasvu | Opit ennustamaan kasvin kasvua IoT-laitteen keräämien lämpötilatietojen perusteella | [Ennusta kasvin kasvu](./2-farm/lessons/1-predict-plant-growth/README.md) | -| 06 | [Farmi](./2-farm/README.md) | Maan kosteuden havaitseminen | Opit havaitsemaan maan kosteuden ja kalibroimaan maankosteusanturin | [Maan kosteuden havaitseminen](./2-farm/lessons/2-detect-soil-moisture/README.md) | -| 07 | [Farmi](./2-farm/README.md) | Kasvien automaattinen kastelu | Opit automatisoimaan ja ajoittamaan kastelun releen ja MQTT:n avulla | [Kasvien automaattinen kastelu](./2-farm/lessons/3-automated-plant-watering/README.md) | -| 08 | [Farmi](./2-farm/README.md) | Siirrä kasvisi pilveen | Opit pilvestä ja pilvipalveluissa isännöidyistä IoT-palveluista sekä miten yhdistät kasvisi niihin julkisen MQTT-välittäjän sijaan | [Siirrä kasvisi pilveen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | -| 09 | [Farmi](./2-farm/README.md) | Siirrä sovelluslogiikka pilveen | Opit kirjoittamaan sovelluslogiikkaa pilveen, joka reagoi IoT-viesteihin | [Siirrä sovelluslogiikka pilveen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | -| 10 | [Farmi](./2-farm/README.md) | Pidä kasvisi turvassa | Opit tietoturvasta IoT:ssa ja miten pidät kasvisi turvassa avainten ja sertifikaattien avulla | [Pidä kasvisi turvassa](./2-farm/lessons/6-keep-your-plant-secure/README.md) | -| 11 | [Liikenne](./3-transport/README.md) | Paikannusseuranta | Opit GPS-paikannuksesta IoT-laitteille | [Paikannusseuranta](./3-transport/lessons/1-location-tracking/README.md) | -| 12 | [Liikenne](./3-transport/README.md) | Paikkatietojen tallennus | Opit tallentamaan IoT-dataa myöhempää visualisointia tai analysointia varten | [Paikkatietojen tallennus](./3-transport/lessons/2-store-location-data/README.md) | -| 13 | [Liikenne](./3-transport/README.md) | Paikkatietojen visualisointi | Opit visualisoimaan paikkatietoja kartalla ja miten kartat esittävät todellisen 3D-maailman kahdessa ulottuvuudessa | [Paikkatietojen visualisointi](./3-transport/lessons/3-visualize-location-data/README.md) | -| 14 | [Liikenne](./3-transport/README.md) | Geoaidat | Opit geoaidoista ja miten niitä voidaan käyttää ilmoittamaan, kun toimitusketjun ajoneuvot ovat lähellä määränpäätään | [Geoaidat](./3-transport/lessons/4-geofences/README.md) | -| 15 | [Valmistus](./4-manufacturing/README.md) | Kouluta hedelmien laatutunnistin | Opit kouluttamaan kuvantunnistinta pilvessä hedelmien laadun tunnistamiseen | [Kouluta hedelmien laatutunnistin](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | -| 16 | [Valmistus](./4-manufacturing/README.md) | Tarkasta hedelmien laatu IoT-laitteella | Opit käyttämään hedelmätunnistinta IoT-laitteesta | [Tarkasta hedelmien laatu IoT-laitteella](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | -| 17 | [Valmistus](./4-manufacturing/README.md) | Aja hedelmätunnistin reunalaitteella | Opit ajamaan hedelmätunnistinta IoT-laitteella reunassa | [Aja hedelmätunnistin reunalaitteella](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | -| 18 | [Valmistus](./4-manufacturing/README.md) | Käynnistä hedelmien laatutunnistus anturista | Opit käynnistämään hedelmien laatutunnistuksen anturin avulla | [Käynnistä hedelmien laatutunnistus anturista](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | -| 19 | [Vähittäiskauppa](./5-retail/README.md) | Kouluta varaston tunnistin | Opit käyttämään objektintunnistusta varaston tunnistimen kouluttamiseen kaupalle | [Kouluta varaston tunnistin](./5-retail/lessons/1-train-stock-detector/README.md) | -| 20 | [Vähittäiskauppa](./5-retail/README.md) | Tarkasta varasto IoT-laitteella | Opit tarkistamaan varaston IoT-laitteella käyttämällä objektintunnistusmallia | [Tarkasta varasto IoT-laitteella](./5-retail/lessons/2-check-stock-device/README.md) | -| 21 | [Kuluttaja](./6-consumer/README.md) | Tunnista puhe IoT-laitteella | Opit tunnistamaan puheen IoT-laitteesta älykkään ajastimen rakentamiseen | [Tunnista puhe IoT-laitteella](./6-consumer/lessons/1-speech-recognition/README.md) | -| 22 | [Kuluttaja](./6-consumer/README.md) | Ymmärrä kieltä | Opit ymmärtämään IoT-laitteelle puhuttuja lauseita | [Ymmärrä kieltä](./6-consumer/lessons/2-language-understanding/README.md) | -| 23 | [Kuluttaja](./6-consumer/README.md) | Aseta ajastin ja anna puhuttu palaute | Opit asettamaan ajastimen IoT-laitteelle ja antamaan puhutun palautteen ajastuksen asettamisesta ja päättymisestä | [Aseta ajastin ja anna puhuttu palaute](./6-consumer/lessons/3-spoken-feedback/README.md) | -| 24 | [Kuluttaja](./6-consumer/README.md) | Tue useita kieliä | Opit tukemaan useita kieliä, sekä puheessa että älykkäältä ajastimelta saatavassa palautteessa | [Tue useita kieliä](./6-consumer/lessons/4-multiple-language-support/README.md) | +| | Projektin nimi | Opetettavat käsitteet | Oppimistavoitteet | Linkitetty oppitunti | +| :---: | :------------------------------------: | :---------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------: | +| 01 | [Aloitus](./1-getting-started/README.md) | Johdatus IoT:hen | Opiskele IoT:n perusperiaatteita ja perustavanlaatuisia IoT-ratkaisuja, kuten antureita ja pilvipalveluita, samalla kun asennat ensimmäisen IoT-laitteesi | [Johdatus IoT:hen](./1-getting-started/lessons/1-introduction-to-iot/README.md) | +| 02 | [Aloitus](./1-getting-started/README.md) | Syvällisempi katsaus IoT:hen | Opiskele lisää IoT-järjestelmän osista sekä mikrokontrollereista ja yksikorttitietokoneista | [Syvällisempi katsaus IoT:hen](./1-getting-started/lessons/2-deeper-dive/README.md) | +| 03 | [Aloitus](./1-getting-started/README.md) | Vuorovaikutus fyysisen maailman kanssa antureilla ja toimilaitteilla | Opiskele antureista tietojen keräämiseksi fyysisestä maailmasta ja toimilaitteista palautteen lähettämiseen samalla, kun rakennat yövalon | [Vuorovaikutus fyysisen maailman kanssa antureilla ja toimilaitteilla](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | +| 04 | [Aloitus](./1-getting-started/README.md) | Liitä laitteesi Internetiin | Opiskele, miten IoT-laite liitetään Internetiin lähettämään ja vastaanottamaan viestejä liittämällä yövalo MQTT-välittäjään | [Liitä laitteesi Internetiin](./1-getting-started/lessons/4-connect-internet/README.md) | +| 05 | [Maatila](./2-farm/README.md) | Ennusta kasvien kasvu | Opiskele kasvien kasvun ennustamista IoT-laitteen keräämän lämpötilatiedon avulla | [Ennusta kasvien kasvu](./2-farm/lessons/1-predict-plant-growth/README.md) | +| 06 | [Maatila](./2-farm/README.md) | Havaitse maaperän kosteus | Opiskele maaperän kosteuden havaitsemista ja maaperän kosteusanturin kalibrointia | [Havaitse maaperän kosteus](./2-farm/lessons/2-detect-soil-moisture/README.md) | +| 07 | [Maatila](./2-farm/README.md) | Automaattinen kasvien kastelu | Opiskele kastelun automatisointia ja ajastamista releen ja MQTT:n avulla | [Automaattinen kasvien kastelu](./2-farm/lessons/3-automated-plant-watering/README.md) | +| 08 | [Maatila](./2-farm/README.md) | Siirrä kasvisi pilveen | Opiskele pilvestä ja pilvipohjaisista IoT-palveluista sekä kuinka liittää kasvisi johonkin näistä julkisen MQTT-välittäjän sijaan | [Siirrä kasvisi pilveen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | +| 09 | [Maatila](./2-farm/README.md) | Siirrä sovelluslogiikkasi pilveen | Opiskele, miten voit kirjoittaa pilveen sovelluslogiikkaa, joka reagoi IoT-viesteihin | [Siirrä sovelluslogiikkasi pilveen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | +| 10 | [Maatila](./2-farm/README.md) | Pidä kasvisi turvassa | Opiskele IoT:n turvallisuutta ja kuinka suojata kasvisi avaimilla ja sertifikaateilla | [Pidä kasvisi turvassa](./2-farm/lessons/6-keep-your-plant-secure/README.md) | +| 11 | [Liikenne](./3-transport/README.md) | Paikannusseuranta | Opiskele GPS-paikannusseurantaa IoT-laitteille | [Paikannusseuranta](./3-transport/lessons/1-location-tracking/README.md) | +| 12 | [Liikenne](./3-transport/README.md) | Tallenna sijaintitiedot | Opiskele kuinka tallentaa IoT-dataa myöhempää visualisointia tai analysointia varten | [Tallenna sijaintitiedot](./3-transport/lessons/2-store-location-data/README.md) | +| 13 | [Liikenne](./3-transport/README.md) | Visualisoi sijaintitiedot | Opiskele sijaintitietojen visualisointia kartalla ja kuinka kartat esittävät todellisen 3D-maailman 2D-muodossa | [Visualisoi sijaintitiedot](./3-transport/lessons/3-visualize-location-data/README.md) | +| 14 | [Liikenne](./3-transport/README.md) | Geofence-alueet | Opiskele geofence-alueita ja kuinka niitä voidaan käyttää varoittamaan, kun toimitusketjun ajoneuvot lähestyvät määränpäätään | [Geofence-alueet](./3-transport/lessons/4-geofences/README.md) | +| 15 | [Valmistus](./4-manufacturing/README.md) | Kouluta hedelmien laatu tunnistava | Opiskele pilvipohjaisen kuvien luokittelijan kouluttamista hedelmien laadun tunnistamiseen | [Kouluta hedelmien laatu tunnistava](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | +| 16 | [Valmistus](./4-manufacturing/README.md) | Tarkista hedelmien laatu IoT-laitteella | Opiskele hedelmien laadun tarkistamista IoT-laitteella käyttäen hedelmänlaadun tunnistusmallia | [Tarkista hedelmien laatu IoT-laitteella](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | +| 17 | [Valmistus](./4-manufacturing/README.md) | Suorita hedelmätunnistus reunalaitteella | Opiskele hedelmänsuojaussuoritusta IoT-laitteella reunalaitteessa | [Suorita hedelmätunnistus reunalaitteella](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | +| 18 | [Valmistus](./4-manufacturing/README.md) | Laukaise hedelmien laadun tunnistus anturista | Opiskele kuinka laukaista hedelmien laadun tunnistus anturista | [Laukaise hedelmien laadun tunnistus anturista](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | +| 19 | [Vähittäiskauppa](./5-retail/README.md) | Kouluta varaston tunnistin | Opiskele esineentunnistusta ja kuinka kouluttaa varaston tunnistaja varaston laskemiseen kaupassa | [Kouluta varaston tunnistin](./5-retail/lessons/1-train-stock-detector/README.md) | +| 20 | [Vähittäiskauppa](./5-retail/README.md) | Tarkista varasto IoT-laitteella | Opiskele kuinka tarkistaa varasto IoT-laitteella esineentunnistusmallia käyttäen | [Tarkista varasto IoT-laitteella](./5-retail/lessons/2-check-stock-device/README.md) | +| 21 | [Kuluttaja](./6-consumer/README.md) | Tunnista puhe IoT-laitteella | Opiskele puheen tunnistamista IoT-laitteella älyajastimen rakentamiseksi | [Tunnista puhe IoT-laitteella](./6-consumer/lessons/1-speech-recognition/README.md) | +| 22 | [Kuluttaja](./6-consumer/README.md) | Ymmärrä kieltä | Opiskele lauseiden ymmärtämistä IoT-laitteelle puhuttuna | [Ymmärrä kieltä](./6-consumer/lessons/2-language-understanding/README.md) | +| 23 | [Kuluttaja](./6-consumer/README.md) | Aseta ajastin ja anna suullista palautetta | Opiskele, kuinka asettaa ajastin IoT-laitteella ja antaa suullista palautetta ajastimen asetuksesta ja päättymisestä | [Aseta ajastin ja anna suullista palautetta](./6-consumer/lessons/3-spoken-feedback/README.md) | +| 24 | [Kuluttaja](./6-consumer/README.md) | Tue useita kieliä | Opiskele kuinka tukea useita kieliä, sekä puheen vastaanotossa että älyajastimen vastauksissa | [Tue useita kieliä](./6-consumer/lessons/4-multiple-language-support/README.md) | ## Offline-käyttö -Voit ajaa tämän dokumentaation offline-tilassa käyttämällä [Docsify](https://docsify.js.org/#/). Haaroita tämä repo, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi ja kirjoita tämän repositorion juurikansiossa `docsify serve`. Verkkosivusto palvellaan portissa 3000 paikallisessa koneessasi: `localhost:3000`. +Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä [Docsifytä](https://docsify.js.org/#/). Forkkaa tämä repo, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi, ja sitten tämän repokansion juuressa kirjoita `docsify serve`. Verkkosivusto palvellaan portissa 3000 paikallisessa ympäristössäsi: `localhost:3000`. ## Kysely -Kiitos yhteisölle interaktiivisen kyselyn tarjoamisesta, joka testaa tietojasi jokaisesta luvusta. Testaa tietosi [täältä](https://ff-quizzes.netlify.app/en/) +Kiitos yhteisölle vuorovaikutteisen kyselyn tarjoamisesta, joka testaa tietämystäsi jokaisesta luvusta. Voit testata tietosi [tässä](https://ff-quizzes.netlify.app/en/). ### PDF -Voit luoda PDF-version tästä sisällöstä offline-käyttöä varten tarvittaessa. Varmista, että sinulla on [npm asennettuna](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) ja aja seuraavat komennot tämän repositorion juurikansiossa: +Voit luoda PDF-version tästä sisällöstä offline-käyttöä varten tarvittaessa. Varmista, että sinulla on [npm asennettuna](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) ja suorita seuraavat komennot tämän repokansion juuressa: ```sh npm i npm run convert ``` -### Dian esitykset +### Esitykset + +Joitakin oppitunteja varten on esitysdioja [slides](../../slides) kansiossa. -Osasta oppitunteja löytyy diakansio [slides](../../slides) kansiosta. -## Muut opetussuunnitelmat +## Muut oppimateriaalit -Tiimimme tuottaa muitakin opetussuunnitelmia! Katso: +Tiimimme tuottaa myös muita oppimateriaaleja! Tutustu: ### LangChain [![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) [![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) - +[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents [![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) + [![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) @@ -183,7 +195,7 @@ Tiimimme tuottaa muitakin opetussuunnitelmia! Katso: --- -### Ydinopiskelu +### Ydinohjelmointi [![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -202,11 +214,11 @@ Tiimimme tuottaa muitakin opetussuunnitelmia! Katso: ## Kuvien lähdeviitteet -Löydät kaikki tässä opetussuunnitelmassa käytettyjen kuvien lähdeviitteet tarvittaessa tiedostosta [Attributions](./attributions.md). +Löydät kaikki tämän opetussuunnitelman kuvien lähdeviitteet tarvittaessa tiedostosta [Attributions](./attributions.md). --- **Vastuuvapauslauseke**: -Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, otathan huomioon, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen omalla kielellä tulee pitää virallisena lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinymmärryksistä tai virhetulkintojen seurauksista. +Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme täsmällisyyteen, automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää virallisena lähteenä. Tärkeissä asioissa suosittelemme ammattilaisen tekemää ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinkäsityksistä tai virhetulkinnoista. \ No newline at end of file diff --git a/translations/fi/hardware.md b/translations/fi/hardware.md index 06b279d74..b314614a1 100644 --- a/translations/fi/hardware.md +++ b/translations/fi/hardware.md @@ -26,7 +26,7 @@ Seeed Studios on ystävällisesti koonnut kaikki laitteistot helposti ostettavik **[IoT aloittelijoille Seeedin ja Microsoftin kanssa - Raspberry Pi 4 Starter Kit](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)** -[![Raspberry Pi -laitteistopaketti](../../translated_images/fi/pi-hardware-kit.26dbadaedb7dd44c73b0131d5d68ea29472ed0a9744f90d5866c6d82f2d16380.png)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) +[![Raspberry Pi -laitteistopaketti](../../translated_images/fi/pi-hardware-kit.26dbadaedb7dd44c.webp)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) ## Arduino diff --git a/translations/no/.co-op-translator.json b/translations/no/.co-op-translator.json index 219736592..035540cfa 100644 --- a/translations/no/.co-op-translator.json +++ b/translations/no/.co-op-translator.json @@ -738,8 +738,8 @@ "language_code": "no" }, "README.md": { - "original_hash": "3fcc056cd3837e33d2bdf79f9c359fcf", - "translation_date": "2026-01-30T02:05:16+00:00", + "original_hash": "accf69391fa4450eadbf492ca024cccf", + "translation_date": "2026-04-06T16:09:23+00:00", "source_file": "README.md", "language_code": "no" }, diff --git a/translations/no/1-getting-started/lessons/1-introduction-to-iot/README.md b/translations/no/1-getting-started/lessons/1-introduction-to-iot/README.md index e3799c130..5bced5adc 100644 --- a/translations/no/1-getting-started/lessons/1-introduction-to-iot/README.md +++ b/translations/no/1-getting-started/lessons/1-introduction-to-iot/README.md @@ -1,6 +1,6 @@ # Introduksjon til IoT -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-1.2606670fa61ee904687da5d6fa4e726639d524d064c895117da1b95b9ff6251d.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-1.2606670fa61ee904.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. diff --git a/translations/no/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md b/translations/no/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md index bcb4fbe2c..113bff6f6 100644 --- a/translations/no/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md +++ b/translations/no/1-getting-started/lessons/1-introduction-to-iot/virtual-device.md @@ -203,7 +203,7 @@ Som et andre 'Hello World'-steg, vil du kjøre CounterFit-appen og koble koden d Appen vil starte og åpne i nettleseren din: - ![CounterFit-appen kjører i en nettleser](../../../../../translated_images/no/counterfit-first-run.433326358b669b31d0e99c3513cb01bfbb13724d162c99cdcc8f51ecf5f9c779.png) + ![CounterFit-appen kjører i en nettleser](../../../../../translated_images/no/counterfit-first-run.433326358b669b31.webp) Den vil være merket som *Disconnected*, med LED-en øverst til høyre slått av. @@ -224,7 +224,7 @@ Som et andre 'Hello World'-steg, vil du kjøre CounterFit-appen og koble koden d 1. I denne nye terminalen, kjør `app.py`-filen som før. Statusen til CounterFit vil endres til **Connected**, og LED-en vil lyse opp. - ![CounterFit viser som tilkoblet](../../../../../translated_images/no/counterfit-connected.ed30b46d8f79b0921f3fc70be10366e596a89dca3f80c2224a9d9fc98fccf884.png) + ![CounterFit viser som tilkoblet](../../../../../translated_images/no/counterfit-connected.ed30b46d8f79b092.webp) > 💁 Du kan finne denne koden i [code/virtual-device](../../../../../1-getting-started/lessons/1-introduction-to-iot/code/virtual-device)-mappen. diff --git a/translations/no/1-getting-started/lessons/2-deeper-dive/README.md b/translations/no/1-getting-started/lessons/2-deeper-dive/README.md index 8538135b8..9d0796ffb 100644 --- a/translations/no/1-getting-started/lessons/2-deeper-dive/README.md +++ b/translations/no/1-getting-started/lessons/2-deeper-dive/README.md @@ -1,6 +1,6 @@ # En dypere titt på IoT -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-2.324b0580d620c25e0a24fb7fddfc0b29a846dd4b82c08e7a9466d580ee78ce51.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-2.324b0580d620c25e.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -38,7 +38,7 @@ De to hovedkomponentene i en IoT-applikasjon er *Internett* og *tingen*. La oss Disse enhetene samhandler med den fysiske verden enten ved å bruke sensorer for å samle inn data fra omgivelsene eller ved å kontrollere utganger eller aktuatorer for å gjøre fysiske endringer. Et typisk eksempel på dette er en smart termostat - en enhet som har en temperatursensor, en måte å sette ønsket temperatur på, som en dreieknapp eller berøringsskjerm, og en tilkobling til et varme- eller kjølesystem som kan slås på når temperaturen som oppdages er utenfor ønsket område. Temperatursensoren oppdager at rommet er for kaldt, og en aktuator slår på varmen. -![Et diagram som viser temperatur og en dreieknapp som innganger til en IoT-enhet, og kontroll av en varmeovn som en utgang](../../../../../translated_images/no/basic-thermostat.a923217fd1f37e5a6f3390396a65c22a387419ea2dd17e518ec24315ba6ae9a8.png) +![Et diagram som viser temperatur og en dreieknapp som innganger til en IoT-enhet, og kontroll av en varmeovn som en utgang](../../../../../translated_images/no/basic-thermostat.a923217fd1f37e5a.webp) Det finnes et enormt utvalg av forskjellige ting som kan fungere som IoT-enheter, fra dedikert maskinvare som måler én ting, til generelle enheter, til og med smarttelefonen din! En smarttelefon kan bruke sensorer for å oppdage verden rundt seg og aktuatorer for å samhandle med verden - for eksempel ved å bruke en GPS-sensor for å oppdage posisjonen din og en høyttaler for å gi deg navigasjonsinstruksjoner til en destinasjon. @@ -54,7 +54,7 @@ Enheter kobler seg heller ikke alltid direkte til Internett via WiFi eller kable I eksempelet med en smart termostat vil termostaten koble seg til hjemmets WiFi og en skytjeneste. Den vil sende temperaturdata til denne skytjenesten, og derfra vil dataene bli skrevet til en database som lar huseieren sjekke nåværende og tidligere temperaturer via en telefonapp. En annen tjeneste i skyen vil vite hvilken temperatur huseieren ønsker, og sende meldinger tilbake til IoT-enheten via skytjenesten for å fortelle varmesystemet om det skal slås på eller av. -![Et diagram som viser temperatur og en dreieknapp som innganger til en IoT-enhet, IoT-enheten med toveis kommunikasjon til skyen, som igjen har toveis kommunikasjon til en telefon, og kontroll av en varmeovn som en utgang fra IoT-enheten](../../../../../translated_images/no/mobile-controlled-thermostat.4a994010473d8d6a52ba68c67e5f02dc8928c717e93ca4b9bc55525aa75bbb60.png) +![Et diagram som viser temperatur og en dreieknapp som innganger til en IoT-enhet, IoT-enheten med toveis kommunikasjon til skyen, som igjen har toveis kommunikasjon til en telefon, og kontroll av en varmeovn som en utgang fra IoT-enheten](../../../../../translated_images/no/mobile-controlled-thermostat.4a994010473d8d6a.webp) En enda smartere versjon kan bruke AI i skyen med data fra andre sensorer koblet til andre IoT-enheter, som bevegelsessensorer som oppdager hvilke rom som er i bruk, samt data som vær og til og med kalenderen din, for å ta beslutninger om hvordan temperaturen skal settes på en smart måte. For eksempel kan den slå av varmen hvis den leser fra kalenderen din at du er på ferie, eller slå av varmen rom for rom avhengig av hvilke rom du bruker, og lære fra dataene for å bli mer og mer nøyaktig over tid. @@ -94,7 +94,7 @@ Jo raskere klokkesyklusen er, desto flere instruksjoner kan behandles hvert seku > 💁 CPU-er utfører programmer ved hjelp av [hent-dekoder-utfør-syklusen](https://wikipedia.org/wiki/Instruction_cycle). For hvert klokketikk vil CPU-en hente neste instruksjon fra minnet, dekode den, og deretter utføre den, for eksempel ved å bruke en aritmetisk logikkenhet (ALU) til å legge sammen to tall. Noen utførelser vil ta flere tikk å kjøre, så neste syklus vil kjøre ved neste tikk etter at instruksjonen er fullført. -![Hent-dekoder-utfør-syklusen som viser henting av en instruksjon fra programmet lagret i RAM, deretter dekoding og utføring på en CPU](../../../../../translated_images/no/fetch-decode-execute.2fd6f150f6280392807f4475382319abd0cee0b90058e1735444d6baa6f2078c.png) +![Hent-dekoder-utfør-syklusen som viser henting av en instruksjon fra programmet lagret i RAM, deretter dekoding og utføring på en CPU](../../../../../translated_images/no/fetch-decode-execute.2fd6f150f6280392.webp) Mikrokontrollere har mye lavere klokkehastigheter enn stasjonære eller bærbare datamaskiner, eller til og med de fleste smarttelefoner. Wio Terminal, for eksempel, har en CPU som kjører på 120MHz eller 120 000 000 sykluser per sekund. @@ -182,7 +182,7 @@ Arduino-kort programmeres i C eller C++. Bruk av C/C++ gjør at koden din kan ko Du vil skrive oppstartskoden din i `setup`-funksjonen, for eksempel for å koble til WiFi og skytjenester eller initialisere pinner for inngang og utgang. Koden i `loop`-funksjonen vil deretter inneholde prosesseringskoden, for eksempel å lese fra en sensor og sende verdien til skyen. Du vil vanligvis inkludere en forsinkelse i hver loop, for eksempel hvis du bare vil sende sensordata hvert 10. sekund, legger du til en forsinkelse på 10 sekunder på slutten av loopen slik at mikrokontrolleren kan sove og spare strøm, og deretter kjøre loopen igjen når det trengs 10 sekunder senere. -![En Arduino-sketch som kjører setup først, deretter kjører loop gjentatte ganger](../../../../../translated_images/no/arduino-sketch.79590cb837ff7a7c6a68d1afda6cab83fd53d3bb1bd9a8bf2eaf8d693a4d3ea6.png) +![En Arduino-sketch som kjører setup først, deretter kjører loop gjentatte ganger](../../../../../translated_images/no/arduino-sketch.79590cb837ff7a7c.webp) ✅ Denne programarkitekturen er kjent som en *event loop* eller *message loop*. Mange applikasjoner bruker dette i bakgrunnen og det er standarden for de fleste skrivebordsapplikasjoner som kjører på OS-er som Windows, macOS eller Linux. `loop` lytter etter meldinger fra brukergrensesnittkomponenter som knapper, eller enheter som tastaturet, og reagerer på dem. Du kan lese mer i denne [artikkelen om event loops](https://wikipedia.org/wiki/Event_loop). diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/README.