diff --git a/translated_images/ar/.co-op-translator.json b/translated_images/ar/.co-op-translator.json new file mode 100644 index 000000000..c434d1e9e --- /dev/null +++ b/translated_images/ar/.co-op-translator.json @@ -0,0 +1,920 @@ +{ + "favicon.37b561214b36d454.webp": { + "original_hash": "228faa6584f8ba1f7e9a75e3200112e9", + "translation_date": "2026-01-16T08:12:59+00:00", + "source_file": "images/favicon.png", + "language_code": "ar" + }, + "ml-for-beginners.9eecb963dbfbfb32.webp": { + "original_hash": "168efdbeb98bec4da0e91cf8acf77dfe", + "translation_date": "2026-01-16T08:13:01+00:00", + "source_file": "images/ml-for-beginners.png", + "language_code": "ar" + }, + "ml-for-beginners-video-banner.63f694a100034bc6.webp": { + "original_hash": "2ee5851fdd14fb777163c9dfef721412", + "translation_date": "2026-01-16T08:13:04+00:00", + "source_file": "images/ml-for-beginners-video-banner.png", + "language_code": "ar" + }, + "3.9b58fd8d6c373c20.webp": { + "original_hash": "2de21431c87bb9ebc9bf4ddcb3ba2bdd", + "translation_date": "2026-01-16T08:13:12+00:00", + "source_file": "images/3.png", + "language_code": "ar" + }, + "ml-fairness.ef296ebec6afc98a.webp": { + "original_hash": "bceb2f96ebd4940cfddce42307d5e4a9", + "translation_date": "2026-01-16T08:13:43+00:00", + "source_file": "sketchnotes/ml-fairness.png", + "language_code": "ar" + }, + "ml-regression.4e4f70e3b3ed446e.webp": { + "original_hash": "c9bf1c0fe00e48262b884a679c612372", + "translation_date": "2026-01-16T08:13:58+00:00", + "source_file": "sketchnotes/ml-regression.png", + "language_code": "ar" + }, + "ml-realworld.26ee274671615577.webp": { + "original_hash": "3f43444e6254753eb5f23de7f52b2745", + "translation_date": "2026-01-16T08:14:24+00:00", + "source_file": "sketchnotes/ml-realworld.png", + "language_code": "ar" + }, + "ml-reinforcement.94024374d63348db.webp": { + "original_hash": "c3b55d97bb8edd97fbff43767fb4c563", + "translation_date": "2026-01-16T08:14:45+00:00", + "source_file": "sketchnotes/ml-reinforcement.png", + "language_code": "ar" + }, + "ml-timeseries.fb98d25f1013fc0c.webp": { + "original_hash": "03443e1e03edffd1a9c8c605903c4e84", + "translation_date": "2026-01-16T08:15:04+00:00", + "source_file": "sketchnotes/ml-timeseries.png", + "language_code": "ar" + }, + "ml-history.a1bdfd4ce1f464d9.webp": { + "original_hash": "2fe022d2dd04763788b2a5a8ad71fb1f", + "translation_date": "2026-01-16T08:15:21+00:00", + "source_file": "sketchnotes/ml-history.png", + "language_code": "ar" + }, + "globe.59f26379ceb40428.webp": { + "original_hash": "843aa34b1b65eb8ab23f8a7476b7dcd0", + "translation_date": "2026-01-16T08:15:24+00:00", + "source_file": "1-Introduction/images/globe.jpg", + "language_code": "ar" + }, + "ai-ml-ds.537ea441b124ebf6.webp": { + "original_hash": "22725868b26ca27e64c946ee025d45a3", + "translation_date": "2026-01-16T08:15:27+00:00", + "source_file": "1-Introduction/1-intro-to-ML/images/ai-ml-ds.png", + "language_code": "ar" + }, + "hype.07183d711a17aafe.webp": { + "original_hash": "fdd8cab17e681e45c4fe2647eb58bdb9", + "translation_date": "2026-01-16T08:15:35+00:00", + "source_file": "1-Introduction/1-intro-to-ML/images/hype.png", + "language_code": "ar" + }, + "shakey.4dc17819c447c05b.webp": { + "original_hash": "c1d741be4627f3e75ea5ee912f5896e6", + "translation_date": "2026-01-16T08:15:41+00:00", + "source_file": "1-Introduction/2-history-of-ML/images/shakey.jpg", + "language_code": "ar" + }, + "eliza.84397454cda9559b.webp": { + "original_hash": "cf4cf518f649213e8970