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/README.md index c4351dbac..30489a1c1 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/README.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/README.md @@ -1,6 +1,6 @@ # Interagere med den fysiske verden med sensorer og aktuatorer -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-3.cc3b7b4cd646de598698cce043c0393fd62ef42bac2eaf60e61272cd844250f4.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-3.cc3b7b4cd646de59.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -92,7 +92,7 @@ Digitale sensorer, som analoge sensorer, registrerer verden rundt seg ved hjelp Den enkleste digitale sensoren er en knapp eller bryter. Dette er en sensor med to tilstander, på eller av. -![En knapp mottar 5 volt. Når den ikke er trykket, returnerer den 0 volt, når den er trykket, returnerer den 5 volt](../../../../../translated_images/no/button.eadb560b77ac45e56f523d9d8876e40444f63b419e33eb820082d461fa79490b.png) +![En knapp mottar 5 volt. Når den ikke er trykket, returnerer den 0 volt, når den er trykket, returnerer den 5 volt](../../../../../translated_images/no/button.eadb560b77ac45e5.webp) Pinner på IoT-enheter, som GPIO-pinner, kan måle dette signalet direkte som en 0 eller 1. Hvis spenningen som sendes er den samme som spenningen som returneres, leses verdien som 1, ellers leses verdien som 0. Det er ikke behov for å konvertere signalet, det kan bare være 1 eller 0. @@ -125,7 +125,7 @@ Noen vanlige aktuatorer inkluderer: Følg den relevante veiledningen nedenfor for å legge til en aktuator i IoT-enheten din, kontrollert av sensoren, for å bygge en IoT-nattlampe. Den vil samle lysnivåer fra lyssensoren og bruke en aktuator i form av en LED til å sende ut lys når det registrerte lysnivået er for lavt. -![Et flytskjema for oppgaven som viser lysnivåer som leses og kontrolleres, og LED-en som styres](../../../../../translated_images/no/assignment-1-flow.7552a51acb1a5ec858dca6e855cdbb44206434006df8ba3799a25afcdab1665d.png) +![Et flytskjema for oppgaven som viser lysnivåer som leses og kontrolleres, og LED-en som styres](../../../../../translated_images/no/assignment-1-flow.7552a51acb1a5ec8.webp) * [Arduino - Wio Terminal](wio-terminal-actuator.md) * [Enkeltkort-datamaskin - Raspberry Pi](pi-actuator.md) @@ -140,7 +140,7 @@ Som sensorer, er aktuatorer enten analoge eller digitale. Analoge aktuatorer tar et analogt signal og konverterer det til en form for interaksjon, der interaksjonen endres basert på spenningen som tilføres. Et eksempel er en dimbar lampe, som de du kanskje har hjemme. Mengden spenning som tilføres lampen avgjør hvor sterkt den lyser. -![En lyspære dimmet ved lav spenning og lysere ved høyere spenning](../../../../../translated_images/no/dimmable-light.9ceffeb195dec1a849da718b2d71b32c35171ff7dfea9c07bbf82646a67acf6b.png) +![En lyspære dimmet ved lav spenning og lysere ved høyere spenning](../../../../../translated_images/no/dimmable-light.9ceffeb195dec1a8.webp) Akkurat som med sensorer, fungerer den faktiske IoT-enheten med digitale signaler, ikke analoge. Dette betyr at for å sende et analogt signal, trenger IoT-enheten en digital-til-analog-omformer (DAC), enten direkte på IoT-enheten eller på et tilkoblingskort. Dette vil konvertere 0-ene og 1-ene fra IoT-enheten til en analog spenning som aktuatoren kan bruke. @@ -187,7 +187,7 @@ Digitale aktuatorer, som digitale sensorer, har enten to tilstander som styres a En enkel digital aktuator er en LED. Når en enhet sender et digitalt signal på 1, sendes en høy spenning som tenner LED-en. Når et digitalt signal på 0 sendes, faller spenningen til 0V, og LED-en slukkes. -![En LED er av ved 0 volt og på ved 5V](../../../../../translated_images/no/led.ec6d94f66676a174ad06d9fa9ea49c2ee89beb18b312d5c6476467c66375b07f.png) +![En LED er av ved 0 volt og på ved 5V](../../../../../translated_images/no/led.ec6d94f66676a174.webp) ✅ Hvilke andre enkle 2-tilstandsaktuatorer kan du komme på? Et eksempel er en solenoid, som er en elektromagnet som kan aktiveres for å gjøre ting som å flytte en dørlås for å låse/åpne en dør. diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md index 3c5731263..aa3d35ea1 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-actuator.md @@ -26,7 +26,7 @@ Grove LED-en kommer som en modul med et utvalg av lysdioder, slik at du kan velg Koble til LED-en. -![En Grove LED](../../../../../translated_images/no/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![En Grove LED](../../../../../translated_images/no/grove-led.6c853be93f473cf2.webp) 1. Velg din favoritt-LED og sett beina inn i de to hullene på LED-modulen. @@ -40,7 +40,7 @@ Koble til LED-en. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til den digitale kontakten merket **D5** på Grove Base-hatten som er festet til Pi-en. Denne kontakten er den andre fra venstre, på raden av kontakter ved siden av GPIO-pinnene. -![Grove LED koblet til kontakt D5](../../../../../translated_images/no/pi-led.97f1d474981dc35d1c7996c7b17de355d3d0a6bc9606d79fa5f89df933415122.png) +![Grove LED koblet til kontakt D5](../../../../../translated_images/no/pi-led.97f1d474981dc35d.webp) ## Programmer nattlampen diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md index d54a2bb1e..ed2521305 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/pi-sensor.md @@ -16,13 +16,13 @@ Grove-lyssensoren som brukes til å måle lysnivåene må kobles til Raspberry P Koble til lyssensoren -![En Grove-lyssensor](../../../../../translated_images/no/grove-light-sensor.b8127b7c434e632d6bcdb57587a14e9ef69a268a22df95d08628f62b8fa5505c.png) +![En Grove-lyssensor](../../../../../translated_images/no/grove-light-sensor.b8127b7c434e632d.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på lyssensormodulen. Den vil kun passe én vei. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til den analoge kontakten merket **A0** på Grove Base-hatten som er festet til Pi. Denne kontakten er den andre fra høyre, på raden av kontakter ved siden av GPIO-pinnene. -![Grove-lyssensoren koblet til kontakten A0](../../../../../translated_images/no/pi-light-sensor.66cc1e31fa48cd7d5f23400d4b2119aa41508275cb7c778053a7923b4e972d7e.png) +![Grove-lyssensoren koblet til kontakten A0](../../../../../translated_images/no/pi-light-sensor.66cc1e31fa48cd7d.webp) ## Programmer lyssensoren diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md index 264df763f..6b685a9d3 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-actuator.md @@ -36,11 +36,11 @@ Legg til LED-en i CounterFit-appen. 1. Velg **Add**-knappen for å opprette LED-en på Pin 5. - ![LED-innstillingene](../../../../../translated_images/no/counterfit-create-led.ba9db1c9b8c622a635d6dfae5cdc4e70c2b250635bd4f0601c6cf0bd22b7ba46.png) + ![LED-innstillingene](../../../../../translated_images/no/counterfit-create-led.ba9db1c9b8c622a6.webp) LED-en vil bli opprettet og vises i listen over aktuatorer. - ![LED-en opprettet](../../../../../translated_images/no/counterfit-led.c0ab02de6d256ad84d9bad4d67a7faa709f0ea83e410cfe9b5561ef0cef30b1c.png) + ![LED-en opprettet](../../../../../translated_images/no/counterfit-led.c0ab02de6d256ad8.webp) Når LED-en er opprettet, kan du endre fargen ved hjelp av *Color*-velgeren. Velg **Set**-knappen for å endre fargen etter at du har valgt den. diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md index fdccd57cd..c0d8c8ffa 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/virtual-device-sensor.md @@ -28,11 +28,11 @@ Legg til lyssensoren i CounterFit-appen. 1. Velg **Add**-knappen for å opprette lyssensoren på Pin 0. - ![Innstillingene for lyssensoren](../../../../../translated_images/no/counterfit-create-light-sensor.9f36a5e0d4458d8d554d54b34d2c806d56093d6e49fddcda2d20f6fef7f5cce1.png) + ![Innstillingene for lyssensoren](../../../../../translated_images/no/counterfit-create-light-sensor.9f36a5e0d4458d8d.webp) Lyssensoren vil bli opprettet og vises i sensorlisten. - ![Lyssensoren opprettet](../../../../../translated_images/no/counterfit-light-sensor.5d0f5584df56b90f6b2561910d9cb20dfbd73eeff2177c238d38f4de54aefae1.png) + ![Lyssensoren opprettet](../../../../../translated_images/no/counterfit-light-sensor.5d0f5584df56b90f.webp) ## Programmer lyssensoren diff --git a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md index 14365ec1a..414726259 100644 --- a/translations/no/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md +++ b/translations/no/1-getting-started/lessons/3-sensors-and-actuators/wio-terminal-actuator.md @@ -26,7 +26,7 @@ Grove LED-en kommer som en modul med et utvalg av lysdioder, slik at du kan velg Koble til LED-en. -![En Grove LED](../../../../../translated_images/no/grove-led.6c853be93f473cf2c439cfc74bb1064732b22251a83cedf66e62f783f9cc1a79.png) +![En Grove LED](../../../../../translated_images/no/grove-led.6c853be93f473cf2.webp) 1. Velg din favoritt-LED og sett bena inn i de to hullene på LED-modulen. diff --git a/translations/no/1-getting-started/lessons/4-connect-internet/README.md b/translations/no/1-getting-started/lessons/4-connect-internet/README.md index eed1b1c3b..b88bd4f2a 100644 --- a/translations/no/1-getting-started/lessons/4-connect-internet/README.md +++ b/translations/no/1-getting-started/lessons/4-connect-internet/README.md @@ -1,6 +1,6 @@ # Koble enheten din til Internett -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-4.7344e074ea68fa545fd320b12dce36d72dd62d28c3b4596cb26cf315f434b98f.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-4.7344e074ea68fa54.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -47,7 +47,7 @@ MQTT er den mest populære kommunikasjonsprotokollen for IoT-enheter og dekkes i MQTT har én megler og flere klienter. Alle klienter kobler seg til megleren, og megleren ruter meldinger til relevante klienter. Meldinger rutes ved hjelp av navngitte emner, i stedet for å bli sendt direkte til en individuell klient. En klient kan publisere til et emne, og alle klienter som abonnerer på det emnet vil motta meldingen. -![IoT-enhet publiserer telemetri på /telemetry-emnet, og sky-tjenesten abonnerer på det emnet](../../../../../translated_images/no/mqtt.cbf7f21d9adc3e17548b359444cc11bb4bf2010543e32ece9a47becf54438c23.png) +![IoT-enhet publiserer telemetri på /telemetry-emnet, og sky-tjenesten abonnerer på det emnet](../../../../../translated_images/no/mqtt.cbf7f21d9adc3e17.webp) ✅ Gjør litt research. Hvis du har mange IoT-enheter, hvordan kan du sikre at MQTT-megleren din kan håndtere alle meldingene? @@ -69,7 +69,7 @@ I stedet for å håndtere kompleksiteten ved å sette opp en MQTT-megler som en > 💁 Denne testmegleren er offentlig og ikke sikker. Alle kan lytte til det du publiserer, så den bør ikke brukes med data som må holdes privat. -![Et flytskjema for oppgaven som viser lysnivåer som leses og sjekkes, og LED-en som kontrolleres](../../../../../translated_images/no/assignment-1-internet-flow.3256feab5f052fd273bf4e331157c574c2c3fa42e479836fc9c3586f41db35a5.png) +![Et flytskjema for oppgaven som viser lysnivåer som leses og sjekkes, og LED-en som kontrolleres](../../../../../translated_images/no/assignment-1-internet-flow.3256feab5f052fd2.webp) Følg relevant steg nedenfor for å koble enheten din til MQTT-megleren: @@ -350,7 +350,7 @@ For maskiner kan du kanskje ønske å beholde dataene, spesielt hvis de brukes t IoT-enhetsdesignere bør også vurdere om IoT-enheten kan brukes under et Internett-avbrudd eller tap av signal forårsaket av plassering. En smart termostat bør kunne ta noen begrensede beslutninger for å kontrollere oppvarming hvis den ikke kan sende telemetri til skyen på grunn av et avbrudd. -[![Denne Ferrari-en ble ubrukelig fordi noen prøvde å oppgradere den under bakken der det ikke er mobildekning](../../../../../translated_images/no/bricked-car.dc38f8efadc6c59d76211f981a521efb300939283dee468f79503aae3ec67615.png)](https://twitter.com/internetofshit/status/1315736960082808832) +[![Denne Ferrari-en ble ubrukelig fordi noen prøvde å oppgradere den under bakken der det ikke er mobildekning](../../../../../translated_images/no/bricked-car.dc38f8efadc6c59d.webp)](https://twitter.com/internetofshit/status/1315736960082808832) For MQTT å håndtere tap av tilkobling, må enheten og serverkoden være ansvarlig for å sikre meldingsoverføring hvis det er nødvendig, for eksempel ved å kreve at alle meldinger som sendes, besvares med tilleggsmeldinger på et svar-emne, og hvis ikke, blir de manuelt køet for å bli sendt på nytt senere. @@ -358,7 +358,7 @@ For MQTT å håndtere tap av tilkobling, må enheten og serverkoden være ansvar Kommandoer er meldinger sendt fra skyen til en enhet, som instruerer den til å gjøre noe. Ofte innebærer dette å gi en slags utgang via en aktuator, men det kan være en instruksjon for selve enheten, som å starte på nytt eller samle inn ekstra telemetri og returnere det som svar på kommandoen. -![En Internett-tilkoblet termostat som mottar en kommando om å slå på oppvarmingen](../../../../../translated_images/no/commands.d6c06bbbb3a02cce95f2831a1c331daf6dedd4e470c4aa2b0ae54f332016e504.png) +![En Internett-tilkoblet termostat som mottar en kommando om å slå på oppvarmingen](../../../../../translated_images/no/commands.d6c06bbbb3a02cce.webp) En termostat kan motta en kommando fra skyen om å slå på oppvarmingen. Basert på telemetridataene fra alle sensorene, hvis skytjenesten har bestemt at oppvarmingen skal være på, sender den den relevante kommandoen. diff --git a/translations/no/2-farm/lessons/1-predict-plant-growth/README.md b/translations/no/2-farm/lessons/1-predict-plant-growth/README.md index f957ee8c2..6546c8054 100644 --- a/translations/no/2-farm/lessons/1-predict-plant-growth/README.md +++ b/translations/no/2-farm/lessons/1-predict-plant-growth/README.md @@ -1,6 +1,6 @@ ## Forutsi plantevekst med IoT -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-5.42b234299279d263143148b88ab4583861a32ddb03110c6c1120e41bb88b2592.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-5.42b234299279d263.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -102,7 +102,7 @@ Stegene for å gjøre dette manuelt er: For eksempel, hvis dagens høyeste temperatur er 25°C, og den laveste er 12°C: -![GDD = 25 + 12 delt på 2, deretter trekk 10 fra resultatet som gir 8,5](../../../../../translated_images/no/gdd-calculation-strawberries.59f57db94b22adb8ff6efb951ace33af104a1c6ccca3ffb0f8169c14cb160c90.png) +![GDD = 25 + 12 delt på 2, deretter trekk 10 fra resultatet som gir 8,5](../../../../../translated_images/no/gdd-calculation-strawberries.59f57db94b22adb8.webp) * 25 + 12 = 37 * 37 / 2 = 18,5 diff --git a/translations/no/2-farm/lessons/1-predict-plant-growth/assignment.md b/translations/no/2-farm/lessons/1-predict-plant-growth/assignment.md index 1954ca13b..5c789bd31 100644 --- a/translations/no/2-farm/lessons/1-predict-plant-growth/assignment.md +++ b/translations/no/2-farm/lessons/1-predict-plant-growth/assignment.md @@ -33,7 +33,7 @@ Når du har temperaturdata, kan du bruke Jupyter Notebook i dette repoet til å Jupyter vil starte opp og åpne notebooken i nettleseren din. Arbeid deg gjennom instruksjonene i notebooken for å visualisere de målte temperaturene og beregne vekstgrad-dagene. - ![Jupyter-notebooken](../../../../../translated_images/no/gdd-jupyter-notebook.c5b52cf21094f158a61f47f455490fd95f1729777ff90861a4521820bf354cdc.png) + ![Jupyter-notebooken](../../../../../translated_images/no/gdd-jupyter-notebook.c5b52cf21094f158.webp) ## Vurderingskriterier diff --git a/translations/no/2-farm/lessons/1-predict-plant-growth/pi-temp.md b/translations/no/2-farm/lessons/1-predict-plant-growth/pi-temp.md index ec9d834e7..e61fa575a 100644 --- a/translations/no/2-farm/lessons/1-predict-plant-growth/pi-temp.md +++ b/translations/no/2-farm/lessons/1-predict-plant-growth/pi-temp.md @@ -16,7 +16,7 @@ Grove-temperatursensoren kan kobles til Raspberry Pi. Koble til temperatursensoren -![En Grove-temperatursensor](../../../../../translated_images/no/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![En Grove-temperatursensor](../../../../../translated_images/no/grove-dht11.07f8eafceee17004.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på fuktighets- og temperatursensoren. Den vil kun passe én vei. diff --git a/translations/no/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md b/translations/no/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md index b5cd4582a..50756f71c 100644 --- a/translations/no/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md +++ b/translations/no/2-farm/lessons/1-predict-plant-growth/virtual-device-temp.md @@ -38,11 +38,11 @@ Legg til fuktighets- og temperatursensorene i CounterFit-appen. 1. Velg **Add**-knappen for å opprette fuktighetssensoren på Pin 5. - ![Innstillingene for fuktighetssensoren](../../../../../translated_images/no/counterfit-create-humidity-sensor.2750e27b6f30e09cf4e22101defd5252710717620816ab41ba688f91f757c49a.png) + ![Innstillingene for fuktighetssensoren](../../../../../translated_images/no/counterfit-create-humidity-sensor.2750e27b6f30e09c.webp) Fuktighetssensoren vil bli opprettet og vises i sensorlisten. - ![Fuktighetssensoren opprettet](../../../../../translated_images/no/counterfit-humidity-sensor.7b12f7f339e430cb26c8211d2dba4ef75261b353a01da0932698b5bebd693f27.png) + ![Fuktighetssensoren opprettet](../../../../../translated_images/no/counterfit-humidity-sensor.7b12f7f339e430cb.webp) 1. Opprett en temperatursensor: @@ -54,11 +54,11 @@ Legg til fuktighets- og temperatursensorene i CounterFit-appen. 1. Velg **Add**-knappen for å opprette temperatursensoren på Pin 6. - ![Innstillingene for temperatursensoren](../../../../../translated_images/no/counterfit-create-temperature-sensor.199350ed34f7343d79dccbe95eaf6c11d2121f03d1c35ab9613b330c23f39b29.png) + ![Innstillingene for temperatursensoren](../../../../../translated_images/no/counterfit-create-temperature-sensor.199350ed34f7343d.webp) Temperatursensoren vil bli opprettet og vises i sensorlisten. - ![Temperatursensoren opprettet](../../../../../translated_images/no/counterfit-temperature-sensor.f0560236c96a9016bafce7f6f792476fe3367bc6941a1f7d5811d144d4bcbfff.png) + ![Temperatursensoren opprettet](../../../../../translated_images/no/counterfit-temperature-sensor.f0560236c96a9016.webp) ## Programmer temperatursensor-appen diff --git a/translations/no/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md b/translations/no/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md index 8f66b8469..17a74deb9 100644 --- a/translations/no/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md +++ b/translations/no/2-farm/lessons/1-predict-plant-growth/wio-terminal-temp.md @@ -18,7 +18,7 @@ Grove-temperatursensoren kan kobles til Wio Terminals digitale port. Koble til temperatursensoren. -![En Grove-temperatursensor](../../../../../translated_images/no/grove-dht11.07f8eafceee170043efbb53e1d15722bd4e00fbaa9ff74290b57e9f66eb82c17.png) +![En Grove-temperatursensor](../../../../../translated_images/no/grove-dht11.07f8eafceee17004.