b1d08fbe6c77", + "translation_date": "2026-01-16T08:15:58+00:00", + "source_file": "1-Introduction/2-history-of-ML/images/eliza.png", + "language_code": "ar" + }, + "overfitting.1c132d92bfd93cb6.webp": { + "original_hash": "e9d1a3d88cf81abd87b93ba3cae6f3b1", + "translation_date": "2026-01-16T08:16:01+00:00", + "source_file": "1-Introduction/4-techniques-of-ML/images/overfitting.png", + "language_code": "ar" + }, + "gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp": { + "original_hash": "0e8aac544ac1089cd727075b6083639f", + "translation_date": "2026-01-16T08:16:05+00:00", + "source_file": "1-Introduction/3-fairness/images/gender-bias-translate-tr-en.png", + "language_code": "ar" + }, + "accountability.41d8c0f4b85b6231.webp": { + "original_hash": "65e19795f4a18a0878133c71c8862c42", + "translation_date": "2026-01-16T08:16:08+00:00", + "source_file": "1-Introduction/3-fairness/images/accountability.png", + "language_code": "ar" + }, + "ceos.7a9a67871424a6c0.webp": { + "original_hash": "f403a92005c5f0c581fd27587dd69eb8", + "translation_date": "2026-01-16T08:16:12+00:00", + "source_file": "1-Introduction/3-fairness/images/ceos.png", + "language_code": "ar" + }, + "gender-bias-translate-en-tr.f185fd8822c2d437.webp": { + "original_hash": "3abc35f319aef1169941603df4db6fd0", + "translation_date": "2026-01-16T08:16:16+00:00", + "source_file": "1-Introduction/3-fairness/images/gender-bias-translate-en-tr.png", + "language_code": "ar" + }, + "fairness.b9f9893a4e3dc28b.webp": { + "original_hash": "89c57b68363652950bfa4b8a3cae82c1", + "translation_date": "2026-01-16T08:16:20+00:00", + "source_file": "1-Introduction/3-fairness/images/fairness.png", + "language_code": "ar" + }, + "accessibility.c1be5ce816eaea65.webp": { + "original_hash": "ff169fe805ae6b4b0067443121c4c7ce", + "translation_date": "2026-01-16T08:16:23+00:00", + "source_file": "1-Introduction/3-fairness/images/accessibility.png", + "language_code": "ar" + }, + "jack-o-lanterns.181c661a9212457d.webp": { + "original_hash": "3f6f70bd9fcfd9f85c229fdbbeef8a4a", + "translation_date": "2026-01-16T08:16:24+00:00", + "source_file": "2-Regression/images/jack-o-lanterns.jpg", + "language_code": "ar" + }, + "polynomial.8fce4663e7283dfb.webp": { + "original_hash": "7df902a6d0b81a28de48a330b3b4aa76", + "translation_date": "2026-01-16T08:16:30+00:00", + "source_file": "2-Regression/3-Linear/images/polynomial.png", + "language_code": "ar" + }, + "janitor.e4a77dd3d3e6a32e.webp": { + "original_hash": "8e34c6515b5a664c4485bed85ace536e", + "translation_date": "2026-01-16T08:16:54+00:00", + "source_file": "2-Regression/3-Linear/images/janitor.jpg", + "language_code": "ar" + }, + "calculation.a209813050a1ddb1.webp": { + "original_hash": "b2131ec1d3e6db2e2abd7bc8c699dbcf", + "translation_date": "2026-01-16T08:17:00+00:00", + "source_file": "2-Regression/3-Linear/images/calculation.png", + "language_code": "ar" + }, + "linear-results.f7c3552c85b0ed1c.webp": { + "original_hash": "3f6827091179dabc363a4327e4f824fe", + "translation_date": "2026-01-16T08:17:01+00:00", + "source_file": "2-Regression/3-Linear/images/linear-results.png", + "language_code": "ar" + }, + "recipes.9ad10d8a4056bf89.webp": { + "original_hash": "925552a21bb3687dfd83bb25010273f9", + "translation_date": "2026-01-16T08:17:43+00:00", + "source_file": "2-Regression/3-Linear/images/recipes.png", + "language_code": "ar" + }, + "heatmap.39952045da50b4eb.webp": { + "original_hash": "a62eb0069cc21d495828469ea2d0b506", + "translation_date": "2026-01-16T08:17:54+00:00", + "source_file": "2-Regression/3-Linear/images/heatmap.png", + "language_code": "ar" + }, + "slope.f3c9d5910ddbfcf9.webp": { + "original_hash": "d81920219716f4765a0208ea6d035ec7", + "translation_date": "2026-01-16T08:18:00+00:00", + "source_file": "2-Regression/3-Linear/images/slope.png", + "language_code": "ar" + }, + "pie-pumpkins-scatter.d14f9804a53f927e.webp": { + "original_hash": "2475f9d321d752ada7e5f431fe59f9e9", + "translation_date": "2026-01-16T08:18:01+00:00", + "source_file": "2-Regression/3-Linear/images/pie-pumpkins-scatter.png", + "language_code": "ar" + }, + "poly-results.ee587348f0f1f60b.webp": { + "original_hash": "e69be7266860f3cae8c750a35e160493", + "translation_date": "2026-01-16T08:18:02+00:00", + "source_file": "2-Regression/3-Linear/images/poly-results.png", + "language_code": "ar" + }, + "scatter-dayofyear-color.65790faefbb9d54f.webp": { + "original_hash": "57a573b7b038fddf7793cc520baa2ecd", + "translation_date": "2026-01-16T08:18:07+00:00", + "source_file": "2-Regression/3-Linear/images/scatter-dayofyear-color.png", + "language_code": "ar" + }, + "price-by-variety.744a2f9925d9bcb4.webp": { + "original_hash": "80b85163de4d24d4d0bf67ff0d9b2309", + "translation_date": "2026-01-16T08:18:08+00:00", + "source_file": "2-Regression/3-Linear/images/price-by-variety.png", + "language_code": "ar" + }, + "linear-polynomial.5523c7cb6576ccab.webp": { + "original_hash": "1b810c7c5447242163be60624c06bf97", + "translation_date": "2026-01-16T08:18:21+00:00", + "source_file": "2-Regression/3-Linear/images/linear-polynomial.png", + "language_code": "ar" + }, + "scatter-dayofyear.bc171c189c9fd553.webp": { + "original_hash": "0dfbd93772844f3b564fefa1750f1f1a", + "translation_date": "2026-01-16T08:18:24+00:00", + "source_file": "2-Regression/3-Linear/images/scatter-dayofyear.png", + "language_code": "ar" + }, + "linear.a1b0760a56132551.webp": { + "original_hash": "0bc5432c73d2c073cab1b85d8279ff44", + "translation_date": "2026-01-16T08:18:32+00:00", + "source_file": "2-Regression/3-Linear/images/linear.png", + "language_code": "ar" + }, + "notebook.4a3ee31f396b8832.webp": { + "original_hash": "53ed9e8157acd2742be1840e5d9c69ab", + "translation_date": "2026-01-16T08:18:38+00:00", + "source_file": "2-Regression/1-Tools/images/notebook.jpg", + "language_code": "ar" + }, + "scatterplot.ad8b356bcbb33be6.webp": { + "original_hash": "3957c7a107594dadc4758bb3ce04857d", + "translation_date": "2026-01-16T08:18:43+00:00", + "source_file": "2-Regression/1-Tools/images/scatterplot.png", + "language_code": "ar" + }, + "encouRage.e75d5fe0367fb913.webp": { + "original_hash": "7dd96b2ba0df871e1553f743be58a0e5", + "translation_date": "2026-01-16T08:18:56+00:00", + "source_file": "2-Regression/1-Tools/images/encouRage.jpg", + "language_code": "ar" + }, + "data-visualization.54e56dded7c1a804.webp": { + "original_hash": "0978cd448f88701c82bc30537b17c1c5", + "translation_date": "2026-01-16T08:19:03+00:00", + "source_file": "2-Regression/2-Data/images/data-visualization.png", + "language_code": "ar" + }, + "unruly_data.0eedc7ced92d2d91.webp": { + "original_hash": "a4a8c088eb459adbbae497322c640811", + "translation_date": "2026-01-16T08:19:06+00:00", + "source_file": "2-Regression/2-Data/images/unruly_data.jpg", + "language_code": "ar" + }, + "scatterplot.b6868f44cbd2051c.webp": { + "original_hash": "be95a93bbe7e5ef894f0cc2a9165b524", + "translation_date": "2026-01-16T08:19:13+00:00", + "source_file": "2-Regression/2-Data/images/scatterplot.png", + "language_code": "ar" + }, + "dplyr_wrangling.f5f99c64fd4580f1.webp": { + "original_hash": "c9623f92bdbfdc2b68fcc8b8c28ec6d1", + "translation_date": "2026-01-16T08:19:18+00:00", + "source_file": "2-Regression/2-Data/images/dplyr_wrangling.png", + "language_code": "ar" + }, + "barchart.a833ea9194346d76.webp": { + "original_hash": "49c21ba1929ad7ee26b6cd2fcf243929", + "translation_date": "2026-01-16T08:19:24+00:00", + "source_file": "2-Regression/2-Data/images/barchart.png", + "language_code": "ar" + }, + "multinomial-vs-ordinal.36701b4850e37d86.webp": { + "original_hash": "f073e94529a3648f2231cdce2cbab8b4", + "translation_date": "2026-01-16T08:19:39+00:00", + "source_file": "2-Regression/4-Logistic/images/multinomial-vs-ordinal.png", + "language_code": "ar" + }, + "sigmoid.8b7ba9d095c789cf.webp": { + "original_hash": "93e362a78005d1964a4a108887df6f65", + "translation_date": "2026-01-16T08:19:41+00:00", + "source_file": "2-Regression/4-Logistic/images/sigmoid.png", + "language_code": "ar" + }, + "multinomial-ordinal.944fe02295fd6cdf.webp": { + "original_hash": "c7ccca072d30b5d4b75255a67ddae654", + "translation_date": "2026-01-16T08:19:52+00:00", + "source_file": "2-Regression/4-Logistic/images/multinomial-ordinal.png", + "language_code": "ar" + }, + "linear-vs-logistic.ba180bf95e7ee667.webp": { + "original_hash": "96759faebbd1f2a900347a266e140c4d", + "translation_date": "2026-01-16T08:20:00+00:00", + "source_file": "2-Regression/4-Logistic/images/linear-vs-logistic.png", + "language_code": "ar" + }, + "pumpkin-classifier.562771f104ad5436.webp": { + "original_hash": "9b4b4ac420310c1c6f70835f8f039666", + "translation_date": "2026-01-16T08:20:08+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkin-classifier.png", + "language_code": "ar" + }, + "logistic.b0cba6b7db4d5789.webp": { + "original_hash": "9794c53dc6a7c7c197cf4e308d45cfe8", + "translation_date": "2026-01-16T08:20:10+00:00", + "source_file": "2-Regression/4-Logistic/images/logistic.png", + "language_code": "ar" + }, + "ROC.167a70519c5bf898.webp": { + "original_hash": "63e5567374ae1de1cd1e775dda7c81e9", + "translation_date": "2026-01-16T08:20:16+00:00", + "source_file": "2-Regression/4-Logistic/images/ROC.png", + "language_code": "ar" + }, + "grid.464370ad00f3696c.webp": { + "original_hash": "79d757e96813e70fbf7844b23dae96bc", + "translation_date": "2026-01-16T08:20:44+00:00", + "source_file": "2-Regression/4-Logistic/images/grid.png", + "language_code": "ar" + }, + "swarm.56d253ae80a2c0f5.webp": { + "original_hash": "fe1af9f5ac979ea7316753ac7559aaaf", + "translation_date": "2026-01-16T08:20:47+00:00", + "source_file": "2-Regression/4-Logistic/images/swarm.png", + "language_code": "ar" + }, + "confusion-matrix.3cc5496a1a37c3e4.webp": { + "original_hash": "4150f5e65462636d31a355fb8bacd710", + "translation_date": "2026-01-16T08:20:51+00:00", + "source_file": "2-Regression/4-Logistic/images/confusion-matrix.png", + "language_code": "ar" + }, + "ROC_2.777f20cdfc4988ca.webp": { + "original_hash": "7e020247ea2b610881d260a38315aeae", + "translation_date": "2026-01-16T08:20:57+00:00", + "source_file": "2-Regression/4-Logistic/images/ROC_2.png", + "language_code": "ar" + }, + "pumpkins_catplot_2.87a354447880b388.webp": { + "original_hash": "64c425c52a46eef297def367d169d32a", + "translation_date": "2026-01-16T08:21:17+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkins_catplot_2.png", + "language_code": "ar" + }, + "pumpkins_catplot_1.c55c409b71fea2ec.webp": { + "original_hash": "21156df8979d98c866269dca8da8f884", + "translation_date": "2026-01-16T08:21:24+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkins_catplot_1.png", + "language_code": "ar" + }, + "violin.ffceb68923177011.webp": { + "original_hash": "6552159e8ea391bd6d60d1ee0ee0a40b", + "translation_date": "2026-01-16T08:21:28+00:00", + "source_file": "2-Regression/4-Logistic/images/violin.png", + "language_code": "ar" + }, + "r_learners_sm.e25fa9c205b3a3f9.