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på fuktighets- og temperatursensoren. Den kan bare settes inn på én måte. diff --git a/translations/no/2-farm/lessons/2-detect-soil-moisture/README.md b/translations/no/2-farm/lessons/2-detect-soil-moisture/README.md index b39eba84b..0d63e9521 100644 --- a/translations/no/2-farm/lessons/2-detect-soil-moisture/README.md +++ b/translations/no/2-farm/lessons/2-detect-soil-moisture/README.md @@ -13,7 +13,7 @@ I²C har en buss som består av 2 hovedledninger, sammen med 2 strømledninger: | VCC | Voltage common collector | Strømforsyningen for enhetene. Denne er koblet til SDA- og SCL-ledningene for å gi strøm via en pull-up-motstand som slår av signalet når ingen enhet er kontroller. | | GND | Ground | Gir en felles jord for den elektriske kretsen. | -![I2C-buss med 3 enheter koblet til SDA- og SCL-ledningene, som deler en felles jordledning](../../../../../translated_images/no/i2c.83da845dde02256bdd462dbe0d5145461416b74930571b89d1ae142841eeb584.png) +![I2C-buss med 3 enheter koblet til SDA- og SCL-ledningene, som deler en felles jordledning](../../../../../translated_images/no/i2c.83da845dde02256b.webp) For å sende data vil én enhet utstede en startbetingelse for å vise at den er klar til å sende data. Den vil deretter bli kontrolleren. Kontrolleren sender deretter adressen til enheten den ønsker å kommunisere med, sammen med informasjon om den ønsker å lese eller skrive data. Etter at dataene er overført, sender kontrolleren en stoppbetingelse for å indikere at den er ferdig. Etter dette kan en annen enhet bli kontroller og sende eller motta data. diff --git a/translations/no/2-farm/lessons/2-detect-soil-moisture/assignment.md b/translations/no/2-farm/lessons/2-detect-soil-moisture/assignment.md index 346a78075..e03ed0b14 100644 --- a/translations/no/2-farm/lessons/2-detect-soil-moisture/assignment.md +++ b/translations/no/2-farm/lessons/2-detect-soil-moisture/assignment.md @@ -20,14 +20,14 @@ Du må gjenta disse trinnene flere ganger for å få de nødvendige avlesningene Den gravimetriske jordfuktigheten beregnes som: -![jordfuktighet % er vekt våt minus vekt tørr, delt på vekt tørr, ganger 100](../../../../../translated_images/no/gsm-calculation.6da38c6201eec14e7573bb2647aa18892883193553d23c9d77e5dc681522dfb2.png) +![jordfuktighet % er vekt våt minus vekt tørr, delt på vekt tørr, ganger 100](../../../../../translated_images/no/gsm-calculation.6da38c6201eec14e.webp) * W - vekten av den våte jorden * W - vekten av den tørre jorden For eksempel, si at du har en jordprøve som veier 212g våt og 197g tørr. -![Beregningen fylt inn](../../../../../translated_images/no/gsm-calculation-example.99f9803b4f29e97668e7c15412136c0c399ab12dbba0b89596fdae9d8aedb6fb.png) +![Beregningen fylt inn](../../../../../translated_images/no/gsm-calculation-example.99f9803b4f29e976.webp) * W = 212g * W = 197g diff --git a/translations/no/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md b/translations/no/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md index b04eaec96..49263660f 100644 --- a/translations/no/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md +++ b/translations/no/2-farm/lessons/2-detect-soil-moisture/pi-soil-moisture.md @@ -18,13 +18,13 @@ Grove jordfuktighetssensoren kan kobles til Raspberry Pi. Koble til jordfuktighetssensoren. -![En Grove jordfuktighetssensor](../../../../../translated_images/no/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78be5cc5a07839385fd6718857f31b5bf5ad3d0c73c83b2f0ef.png) +![En Grove jordfuktighetssensor](../../../../../translated_images/no/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78b.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på jordfuktighetssensoren. Den kan kun settes inn på én måte. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til den analoge kontakten merket **A0** på Grove Base Hat som er festet til Pi. Denne kontakten er den andre fra høyre, på raden av kontakter ved siden av GPIO-pinnene. -![Grove jordfuktighetssensor koblet til A0-kontakten](../../../../../translated_images/no/pi-soil-moisture-sensor.fdd7eb2393792cf6739cacf1985d9f55beda16d372f30d0b5a51d586f978a870.png) +![Grove jordfuktighetssensor koblet til A0-kontakten](../../../../../translated_images/no/pi-soil-moisture-sensor.fdd7eb2393792cf6.webp) 1. Sett jordfuktighetssensoren inn i jorden. Den har en 'høyeste posisjonslinje' - en hvit linje på tvers av sensoren. Sett sensoren inn opp til, men ikke forbi, denne linjen. diff --git a/translations/no/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md b/translations/no/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md index 82293aee3..aa06936e3 100644 --- a/translations/no/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md +++ b/translations/no/2-farm/lessons/2-detect-soil-moisture/virtual-device-soil-moisture.md @@ -34,11 +34,11 @@ Legg til jordfuktighetssensoren i CounterFit-appen. 1. Velg **Add**-knappen for å opprette *Soil Moisture*-sensoren på Pin 0. - ![Innstillingene for jordfuktighetssensoren](../../../../../translated_images/no/counterfit-create-soil-moisture-sensor.35266135a5e0ae68b29a684d7db0d2933a8098b2307d197f7c71577b724603aa.png) + ![Innstillingene for jordfuktighetssensoren](../../../../../translated_images/no/counterfit-create-soil-moisture-sensor.35266135a5e0ae68.webp) Jordfuktighetssensoren vil bli opprettet og vises i sensorlisten. - ![Jordfuktighetssensoren opprettet](../../../../../translated_images/no/counterfit-soil-moisture-sensor.81742b2de0e9de60a3b3b9a2ff8ecc686d428eb6d71820f27a693be26e5aceee.png) + ![Jordfuktighetssensoren opprettet](../../../../../translated_images/no/counterfit-soil-moisture-sensor.81742b2de0e9de60.webp) ## Programmer appen for jordfuktighetssensoren diff --git a/translations/no/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md b/translations/no/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md index febaa00b4..a22c33801 100644 --- a/translations/no/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md +++ b/translations/no/2-farm/lessons/2-detect-soil-moisture/wio-terminal-soil-moisture.md @@ -18,7 +18,7 @@ Grove jordfuktighetssensoren kan kobles til Wio Terminals konfigurerbare analog/ Koble til jordfuktighetssensoren. -![En Grove jordfuktighetssensor](../../../../../translated_images/no/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78be5cc5a07839385fd6718857f31b5bf5ad3d0c73c83b2f0ef.png) +![En Grove jordfuktighetssensor](../../../../../translated_images/no/grove-capacitive-soil-moisture-sensor.e7f0776cce30e78b.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på jordfuktighetssensoren. Den kan bare settes inn på én måte. diff --git a/translations/no/2-farm/lessons/3-automated-plant-watering/README.md b/translations/no/2-farm/lessons/3-automated-plant-watering/README.md index 7b12b4960..09e75b875 100644 --- a/translations/no/2-farm/lessons/3-automated-plant-watering/README.md +++ b/translations/no/2-farm/lessons/3-automated-plant-watering/README.md @@ -1,6 +1,6 @@ # Automatisk plantevanning -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-7.30b5f577d3cb8e031238751475cb519c7d6dbaea261b5df4643d086ffb2a03bb.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-7.30b5f577d3cb8e03.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -32,7 +32,7 @@ IoT-enheter bruker lav spenning. Selv om dette er nok for sensorer og lavstrøms Løsningen på dette er å ha en pumpe koblet til en ekstern strømkilde og bruke en aktuator til å slå på pumpen, på samme måte som du ville slått på et lys. Det krever en liten mengde energi (i form av energi i kroppen din) for fingeren din å trykke på en bryter, og dette kobler lyset til strømnettet som kjører på 110v/240v. -![En lysbryter slår på strømmen til et lys](../../../../../translated_images/no/light-switch.760317ad6ab8bd6d611da5352dfe9c73a94a0822ccec7df3c8bae35da18e1658.png) +![En lysbryter slår på strømmen til et lys](../../../../../translated_images/no/light-switch.760317ad6ab8bd6d.webp) > 🎓 [Strømnett](https://wikipedia.org/wiki/Mains_electricity) refererer til elektrisiteten som leveres til hjem og bedrifter gjennom nasjonal infrastruktur i mange deler av verden. @@ -72,7 +72,7 @@ Når spaken beveger seg, kan du vanligvis høre den lage kontakt med elektromagn Elektromagneten trenger ikke mye strøm for å aktivere og trekke spaken, den kan kontrolleres med 3,3V eller 5V utgang fra et IoT-utviklingskort. Utgangskretsen kan bære mye mer strøm, avhengig av reléet, inkludert strømnettspenning eller enda høyere strømnivåer for industriell bruk. På denne måten kan et IoT-utviklingskort kontrollere et vanningssystem, fra en liten pumpe for en enkelt plante, til et massivt industrielt system for en hel kommersiell gård. -![Et Grove-relé med kontrollkrets, utgangskrets og relé merket](../../../../../translated_images/no/grove-relay-labelled.293e068f5c3c2a199bd7892f2661fdc9e10c920b535cfed317fbd6d1d4ae1168.png) +![Et Grove-relé med kontrollkrets, utgangskrets og relé merket](../../../../../translated_images/no/grove-relay-labelled.293e068f5c3c2a19.webp) Bildet ovenfor viser et Grove-relé. Kontrollkretsen kobles til en IoT-enhet og slår reléet av eller på med 3,3V eller 5V. Utgangskretsen har to terminaler, hvorav en kan være strøm eller jord. Utgangskretsen kan håndtere opptil 250V ved 10A, nok for en rekke enheter som drives av strømnettet. Du kan få reléer som kan håndtere enda høyere strømnivåer. diff --git a/translations/no/2-farm/lessons/3-automated-plant-watering/pi-relay.md b/translations/no/2-farm/lessons/3-automated-plant-watering/pi-relay.md index ec3f24631..79d2f6660 100644 --- a/translations/no/2-farm/lessons/3-automated-plant-watering/pi-relay.md +++ b/translations/no/2-farm/lessons/3-automated-plant-watering/pi-relay.md @@ -18,13 +18,13 @@ Grove-reléet kan kobles til Raspberry Pi. Koble til reléet. -![Et Grove-relé](../../../../../translated_images/no/grove-relay.d426958ca210fbd0fb7983d7edc069d46c73a8b0a099d94797bd756f7b6bb6be.png) +![Et Grove-relé](../../../../../translated_images/no/grove-relay.d426958ca210fbd0.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på reléet. Den vil kun gå inn på én måte. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til den digitale kontakten merket **D5** på Grove Base Hat som er festet til Pi. Denne kontakten er den andre fra venstre, på raden av kontakter ved siden av GPIO-pinnene. La jordfuktighetssensoren være koblet til **A0**-kontakten. -![Grove-reléet koblet til D5-kontakten, og jordfuktighetssensoren koblet til A0-kontakten](../../../../../translated_images/no/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e69ec716cd2719ce117700bd1fc933eaf93476c103c57939b.png) +![Grove-reléet koblet til D5-kontakten, og jordfuktighetssensoren koblet til A0-kontakten](../../../../../translated_images/no/pi-relay-and-soil-moisture-sensor.02f3198975b8c53e.webp) 1. Sett jordfuktighetssensoren inn i jorden, hvis den ikke allerede er det fra forrige leksjon. diff --git a/translations/no/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md b/translations/no/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md index edb680625..e3ad3f72d 100644 --- a/translations/no/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md +++ b/translations/no/2-farm/lessons/3-automated-plant-watering/virtual-device-relay.md @@ -28,11 +28,11 @@ Legg til reléet i CounterFit-appen. 1. Velg **Add**-knappen for å opprette reléet på Pin 5. - ![Reléinnstillingene](../../../../../translated_images/no/counterfit-create-relay.fa7c40fd0f2f6afc33b35ea94fcb235085be4861e14e3fe6b9b7bcfc82d1c888.png) + ![Reléinnstillingene](../../../../../translated_images/no/counterfit-create-relay.fa7c40fd0f2f6afc.webp) Reléet vil bli opprettet og vises i listen over aktuatorer. - ![Reléet opprettet](../../../../../translated_images/no/counterfit-relay.bbf74c1dbdc8b9acd983367fcbd06703a402aefef6af54ddb28e11307ba8a12c.png) + ![Reléet opprettet](../../../../../translated_images/no/counterfit-relay.bbf74c1dbdc8b9ac.webp) ## Programmer reléet diff --git a/translations/no/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md b/translations/no/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md index 0c1ff6cd5..9e3ed1fec 100644 --- a/translations/no/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md +++ b/translations/no/2-farm/lessons/3-automated-plant-watering/wio-terminal-relay.md @@ -18,7 +18,7 @@ Grove-reléet kan kobles til Wio Terminals digitale port. Koble til reléet. -![Et Grove-relé](../../../../../translated_images/no/grove-relay.d426958ca210fbd0fb7983d7edc069d46c73a8b0a099d94797bd756f7b6bb6be.png) +![Et Grove-relé](../../../../../translated_images/no/grove-relay.d426958ca210fbd0.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på reléet. Den vil kun gå inn på én måte. diff --git a/translations/no/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md b/translations/no/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md index f94885a64..175834fb9 100644 --- a/translations/no/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md +++ b/translations/no/2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Migrer planten din til skyen -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-8.3f21f3c11159e6a0a376351973ea5724d5de68fa23b4288853a174bed9ac48c3.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-8.3f21f3c11159e6a0.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -46,8 +46,8 @@ Dette kunne være svært kostbart, kreve et bredt spekter av dyktige ansatte, og Skyen blir ofte spøkefullt referert til som "noen andres datamaskin". Den opprinnelige ideen var enkel – i stedet for å kjøpe datamaskiner, leier du noen andres datamaskin. En annen part, en skyleverandør, ville administrere enorme datasentre. De ville være ansvarlige for å kjøpe og installere maskinvaren, administrere strøm og kjøling, nettverk, bygningssikkerhet, maskinvare- og programvareoppdateringer, alt. Som kunde ville du leie de datamaskinene du trenger, leie flere når etterspørselen øker, og redusere antallet du leier hvis etterspørselen synker. Disse datasentrene finnes over hele verden. -![Et Microsoft sky-datasenter](../../../../../translated_images/no/azure-region-existing.73f704604f2aa6cb9b5a49ed40e93d4fd81ae3f4e6af4a8ca504023902832f56.png) -![Planlagt utvidelse av et Microsoft sky-datasenter](../../../../../translated_images/no/azure-region-planned-expansion.a5074a1e8af74f156a73552d502429e5b126ea5019274d767ecb4b9afdad442b.png) +![Et Microsoft sky-datasenter](../../../../../translated_images/no/azure-region-existing.73f704604f2aa6cb.webp) +![Planlagt utvidelse av et Microsoft sky-datasenter](../../../../../translated_images/no/azure-region-planned-expansion.a5074a1e8af74f15.webp) Disse datasentrene kan være flere kvadratkilometer store. Bildene ovenfor ble tatt for noen år siden ved et Microsoft sky-datasenter og viser den opprinnelige størrelsen, sammen med en planlagt utvidelse. Området ryddet for utvidelsen er over 5 kvadratkilometer. @@ -108,11 +108,11 @@ IoT-tjenester i skyen løser disse problemene. De vedlikeholdes av store skyleve IoT-enheter kobler seg til en skytjeneste enten ved å bruke en enhets-SDK (et bibliotek som gir kode for å jobbe med funksjonene til tjenesten) eller direkte via en kommunikasjonsprotokoll som MQTT eller HTTP. Enhets-SDK er vanligvis den enkleste ruten å ta, da den håndterer alt for deg, som å vite hvilke emner som skal publiseres eller abonneres på, og hvordan man håndterer sikkerhet. -![Enheter kobler seg til en tjeneste ved hjelp av en enhets-SDK. Serverkode kobler seg også til tjenesten via en SDK](../../../../../translated_images/no/iot-service-connectivity.7e873847921a5d6fd60d0ba3a943210194518cee0d4e362476624316443275c3.png) +![Enheter kobler seg til en tjeneste ved hjelp av en enhets-SDK. Serverkode kobler seg også til tjenesten via en SDK](../../../../../translated_images/no/iot-service-connectivity.7e873847921a5d6f.webp) Enheten din kommuniserer deretter med andre deler av applikasjonen din via denne tjenesten – på samme måte som du sendte telemetri og mottok kommandoer via MQTT. Dette gjøres vanligvis ved hjelp av en tjeneste-SDK eller et lignende bibliotek. Meldinger kommer fra enheten din til tjenesten, hvor andre komponenter i applikasjonen din kan lese dem, og meldinger kan deretter sendes tilbake til enheten din. -![Enheter uten en gyldig hemmelig nøkkel kan ikke koble seg til IoT-tjenesten](../../../../../translated_images/no/iot-service-allowed-denied-connection.818b0063ac213fb84204a7229303764d9b467ca430fb822b4ac2fca267d56726.png) +![Enheter uten en gyldig hemmelig nøkkel kan ikke koble seg til IoT-tjenesten](../../../../../translated_images/no/iot-service-allowed-denied-connection.818b0063ac213fb8.webp) Disse tjenestene implementerer sikkerhet ved å vite om alle enhetene som kan koble til og sende data, enten ved å ha enhetene forhåndsregistrert med tjenesten eller ved å gi enhetene hemmelige nøkler eller sertifikater de kan bruke til å registrere seg med tjenesten første gang de kobler til. Ukjente enheter kan ikke koble seg til; hvis de prøver, avviser tjenesten tilkoblingen og ignorerer meldinger sendt av dem. @@ -124,7 +124,7 @@ Andre komponenter i applikasjonen din kan koble seg til IoT-tjenesten og lære o Nå som du har et Azure-abonnement, kan du registrere deg for en IoT-tjeneste. IoT-tjenesten fra Microsoft heter Azure IoT Hub. -![Azure IoT Hub-logoen](../../../../../translated_images/no/azure-iot-hub-logo.28a19de76d0a1932464d858f7558712bcdace3e5ec69c434d482ed7ce41c3a26.png) +![Azure IoT Hub-logoen](../../../../../translated_images/no/azure-iot-hub-logo.28a19de76d0a1932.webp) Videoen nedenfor gir en kort oversikt over Azure IoT Hub: diff --git a/translations/no/2-farm/lessons/5-migrate-application-to-the-cloud/README.md b/translations/no/2-farm/lessons/5-migrate-application-to-the-cloud/README.md index dd0a15aa6..99495ceab 100644 --- a/translations/no/2-farm/lessons/5-migrate-application-to-the-cloud/README.md +++ b/translations/no/2-farm/lessons/5-migrate-application-to-the-cloud/README.md @@ -1,6 +1,6 @@ # Flytt applikasjonslogikken din til skyen -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-9.dfe99c8e891f48e179724520da9f5794392cf9a625079281ccdcbf09bd85e1b6.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-9.dfe99c8e891f48e1.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -28,7 +28,7 @@ I denne leksjonen dekker vi: Serverløst, eller serverløs databehandling, innebærer å lage små kodeblokker som kjøres i skyen som respons på ulike typer hendelser. Når hendelsen oppstår, kjøres koden din, og den får data om hendelsen. Disse hendelsene kan komme fra mange forskjellige kilder, inkludert webforespørsler, meldinger lagt på en kø, endringer i data i en database, eller meldinger sendt til en IoT-tjeneste av IoT-enheter. -![Hendelser som sendes fra en IoT-tjeneste til en serverløs tjeneste, alle behandles samtidig av flere funksjoner som kjøres](../../../../../translated_images/no/iot-messages-to-serverless.0194da1cc0732bb7d0f823aed3fce54735c6b1ad3bf36089804d8aaefc0a774f.png) +![Hendelser som sendes fra en IoT-tjeneste til en serverløs tjeneste, alle behandles samtidig av flere funksjoner som kjøres](../../../../../translated_images/no/iot-messages-to-serverless.0194da1cc0732bb7.webp) > 💁 Hvis du har brukt databasetriggere før, kan du tenke på dette som det samme: kode som trigges av en hendelse, som å sette inn en rad. @@ -54,7 +54,7 @@ Som IoT-utvikler er den serverløse modellen ideell. Du kan skrive en funksjon s Den serverløse databehandlingstjenesten fra Microsoft kalles Azure Functions. -![Azure Functions-logoen](../../../../../translated_images/no/azure-functions-logo.1cfc8e3204c9c44aaf80fcf406fc8544d80d7f00f8d3e8ed6fed764563e17564.png) +![Azure Functions-logoen](../../../../../translated_images/no/azure-functions-logo.1cfc8e3204c9c44a.webp) Den korte videoen nedenfor gir en oversikt over Azure Functions. diff --git a/translations/no/2-farm/lessons/6-keep-your-plant-secure/README.md b/translations/no/2-farm/lessons/6-keep-your-plant-secure/README.md index c7007ada4..3fb5ac79d 100644 --- a/translations/no/2-farm/lessons/6-keep-your-plant-secure/README.md +++ b/translations/no/2-farm/lessons/6-keep-your-plant-secure/README.md @@ -1,6 +1,6 @@ # Hold planten din trygg -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-10.829c86b80b9403bb770929ee553a1d293afe50dc23121aaf9be144673ae012cc.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-10.829c86b80b9403bb.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -52,11 +52,11 @@ Dette er reelle scenarier som skjer hele tiden. Noen eksempler ble gitt i tidlig Når en enhet kobler seg til en IoT-tjeneste, bruker den en ID for å identifisere seg selv. Problemet er at denne ID-en kan klones – en hacker kan sette opp en ondsinnet enhet som bruker samme ID som en ekte enhet, men sender falske data. -![Både gyldige og ondsinnede enheter kan bruke samme ID for å sende telemetri](../../../../../translated_images/no/iot-device-and-hacked-device-connecting.e0671675df74d6d99eb1dedb5a670e606f698efa6202b1ad4c8ae548db299cc6.png) +![Både gyldige og ondsinnede enheter kan bruke samme ID for å sende telemetri](../../../../../translated_images/no/iot-device-and-hacked-device-connecting.e0671675df74d6d9.webp) Løsningen på dette er å konvertere dataene som sendes til et kryptert format, ved å bruke en verdi som kun er kjent av enheten og skyen. Denne prosessen kalles *kryptering*, og verdien som brukes til å kryptere dataene kalles en *krypteringsnøkkel*. -![Hvis kryptering brukes, vil kun krypterte meldinger bli akseptert, andre vil bli avvist](../../../../../translated_images/no/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f979e46f2849b573564eeb4a4dc5b52f669f62745397492fb.png) +![Hvis kryptering brukes, vil kun krypterte meldinger bli akseptert, andre vil bli avvist](../../../../../translated_images/no/iot-device-and-hacked-device-connecting-encryption.5941aff601fc978f.webp) Skytjenesten kan deretter konvertere dataene tilbake til et lesbart format ved hjelp av en prosess som kalles *dekryptering*, ved å bruke enten samme krypteringsnøkkel eller en *dekrypteringsnøkkel*. Hvis den krypterte meldingen ikke kan dekrypteres med nøkkelen, har enheten blitt hacket, og meldingen blir avvist. diff --git a/translations/no/3-transport/lessons/1-location-tracking/README.md b/translations/no/3-transport/lessons/1-location-tracking/README.md index 585ff3722..549ddb332 100644 --- a/translations/no/3-transport/lessons/1-location-tracking/README.md +++ b/translations/no/3-transport/lessons/1-location-tracking/README.md @@ -1,6 +1,6 @@ # Sporing av lokasjon -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-11.9fddbac4b664c6d50ab7ac9bb32f1fc3f945f03760e72f7f43938073762fb017.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-11.9fddbac4b664c6d5.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -63,13 +63,13 @@ Jorden er en kule – en tredimensjonal sirkel. På grunn av dette defineres pun > 💁 Ingen vet egentlig den opprinnelige grunnen til at sirkler er delt inn i 360 grader. [Gradsiden på Wikipedia](https://wikipedia.org/wiki/Degree_(angle)) dekker noen av de mulige årsakene. -![Breddegradslinjer fra 90° ved Nordpolen, 45° halvveis mellom Nordpolen og ekvator, 0° ved ekvator, -45° halvveis mellom ekvator og Sydpolen, og -90° ved Sydpolen](../../../../../translated_images/no/latitude-lines.11d8d91dfb2014a57437272d7db7fd6607243098e8685f06e0c5f1ec984cb7eb.png) +![Breddegradslinjer fra 90° ved Nordpolen, 45° halvveis mellom Nordpolen og ekvator, 0° ved ekvator, -45° halvveis mellom ekvator og Sydpolen, og -90° ved Sydpolen](../../../../../translated_images/no/latitude-lines.11d8d91dfb2014a5.webp) Breddegrad måles ved hjelp av linjer som sirkler jorden og går parallelt med ekvator, og deler den nordlige og sørlige halvkule inn i 90° hver. Ekvator er på 0°, Nordpolen er 90°, også kjent som 90° Nord, og Sydpolen er på -90°, eller 90° Sør. Lengdegrad måles som antall grader målt øst og vest. 0°-opprinnelsen til lengdegrad kalles *Prime Meridian*, og ble definert i 1884 som en linje fra Nordpolen til Sydpolen som går gjennom [British Royal Observatory i Greenwich, England](https://wikipedia.org/wiki/Royal_Observatory,_Greenwich). -![Lengdegradslinjer som går fra -180° vest for Prime Meridian, til 0° på Prime Meridian, til 180° øst for Prime Meridian](../../../../../translated_images/no/longitude-meridians.ab4ef1c91c064586b0185a3c8d39e585903696c6a7d28c098a93a629cddb5d20.png) +![Lengdegradslinjer som går fra -180° vest for Prime Meridian, til 0° på Prime Meridian, til 180° øst for Prime Meridian](../../../../../translated_images/no/longitude-meridians.ab4ef1c91c064586.webp) > 🎓 En meridian er en imaginær rett linje som går fra Nordpolen til Sydpolen og danner en halvsirkel. @@ -100,7 +100,7 @@ Koordinater for et punkt gis alltid som `breddegrad, lengdegrad`, så eksempelet * En breddegrad på 47.6423109 (47.6423109 grader nord for ekvator) * En lengdegrad på -122.1390293 (122.1390293 grader vest for Prime Meridian). -![Microsoft Campus på 47.6423109,-122.117198](../../../../../translated_images/no/microsoft-gps-location-world.a321d481b010f6adfcca139b2ba0adc53b79f58a540495b8e2ce7f779ea64bfe.png) +![Microsoft Campus på 47.6423109,-122.117198](../../../../../translated_images/no/microsoft-gps-location-world.a321d481b010f6ad.webp) ## Global Positioning Systems (GPS) @@ -112,7 +112,7 @@ GPS-systemer fungerer ved å ha et antall satellitter som sender et signal med h > 💁 GPS-sensorer trenger antenner for å oppdage radiobølger. Antennene som er innebygd i lastebiler og biler med innebygd GPS er plassert for å få et godt signal, vanligvis på frontruten eller taket. Hvis du bruker et separat GPS-system, som en smarttelefon eller en IoT-enhet, må du sørge for at antennen innebygd i GPS-systemet eller telefonen har fri sikt til himmelen, for eksempel ved å være montert på frontruten. -![Ved å vite avstanden fra sensoren til flere satellitter, kan lokasjonen beregnes](../../../../../translated_images/no/gps-satellites.04acf1148fe25fbf1586bc2e8ba698e8d79b79a50c36824b38417dd13372b90f.png) +![Ved å vite avstanden fra sensoren til flere satellitter, kan lokasjonen beregnes](../../../../../translated_images/no/gps-satellites.04acf1148fe25fbf.webp) GPS-satellitter sirkler jorden, ikke på et fast punkt over sensoren, så lokasjonsdata inkluderer høyde over havnivå i tillegg til breddegrad og lengdegrad. diff --git a/translations/no/3-transport/lessons/1-location-tracking/pi-gps-sensor.md b/translations/no/3-transport/lessons/1-location-tracking/pi-gps-sensor.md index 8b199f6ed..765b4bdbb 100644 --- a/translations/no/3-transport/lessons/1-location-tracking/pi-gps-sensor.md +++ b/translations/no/3-transport/lessons/1-location-tracking/pi-gps-sensor.md @@ -18,13 +18,13 @@ Grove GPS-sensoren kan kobles til Raspberry Pi. Koble til GPS-sensoren. -![En Grove GPS-sensor](../../../../../translated_images/no/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![En Grove GPS-sensor](../../../../../translated_images/no/grove-gps-sensor.247943bf69b03f0d.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på GPS-sensoren. Den kan bare settes inn på én måte. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til UART-kontakten merket **UART** på Grove Base-hatten som er festet til Pi-en. Denne kontakten er på midtre rad, på siden nærmest SD-kortsporet, motsatt ende av USB-portene og Ethernet-kontakten. - ![Grove GPS-sensoren koblet til UART-kontakten](../../../../../translated_images/no/pi-gps-sensor.1f99ee2b2f6528915047ec78967bd362e0e4ee0ed594368a3837b9cf9cdaca64.png) + ![Grove GPS-sensoren koblet til UART-kontakten](../../../../../translated_images/no/pi-gps-sensor.1f99ee2b2f652891.webp) 1. Plasser GPS-sensoren slik at den tilkoblede antennen har fri sikt til himmelen - helst ved et åpent vindu eller utendørs. Det er lettere å få et klart signal uten hindringer foran antennen. diff --git a/translations/no/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md b/translations/no/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md index e3e2e86eb..f61ec8f35 100644 --- a/translations/no/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md +++ b/translations/no/3-transport/lessons/1-location-tracking/virtual-device-gps-sensor.md @@ -38,11 +38,11 @@ Legg til GPS-sensoren i CounterFit-appen. 1. Velg **Add**-knappen for å opprette GPS-sensoren på porten `/dev/ttyAMA0`. - ![GPS-sensorinnstillingene](../../../../../translated_images/no/counterfit-create-gps-sensor.6385dc9357d85ad1d47b4abb2525e7651fd498917d25eefc5a72feab09eedc70.png) + ![GPS-sensorinnstillingene](../../../../../translated_images/no/counterfit-create-gps-sensor.6385dc9357d85ad1.webp) GPS-sensoren vil bli opprettet og vises i sensorlisten. - ![GPS-sensoren opprettet](../../../../../translated_images/no/counterfit-gps-sensor.3fbb15af0a5367566f2f11324ef5a6f30861cdf2b497071a5e002b7aa473550e.png) + ![GPS-sensoren opprettet](../../../../../translated_images/no/counterfit-gps-sensor.3fbb15af0a536756.webp) ## Programmer GPS-sensoren @@ -102,17 +102,17 @@ Programmer GPS-sensor-appen. * Sett **Source** til `Lat/Lon`, og angi en spesifikk breddegrad, lengdegrad og antall satellitter brukt for å få GPS-fiksen. Denne verdien vil bare bli sendt én gang, så merk av i **Repeat**-boksen for å få dataene til å gjentas hvert sekund. - ![GPS-sensoren med lat lon valgt](../../../../../translated_images/no/counterfit-gps-sensor-latlon.008c867d75464fbe7f84107cc57040df565ac07cb57d2f21db37d087d470197d.png) + ![GPS-sensoren med lat lon valgt](../../../../../translated_images/no/counterfit-gps-sensor-latlon.008c867d75464fbe.webp) * Sett **Source** til `NMEA` og legg til noen NMEA-setninger i tekstboksen. Alle disse verdiene vil bli sendt, med en forsinkelse på 1 sekund før hver ny GGA (posisjonsfiks)-setning kan leses. - ![GPS-sensoren med NMEA-setninger satt](../../../../../translated_images/no/counterfit-gps-sensor-nmea.c62eea442171e17e19528b051b104cfcecdc9cd18db7bc72920f29821ae63f73.png) + ![GPS-sensoren med NMEA-setninger satt](../../../../../translated_images/no/counterfit-gps-sensor-nmea.c62eea442171e17e.webp) Du kan bruke et verktøy som [nmeagen.org](https://www.nmeagen.org) for å generere disse setningene ved å tegne på et kart. Disse verdiene vil bare bli sendt én gang, så merk av i **Repeat**-boksen for å få dataene til å gjentas ett sekund etter at alt er sendt. * Sett **Source** til GPX-fil, og last opp en GPX-fil med sporingslokasjoner. Du kan laste ned GPX-filer fra en rekke populære kart- og tur-nettsteder, som [AllTrails](https://www.alltrails.com/). Disse filene inneholder flere GPS-lokasjoner som en rute, og GPS-sensoren vil returnere hver nye lokasjon med 1 sekunds intervall. - ![GPS-sensoren med en GPX-fil satt](../../../../../translated_images/no/counterfit-gps-sensor-gpxfile.8310b063ce8a425ccc8ebeec8306aeac5e8e55207f007d52c6e1194432a70cd9.png) + ![GPS-sensoren med en GPX-fil satt](../../../../../translated_images/no/counterfit-gps-sensor-gpxfile.8310b063ce8a425c.webp) Disse verdiene vil bare bli sendt én gang, så merk av i **Repeat**-boksen for å få dataene til å gjentas ett sekund etter at alt er sendt. diff --git a/translations/no/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md b/translations/no/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md index 66d3b1b6b..d8c0dffda 100644 --- a/translations/no/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md +++ b/translations/no/3-transport/lessons/1-location-tracking/wio-terminal-gps-sensor.md @@ -18,7 +18,7 @@ Grove GPS-sensoren kan kobles til Wio Terminal. Koble til GPS-sensoren. -![En Grove GPS-sensor](../../../../../translated_images/no/grove-gps-sensor.247943bf69b03f0d1820ef6ed10c587f9b650e8db55b936851c92412180bd3e2.png) +![En Grove GPS-sensor](../../../../../translated_images/no/grove-gps-sensor.247943bf69b03f0d.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på GPS-sensoren. Den kan kun settes inn på én måte. diff --git a/translations/no/3-transport/lessons/2-store-location-data/README.md b/translations/no/3-transport/lessons/2-store-location-data/README.md index a934cc5cc..97fa21087 100644 --- a/translations/no/3-transport/lessons/2-store-location-data/README.md +++ b/translations/no/3-transport/lessons/2-store-location-data/README.md @@ -1,6 +1,6 @@ # Lagre lokasjonsdata -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-12.ca7f53039712a3ec14ad6474d8445361c84adab643edc53fa6269b77895606bb.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-12.ca7f53039712a3ec.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -75,7 +75,7 @@ NoSQL-databaser kalles NoSQL fordi de ikke har den samme rigide strukturen som S > 💁 Til tross for navnet, lar noen NoSQL-databaser deg bruke SQL for å søke i dataen. -![Dokumenter i mapper i en NoSQL-database](../../../../../translated_images/no/noqsl-database.62d24ccf5b73f60d35c245a8533f1c7147c0928e955b82cb290b2e184bb434df.png) +![Dokumenter i mapper i en NoSQL-database](../../../../../translated_images/no/noqsl-database.62d24ccf5b73f60d.webp) NoSQL-databaser har ikke et forhåndsdefinert skjema som begrenser hvordan data lagres. I stedet kan du sette inn hvilken som helst ustrukturert data, vanligvis ved hjelp av JSON-dokumenter. Disse dokumentene kan organiseres i mapper, lik filer på datamaskinen din. Hvert dokument kan ha forskjellige felt fra andre dokumenter - for eksempel hvis du lagrer IoT-data fra gårdskjøretøyene dine, kan noen ha felt for akselerometer- og hastighetsdata, mens andre kan ha felt for temperaturen i tilhengeren. Hvis du skulle legge til en ny type lastebil, for eksempel en med innebygde vekter for å spore vekten av fraktet mat, kan IoT-enheten din legge til dette nye feltet, og det kan lagres uten endringer i databasen. @@ -89,7 +89,7 @@ I denne leksjonen vil du bruke NoSQL-lagring for å lagre IoT-data. I forrige leksjon fanget du GPS-data fra en GPS-sensor koblet til din IoT-enhet. For å lagre denne IoT-dataen i skyen, må du sende den til en IoT-tjeneste. Nok en gang vil du bruke Azure IoT Hub, den samme IoT-sky-tjenesten du brukte i det forrige prosjektet. -![Sender GPS-telemetri fra en IoT-enhet til IoT Hub](../../../../../translated_images/no/gps-telemetry-iot-hub.8115335d51cd2c1285d20e9d1b18cf685e59a8e093e7797291ef173445af6f3d.png) +![Sender GPS-telemetri fra en IoT-enhet til IoT Hub](../../../../../translated_images/no/gps-telemetry-iot-hub.8115335d51cd2c12.webp) ### Oppgave - send GPS-data til en IoT Hub @@ -171,7 +171,7 @@ Cold path-data lagres i datavarehus - databaser designet for å lagre store meng Når data flyter inn i din IoT Hub, kan du skrive serverløs kode for å lytte etter hendelser publisert til Event-Hub-kompatible endepunktet. Dette er warm path - denne dataen vil bli lagret og brukt i neste leksjon for rapportering om reisen. -![Sender GPS-telemetri fra en IoT-enhet til IoT Hub, deretter til Azure Functions via en event hub trigger](../../../../../translated_images/no/gps-telemetry-iot-hub-functions.24d3fa5592455e9f4e2fe73856b40c3915a292b90263c31d652acfd976cfedd8.png) +![Sender GPS-telemetri fra en IoT-enhet til IoT Hub, deretter til Azure Functions via en event hub trigger](../../../../../translated_images/no/gps-telemetry-iot-hub-functions.24d3fa5592455e9f.webp) ### Oppgave - håndtere GPS-hendelser med serverløs kode @@ -193,7 +193,7 @@ Når data flyter inn i din IoT Hub, kan du skrive serverløs kode for å lytte e ## Azure Storage Accounts -![Azure Storage-logoen](../../../../../translated_images/no/azure-storage-logo.605c0f602c640d482a80f1b35a2629a32d595711b7ab1d7ceea843250615ff32.png) +![Azure Storage-logoen](../../../../../translated_images/no/azure-storage-logo.605c0f602c640d48.webp) Azure Storage Accounts er en allsidig lagringstjeneste som kan lagre data på ulike måter. Du kan lagre data som blobber, i køer, i tabeller eller som filer, og alt dette samtidig. diff --git a/translations/no/3-transport/lessons/3-visualize-location-data/README.md b/translations/no/3-transport/lessons/3-visualize-location-data/README.md index 8ddbe2e4a..db2037b34 100644 --- a/translations/no/3-transport/lessons/3-visualize-location-data/README.md +++ b/translations/no/3-transport/lessons/3-visualize-location-data/README.md @@ -1,6 +1,6 @@ # Visualisere stedsdata -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-13.a259db1485021be7d7c72e90842fbe0ab977529e8684c179b5fb1ea75e92b3ef.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-13.a259db1485021be7.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -64,11 +64,11 @@ La oss ta et enkelt eksempel - i gårdsprosjektet samlet du inn data om jordfukt Som menneske kan det være vanskelig å forstå disse dataene. Det er en vegg av tall uten noen mening. Som et første steg for å visualisere disse dataene, kan de plottes på et linjediagram: -![Et linjediagram av dataene ovenfor](../../../../../translated_images/no/chart-soil-moisture.fd6d9d0cdc0b5f75e78038ecb8945dfc84b38851359de99d84b16e3336d6d7c2.png) +![Et linjediagram av dataene ovenfor](../../../../../translated_images/no/chart-soil-moisture.fd6d9d0cdc0b5f75.webp) Dette kan forbedres ytterligere ved å legge til en linje som indikerer når det automatiske vanningssystemet ble slått på ved en jordfuktighetsmåling på 450: -![Et linjediagram av jordfuktighet med en linje ved 450](../../../../../translated_images/no/chart-soil-moisture-relay.fbb391236d34a64d0abf1df396e9197e0a24df14150620b9cc820a64a55c9326.png) +![Et linjediagram av jordfuktighet med en linje ved 450](../../../../../translated_images/no/chart-soil-moisture-relay.fbb391236d34a64d.webp) Dette diagrammet viser raskt ikke bare hva jordfuktighetsnivåene var, men også punktene der vanningssystemet ble slått på. @@ -84,7 +84,7 @@ Når du arbeider med GPS-data, kan den tydeligste visualiseringen være å plott Å jobbe med kart er en interessant øvelse, og det finnes mange alternativer å velge mellom, som Bing Maps, Leaflet, Open Street Maps og Google Maps. I denne leksjonen vil du lære om [Azure Maps](https://azure.microsoft.com/services/azure-maps/?WT.mc_id=academic-17441-jabenn) og hvordan de kan vise GPS-dataene dine. -![Azure Maps-logoen](../../../../../translated_images/no/azure-maps-logo.35d01dcfbd81fe6140e94257aaa1538f785a58c91576d14e0ebe7a2f6c694b99.png) +![Azure Maps-logoen](../../../../../translated_images/no/azure-maps-logo.35d01dcfbd81fe61.webp) Azure Maps er "en samling av geospatiale tjenester og SDK-er som bruker oppdatert kartdata for å gi geografisk kontekst til web- og mobilapplikasjoner." Utviklere får verktøy for å lage vakre, interaktive kart som kan gjøre ting som å gi anbefalte trafikkruter, gi informasjon om trafikkhendelser, innendørs navigasjon, søkefunksjoner, høydeinformasjon, værdata og mer. @@ -185,7 +185,7 @@ Nå kan du ta neste steg, som er å vise kartet ditt på en nettside. Vi vil bru Hvis du åpner `index.html`-siden din i en nettleser, bør du se et kart lastet inn, fokusert på Seattle-området. - ![Et kart som viser Seattle, en by i delstaten Washington, USA](../../../../../translated_images/no/map-image.8fb2c53eb23ef39c1c0a4410a5282e879b3b452b707eb066ff04c5488d3d72b7.png) + ![Et kart som viser Seattle, en by i delstaten Washington, USA](../../../../../translated_images/no/map-image.8fb2c53eb23ef39c.webp) ✅ Eksperimenter med zoom- og senterparametrene for å endre kartvisningen. Du kan legge til ulike koordinater som tilsvarer dataens breddegrad og lengdegrad for å re-sentrere kartet. @@ -318,7 +318,7 @@ Hvis du prøver å hente data fra lagringen din, kan det hende du blir overraske 1. Last inn HTML-siden i nettleseren din. Den vil laste inn kartet, deretter laste inn all GPS-data fra lagringen og plotte det på kartet. - ![Et kart over Saint Edward State Park nær Seattle, med sirkler som viser en sti rundt kanten av parken](../../../../../translated_images/no/map-path.896832e72dc696ffe20650e4051027d4855442d955f93fdbb80bb417ca8a406f.png) + ![Et kart over Saint Edward State Park nær Seattle, med sirkler som viser en sti rundt kanten av parken](../../../../../translated_images/no/map-path.896832e72dc696ff.webp) > 💁 Du finner denne koden i [code](../../../../../3-transport/lessons/3-visualize-location-data/code)-mappen. diff --git a/translations/no/3-transport/lessons/4-geofences/README.md b/translations/no/3-transport/lessons/4-geofences/README.md index a8781b49a..d364b70ae 100644 --- a/translations/no/3-transport/lessons/4-geofences/README.md +++ b/translations/no/3-transport/lessons/4-geofences/README.md @@ -1,6 +1,6 @@ # Geogjerder -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-14.63980c5150ae3c153e770fb71d044c1845dce79248d86bed9fc525adf3ede73c.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-14.63980c5150ae3c15.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -35,7 +35,7 @@ I denne leksjonen dekker vi: Et geogjerde er en virtuell grense for et geografisk område i den virkelige verden. Geogjerder kan være sirkler definert som et punkt og en radius (for eksempel en sirkel med en diameter på 100m rundt en bygning), eller en polygon som dekker et område som en skole, bygrenser, eller et universitets- eller kontorområde. -![Noen eksempler på geogjerder som viser et sirkulært geogjerde rundt Microsofts firmabutikk, og et polygon-geogjerde rundt Microsofts vestcampus](../../../../../translated_images/no/geofence-examples.172fbc534665769f6e1a1ddcf75e3b25183cd10354c80cc603ba44b635390e1a.png) +![Noen eksempler på geogjerder som viser et sirkulært geogjerde rundt Microsofts firmabutikk, og et polygon-geogjerde rundt Microsofts vestcampus](../../../../../translated_images/no/geofence-examples.172fbc534665769f.webp) > 💁 Du har kanskje allerede brukt geogjerder uten å vite det. Hvis du har satt en påminnelse i iOS-påminnelsesappen eller Google Keep basert på en lokasjon, har du brukt et geogjerde. Disse appene setter opp et geogjerde basert på den angitte lokasjonen og varsler deg når telefonen din går inn i geogjerdet. @@ -212,7 +212,7 @@ Det er viktig å kjenne avstanden til kanten av geogjerdet og kombinere dette me For eksempel, tenk deg GPS-avlesninger som viser at et kjøretøy kjørte langs en vei som ender opp ved siden av et geogjerde. Hvis en enkelt GPS-verdi er unøyaktig og plasserer kjøretøyet innenfor geogjerdet, til tross for at det ikke er noen kjøretøystilgang, kan det ignoreres. -![En GPS-spor som viser et kjøretøy som passerer Microsoft-campus på 520, med GPS-avlesninger langs veien bortsett fra én på campus, innenfor et geogjerde](../../../../../translated_images/no/geofence-crossing-inaccurate-gps.6a3ed911202ad9cabb66d3964888cec03a42c61d5b8f536ad5bdc99716b370f5.png) +![En GPS-spor som viser et kjøretøy som passerer Microsoft-campus på 520, med GPS-avlesninger langs veien bortsett fra én på campus, innenfor et geogjerde](../../../../../translated_images/no/geofence-crossing-inaccurate-gps.6a3ed911202ad9ca.webp) På bildet ovenfor er det en geofence over en del av Microsoft-campus. Den røde linjen viser en lastebil som kjører langs 520, med sirkler som representerer GPS-avlesningene. De fleste av disse er nøyaktige og langs 520, med én unøyaktig avlesning inne i geofencen. Det er ingen måte denne avlesningen kan være korrekt – det finnes ingen veier som gjør det mulig for lastebilen å plutselig svinge av fra 520 inn på campus og deretter tilbake til 520. Koden som sjekker denne geofencen må ta tidligere avlesninger i betraktning før den handler basert på resultatene fra geofence-testen. ✅ Hvilke ekstra data ville du trenge for å sjekke om en GPS-avlesning kan anses som korrekt? @@ -284,7 +284,7 @@ Som du husker fra tidligere leksjoner, lar IoT Hub deg spille av hendelser som h Svaret er at den ikke kan! I stedet kan du definere flere separate tilkoblinger for å lese av hendelser, og hver av dem kan administrere avspilling av uleste meldinger. Disse kalles *konsumentgrupper*. Når du kobler til endepunktet, kan du spesifisere hvilken konsumentgruppe du vil koble til. Hver komponent i applikasjonen din vil koble til en annen konsumentgruppe. -![Én IoT Hub med 3 konsumentgrupper som distribuerer de samme meldingene til 3 forskjellige funksjonsapper](../../../../../translated_images/no/consumer-groups.a3262e26fc27ba2092863678ad57af15c7223416e388a23f330c058cf4358630.png) +![Én IoT Hub med 3 konsumentgrupper som distribuerer de samme meldingene til 3 forskjellige funksjonsapper](../../../../../translated_images/no/consumer-groups.a3262e26fc27ba20.webp) I teorien kan opptil 5 applikasjoner koble seg til hver konsumentgruppe, og de vil alle motta meldinger når de ankommer. Det er beste praksis å ha kun én applikasjon som får tilgang til hver konsumentgruppe for å unngå duplisert meldingsbehandling og sikre at alle køede meldinger behandles korrekt ved omstart. For eksempel, hvis du lanserte Functions-appen din lokalt samtidig som den kjører i skyen, ville begge behandle meldinger, noe som fører til dupliserte blobber lagret i lagringskontoen. diff --git a/translations/no/4-manufacturing/lessons/1-train-fruit-detector/README.md b/translations/no/4-manufacturing/lessons/1-train-fruit-detector/README.md index dda797621..7a4ac6d7d 100644 --- a/translations/no/4-manufacturing/lessons/1-train-fruit-detector/README.md +++ b/translations/no/4-manufacturing/lessons/1-train-fruit-detector/README.md @@ -1,6 +1,6 @@ # Tren en fruktkvalitetsdetektor -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-15.843d21afdc6fb2bba70cd9db7b7d2f91598859fafda2078b0bdc44954194b6c0.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-15.843d21afdc6fb2bb.