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T08:21:31+00:00", + "source_file": "2-Regression/4-Logistic/images/r_learners_sm.jpeg", + "language_code": "ar" + }, + "swarm_2.efeacfca536c2b57.webp": { + "original_hash": "734f5d0884220257ff5c7f7e1f6faed2", + "translation_date": "2026-01-16T08:21:35+00:00", + "source_file": "2-Regression/4-Logistic/images/swarm_2.png", + "language_code": "ar" + }, + "logistic-linear.0f2f6bb73b3134c1.webp": { + "original_hash": "7069c082c288ac778688382b8f817d12", + "translation_date": "2026-01-16T08:21:50+00:00", + "source_file": "2-Regression/4-Logistic/images/logistic-linear.png", + "language_code": "ar" + }, + "ufo.9e787f5161da9d4d.webp": { + "original_hash": "99f743b68eb93ed8c683c0f78ac1a180", + "translation_date": "2026-01-16T08:21:58+00:00", + "source_file": "3-Web-App/images/ufo.jpg", + "language_code": "ar" + }, + "lobe.2fa0806408ef9923.webp": { + "original_hash": "e6ec71dbe350aef39135dbf88bc89163", + "translation_date": "2026-01-16T08:22:19+00:00", + "source_file": "3-Web-App/1-Web-App/images/lobe.png", + "language_code": "ar" + }, + "p&p.279f1c49ecd88941.webp": { + "original_hash": "9896259959fc22aeeb0c5e0d6e0154a7", + "translation_date": "2026-01-16T08:22:23+00:00", + "source_file": "6-NLP/images/p&p.jpg", + "language_code": "ar" + }, + "monnaie.606c5fa8369d5c3b.webp": { + "original_hash": "8eb6b1ab4f94ed2f98059f68ebafc014", + "translation_date": "2026-01-16T08:22:28+00:00", + "source_file": "6-NLP/3-Translation-Sentiment/images/monnaie.png", + "language_code": "ar" + }, + "comprehension.619708fc5959b0f6.webp": { + "original_hash": "199ba9874415c9ac69ab90ca0c7a5798", + "translation_date": "2026-01-16T08:22:32+00:00", + "source_file": "6-NLP/1-Introduction-to-NLP/images/comprehension.png", + "language_code": "ar" + }, + "tokenization.1641a160c66cd2d9.webp": { + "original_hash": "568ebd0acfd2a2712e97c2efb889b5b9", + "translation_date": "2026-01-16T08:22:34+00:00", + "source_file": "6-NLP/2-Tasks/images/tokenization.png", + "language_code": "ar" + }, + "embedding.2cf8953c4b3101d1.webp": { + "original_hash": "1007c6219e1ce7d2a51becd0596a822a", + "translation_date": "2026-01-16T08:22:38+00:00", + "source_file": "6-NLP/2-Tasks/images/embedding.png", + "language_code": "ar" + }, + "parse.d0c5bbe1106eae8f.webp": { + "original_hash": "322098f5a3769e96c7a60b16ad9d02b3", + "translation_date": "2026-01-16T08:22:43+00:00", + "source_file": "6-NLP/2-Tasks/images/parse.png", + "language_code": "ar" + }, + "turntable.f2b86b13c53302dc.webp": { + "original_hash": "02aa654944ce0872a2a6b41ad6f8bae2", + "translation_date": "2026-01-16T08:22:44+00:00", + "source_file": "5-Clustering/images/turntable.jpg", + "language_code": "ar" + }, + "problems.f7fb539ccd80608e.webp": { + "original_hash": "d3605f6f944d3a7a5390490be3a94186", + "translation_date": "2026-01-16T08:22:59+00:00", + "source_file": "5-Clustering/2-K-Means/images/problems.png", + "language_code": "ar" + }, + "clusters.b635354640d8e4fd.webp": { + "original_hash": "1bf916ab2a323ca1ff9524b957d191d9", + "translation_date": "