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -38,7 +38,7 @@ Ikke alle avlinger modnes jevnt. Tomater, for eksempel, kan fortsatt ha noen gr Den økte bruken av automatisert innhøsting flyttet sorteringen av produkter fra innhøstingen til fabrikken. Mat ble transportert på lange transportbånd med team av mennesker som plukket ut produkter som ikke oppfylte kvalitetsstandardene. Innhøstingen ble billigere takket være maskiner, men det var fortsatt en kostnad forbundet med manuell sortering av mat. -![Hvis en rød tomat oppdages, fortsetter den sin reise uforstyrret. Hvis en grønn tomat oppdages, blir den dyttet inn i en avfallsbøtte av en spak](../../../../../translated_images/no/optical-tomato-sorting.61aa134bdda4e5b1bfb16a212c1e35a6ef0c426cbb8b1c975f79d7bfbf48d068.png) +![Hvis en rød tomat oppdages, fortsetter den sin reise uforstyrret. Hvis en grønn tomat oppdages, blir den dyttet inn i en avfallsbøtte av en spak](../../../../../translated_images/no/optical-tomato-sorting.61aa134bdda4e5b1.webp) Den neste utviklingen var å bruke maskiner til å sortere, enten innebygd i innhøstingsmaskinen eller i prosesseringsanleggene. Den første generasjonen av disse maskinene brukte optiske sensorer til å oppdage farger, og styrte aktuatorer for å skyve grønne tomater inn i en avfallsbøtte ved hjelp av spaker eller lufttrykk, mens røde tomater fortsatte på et nettverk av transportbånd. @@ -62,7 +62,7 @@ For eksempel kan du gi en modell millioner av bilder av umodne bananer som input > 🎓 Resultatene fra ML-modeller kalles *prediksjoner*. -![2 bananer, en moden med en prediksjon på 99,7 % moden, 0,3 % umoden, og en umoden med en prediksjon på 1,4 % moden, 98,6 % umoden](../../../../../translated_images/no/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50ece4e4589e724b142da0681f35470fe3db3f7d51240f69c85.png) +![2 bananer, en moden med en prediksjon på 99,7 % moden, 0,3 % umoden, og en umoden med en prediksjon på 1,4 % moden, 98,6 % umoden](../../../../../translated_images/no/bananas-ripe-vs-unripe-predictions.8d0e2034014aa50e.webp) ML-modeller gir ikke et binært svar, men heller sannsynligheter. For eksempel kan en modell bli gitt et bilde av en banan og forutsi `moden` med 99,7 % og `umoden` med 0,3 %. Koden din vil deretter velge den beste prediksjonen og avgjøre at bananen er moden. @@ -90,7 +90,7 @@ Det finnes et bredt spekter av verktøy som kan hjelpe deg med dette, inkludert Custom Vision er et skybasert verktøy for å trene bildegjenkjenner. Det lar deg trene en gjenkjenner ved hjelp av bare et lite antall bilder. Du kan laste opp bilder gjennom en nettportal, et web-API eller et SDK, og gi hvert bilde en *merkelapp* som klassifiserer bildet. Deretter trener du modellen og tester den for å se hvor godt den fungerer. Når du er fornøyd med modellen, kan du publisere versjoner av den som kan nås via et web-API eller et SDK. -![Azure Custom Vision-logoen](../../../../../translated_images/no/custom-vision-logo.d3d4e7c8a87ec9daf825e72e210576c3cbf60312577be7a139e22dd97ab7f1e6.png) +![Azure Custom Vision-logoen](../../../../../translated_images/no/custom-vision-logo.d3d4e7c8a87ec9da.webp) > 💁 Du kan trene en Custom Vision-modell med så lite som 5 bilder per klassifisering, men flere bilder gir bedre resultater. Du kan oppnå bedre resultater med minst 30 bilder. @@ -146,7 +146,7 @@ For å bruke Custom Vision må du først opprette to Cognitive Services-ressurse Når du oppretter prosjektet ditt, må du sørge for å bruke `fruit-quality-detector-training`-ressursen du opprettet tidligere. Bruk en *Klassifisering*-prosjekttype, en *Multiklasse*-klassifiseringstype og *Mat*-domenet. - ![Innstillingene for Custom Vision-prosjektet med navnet satt til fruit-quality-detector, ingen beskrivelse, ressursen satt til fruit-quality-detector-training, prosjekttypen satt til klassifisering, klassifiseringstypene satt til multiklasse og domenene satt til mat](../../../../../translated_images/no/custom-vision-create-project.cf46325b92d8b131089f6647cf5e07b664cb77850e106d66e3c057b6b69756c6.png) + ![Innstillingene for Custom Vision-prosjektet med navnet satt til fruit-quality-detector, ingen beskrivelse, ressursen satt til fruit-quality-detector-training, prosjekttypen satt til klassifisering, klassifiseringstypene satt til multiklasse og domenene satt til mat](../../../../../translated_images/no/custom-vision-create-project.cf46325b92d8b131.webp) ✅ Ta deg tid til å utforske Custom Vision-brukergrensesnittet for bildegjenkjenneren din. @@ -164,7 +164,7 @@ Bildeklassifiseringsmodeller kjører på svært lav oppløsning. For eksempel ka * Bruk 2 modne bananer, ta noen bilder av hver fra forskjellige vinkler, minst 7 bilder (5 for trening, 2 for testing), men helst flere. - ![Bilder av 2 forskjellige bananer](../../../../../translated_images/no/banana-training-images.530eb203346d73bc23b8b990fb4609470bf4ff7c942ccc13d4cfffeed9be1ad4.png) + ![Bilder av 2 forskjellige bananer](../../../../../translated_images/no/banana-training-images.530eb203346d73bc.webp) * Gjenta samme prosess med 2 umodne bananer. @@ -174,7 +174,7 @@ Bildeklassifiseringsmodeller kjører på svært lav oppløsning. For eksempel ka 1. Følg [seksjonen for opplasting og tagging av bilder i hurtigstarten for å bygge en klassifiseringsmodell på Microsoft Docs](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) for å laste opp treningsbildene dine. Merk de modne fruktene som `ripe`, og de umodne som `unripe`. - ![Opplastingsdialoger som viser opplasting av bilder av modne og umodne bananer](../../../../../translated_images/no/image-upload-bananas.0751639f3815e0ec42bdbc6254d1e4357a185834d1ae10c9948a0e7d6d336695.png) + ![Opplastingsdialoger som viser opplasting av bilder av modne og umodne bananer](../../../../../translated_images/no/image-upload-bananas.0751639f3815e0ec.webp) 1. Følg [seksjonen for å trene klassifiseringsmodellen i hurtigstarten på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier?WT.mc_id=academic-17441-jabenn#train-the-classifier) for å trene bildeklassifiseringsmodellen på de opplastede bildene dine. @@ -192,7 +192,7 @@ Når modellen din er trent, kan du teste den ved å gi den et nytt bilde å klas 1. Følg [dokumentasjonen for å teste modellen din på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/test-your-model?WT.mc_id=academic-17441-jabenn#test-your-model) for å teste bildeklassifiseringsmodellen din. Bruk testbildene du opprettet tidligere, ikke noen av bildene du brukte til trening. - ![En umoden banan klassifisert som umoden med 98,9 % sannsynlighet, moden med 1,1 % sannsynlighet](../../../../../translated_images/no/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64886422438850ea14f0be6ac918c217ea3b255c685abfabe7.png) + ![En umoden banan klassifisert som umoden med 98,9 % sannsynlighet, moden med 1,1 % sannsynlighet](../../../../../translated_images/no/banana-unripe-quick-test-prediction.dae9b5e1c4ef7c64.webp) 1. Prøv alle testbildene du har tilgang til og observer sannsynlighetene. diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/README.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/README.md index 32205a3e7..4b0a2f8be 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/README.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/README.md @@ -1,6 +1,6 @@ # Sjekk fruktkvalitet med en IoT-enhet -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-16.215daf18b00631fbdfd64c6fc2dc6044dff5d544288825d8076f9fb83d964c23.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-16.215daf18b00631fb.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -26,7 +26,7 @@ I denne leksjonen dekker vi: Kamerasensorer, som navnet antyder, er kameraer som kan kobles til din IoT-enhet. De kan ta stillbilder eller fange strømmet video. Noen gir rå bildedata, mens andre komprimerer bildedata til en bildefil som JPEG eller PNG. Vanligvis er kameraene som fungerer med IoT-enheter mye mindre og har lavere oppløsning enn det du kanskje er vant til, men du kan få kameraer med høy oppløsning som kan konkurrere med toppmoderne telefoner. Du kan også få ulike utskiftbare linser, oppsett med flere kameraer, infrarøde termiske kameraer eller UV-kameraer. -![Lyset fra en scene passerer gjennom en linse og fokuseres på en CMOS-sensor](../../../../../translated_images/no/cmos-sensor.75f9cd74decb137149a4c9ea825251a4549497d67c0ae2776159e6102bb53aa9.png) +![Lyset fra en scene passerer gjennom en linse og fokuseres på en CMOS-sensor](../../../../../translated_images/no/cmos-sensor.75f9cd74decb1371.webp) De fleste kamerasensorer bruker bildesensorer der hver piksel er en fotodiode. En linse fokuserer bildet på bildesensoren, og tusenvis eller millioner av fotodioder registrerer lyset som faller på hver enkelt og lagrer det som pikseldata. @@ -74,7 +74,7 @@ Iterasjoner publiseres fra Custom Vision-portalen. 1. Velg knappen **Publish** for iterasjonen. - ![Publiseringsknappen](../../../../../translated_images/no/custom-vision-publish-button.b7174e1977b0c33b8b72d4e5b1326c779e0af196f3849d09985ee2d7d5493a39.png) + ![Publiseringsknappen](../../../../../translated_images/no/custom-vision-publish-button.b7174e1977b0c33b.webp) 1. I dialogboksen *Publish Model*, sett *Prediction resource* til ressursen `fruit-quality-detector-prediction` som du opprettet i forrige leksjon. La navnet være `Iteration2`, og velg knappen **Publish**. @@ -88,7 +88,7 @@ Iterasjoner publiseres fra Custom Vision-portalen. Ta også en kopi av verdien *Prediction-Key*. Dette er en sikker nøkkel som du må sende når du bruker modellen. Bare applikasjoner som sender denne nøkkelen har lov til å bruke modellen, alle andre applikasjoner blir avvist. - ![Dialogboksen for prediksjons-API som viser URL og nøkkel](../../../../../translated_images/no/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Dialogboksen for prediksjons-API som viser URL og nøkkel](../../../../../translated_images/no/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Når en ny iterasjon publiseres, vil den ha et annet navn. Hvordan tror du at du ville endret iterasjonen en IoT-enhet bruker? @@ -109,7 +109,7 @@ Du kan oppleve at resultatene du får når du bruker kameraet koblet til din IoT For å få de beste resultatene for en bildeklassifisering, vil du trene modellen med bilder som er så like som mulig de bildene som brukes for prediksjoner. Hvis du for eksempel brukte telefonkameraet ditt til å ta bilder for trening, vil bildekvaliteten, skarpheten og fargen være annerledes enn et kamera koblet til en IoT-enhet. -![2 bilder av bananer, et lavoppløselig med dårlig belysning fra en IoT-enhet, og et høyoppløselig med god belysning fra en telefon](../../../../../translated_images/no/banana-picture-compare.174df164dc326a42cf7fb051a7497e6113c620e91552d92ca914220305d47d9a.png) +![2 bilder av bananer, et lavoppløselig med dårlig belysning fra en IoT-enhet, og et høyoppløselig med god belysning fra en telefon](../../../../../translated_images/no/banana-picture-compare.174df164dc326a42.webp) I bildet ovenfor ble bananbildet til venstre tatt med et Raspberry Pi-kamera, mens det til høyre ble tatt av den samme bananen på samme sted med en iPhone. Det er en merkbar forskjell i kvalitet - iPhone-bildet er skarpere, med lysere farger og mer kontrast. diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md index 7fd65d2a5..5e97e2a7d 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/pi-camera.md @@ -16,7 +16,7 @@ Kameraet kan kobles til Raspberry Pi ved hjelp av en flatkabel. ### Oppgave - koble til kameraet -![Et Raspberry Pi-kamera](../../../../../translated_images/no/pi-camera-module.4278753c31bd6e757aa2b858be97d72049f71616278cefe4fb5abb485b40a078.png) +![Et Raspberry Pi-kamera](../../../../../translated_images/no/pi-camera-module.4278753c31bd6e75.webp) 1. Slå av Pi. @@ -24,17 +24,17 @@ Kameraet kan kobles til Raspberry Pi ved hjelp av en flatkabel. Du kan finne en animasjon som viser hvordan du åpner klipsen og setter inn kabelen i [Raspberry Pi Getting Started with the Camera module documentation](https://projects.raspberrypi.org/en/projects/getting-started-with-picamera/2). - ![Flatkabelen satt inn i kameramodulen](../../../../../translated_images/no/pi-camera-ribbon-cable.0bf82acd251611c21ac616f082849413e2b322a261d0e4f8fec344248083b07e.png) + ![Flatkabelen satt inn i kameramodulen](../../../../../translated_images/no/pi-camera-ribbon-cable.0bf82acd251611c2.webp) 1. Fjern Grove Base Hat fra Pi. 1. Før flatkabelen gjennom kamerasporet i Grove Base Hat. Sørg for at den blå siden av kabelen vender mot de analoge portene merket **A0**, **A1** osv. - ![Flatkabelen føres gjennom Grove Base Hat](../../../../../translated_images/no/grove-base-hat-ribbon-cable.501fed202fcf73b11b2b68f6d246189f7d15d3e4423c572ddee79d77b4632b47.png) + ![Flatkabelen føres gjennom Grove Base Hat](../../../../../translated_images/no/grove-base-hat-ribbon-cable.501fed202fcf73b1.webp) 1. Sett flatkabelen inn i kamerakontakten på Pi. Igjen, trekk den svarte plastklipsen opp, sett inn kabelen, og skyv klipsen tilbake. Den blå siden av kabelen skal vende mot USB- og Ethernet-portene. - ![Flatkabelen koblet til kamerakontakten på Pi](../../../../../translated_images/no/pi-camera-socket-ribbon-cable.a18309920b11800911082ed7aa6fb28e6d9be3a022e4079ff990016cae3fca10.png) + ![Flatkabelen koblet til kamerakontakten på Pi](../../../../../translated_images/no/pi-camera-socket-ribbon-cable.a18309920b118009.webp) 1. Sett Grove Base Hat tilbake på plass. @@ -101,7 +101,7 @@ Programmer enheten. Linjen `camera.rotation = 0` setter rotasjonen til bildet. Flatkabelen kommer inn i bunnen av kameraet, men hvis kameraet ditt er rotert for å gjøre det lettere å peke på objektet du vil klassifisere, kan du endre denne linjen til antall grader rotasjon. - ![Kameraet henger ned over en brusboks](../../../../../translated_images/no/pi-camera-upside-down.5376961ba31459883362124152ad6b823d5ac5fc14e85f317e22903bd681c2b6.png) + ![Kameraet henger ned over en brusboks](../../../../../translated_images/no/pi-camera-upside-down.5376961ba3145988.webp) For eksempel, hvis du henger flatkabelen over noe slik at den er på toppen av kameraet, sett rotasjonen til 180: diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md index c43da3347..0928152dc 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/single-board-computer-classify-image.md @@ -84,7 +84,7 @@ Custom Vision-tjenesten har et Python SDK som du kan bruke til å klassifisere b Du vil kunne se bildet som ble tatt, og disse verdiene i **Predictions**-fanen i Custom Vision. - ![En banan i Custom Vision forutsagt som moden med 56,8 % og umoden med 43,1 %](../../../../../translated_images/no/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![En banan i Custom Vision forutsagt som moden med 56,8 % og umoden med 43,1 %](../../../../../translated_images/no/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Du finner denne koden i mappen [code-classify/pi](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/pi) eller [code-classify/virtual-iot-device](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/virtual-iot-device). diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md index 6265399d3..ffb0b9adc 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/virtual-device-camera.md @@ -34,11 +34,11 @@ Legg til kameraet i CounterFit-appen. 1. Velg **Add**-knappen for å opprette kameraet. - ![Kameraoppsett](../../../../../translated_images/no/counterfit-create-camera.a5de97f59c0bd3cbe0416d7e89a3cfe86d19fbae05c641c53a91286412af0a34.png) + ![Kameraoppsett](../../../../../translated_images/no/counterfit-create-camera.a5de97f59c0bd3cb.webp) Kameraet vil bli opprettet og vises i sensorlisten. - ![Kamera opprettet](../../../../../translated_images/no/counterfit-camera.001ec52194c8ee5d3f617173da2c79e1df903d10882adc625cbfc493525125d4.png) + ![Kamera opprettet](../../../../../translated_images/no/counterfit-camera.001ec52194c8ee5d.webp) ## Programmer kameraet @@ -103,7 +103,7 @@ Programmer enheten. 1. Konfigurer bildet som kameraet i CounterFit vil fange. Du kan enten sette *Source* til *File*, deretter laste opp en bildefil, eller sette *Source* til *WebCam*, og bilder vil bli tatt fra webkameraet ditt. Sørg for at du velger **Set**-knappen etter å ha valgt et bilde eller webkameraet ditt. - ![CounterFit med en fil satt som bildekilde, og et webkamera som viser en person som holder en banan i en forhåndsvisning av webkameraet](../../../../../translated_images/no/counterfit-camera-options.eb3bd5150a8e7dffbf24bc5bcaba0cf2cdef95fbe6bbe393695d173817d6b8df.png) + ![CounterFit med en fil satt som bildekilde, og et webkamera som viser en person som holder en banan i en forhåndsvisning av webkameraet](../../../../../translated_images/no/counterfit-camera-options.eb3bd5150a8e7dff.webp) 1. Et bilde vil bli tatt og lagret som `image.jpg` i den gjeldende mappen. Du vil se denne filen i VS Code-utforskeren. Velg filen for å se bildet. Hvis det trenger rotasjon, oppdater linjen `camera.rotation = 0` etter behov og ta et nytt bilde. diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md index c3e89541a..85cb4f40d 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-camera.md @@ -16,7 +16,7 @@ ArduCam har ikke en Grove-kontakt, men kobles i stedet til både SPI- og I2C-bus Koble til kameraet. -![En ArduCam-sensor](../../../../../translated_images/no/arducam.20e4e4cbb268296570b5914e20d6c349fc42ddac9ed4e1b9deba2188204eebae.png) +![En ArduCam-sensor](../../../../../translated_images/no/arducam.20e4e4cbb2682965.webp) 1. Pinnene på bunnen av ArduCam må kobles til GPIO-pinnene på Wio Terminal. For å gjøre det enklere å finne de riktige pinnene, fest GPIO-pinneklistremerket som følger med Wio Terminal rundt pinnene: @@ -35,7 +35,7 @@ Koble til kameraet. | SDA | 3 (I2C1_SDA) | I2C Serial Data | | SCL | 5 (I2C1_SCL) | I2C Serial Clock | - ![Wio Terminal koblet til ArduCam med hoppkabler](../../../../../translated_images/no/arducam-wio-terminal-connections.a4d5a4049bdb5ab800a2877389fc6ecf5e4ff307e6451ff56c517e6786467d0a.png) + ![Wio Terminal koblet til ArduCam med hoppkabler](../../../../../translated_images/no/arducam-wio-terminal-connections.a4d5a4049bdb5ab8.webp) GND- og VCC-tilkoblingene gir en 5V strømforsyning til ArduCam. Den kjører på 5V, i motsetning til Grove-sensorer som kjører på 3V. Denne strømmen kommer direkte fra USB-C-tilkoblingen som driver enheten. @@ -456,7 +456,7 @@ Wio Terminal støtter kun microSD-kort på opptil 16GB. Hvis du har et større S 1. Slå av Wio Terminal og ta ut microSD-kortet ved å trykke det litt inn og slippe, så vil det sprette ut. Du må kanskje bruke et tynt verktøy for å gjøre dette. Sett microSD-kortet inn i datamaskinen din for å se bildene. - ![Et bilde av en banan tatt med ArduCam](../../../../../translated_images/no/banana-arducam.be1b32d4267a8194b0fd042362e56faa431da9cd4af172051b37243ea9be0256.jpg) + ![Et bilde av en banan tatt med ArduCam](../../../../../translated_images/no/banana-arducam.be1b32d4267a8194.webp) 💁 Det kan ta noen bilder før hvitbalansen til kameraet justerer seg. Du vil merke dette basert på fargen på bildene som tas, de første kan se ut til å ha feil farge. Du kan alltid omgå dette ved å endre koden til å ta noen bilder som ignoreres i `setup`-funksjonen. diff --git a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md index 7fd6ba586..263311984 100644 --- a/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md +++ b/translations/no/4-manufacturing/lessons/2-check-fruit-from-device/wio-terminal-classify-image.md @@ -208,7 +208,7 @@ Disse sertifikatene inneholder offentlige nøkler og trenger ikke å holdes hemm Du vil kunne se bildet som ble tatt, og disse verdiene i **Predictions**-fanen i Custom Vision. - ![En banan i Custom Vision, predikert som moden med 56,8 % og umoden med 43,1 %](../../../../../translated_images/no/custom-vision-banana-prediction.30cdff4e1d72db5d9a0be0193790a47c2b387da034e12dc1314dd57ca2131b59.png) + ![En banan i Custom Vision, predikert som moden med 56,8 % og umoden med 43,1 %](../../../../../translated_images/no/custom-vision-banana-prediction.30cdff4e1d72db5d.webp) > 💁 Du finner denne koden i mappen [code-classify/wio-terminal](../../../../../4-manufacturing/lessons/2-check-fruit-from-device/code-classify/wio-terminal). diff --git a/translations/no/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md b/translations/no/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md index 442e6e0a0..ab57295e0 100644 --- a/translations/no/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md +++ b/translations/no/4-manufacturing/lessons/3-run-fruit-detector-edge/README.md @@ -1,6 +1,6 @@ # Kjør fruktdetektoren din på kanten -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-17.bc333c3c35ba8e42cce666cfffa82b915f787f455bd94e006aea2b6f2722421a.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-17.bc333c3c35ba8e42.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -33,11 +33,11 @@ I denne leksjonen dekker vi: Kantberegning innebærer å ha datamaskiner som behandler IoT-data så nær som mulig der dataene genereres. I stedet for å ha denne behandlingen i skyen, flyttes den til kanten av skyen – ditt interne nettverk. -![Et arkitekturdiagram som viser internettjenester i skyen og IoT-enheter på et lokalt nettverk](../../../../../translated_images/no/cloud-without-edge.b4da641f6022c95ed6b91fde8b5323abd2f94e0d52073ad54172ae8f5dac90e9.png) +![Et arkitekturdiagram som viser internettjenester i skyen og IoT-enheter på et lokalt nettverk](../../../../../translated_images/no/cloud-without-edge.b4da641f6022c95e.webp) I leksjonene så langt har du hatt enheter som samler inn data og sender data til skyen for å bli analysert, ved å kjøre serverløse funksjoner eller AI-modeller i skyen. -![Et arkitekturdiagram som viser IoT-enheter på et lokalt nettverk som kobler seg til kantenheter, og disse kantenhetene kobler seg til skyen](../../../../../translated_images/no/cloud-with-edge.1e26462c62c126fe150bd15a5714ddf0be599f09bacbad08b85be02b76ea1ae1.png) +![Et arkitekturdiagram som viser IoT-enheter på et lokalt nettverk som kobler seg til kantenheter, og disse kantenhetene kobler seg til skyen](../../../../../translated_images/no/cloud-with-edge.1e26462c62c126fe.webp) Kantberegning innebærer å flytte noen av skytjenestene ut av skyen og over på datamaskiner som kjører på samme nettverk som IoT-enhetene, og kun kommunisere med skyen hvis nødvendig. For eksempel kan du kjøre AI-modeller på kantenheter for å analysere fruktens modenhet, og kun sende analyser tilbake til skyen, som antall modne frukter kontra umodne. @@ -85,7 +85,7 @@ For IoT-systemer vil du ofte ønske en blanding av sky- og kantberegning, og utn ## Azure IoT Edge -![Azure IoT Edge-logoen](../../../../../translated_images/no/azure-iot-edge-logo.c1c076749b5cba2e8755262fadc2f19ca1146b948d76990b1229199ac2292d79.png) +![Azure IoT Edge-logoen](../../../../../translated_images/no/azure-iot-edge-logo.c1c076749b5cba2e.webp) Azure IoT Edge er en tjeneste som kan hjelpe deg med å flytte arbeidsbelastninger ut av skyen og til kanten. Du setter opp en enhet som en kantenhet, og fra skyen kan du distribuere kode til denne kantenheten. Dette lar deg kombinere skyens og kantens kapabiliteter. @@ -99,7 +99,7 @@ IoT Edge er innebygd i IoT Hub, slik at du kan administrere kantenheter ved hjel IoT Edge kjører kode fra *containere* – selvstendige applikasjoner som kjøres isolert fra resten av applikasjonene på datamaskinen din. Når du kjører en container, fungerer den som en separat datamaskin som kjører inne i datamaskinen din, med sin egen programvare, tjenester og applikasjoner. Som oftest kan containere ikke få tilgang til noe på datamaskinen din med mindre du velger å dele ting som en mappe med containeren. Containeren eksponerer deretter tjenester via en åpen port som du kan koble til eller eksponere for nettverket ditt. -![En nettforespørsel omdirigert til en container](../../../../../translated_images/no/container-web-browser.4ee81dd4f0d8838ce622b2a0d600b6a4322b5d4fe43159facd87b7b34f84d66a.png) +![En nettforespørsel omdirigert til en container](../../../../../translated_images/no/container-web-browser.4ee81dd4f0d8838c.webp) For eksempel kan du ha en container med et nettsted som kjører på port 80, standard HTTP-port, og du kan deretter eksponere den fra datamaskinen din også på port 80. @@ -195,11 +195,11 @@ Når modellen er trent, må den eksporteres som en container. ## Forbered containeren din for distribusjon -![Containere bygges, skyves til et containerregister, og distribueres deretter fra registeret til en edge-enhet ved hjelp av IoT Edge](../../../../../translated_images/no/container-edge-flow.c246050dd60ceefdb6ace026a4ce5c6aa4112bb5898ae23fbb2ab4be29ae3e1b.png) +![Containere bygges, skyves til et containerregister, og distribueres deretter fra registeret til en edge-enhet ved hjelp av IoT Edge](../../../../../translated_images/no/container-edge-flow.c246050dd60ceefd.webp) Når du har lastet ned modellen din, må den bygges inn i en container og deretter skyves til et containerregister - et nettbasert sted hvor du kan lagre containere. IoT Edge kan deretter laste ned containeren fra registeret og skyve den til enheten din. -![Azure Container Registry-logoen](../../../../../translated_images/no/azure-container-registry-logo.09494206991d4b295025ebff7d4e2900325e527a59184ffbc8464b6ab59654be.png) +![Azure Container Registry-logoen](../../../../../translated_images/no/azure-container-registry-logo.09494206991d4b29.webp) Containerregisteret du vil bruke for denne leksjonen er Azure Container Registry. Dette er ikke en gratis tjeneste, så for å spare penger må du [rydde opp i prosjektet ditt](../../../clean-up.md) når du er ferdig. diff --git a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/README.md b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/README.md index dd4ea5dbb..451bd439a 100644 --- a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/README.md +++ b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/README.md @@ -1,6 +1,6 @@ # Utløse fruktkvalitetsdeteksjon fra en sensor -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-18.92c32ed1d354caa5a54baa4032cf0b172d4655e8e326ad5d46c558a0def15365.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-18.92c32ed1d354caa5.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -39,7 +39,7 @@ IoT-applikasjoner kan beskrives som *ting* (enheter) som sender data som generer ### Referansearkitektur for IoT -![En referansearkitektur for IoT](../../../../../translated_images/no/iot-reference-architecture.2278b98b55c6d4e89bde18eada3688d893861d43507641804dd2f9d3079cfaa0.png) +![En referansearkitektur for IoT](../../../../../translated_images/no/iot-reference-architecture.2278b98b55c6d4e8.webp) Diagrammet ovenfor viser en referansearkitektur for IoT. @@ -49,7 +49,7 @@ Diagrammet ovenfor viser en referansearkitektur for IoT. * **Innsikt** kommer fra serverløse applikasjoner eller fra analyser av lagrede data. * **Handlinger** kan være kommandoer sendt til enheter eller visualisering av data som lar mennesker ta beslutninger. -![En referansearkitektur for IoT](../../../../../translated_images/no/iot-reference-architecture-azure.0b8d2161af924cb18ae48a8558a19541cca47f27264851b5b7e56d7b8bb372ac.png) +![En referansearkitektur for IoT](../../../../../translated_images/no/iot-reference-architecture-azure.0b8d2161af924cb1.webp) Diagrammet ovenfor viser noen av komponentene og tjenestene som er dekket så langt i disse leksjonene, og hvordan de kobles sammen i en referansearkitektur for IoT. @@ -89,7 +89,7 @@ Du må bygge et system der frukt oppdages når den ankommer samlebåndet, fotogr ### Prototyping av applikasjonen din -![En referansearkitektur for fruktkvalitetskontroll](../../../../../translated_images/no/iot-reference-architecture-fruit-quality.cc705f121c3b6fa71c800d9630935ac34bc08223a04601e35f41d5e9b5dd5207.png) +![En referansearkitektur for fruktkvalitetskontroll](../../../../../translated_images/no/iot-reference-architecture-fruit-quality.cc705f121c3b6fa7.webp) Diagrammet ovenfor viser en referansearkitektur for denne prototype-applikasjonen. @@ -124,7 +124,7 @@ Følg den relevante veiledningen for å bruke en nærhetssensor til å oppdage e Prototypen for fruktdetektoren har flere komponenter som kommuniserer med hverandre. -![Komponentene som kommuniserer med hverandre](../../../../../translated_images/no/fruit-quality-detector-message-flow.adf2a65da8fd8741ac7af11361574de89adc126785d67606bb4d2ec00467e380.png) +![Komponentene som kommuniserer med hverandre](../../../../../translated_images/no/fruit-quality-detector-message-flow.adf2a65da8fd8741.webp) * En nærhetssensor som måler avstanden til et stykke frukt og sender dette til IoT Hub * Kommandoen for å kontrollere kameraet som kommer fra IoT Hub til kameraenheten diff --git a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md index 352e16684..1fd2a779d 100644 --- a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md +++ b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/pi-proximity.md @@ -20,7 +20,7 @@ Grove Time of Flight-sensoren kan kobles til Raspberry Pi. Koble til Time of Flight-sensoren. -![En Grove Time of Flight-sensor](../../../../../translated_images/no/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![En Grove Time of Flight-sensor](../../../../../translated_images/no/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på Time of Flight-sensoren. Den vil kun passe én vei. diff --git a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md index 100c28a73..dcc5988ff 100644 --- a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md +++ b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/virtual-device-proximity.md @@ -36,11 +36,11 @@ Legg til avstandssensoren i CounterFit-appen. 1. Velg **Add**-knappen for å opprette avstandssensoren. - ![Innstillingene for avstandssensoren](../../../../../translated_images/no/counterfit-create-distance-sensor.967c9fb98f27888d95920c9784d004c972490eb71f70397fe13bd70a79a879a3.png) + ![Innstillingene for avstandssensoren](../../../../../translated_images/no/counterfit-create-distance-sensor.967c9fb98f27888d.webp) Avstandssensoren vil bli opprettet og vises i sensorlisten. - ![Avstandssensoren opprettet](../../../../../translated_images/no/counterfit-distance-sensor.079eefeeea0b68afc36431ce8fcbe2f09a7e4916ed1cd5cb30e696db53bc18fa.png) + ![Avstandssensoren opprettet](../../../../../translated_images/no/counterfit-distance-sensor.079eefeeea0b68af.webp) ## Programmer avstandssensoren diff --git a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md index ada3e6d92..aad2817d0 100644 --- a/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md +++ b/translations/no/4-manufacturing/lessons/4-trigger-fruit-detector/wio-terminal-proximity.md @@ -20,7 +20,7 @@ Grove Time of Flight-sensoren kan kobles til Wio Terminal. Koble til Time of Flight-sensoren. -![En Grove Time of Flight-sensor](../../../../../translated_images/no/grove-time-of-flight-sensor.d82ff2165bfded9f485de54d8d07195a6270a602696825fca19f629ddfe94e86.png) +![En Grove Time of Flight-sensor](../../../../../translated_images/no/grove-time-of-flight-sensor.d82ff2165bfded9f.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på Time of Flight-sensoren. Den kan bare settes inn på én måte. diff --git a/translations/no/5-retail/lessons/1-train-stock-detector/README.md b/translations/no/5-retail/lessons/1-train-stock-detector/README.md index 09d76204f..4bd1ebbe7 100644 --- a/translations/no/5-retail/lessons/1-train-stock-detector/README.md +++ b/translations/no/5-retail/lessons/1-train-stock-detector/README.md @@ -1,6 +1,6 @@ # Tren en lagerdetektor -![En sketchnote oversikt over denne leksjonen](../../../../../translated_images/no/lesson-19.cf6973cecadf080c4b526310620dc4d6f5994c80fb0139c6f378cc9ca2d435cd.jpg) +![En sketchnote oversikt over denne leksjonen](../../../../../translated_images/no/lesson-19.cf6973cecadf080c.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -36,7 +36,7 @@ Objektdeteksjon innebærer å oppdage objekter i bilder ved hjelp av AI. I motse Bildekategorisering handler om å klassifisere et bilde som helhet – hva er sannsynligheten for at hele bildet samsvarer med hver merkelapp. Du får tilbake sannsynligheter for hver merkelapp som ble brukt til å trene modellen. -![Bildekategorisering av cashewnøtter og tomatpuré](../../../../../translated_images/no/image-classifier-cashews-tomato.bc2e16ab8f05cf9ac0f59f73e32efc4227f9a5b601b90b2c60f436694547a965.png) +![Bildekategorisering av cashewnøtter og tomatpuré](../../../../../translated_images/no/image-classifier-cashews-tomato.bc2e16ab8f05cf9a.webp) I eksempelet ovenfor blir to bilder klassifisert ved hjelp av en modell trent til å klassifisere bokser med cashewnøtter eller bokser med tomatpuré. Det første bildet er en boks med cashewnøtter og har to resultater fra bildekategoriseringen: @@ -60,7 +60,7 @@ Når du deretter bruker den til å forutsi bilder, får du ikke tilbake en liste > 🎓 *Avgrensningsbokser* er boksene rundt et objekt. -![Objektdeteksjon av cashewnøtter og tomatpuré](../../../../../translated_images/no/object-detector-cashews-tomato.1af7c26686b4db0e709754aeb196f4e73271f54e2085db3bcccb70d4a0d84d97.png) +![Objektdeteksjon av cashewnøtter og tomatpuré](../../../../../translated_images/no/object-detector-cashews-tomato.1af7c26686b4db0e.webp) Bildet ovenfor inneholder både en boks med cashewnøtter og tre bokser med tomatpuré. Objektdetektoren oppdaget cashewnøttene og returnerte avgrensningsboksen som inneholder cashewnøttene med sannsynligheten for at avgrensningsboksen inneholder objektet, i dette tilfellet 97.6%. Objektdetektoren har også oppdaget tre bokser med tomatpuré og gir tre separate avgrensningsbokser, én for hver oppdaget boks, og hver har en sannsynlighetsprosent for at avgrensningsboksen inneholder en boks med tomatpuré. @@ -111,7 +111,7 @@ Du kan trene en objektdetektor ved hjelp av Custom Vision, på en lignende måte Når du oppretter prosjektet, sørg for å bruke ressursen `stock-detector-training` som du opprettet tidligere. Bruk prosjekttypen *Objektdeteksjon* og domenet *Produkter på hyller*. - ![Innstillingene for Custom Vision-prosjektet med navnet satt til fruit-quality-detector, ingen beskrivelse, ressursen satt til fruit-quality-detector-training, prosjekttypen satt til klassifisering, klassifiseringstypene satt til multi class og domenene satt til food](../../../../../translated_images/no/custom-vision-create-object-detector-project.32d4fb9aa8e7e7375f8a799bfce517aca970f2cb65e42d4245c5e635c734ab29.png) + ![Innstillingene for Custom Vision-prosjektet med navnet satt til fruit-quality-detector, ingen beskrivelse, ressursen satt til fruit-quality-detector-training, prosjekttypen satt til klassifisering, klassifiseringstypene satt til multi class og domenene satt til food](../../../../../translated_images/no/custom-vision-create-object-detector-project.32d4fb9aa8e7e737.webp) ✅ Domenet produkter på hyller er spesielt rettet mot å oppdage lager på butikkhyller. Les mer om de forskjellige domenene i [Velg et domene-dokumentasjonen på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/select-domain?WT.mc_id=academic-17441-jabenn#object-detection) @@ -133,11 +133,11 @@ For å trene modellen din trenger du et sett med bilder som inneholder objektene 1. Følg [seksjonen Last opp og merk bilder i hurtigstarten for å bygge en objektdetektor på Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/get-started-build-detector?WT.mc_id=academic-17441-jabenn#upload-and-tag-images) for å laste opp treningsbildene dine. Opprett relevante merkelapper avhengig av hvilke typer objekter du vil oppdage. - ![Opplastingsdialogene som viser opplastingen av bilder av modne og umodne bananer](../../../../../translated_images/no/image-upload-object-detector.77c7892c3093cb59b79018edecd678749a75d71a099bc8a2d2f2f76320f88a5b.png) + ![Opplastingsdialogene som viser opplastingen av bilder av modne og umodne bananer](../../../../../translated_images/no/image-upload-object-detector.77c7892c3093cb59.webp) Når du tegner avgrensningsbokser for objekter, hold dem stramme rundt objektet. Det kan ta en stund å markere alle bildene, men verktøyet vil oppdage hva det tror er avgrensningsboksene, noe som gjør det raskere. - ![Merking av tomatpuré](../../../../../translated_images/no/object-detector-tag-tomato-paste.f47c362fb0f0eb582f3bc68cf3855fb43a805106395358d41896a269c210b7b4.png) + ![Merking av tomatpuré](../../../../../translated_images/no/object-detector-tag-tomato-paste.f47c362fb0f0eb58.webp) > 💁 Hvis du har mer enn 15 bilder for hvert objekt, kan du trene etter 15 og deretter bruke funksjonen **Foreslåtte merkelapper**. Dette vil bruke den trente modellen til å oppdage objektene i det umerkede bildet. Du kan deretter bekrefte de oppdagede objektene, eller avvise og tegne avgrensningsboksene på nytt. Dette kan spare *mye* tid. @@ -155,7 +155,7 @@ Når objektdetektoren din er trent, kan du teste den ved å gi den nye bilder fo 1. Bruk knappen **Rask test** for å laste opp testbilder og verifisere at objektene blir oppdaget. Bruk testbildene du opprettet tidligere, ikke noen av bildene du brukte til trening. - ![3 bokser med tomatpuré oppdaget med sannsynligheter på 38%, 35.5% og 34.6%](../../../../../translated_images/no/object-detector-detected-tomato-paste.52656fe87af4c37b4ee540526d63e73ed075da2e54a9a060aa528e0c562fb1b6.png) + ![3 bokser med tomatpuré oppdaget med sannsynligheter på 38%, 35.5% og 34.6%](../../../../../translated_images/no/object-detector-detected-tomato-paste.52656fe87af4c37b.webp) 1. Prøv alle testbildene du har tilgang til og observer sannsynlighetene. diff --git a/translations/no/5-retail/lessons/2-check-stock-device/README.md b/translations/no/5-retail/lessons/2-check-stock-device/README.md index 961d468b3..cd866c1f0 100644 --- a/translations/no/5-retail/lessons/2-check-stock-device/README.md +++ b/translations/no/5-retail/lessons/2-check-stock-device/README.md @@ -1,6 +1,6 @@ # Sjekk lagerbeholdning fra en IoT-enhet -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-20.0211df9551a8abb300fc8fcf7dc2789468dea2eabe9202273ac077b0ba37f15e.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-20.0211df9551a8abb3.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -62,7 +62,7 @@ Iterasjoner publiseres fra Custom Vision-portalen. 1. Klikk på **Publish**-knappen for iterasjonen. - ![Publiser-knappen](../../../../../translated_images/no/custom-vision-object-detector-publish-button.34ee379fc650ccb9856c3868d0003f413b9529f102fc73c37168c98d721cc293.png) + ![Publiser-knappen](../../../../../translated_images/no/custom-vision-object-detector-publish-button.34ee379fc650ccb9.webp) 1. I dialogboksen *Publish Model*, sett *Prediction resource* til ressursen `stock-detector-prediction` som du opprettet i forrige leksjon. La navnet være `Iteration2`, og klikk på **Publish**-knappen. @@ -76,7 +76,7 @@ Iterasjoner publiseres fra Custom Vision-portalen. Ta også en kopi av verdien *Prediction-Key*. Dette er en sikker nøkkel som du må sende når du kaller modellen. Bare applikasjoner som sender denne nøkkelen har lov til å bruke modellen, alle andre applikasjoner blir avvist. - ![Dialogboksen for prediksjons-API som viser URL og nøkkel](../../../../../translated_images/no/custom-vision-prediction-key-endpoint.30c569ffd0338864f319911f052d5e9b8c5066cb0800a26dd6f7ff5713130ad8.png) + ![Dialogboksen for prediksjons-API som viser URL og nøkkel](../../../../../translated_images/no/custom-vision-prediction-key-endpoint.30c569ffd0338864.webp) ✅ Når en ny iterasjon publiseres, vil den ha et annet navn. Hvordan tror du du ville endret iterasjonen en IoT-enhet bruker? @@ -95,7 +95,7 @@ Når du bruker objektdetektoren, får du ikke bare tilbake de oppdagede objekten Resultatene av en prediksjon i **Predictions**-fanen i Custom Vision har avgrensningsboksene tegnet på bildet som ble sendt for prediksjon. -![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 oppdagelsene med 35.8%, 33.5%, 25.7% og 16.6%](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) +![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 oppdagelsene med 35.8%, 33.5%, 25.7% og 16.6%](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca341.webp) I bildet ovenfor ble 4 bokser med tomatpuré oppdaget. I resultatene er en rød firkant lagt over hvert objekt som ble oppdaget i bildet, som indikerer avgrensningsboksen for bildet. @@ -103,7 +103,7 @@ I bildet ovenfor ble 4 bokser med tomatpuré oppdaget. I resultatene er en rød Avgrensningsbokser er definert med 4 verdier - topp, venstre, høyde og bredde. Disse verdiene er på en skala fra 0-1, som representerer posisjonene som en prosentandel av størrelsen på bildet. Origo (posisjonen 0,0) er øverst til venstre på bildet, så toppverdien er avstanden fra toppen, og bunnen av avgrensningsboksen er toppen pluss høyden. -![En avgrensningsboks rundt en boks med tomatpuré](../../../../../translated_images/no/bounding-box.1420a7ea0d3d15f71e1ffb5cf4b2271d184fac051f990abc541975168d163684.png) +![En avgrensningsboks rundt en boks med tomatpuré](../../../../../translated_images/no/bounding-box.1420a7ea0d3d15f7.webp) Bildet ovenfor er 600 piksler bredt og 800 piksler høyt. Avgrensningsboksen starter 320 piksler ned, som gir en toppkoordinat på 0.4 (800 x 0.4 = 320). Fra venstre starter avgrensningsboksen 240 piksler inn, som gir en venstrekoordinat på 0.4 (600 x 0.4 = 240). Høyden på avgrensningsboksen er 240 piksler, som gir en høydeverdi på 0.3 (800 x 0.3 = 240). Bredden på avgrensningsboksen er 120 piksler, som gir en breddeverdi på 0.2 (600 x 0.2 = 120). @@ -118,7 +118,7 @@ Ved å bruke prosentverdier fra 0-1 betyr det at uansett hvilken størrelse bild Du kan bruke avgrensningsbokser kombinert med sannsynligheter for å evaluere hvor nøyaktig en oppdagelse er. For eksempel kan en objektdetektor oppdage flere objekter som overlapper, for eksempel oppdage én boks inne i en annen. Koden din kan se på avgrensningsboksene, forstå at dette er umulig, og ignorere eventuelle objekter som har betydelig overlapping med andre objekter. -![To avgrensningsbokser som overlapper en boks med tomatpuré](../../../../../translated_images/no/overlap-object-detection.d431e03cae75072a2760430eca7f2c5fdd43045bfd72dadcbf12711f7cd6c2ae.png) +![To avgrensningsbokser som overlapper en boks med tomatpuré](../../../../../translated_images/no/overlap-object-detection.d431e03cae75072a.webp) I eksempelet ovenfor indikerer én avgrensningsboks en oppdaget boks med tomatpuré med 78.3%. En annen avgrensningsboks er litt mindre og er inne i den første boksen med en sannsynlighet på 64.3%. Koden din kan sjekke avgrensningsboksene, se at de overlapper fullstendig, og ignorere den lavere sannsynligheten, da det ikke er mulig at én boks er inne i en annen. diff --git a/translations/no/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md b/translations/no/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md index 892648517..e62c2f743 100644 --- a/translations/no/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md +++ b/translations/no/5-retail/lessons/2-check-stock-device/single-board-computer-object-detector.md @@ -67,7 +67,7 @@ Koden du brukte for å kategorisere bilder er veldig lik koden for å detektere Du vil kunne se bildet som ble tatt, og disse verdiene i **Predictions**-fanen i Custom Vision. - ![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 deteksjonene på 35.8%, 33.5%, 25.7% og 16.6%](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 deteksjonene på 35.8%, 33.5%, 25.7% og 16.6%](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Du finner denne koden i [code-detect/pi](../../../../../5-retail/lessons/2-check-stock-device/code-detect/pi) eller [code-detect/virtual-iot-device](../../../../../5-retail/lessons/2-check-stock-device/code-detect/virtual-iot-device)-mappen. diff --git a/translations/no/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md b/translations/no/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md index 7c9f745a7..3c4690e55 100644 --- a/translations/no/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md +++ b/translations/no/5-retail/lessons/2-check-stock-device/wio-terminal-object-detector.md @@ -95,7 +95,7 @@ Koden du brukte for å klassifisere bilder er veldig lik koden for å oppdage ob Du vil kunne se bildet som ble tatt, og disse verdiene i **Predictions**-fanen i Custom Vision. - ![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 deteksjonene på 35,8 %, 33,5 %, 25,7 % og 16,6 %](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca3410ecdf23643b9f5f570cfab2345235074e24c51f285777613.png) + ![4 bokser med tomatpuré på en hylle med prediksjoner for de 4 deteksjonene på 35,8 %, 33,5 %, 25,7 % og 16,6 %](../../../../../translated_images/no/custom-vision-stock-prediction.942266ab1bcca341.webp) > 💁 Du finner denne koden i [code-detect/wio-terminal](../../../../../5-retail/lessons/2-check-stock-device/code-detect/wio-terminal)-mappen. diff --git a/translations/no/6-consumer/lessons/1-speech-recognition/README.md b/translations/no/6-consumer/lessons/1-speech-recognition/README.md index db3ed8f87..be71e5ab7 100644 --- a/translations/no/6-consumer/lessons/1-speech-recognition/README.md +++ b/translations/no/6-consumer/lessons/1-speech-recognition/README.md @@ -1,6 +1,6 @@ # Gjenkjenne tale med en IoT-enhet -![En sketchnote som gir en oversikt over denne leksjonen](../../../../../translated_images/no/lesson-21.e34de51354d6606fb5ee08d8c89d0222eea0a2a7aaf744a8805ae847c4f69dc4.jpg) +![En sketchnote som gir en oversikt over denne leksjonen](../../../../../translated_images/no/lesson-21.e34de51354d6606f.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -51,7 +51,7 @@ Mikrofoner finnes i en rekke typer: Dynamiske mikrofoner trenger ikke strøm for å fungere, det elektriske signalet skapes helt av mikrofonen. - ![Patti Smith synger inn i en Shure SM58 (dynamisk kardioid-type) mikrofon](../../../../../translated_images/no/dynamic-mic.8babac890a2d80dfb0874b5bf37d4b851fe2aeb9da6fd72945746176978bf3bb.jpg) + ![Patti Smith synger inn i en Shure SM58 (dynamisk kardioid-type) mikrofon](../../../../../translated_images/no/dynamic-mic.8babac890a2d80df.webp) * Bånd - Båndmikrofoner ligner på dynamiske mikrofoner, bortsett fra at de har et metallbånd i stedet for en membran. Dette båndet beveger seg i et magnetfelt og genererer en elektrisk strøm. Som dynamiske mikrofoner trenger ikke båndmikrofoner strøm for å fungere. @@ -59,11 +59,11 @@ Mikrofoner finnes i en rekke typer: * Kondensator - Kondensatormikrofoner har en tynn metallmembran og en fast metall bakplate. Elektrisitet påføres begge disse, og når membranen vibrerer, endres den statiske ladningen mellom platene og genererer et signal. Kondensatormikrofoner trenger strøm for å fungere – kalt *Phantom power*. - ![C451B små-membran kondensatormikrofon fra AKG Acoustics](../../../../../translated_images/no/condenser-mic.6f6ed5b76ca19e0ec3fd0c544601542d4479a6cb7565db336de49fbbf69f623e.jpg) + ![C451B små-membran kondensatormikrofon fra AKG Acoustics](../../../../../translated_images/no/condenser-mic.6f6ed5b76ca19e0e.webp) * MEMS - Mikroelektromekaniske systemmikrofoner, eller MEMS, er mikrofoner på en chip. De har en trykkfølsom membran etset på en silisiumchip, og fungerer på samme måte som en kondensatormikrofon. Disse mikrofonene kan være svært små og integrert i kretsløp. - ![En MEMS-mikrofon på et kretskort](../../../../../translated_images/no/mems-microphone.80574019e1f5e4d9ee72fed720ecd25a39fc2969c91355d17ebb24ba4159e4c4.png) + ![En MEMS-mikrofon på et kretskort](../../../../../translated_images/no/mems-microphone.80574019e1f5e4d9.webp) På bildet ovenfor er chipen merket **LEFT** en MEMS-mikrofon, med en liten membran mindre enn en millimeter bred. @@ -159,7 +159,7 @@ For å unngå kompleksiteten ved å trene og bruke en aktiveringsordmodell, vil ## Konverter tale til tekst -![Logo for taletjenester](../../../../../translated_images/no/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Logo for taletjenester](../../../../../translated_images/no/azure-speech-logo.a1f08c4befb0159f.webp) Akkurat som med bildeklassifisering i et tidligere prosjekt, finnes det forhåndsbygde AI-tjenester som kan ta tale som en lydfil og konvertere den til tekst. En slik tjeneste er Speech Service, en del av Cognitive Services, forhåndsbygde AI-tjenester du kan bruke i appene dine. diff --git a/translations/no/6-consumer/lessons/1-speech-recognition/pi-audio.md b/translations/no/6-consumer/lessons/1-speech-recognition/pi-audio.md index eb9a03e1f..57ab0ece3 100644 --- a/translations/no/6-consumer/lessons/1-speech-recognition/pi-audio.md +++ b/translations/no/6-consumer/lessons/1-speech-recognition/pi-audio.md @@ -16,13 +16,13 @@ Knappen kan kobles til Grove base-hatten. #### Oppgave - koble til knappen -![En Grove-knapp](../../../../../translated_images/no/grove-button.a70cfbb809a8563681003250cf5b06d68cdcc68624f9e2f493d5a534ae2da1e5.png) +![En Grove-knapp](../../../../../translated_images/no/grove-button.a70cfbb809a85636.webp) 1. Sett den ene enden av en Grove-kabel inn i kontakten på knappemodulen. Den vil bare passe på én måte. 1. Med Raspberry Pi slått av, koble den andre enden av Grove-kabelen til den digitale kontakten merket **D5** på Grove Base-hatten som er festet til Pi-en. Denne kontakten er den andre fra venstre, på raden av kontakter ved siden av GPIO-pinnene. -![Grove-knappen koblet til kontakt D5](../../../../../translated_images/no/pi-button.c7a1a4f55943341ce1baf1057658e9a205804d4131d258e820c93f951df0abf3.png) +![Grove-knappen koblet til kontakt D5](../../../../../translated_images/no/pi-button.c7a1a4f55943341c.webp) ## Ta opp lyd diff --git a/translations/no/6-consumer/lessons/1-speech-recognition/pi-microphone.md b/translations/no/6-consumer/lessons/1-speech-recognition/pi-microphone.md index 9c79970ae..a4a43939a 100644 --- a/translations/no/6-consumer/lessons/1-speech-recognition/pi-microphone.md +++ b/translations/no/6-consumer/lessons/1-speech-recognition/pi-microphone.md @@ -34,7 +34,7 @@ Mikrofonen og høyttalerne må kobles til og konfigureres. 1. Hvis du bruker ReSpeaker 2-Mics Pi HAT, kan du fjerne Grove base-hatten og deretter sette ReSpeaker-hatten på plass. - ![En Raspberry Pi med en ReSpeaker-hatt](../../../../../translated_images/no/pi-respeaker-hat.f00fabe7dd039a93e2e0aa0fc946c9af0c6a9eb17c32fa1ca097fb4e384f69f0.png) + ![En Raspberry Pi med en ReSpeaker-hatt](../../../../../translated_images/no/pi-respeaker-hat.f00fabe7dd039a93.webp) Du vil trenge en Grove-knapp senere i denne leksjonen, men en er innebygd i denne hatten, så Grove base-hatten er ikke nødvendig. diff --git a/translations/no/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md b/translations/no/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md index 7553beed9..246334d2b 100644 --- a/translations/no/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md +++ b/translations/no/6-consumer/lessons/1-speech-recognition/wio-terminal-audio.md @@ -10,7 +10,7 @@ Den innebygde mikrofonen fanger et analogt signal, som blir konvertert til et di ✅ Les mer om DMA på [Direct Memory Access-siden på Wikipedia](https://wikipedia.org/wiki/Direct_memory_access). -![Lyd fra mikrofonen går til en ADC og deretter til DMAC. Dette skriver til én buffer. Når denne bufferen er full, blir den behandlet, og DMAC skriver til en annen buffer](../../../../../translated_images/no/dmac-adc-buffers.4509aee49145c90bc2e1be472b8ed2ddfcb2b6a81ad3e559114aca55f5fff759.png) +![Lyd fra mikrofonen går til en ADC og deretter til DMAC. Dette skriver til én buffer. Når denne bufferen er full, blir den behandlet, og DMAC skriver til en annen buffer](../../../../../translated_images/no/dmac-adc-buffers.4509aee49145c90b.webp) DMAC kan fange lyd fra ADC med faste intervaller, for eksempel 16 000 ganger i sekundet for 16KHz lyd. Den kan skrive disse fangede dataene til en forhåndsallokert minnebuffer, og når denne er full, gjøre den tilgjengelig for koden din for behandling. Bruk av dette minnet kan forsinke lydopptak, men du kan sette opp flere buffere. DMAC skriver til buffer 1, og når den er full, varsler den koden din om å behandle buffer 1, mens DMAC skriver til buffer 2. Når buffer 2 er full, varsler den koden din og går tilbake til å skrive til buffer 1. På den måten, så lenge du behandler hver buffer raskere enn det tar å fylle en, vil du ikke miste noen data. diff --git a/translations/no/6-consumer/lessons/2-language-understanding/README.md b/translations/no/6-consumer/lessons/2-language-understanding/README.md index 40bd0132b..d1f4895c2 100644 --- a/translations/no/6-consumer/lessons/2-language-understanding/README.md +++ b/translations/no/6-consumer/lessons/2-language-understanding/README.md @@ -1,6 +1,6 @@ # Forstå språk -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-22.6148ea28500d9e00c396aaa2649935fb6641362c8f03d8e5e90a676977ab01dd.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-22.6148ea28500d9e00.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -46,7 +46,7 @@ Språkforståelsesmodeller er AI-modeller som er trent til å trekke ut visse de ## Opprett en språkforståelsesmodell -![LUIS-logoen](../../../../../translated_images/no/luis-logo.5cb4f3e88c020ee6df4f614e8831f4a4b6809a7247bf52085fb48d629ef9be52.png) +![LUIS-logoen](../../../../../translated_images/no/luis-logo.5cb4f3e88c020ee6.webp) Du kan opprette språkforståelsesmodeller ved hjelp av LUIS, en språkforståelsestjeneste fra Microsoft som er en del av Cognitive Services. @@ -169,7 +169,7 @@ Du finner instruksjoner for bruk av LUIS-portalen i [Quickstart: Build your app 1. Når du skriver inn hvert eksempel, vil LUIS begynne å oppdage enheter og understreke og merke dem den finner. - ![Eksemplene med tallene og tidsenhetene understreket av LUIS](../../../../../translated_images/no/luis-intent-examples.25716580b2d2723cf1bafdf277d015c7f046d8cfa20f27bddf3a0873ec45fab7.png) + ![Eksemplene med tallene og tidsenhetene understreket av LUIS](../../../../../translated_images/no/luis-intent-examples.25716580b2d2723c.webp) ### Oppgave - tren og test modellen diff --git a/translations/no/6-consumer/lessons/3-spoken-feedback/README.md b/translations/no/6-consumer/lessons/3-spoken-feedback/README.md index 0347d2d8e..90c5efe30 100644 --- a/translations/no/6-consumer/lessons/3-spoken-feedback/README.md +++ b/translations/no/6-consumer/lessons/3-spoken-feedback/README.md @@ -1,6 +1,6 @@ # Sett en timer og gi muntlig tilbakemelding -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-23.f38483e1d4df4828990d3f02d60e46c978b075d384ae7cb4f7bab738e107c850.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-23.f38483e1d4df4828.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. diff --git a/translations/no/6-consumer/lessons/4-multiple-language-support/README.md b/translations/no/6-consumer/lessons/4-multiple-language-support/README.md index 744b927f9..698f4cd5f 100644 --- a/translations/no/6-consumer/lessons/4-multiple-language-support/README.md +++ b/translations/no/6-consumer/lessons/4-multiple-language-support/README.md @@ -1,6 +1,6 @@ # Støtte for flere språk -![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-24.4246968ed058510ab275052e87ef9aa89c7b2f938915d103c605c04dc6cd5bb7.jpg) +![En sketchnote-oversikt over denne leksjonen](../../../../../translated_images/no/lesson-24.4246968ed058510a.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. @@ -74,7 +74,7 @@ Det finnes en rekke AI-tjenester som kan brukes fra applikasjonene dine for å o ### Cognitive Services Speech Service -![Logoen til tale-tjenesten](../../../../../translated_images/no/azure-speech-logo.a1f08c4befb0159f2cb5d692d3baf5b599e7b44759d316da907bda1508f46a4a.png) +![Logoen til tale-tjenesten](../../../../../translated_images/no/azure-speech-logo.a1f08c4befb0159f.webp) Tale-tjenesten du har brukt i de siste leksjonene, har oversettelsesmuligheter for talegjenkjenning. Når du gjenkjenner tale, kan du be om ikke bare teksten til talen på samme språk, men også på andre språk. @@ -82,7 +82,7 @@ Tale-tjenesten du har brukt i de siste leksjonene, har oversettelsesmuligheter f ### Cognitive Services Translator Service -![Logoen til oversettertjenesten](../../../../../translated_images/no/azure-translator-logo.c6ed3a4a433edfd2f11577eca105412c50b8396b194cbbd730723dd1d0793bcd.png) +![Logoen til oversettertjenesten](../../../../../translated_images/no/azure-translator-logo.c6ed3a4a433edfd2.webp) Oversettertjenesten er en dedikert oversettelsestjeneste som kan oversette tekst fra ett språk til ett eller flere målspråk. I tillegg til å oversette, støtter den et bredt spekter av ekstra funksjoner, inkludert maskering av banning. Den lar deg også spesifisere en bestemt oversettelse for et bestemt ord eller en setning, for å håndtere termer du ikke vil oversette, eller som har en spesifikk, velkjent oversettelse. diff --git a/translations/no/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md b/translations/no/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md index ee3f93a59..ce7aa9205 100644 --- a/translations/no/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md +++ b/translations/no/6-consumer/lessons/4-multiple-language-support/pi-translate-speech.md @@ -25,7 +25,7 @@ REST-API-et for taletjenesten støtter ikke direkte oversettelser, men du kan br > > For eksempel, hvis du trener LUIS på engelsk, men ønsker å bruke fransk som brukerspråk, kan du oversette setninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjelp av Bing Translate, og deretter bruke knappen **Lytt til oversettelse** for å snakke oversettelsen inn i mikrofonen din. > - > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a9.webp) 1. Legg til API-nøkkelen for oversetteren under `speech_api_key`: diff --git a/translations/no/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md b/translations/no/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md index 3d021b04a..5f64b2b31 100644 --- a/translations/no/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md +++ b/translations/no/6-consumer/lessons/4-multiple-language-support/virtual-device-translate-speech.md @@ -37,7 +37,7 @@ Tale-tjenesten kan ta tale og ikke bare konvertere den til tekst på samme språ > > For eksempel, hvis du trener LUIS på engelsk, men vil bruke fransk som brukerspråk, kan du oversette setninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjelp av Bing Translate, og deretter bruke knappen **Lytt til oversettelse** for å snakke oversettelsen inn i mikrofonen din. > - > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a9.webp) 1. Erstatt deklarasjonene for `recognizer_config` og `recognizer` med følgende: diff --git a/translations/no/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md b/translations/no/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md index b0dff11c8..ee8f30436 100644 --- a/translations/no/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md +++ b/translations/no/6-consumer/lessons/4-multiple-language-support/wio-terminal-translate-speech.md @@ -105,7 +105,7 @@ REST API-et for taletjenesten støtter ikke direkte oversettelser. I stedet kan > > For eksempel, hvis du trener LUIS på engelsk, men ønsker å bruke fransk som brukerspråk, kan du oversette setninger som "set a 2 minute and 27 second timer" fra engelsk til fransk ved hjelp av Bing Translate, og deretter bruke **Listen translation**-knappen for å snakke oversettelsen inn i mikrofonen din. > - > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a92f41ea74a5cf42bb4c63d6faaa08e7f46924e072a35daa48.png) + > ![Knappen for å lytte til oversettelse på Bing Translate](../../../../../translated_images/no/bing-translate.348aa796d6efe2a9.webp) 1. Legg til API-nøkkelen og plasseringen til oversettertjenesten under `SPEECH_LOCATION`: diff --git a/translations/no/README.md b/translations/no/README.md index e6c56929c..6be1d9f53 100644 --- a/translations/no/README.md +++ b/translations/no/README.md @@ -8,53 +8,63 @@ [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/IoT-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/IoT-For-Beginners/stargazers/) -### Bli med i Azure AI Foundry-fellesskapet +### Bli med i Azure AI Foundry fellesskapet -Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre lærende og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt. +Hvis du står fast eller har spørsmål om å bygge AI-apper. Bli med andre elever og erfarne utviklere i diskusjoner om MCP. Det er et støttende fellesskap hvor spørsmål er velkomne og kunnskap deles fritt. [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Hvis du har produktinnspill eller feil under bygging, besøk: +Hvis du har produktfeedback eller feil under bygging, besøk: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -Følg disse trinnene for å komme i gang med å bruke disse ressursene: -1. **Fork repositoriet**: Klikk [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) -2. **Klon repositoriet**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` -3. [**Bli med i Microsoft Foundry Discord og møt eksperter og andre utviklere**](https://discord.com/invite/ByRwuEEgH4) +Følg disse stegene for å komme i gang med å bruke disse ressursene: +1. **Fork depotet**: Klikk [![GitHub forks](https://img.shields.io/github/forks/microsoft/IoT-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/IoT-For-Beginners/fork) +2. **Klon depotet**: `git clone https://github.com/microsoft/IoT-For-Beginners.git` +3. [**Bli med i Microsoft Foundry Discord og møt eksperter og medutviklere**](https://discord.com/invite/ByRwuEEgH4) -### 🌐 Støtte for flere språk +### 🌐 Multispråklig støtte -#### Støttet via GitHub Action (Automatisert og Alltid Oppdatert) +#### Støttet via GitHub Action (Automatisert & Alltid Oppdatert) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](./README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/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](./README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) -> **Foretrekker å klone lokalt?** - -> Dette repositoriet inkluderer 50+ språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparse checkout: +> **Foretrekker du å klone lokalt?** +> +> Dette depotet inkluderer over 50 språkoversettelser som betydelig øker nedlastingsstørrelsen. For å klone uten oversettelser, bruk sparse checkout: +> +> **Bash / macOS / Linux:** > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git > cd IoT-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` -> Dette gir deg alt du trenger for å fullføre kurset med mye raskere nedlasting. +> +> **CMD (Windows):** +> ```cmd +> git clone --filter=blob:none --sparse https://github.com/microsoft/IoT-For-Beginners.git +> cd IoT-For-Beginners +> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" +> ``` +> +> Dette gir deg alt du trenger for å fullføre kurset med en mye raskere nedlasting. # IoT for nybegynnere - Et læreplan -Azure Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 24-leksjoners læreplan helt om IoT-grunnleggende. Hver leksjon inkluderer før- og etter-leksjon quizzer, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å «feste seg». +Azure Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 24-leksjons læreplan om IoT-grunnleggende. Hver leksjon inkluderer forhånds- og etter-leksjonsquizzer, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å "sitte fast" på. -Prosjektene dekker reisen til mat fra gård til bord. Dette inkluderer jordbruk, logistikk, produksjon, detaljhandel og forbruker – alle populære bransjeområder for IoT-enheter. +Prosjektene dekker reisen mat tar fra gården til bordet. Dette inkluderer jordbruk, logistikk, produksjon, detaljhandel og forbruker – alle populære bransjeområder for IoT-enheter. -![En veikart for kurset som viser 24 leksjoner som dekker introduksjon, jordbruk, transport, bearbeiding, detaljhandel og matlaging](../../translated_images/no/Roadmap.bb1dec285dda0eda.webp) +![En veikart for kurset som viser 24 leksjoner som dekker intro, jordbruk, transport, prosessering, detaljhandel og matlaging](../../translated_images/no/Roadmap.bb1dec285dda0eda.webp) > Sketchnote av [Nitya Narasimhan](https://github.com/nitya). Klikk på bildet for en større versjon. -**Hjertelig takk til våre forfattere [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett), og vår sketchnote-artist [Nitya Narasimhan](https://github.com/nitya).** +**Stor takk til våre forfattere [Jen Fox](https://github.com/jenfoxbot), [Jen Looper](https://github.com/jlooper), [Jim Bennett](https://github.com/jimbobbennett), og vår sketchnote-kunstner [Nitya Narasimhan](https://github.com/nitya).** -**Takk også til vårt team av [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn) som har gjennomgått og oversatt denne læreplanen - [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform), og [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** +**Takk også til vårt team av [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-17441-jabenn) som har gjennomgått og oversatt denne læreplanen – [Aditya Garg](https://github.com/AdityaGarg00), [Anurag Sharma](https://github.com/Anurag-0-1-A), [Arpita Das](https://github.com/Arpiiitaaa), [Aryan Jain](https://www.linkedin.com/in/aryan-jain-47a4a1145/), [Bhavesh Suneja](https://github.com/EliteWarrior315), [Faith Hunja](https://faithhunja.github.io/), [Lateefah Bello](https://www.linkedin.com/in/lateefah-bello/), [Manvi Jha](https://github.com/Severus-Matthew), [Mireille Tan](https://www.linkedin.com/in/mireille-tan-a4834819a/), [Mohammad Iftekher (Iftu) Ebne Jalal](https://github.com/Iftu119), [Mohammad Zulfikar](https://github.com/mohzulfikar), [Priyanshu Srivastav](https://www.linkedin.com/in/priyanshu-srivastav-b067241ba), [Thanmai Gowducheruvu](https://github.com/innovation-platform), og [Zina Kamel](https://www.linkedin.com/in/zina-kamel/).** Møt teamet! @@ -64,9 +74,9 @@ Møt teamet! > 🎥 Klikk på bildet over for en video om prosjektet! -> **Lærere**, vi har [inkludert noen forslag](for-teachers.md) til hvordan man kan bruke denne læreplanen. Hvis du ønsker å lage dine egne leksjoner, har vi også inkludert en [mal for leksjoner](lesson-template/README.md). +> **Lærere**, vi har [inkludert noen forslag](for-teachers.md) til hvordan denne læreplanen kan brukes. Hvis du ønsker å lage dine egne leksjoner, har vi også inkludert en [leksjonsmal](lesson-template/README.md). -> **[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen på egen hånd, forgrein hele repoet og fullfør øvelsene selvstendig, start med en før-forelesnings-quiz, les deretter forelesningen og fullfør resten av aktivitetene. Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kopiere løsningskoden; men denne koden er tilgjengelig i /solutions-mappene i hver prosjektorientert leksjon. En annen idé er å danne en studiegruppe med venner og gå gjennom innholdet sammen. For videre studier anbefaler vi [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). +> **[Studenter](https://aka.ms/student-page)**, for å bruke denne læreplanen på egenhånd, fork hele repoet og fullfør oppgavene selv, begynner med en forhåndsforelesningsquiz, så les forelesningen og fullfør resten av aktivitetene. Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kopiere løsningskoden; likevel er den koden tilgjengelig i /solutions-mapper i hver prosjektorientert leksjon. En annen idé er å danne en studiegruppe med venner og gjennomgå innholdet sammen. For videre studier anbefaler vi [Microsoft Learn](https://docs.microsoft.com/users/jimbobbennett/collections/ke2ehd351jopwr?WT.mc_id=academic-17441-jabenn). For en videooversikt over dette kurset, sjekk ut denne videoen: @@ -76,76 +86,76 @@ For en videooversikt over dette kurset, sjekk ut denne videoen: ## Pedagogikk -Vi har valgt to pedagogiske prinsipper mens vi bygget denne læreplanen: å sikre at den er prosjektbasert og at den inkluderer hyppige quizzer. Ved slutten av denne serien vil studentene ha bygget et system for å overvåke og vanne planter, et kjøretøysporingssystem, en smart fabrikkoppsett for å spore og kontrollere mat, og en stemmestyrt koke-timer, og vil ha lært det grunnleggende om tingenes internett, inkludert hvordan man skriver enhetskode, kobler til skyen, analyserer telemetri og kjører AI på kanten. +Vi har valgt to pedagogiske prinsipper mens vi bygget denne læreplanen: å sikre at den er prosjektbasert og at den inkluderer hyppige quizzer. Ved slutten av denne serien vil studentene ha bygget et plantes overvåkings- og vanningssystem, en kjøretøysporingsenhet, en smart fabrikkoppsett for å spore og sjekke mat, og en stemmestyrt koketimer, og vil ha lært det grunnleggende om tingenes internett inkludert hvordan man skriver enhetskode, kobler til skyen, analyserer telemetri og kjører AI på kanten. -Ved å sikre at innholdet samsvarer med prosjekter, gjøres prosessen mer engasjerende for studenter og konseptbevaring vil økes. +Ved å sikre at innholdet stemmer overens med prosjektene, gjøres prosessen mer engasjerende for studentene og konseptforståelsen styrkes. -I tillegg setter en lavterskelquiz før en klasse studentens intensjon mot å lære et tema, mens en andre quiz etter klassen sørger for videre bevaring. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir stadig mer komplekse mot slutten av den 12 ukers syklusen. +I tillegg setter en lavterskel-quiz før en klasse studentens intensjon mot å lære et emne, mens en andre quiz etter klassen sikrer ytterligere fastholdelse. Denne læreplanen er designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter smått og blir stadig mer komplekse ved slutten av den 12 ukers syklusen. -Hvert prosjekt er basert på virkelige maskinvare tilgjengelig for studenter og hobbyister. Hvert prosjekt ser på det spesifikke prosjektområdet og gir relevant bakgrunnskunnskap. For å være en vellykket utvikler hjelper det å forstå domenet du løser problemer i, og det å gi denne bakgrunnskunnskapen lar studentene tenke på sine IoT-løsninger og læring i konteksten av den typen virkelige problemer de kan bli bedt om å løse som IoT-utviklere. Studentene lærer «hvorfor» løsningene de bygger, og får en forståelse for sluttbrukeren. +Hvert prosjekt er basert på ekte maskinvare tilgjengelig for studenter og hobbyister. Hvert prosjekt ser på det spesifikke prosjektområdet og gir relevant bakgrunnskunnskap. For å bli en vellykket utvikler hjelper det å forstå domenet der man løser problemer, og ved å gi denne bakgrunnskunnskapen kan studentene tenke på sine IoT-løsninger og læring i kontekst av den typen virkelige problemer de kan bli bedt om å løse som IoT-utviklere. Studentene lærer 'hvorfor' av løsningene de bygger, og får en forståelse av sluttbrukeren. ## Maskinvare +Vi har to valg av IoT-maskinvare å bruke til prosjektene, avhengig av personlig preferanse, programmeringsspråkkunnskap eller preferanser, læringsmål og tilgjengelighet. Vi har også laget en 'virtuell maskinvare'-versjon for de som ikke har tilgang til maskinvare, eller som ønsker å lære mer før de bestemmer seg for å kjøpe. Du kan lese mer og finne en 'handleliste' på [maskinvare-siden](./hardware.md), inkludert lenker for å kjøpe komplette sett fra våre venner hos Seeed Studio. -Vi har to valg av IoT-maskinvare å bruke for prosjektene, avhengig av personlige preferanser, programmeringsspråkkunnskap eller preferanser, læringsmål og tilgjengelighet. Vi har også gitt en 'virtuell maskinvare'-versjon for de som ikke har tilgang til maskinvare, eller ønsker å lære mer før de bestemmer seg for å kjøpe. Du kan lese mer og finne en 'handleliste' på [maskinvaresiden](./hardware.md), inkludert lenker til å kjøpe komplette sett fra våre venner hos Seeed Studio. -> 💁 Finn våre [Regler for Oppførsel](CODE_OF_CONDUCT.md), [Bidragsregler](CONTRIBUTING.md), og [Oversettelsesretningslinjer](TRANSLATIONS.md). Vi setter pris på dine konstruktive tilbakemeldinger! +> 💁 Finn våre [Regler for Oppførsel](CODE_OF_CONDUCT.md), [Bidrag](CONTRIBUTING.md), og [Oversettelse](TRANSLATIONS.md)-retningslinjer. Vi tar imot dine konstruktive tilbakemeldinger! > -> 🔧 Har du problemer? Sjekk ut vår [Feilsøkingsguide](TROUBLESHOOTING.md) for løsninger på vanlige problemer. +> 🔧 Har du problemer? Se vår [Feilsøkingsguide](TROUBLESHOOTING.md) for løsninger på vanlige problemer. ## Hver leksjon inkluderer: - sketchnote -- valgfri supplerende video -- oppvarmingsquiz før leksjonen +- valgfri tilleggsvideo +- quiz for oppvarming før leksjonen - skriftlig leksjon -- for prosjektbaserte leksjoner, trinnvise guider på hvordan du bygger prosjektet -- kunnskapssjekker +- for prosjektbaserte leksjoner, steg-for-steg guider for hvordan bygge prosjektet +- kunnskapstester - en utfordring -- supplerende lesing +- tilleggslitteratur - oppgave -- [quiz etter leksjonen](https://ff-quizzes.netlify.app/en/) +- [quiz etter leksjon](https://ff-quizzes.netlify.app/en/) -> **En merknad om quizzer**: Alle quizzer ligger i quiz-app-mappen, for totalt 48 quizzer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøre lokalt eller distribueres til Azure; følg instruksjonene i `quiz-app`-mappen. De blir gradvis oversatt. +> **En merknad om quizer**: Alle quizer ligger i quiz-app-mappen, for totalt 48 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt eller distribueres til Azure; følg instruksjonene i `quiz-app`-mappen. De blir gradvis oversatt. ## Leksjoner -| | Prosjektnavn | Konsepter som læres | Læringsmål | Lenket leksjon | -| :---: | :------------------------------------: | :--------------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------------------------------------ | :-----------------------------------------------------------------------------------------------------------------------------: | -| 01 | [Kom i gang](./1-getting-started/README.md) | Introduksjon til IoT | Lær de grunnleggende prinsippene for IoT og de grunnleggende byggeklossene i IoT-løsninger som sensorer og skytjenester mens du setter opp din første IoT-enhet | [Introduksjon til IoT](./1-getting-started/lessons/1-introduction-to-iot/README.md) | -| 02 | [Kom i gang](./1-getting-started/README.md) | En dypere dykking i IoT | Lær mer om komponentene i et IoT-system, samt mikrokontrollere og enkeltkortmaskiner | [En dypere dykking i IoT](./1-getting-started/lessons/2-deeper-dive/README.md) | -| 03 | [Kom i gang](./1-getting-started/README.md) | Interagere med den fysiske verden med sensorer og aktuatorer | Lær om sensorer for å samle data fra den fysiske verden, og aktuatorer for å sende tilbakemeldinger, mens du bygger en nattlampe | [Interagere med den fysiske verden med sensorer og aktuatorer](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | -| 04 | [Kom i gang](./1-getting-started/README.md) | Koble enheten din til Internett | Lær hvordan du kobler en IoT-enhet til Internett for å sende og motta meldinger ved å koble nattlampen til en MQTT-broker | [Koble enheten din til Internett](./1-getting-started/lessons/4-connect-internet/README.md) | -| 05 | [Gård](./2-farm/README.md) | Forutsi plantevekst | Lær hvordan du kan forutsi plantevekst ved hjelp av temperaturdata innhentet av en IoT-enhet | [Forutsi plantevekst](./2-farm/lessons/1-predict-plant-growth/README.md) | -| 06 | [Gård](./2-farm/README.md) | Oppdage jordfuktighet | Lær hvordan du oppdager jordfuktighet og kalibrerer en jordfuktighetssensor | [Oppdage jordfuktighet](./2-farm/lessons/2-detect-soil-moisture/README.md) | -| 07 | [Gård](./2-farm/README.md) | Automatisk vanning av planter | Lær hvordan du automatiserer og tidsstyrer vanning ved hjelp av en rele og MQTT | [Automatisk vanning av planter](./2-farm/lessons/3-automated-plant-watering/README.md) | -| 08 | [Gård](./2-farm/README.md) | Migrere planten din til skyen | Lær om skyen og skybaserte IoT-tjenester og hvordan du kan koble planten din til en av disse i stedet for en offentlig MQTT-broker | [Migrere planten din til skyen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | -| 09 | [Gård](./2-farm/README.md) | Migrere applikasjonslogikken din til skyen | Lær hvordan du kan skrive applikasjonslogikk i skyen som reagerer på IoT-meldinger | [Migrere applikasjonslogikken din til skyen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | -| 10 | [Gård](./2-farm/README.md) | Hold planten din sikker | Lær om sikkerhet med IoT og hvordan du kan holde planten din sikker med nøkler og sertifikater | [Hold planten din sikker](./2-farm/lessons/6-keep-your-plant-secure/README.md) | -| 11 | [Transport](./3-transport/README.md) | Lokasjonssporing | Lær om GPS-lokasjonssporing for IoT-enheter | [Lokasjonssporing](./3-transport/lessons/1-location-tracking/README.md) | -| 12 | [Transport](./3-transport/README.md) | Lagring av lokasjonsdata | Lær hvordan du kan lagre IoT-data for å visualisere eller analysere senere | [Lagring av lokasjonsdata](./3-transport/lessons/2-store-location-data/README.md) | -| 13 | [Transport](./3-transport/README.md) | Visualisere lokasjonsdata | Lær om å visualisere lokasjonsdata på et kart, og hvordan kart representerer den virkelige 3D-verden i 2 dimensjoner | [Visualisere lokasjonsdata](./3-transport/lessons/3-visualize-location-data/README.md) | -| 14 | [Transport](./3-transport/README.md) | Geogjerder | Lær om geogjerder, og hvordan de kan brukes til å varsle når kjøretøy i forsyningskjeden nærmer seg målet deres | [Geogjerder](./3-transport/lessons/4-geofences/README.md) | -| 15 | [Produksjon](./4-manufacturing/README.md) | Tren en fruktkvalitetsdetektor | Lær om å trene en bildekategoriserer i skyen for å oppdage fruktkvalitet | [Tren en fruktkvalitetsdetektor](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | -| 16 | [Produksjon](./4-manufacturing/README.md) | Sjekk fruktkvalitet fra en IoT-enhet | Lær om å bruke fruktkvalitetsdetektoren din fra en IoT-enhet | [Sjekk fruktkvalitet fra en IoT-enhet](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | -| 17 | [Produksjon](./4-manufacturing/README.md) | Kjør fruktdetektoren din på kanten | Lær om å kjøre fruktdetektoren din på en IoT-enhet lokalt | [Kjør fruktdetektoren din på kanten](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | -| 18 | [Produksjon](./4-manufacturing/README.md) | Aktiver fruktkvalitetsdeteksjon fra en sensor | Lær om å aktivere fruktkvalitetsdeteksjon fra en sensor | [Aktiver fruktkvalitetsdeteksjon fra en sensor](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | -| 19 | [Detaljhandel](./5-retail/README.md) | Tren en lagerdetektor | Lær hvordan du kan bruke objektdeteksjon for å trene en lagerdetektor til å telle lager i en butikk | [Tren en lagerdetektor](./5-retail/lessons/1-train-stock-detector/README.md) | -| 20 | [Detaljhandel](./5-retail/README.md) | Sjekk lager fra en IoT-enhet | Lær hvordan du sjekker lager fra en IoT-enhet ved bruk av en objektdeteksjonsmodell | [Sjekk lager fra en IoT-enhet](./5-retail/lessons/2-check-stock-device/README.md) | -| 21 | [Konsument](./6-consumer/README.md) | Gjenkjenn tale med en IoT-enhet | Lær hvordan du kan gjenkjenne tale fra et IoT-apparat for å bygge en smart timer | [Gjenkjenn tale med en IoT-enhet](./6-consumer/lessons/1-speech-recognition/README.md) | -| 22 | [Konsument](./6-consumer/README.md) | Forstå språk | Lær hvordan du forstår setninger som blir sagt til en IoT-enhet | [Forstå språk](./6-consumer/lessons/2-language-understanding/README.md) | -| 23 | [Konsument](./6-consumer/README.md) | Sett en timer og gi muntlig tilbakemelding | Lær hvordan du setter en timer på en IoT-enhet og gir muntlig tilbakemelding når timeren startes og slutter | [Sett en timer og gi muntlig tilbakemelding](./6-consumer/lessons/3-spoken-feedback/README.md) | -| 24 | [Konsument](./6-consumer/README.md) | Støtte flere språk | Lær hvordan du kan støtte flere språk, både det som blir sagt til deg og responsene fra din smarte timer | [Støtte flere språk](./6-consumer/lessons/4-multiple-language-support/README.md) | - -## Offline tilgang - -Du kan kjøre denne dokumentasjonen offline ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette repoet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og så i rotmappen for dette repoet, skriv `docsify serve`. Nettstedet vil bli servert på port 3000 på din localhost: `localhost:3000`. +| | Prosjektnavn | Konsepter som læres | Læringsmål | Lenket leksjon | +| :---: | :------------------------------------: | :--------------------------------------------------------------: | ---------------------------------------------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------: | +| 01 | [Kom i gang](./1-getting-started/README.md) | Introduksjon til IoT | Lær de grunnleggende prinsippene for IoT og de grunnleggende byggesteinene i IoT-løsninger som sensorer og skytjenester mens du setter opp din første IoT-enhet | [Introduksjon til IoT](./1-getting-started/lessons/1-introduction-to-iot/README.md) | +| 02 | [Kom i gang](./1-getting-started/README.md) | En dypere innsikt i IoT | Lær mer om komponentene i et IoT-system, samt mikrokontrollere og enkel-board datamaskiner | [En dypere innsikt i IoT](./1-getting-started/lessons/2-deeper-dive/README.md) | +| 03 | [Kom i gang](./1-getting-started/README.md) | Interager med den fysiske verden med sensorer og aktuatorer | Lær om sensorer for å samle data fra den fysiske verden, og aktuatorer for å sende tilbakemelding, mens du bygger et nattlys | [Interager med den fysiske verden med sensorer og aktuatorer](./1-getting-started/lessons/3-sensors-and-actuators/README.md) | +| 04 | [Kom i gang](./1-getting-started/README.md) | Koble enheten din til Internett | Lær hvordan du kobler en IoT-enhet til Internett for å sende og motta meldinger ved å koble nattlyset ditt til en MQTT-mekler | [Koble enheten din til Internett](./1-getting-started/lessons/4-connect-internet/README.md) | +| 05 | [Farm](./2-farm/README.md) | Forutsi plantevekst | Lær hvordan du kan forutsi plantevekst ved å bruke temperaturobservasjoner samlet av en IoT-enhet | [Forutsi plantevekst](./2-farm/lessons/1-predict-plant-growth/README.md) | +| 06 | [Farm](./2-farm/README.md) | Oppdage jordfuktighet | Lær hvordan du oppdager jordfuktighet og kalibrerer en jordfuktighetssensor | [Oppdage jordfuktighet](./2-farm/lessons/2-detect-soil-moisture/README.md) | +| 07 | [Farm](./2-farm/README.md) | Automatisert plantevanning | Lær hvordan du automatiserer og tidsstyrer vanning ved bruk av en relé og MQTT | [Automatisert plantevanning](./2-farm/lessons/3-automated-plant-watering/README.md) | +| 08 | [Farm](./2-farm/README.md) | Migrer planten din til skyen | Lær om skyen og skybaserte IoT-tjenester og hvordan du kobler planten din til en av disse i stedet for en offentlig MQTT-mekler | [Migrer planten din til skyen](./2-farm/lessons/4-migrate-your-plant-to-the-cloud/README.md) | +| 09 | [Farm](./2-farm/README.md) | Migrer applikasjonslogikken din til skyen | Lær hvordan du kan skrive applikasjonslogikk i skyen som responderer på IoT-meldinger | [Migrer applikasjonslogikken din til skyen](./2-farm/lessons/5-migrate-application-to-the-cloud/README.md) | +| 10 | [Farm](./2-farm/README.md) | Hold planten din sikker | Lær om sikkerhet for IoT og hvordan du holder planten sikker med nøkler og sertifikater | [Hold planten din sikker](./2-farm/lessons/6-keep-your-plant-secure/README.md) | +| 11 | [Transport](./3-transport/README.md) | Lokasjonssporing | Lær om GPS-lokasjonssporing for IoT-enheter | [Lokasjonssporing](./3-transport/lessons/1-location-tracking/README.md) | +| 12 | [Transport](./3-transport/README.md) | Lagre lokasjonsdata | Lær hvordan du lagrer IoT-data for å visualisere eller analysere senere | [Lagre lokasjonsdata](./3-transport/lessons/2-store-location-data/README.md) | +| 13 | [Transport](./3-transport/README.md) | Visualisere lokasjonsdata | Lær om å visualisere lokasjonsdata på et kart, og hvordan kart representerer den virkelige 3D-verden i 2 dimensjoner | [Visualisere lokasjonsdata](./3-transport/lessons/3-visualize-location-data/README.md) | +| 14 | [Transport](./3-transport/README.md) | Geofences | Lær om geofencer og hvordan disse kan brukes for å varsle når kjøretøy i forsyningskjeden er nær målet sitt | [Geofences](./3-transport/lessons/4-geofences/README.md) | +| 15 | [Produksjon](./4-manufacturing/README.md) | Tren en fruktkvalitetsdetektor | Lær om å trene en bildegjenkjenner i skyen for å oppdage fruktkvalitet | [Tren en fruktkvalitetsdetektor](./4-manufacturing/lessons/1-train-fruit-detector/README.md) | +| 16 | [Produksjon](./4-manufacturing/README.md) | Sjekk fruktkvalitet fra en IoT-enhet | Lær om å bruke fruktkvalitetsdetektoren fra en IoT-enhet | [Sjekk fruktkvalitet fra en IoT-enhet](./4-manufacturing/lessons/2-check-fruit-from-device/README.md) | +| 17 | [Produksjon](./4-manufacturing/README.md) | Kjør fruktdetektoren på kanten | Lær om å kjøre fruktdetektoren på en IoT-enhet på kanten | [Kjør fruktdetektoren på kanten](./4-manufacturing/lessons/3-run-fruit-detector-edge/README.md) | +| 18 | [Produksjon](./4-manufacturing/README.md) | Utløse fruktkvalitetsdeteksjon fra en sensor | Lær om å utløse fruktkvalitetsdeteksjon fra en sensor | [Utløse fruktkvalitetsdeteksjon fra en sensor](./4-manufacturing/lessons/4-trigger-fruit-detector/README.md) | +| 19 | [Detaljhandel](./5-retail/README.md) | Tren en lagerdetektor | Lær hvordan du bruker objektgjenkjenning for å trene en lagerdetektor for å telle lagerbeholdning i en butikk | [Tren en lagerdetektor](./5-retail/lessons/1-train-stock-detector/README.md) | +| 20 | [Detaljhandel](./5-retail/README.md) | Sjekk lagerbeholdning fra en IoT-enhet | Lær hvordan du sjekker lagerbeholdning fra en IoT-enhet ved bruk av en objektgjenkjenningsmodell | [Sjekk lagerbeholdning fra en IoT-enhet](./5-retail/lessons/2-check-stock-device/README.md) | +| 21 | [Forbruker](./6-consumer/README.md) | Gjenkjenne tale med en IoT-enhet | Lær hvordan du gjenkjenner tale fra en IoT-enhet for å bygge en smart timer | [Gjenkjenne tale med en IoT-enhet](./6-consumer/lessons/1-speech-recognition/README.md) | +| 22 | [Forbruker](./6-consumer/README.md) | Forstå språk | Lær hvordan du forstår setninger som sies til en IoT-enhet | [Forstå språk](./6-consumer/lessons/2-language-understanding/README.md) | +| 23 | [Forbruker](./6-consumer/README.md) | Sett en tidtaker og gi muntlig tilbakemelding | Lær hvordan du setter en tidtaker på en IoT-enhet og gir muntlig tilbakemelding om når tidtakeren starter og når den er slutt | [Sett en tidtaker og gi muntlig tilbakemelding](./6-consumer/lessons/3-spoken-feedback/README.md) | +| 24 | [Forbruker](./6-consumer/README.md) | Støtte flere språk | Lær hvordan du støtter flere språk, både ved å bli snakket til og ved svarene fra din smarte timer | [Støtte flere språk](./6-consumer/lessons/4-multiple-language-support/README.md) | + +## Offline-tilgang + +Du kan kjøre denne dokumentasjonen offline ved å bruke [Docsify](https://docsify.js.org/#/). Fork dette depotet, [installer Docsify](https://docsify.js.org/#/quickstart) på din lokale maskin, og i rotmappen av dette depotet, skriv `docsify serve`. Nettstedet vil være tilgjengelig på port 3000 på din lokalhost: `localhost:3000`. ## Quiz -Takk til fellesskapet for å hoste den interaktive quizen som tester kunnskapen din i hvert kapittel. Test din kunnskap [her](https://ff-quizzes.netlify.app/en/) +Takk til fellesskapet for å være verts for den interaktive quizen som tester kunnskapen din i hvert kapittel. Test kunnskapen din [her](https://ff-quizzes.netlify.app/en/) ### PDF -Du kan generere en PDF av dette innholdet for offline tilgang om nødvendig. For å gjøre dette, sørg for at du har [npm installert](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) og kjør følgende kommandoer i rotmappen til dette repoet: +Du kan generere en PDF av dette innholdet for offline-tilgang om nødvendig. For å gjøre dette, sørg for at du har [npm installert](https://docs.npmjs.com/downloading-and-installing-node-js-and-npm) og kjør følgende kommandoer i rotmappen av dette depotet: ```sh npm i @@ -154,8 +164,7 @@ npm run convert ### Lysbilder -Det finnes lysbildepresentasjoner for noen av leksjonene i [slides](../../slides)-mappen. - +Det finnes lysbildefremvisninger for noen av leksjonene i [slides](../../slides)-mappen. ## Andre læreplaner @@ -163,51 +172,51 @@ Vårt team produserer andre læreplaner! Sjekk ut: ### LangChain -[![LangChain4j for nybegynnere](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for nybegynnere](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) - +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agenter -[![AZD for Nybegynnere](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Nybegynnere](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Nybegynnere](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI-agenter for nybegynnere](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Agents +[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generativ AI-serie -[![Generativ AI for nybegynnere](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generativ AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Generative AI-serien +[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Kjerneundervisning -[![ML for nybegynnere](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for nybegynnere](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for nybegynnere](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersikkerhet for nybegynnere](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Webutvikling for nybegynnere](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for nybegynnere](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR-utvikling for nybegynnere](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Kjerneopplæring +[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot-serie -[![Copilot for AI-parprogrammering](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot-serien +[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Bildeoppgiavelser +## Bildehenvisninger -Du kan finne alle oppgiavelser for bildene brukt i denne læreplanen der det kreves i [Attributions](./attributions.md). +Du kan finne alle henvisningene for bildene brukt i dette læreplanen der det er nødvendig i [Henvisninger](./attributions.md). --- -**Ansvarsfraskrivelse**: -Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på originalspråket skal anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen. +**Ansvarsfraskrivelse**: +Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på det opprinnelige språket skal anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen. \ No newline at end of file diff --git a/translations/no/hardware.md b/translations/no/hardware.md index 527f3bbba..14fc06e55 100644 --- a/translations/no/hardware.md +++ b/translations/no/hardware.md @@ -26,7 +26,7 @@ Seeed Studios har veldig vennlig gjort all maskinvaren tilgjengelig som lettkjø **[IoT for nybegynnere med Seeed og Microsoft - Raspberry Pi 4 Starter Kit](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html)** -[![Raspberry Pi-maskinvarekit](../../translated_images/no/pi-hardware-kit.26dbadaedb7dd44c73b0131d5d68ea29472ed0a9744f90d5866c6d82f2d16380.png)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) +[![Raspberry Pi-maskinvarekit](../../translated_images/no/pi-hardware-kit.26dbadaedb7dd44c.webp)](https://www.seeedstudio.com/IoT-for-beginners-with-Seeed-and-Microsoft-Raspberry-Pi-Starter-Kit-p-5004.html) ## Arduino