2026-01-16T08:23:00+00:00", + "source_file": "5-Clustering/2-K-Means/images/clusters.png", + "language_code": "ar" + }, + "voronoi.1dc1613fb0439b95.webp": { + "original_hash": "561aedc2bbfa5e0af9f4e1b1d5df00a1", + "translation_date": "2026-01-16T08:23:01+00:00", + "source_file": "5-Clustering/2-K-Means/images/voronoi.png", + "language_code": "ar" + }, + "elbow.72676169eed744ff.webp": { + "original_hash": "bb938c301c0b3fd5deec9f8b277b0506", + "translation_date": "2026-01-16T08:23:05+00:00", + "source_file": "5-Clustering/2-K-Means/images/elbow.png", + "language_code": "ar" + }, + "r_learners_sm.e4a71b113ffbedfe.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T08:23:08+00:00", + "source_file": "5-Clustering/2-K-Means/images/r_learners_sm.jpeg", + "language_code": "ar" + }, + "boxplots.8228c29dabd0f292.webp": { + "original_hash": "841ff52a90f91c88278604315d9cd6e5", + "translation_date": "2026-01-16T08:23:53+00:00", + "source_file": "5-Clustering/2-K-Means/images/boxplots.png", + "language_code": "ar" + }, + "flat-nonflat.d1c8c6e2a96110c1.webp": { + "original_hash": "73d6fedd799f48057e154a4e8ce42f93", + "translation_date": "2026-01-16T08:24:09+00:00", + "source_file": "5-Clustering/1-Visualize/images/flat-nonflat.png", + "language_code": "ar" + }, + "correlation.a9356bb798f5eea5.webp": { + "original_hash": "2defd6b5fe95facd4a781f9622902c78", + "translation_date": "2026-01-16T08:24:42+00:00", + "source_file": "5-Clustering/1-Visualize/images/correlation.png", + "language_code": "ar" + }, + "hierarchical.bf59403aa43c8c47.webp": { + "original_hash": "50b9bc3298659c463ae76564ca645b12", + "translation_date": "2026-01-16T08:24:56+00:00", + "source_file": "5-Clustering/1-Visualize/images/hierarchical.png", + "language_code": "ar" + }, + "distribution.9be11df42356ca95.webp": { + "original_hash": "70424f77d27ac2c69e595ea8fdd3e28e", + "translation_date": "2026-01-16T08:25:01+00:00", + "source_file": "5-Clustering/1-Visualize/images/distribution.png", + "language_code": "ar" + }, + "centroid.097fde836cf6c918.webp": { + "original_hash": "c8f866ed446563d8e59087f1bca1f97d", + "translation_date": "2026-01-16T08:25:12+00:00", + "source_file": "5-Clustering/1-Visualize/images/centroid.png", + "language_code": "ar" + }, + "popular.9c48d84b3386705f.webp": { + "original_hash": "178fa011a311e1411a3750428b0525a7", + "translation_date": "2026-01-16T08:25:16+00:00", + "source_file": "5-Clustering/1-Visualize/images/popular.png", + "language_code": "ar" + }, + "all-genres.1d56ef06cefbfcd6.webp": { + "original_hash": "b65f4a4412b6559b03529f10eb450c17", + "translation_date": "2026-01-16T08:25:19+00:00", + "source_file": "5-Clustering/1-Visualize/images/all-genres.png", + "language_code": "ar" + }, + "facetgrid.9b2e65ce707eba1f.webp": { + "original_hash": "8497ce8826ba4d381db1f9ed514dede2", + "translation_date": "2026-01-16T08:25:25+00:00", + "source_file": "5-Clustering/1-Visualize/images/facetgrid.png", + "language_code": "ar" + }, + "chess.e704a268781bdad8.webp": { + "original_hash": "5b6c7fdfb0b6262a3938b18cce2f4a2b", + "translation_date": "2026-01-16T08:25:29+00:00", + "source_file": "9-Real-World/images/chess.jpg", + "language_code": "ar" + }, + "model-overview-feature-cohorts.c5104d575ffd0c80.webp": { + "original_hash": "d2b187b7d1ec4bdcd8c985283d54f8e4", + "translation_date": "2026-01-16T08:26:09+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/model-overview-feature-cohorts.png", + "language_code": "ar" + }, + "gender-bias-translate-tr-en.1f97568ba9e40e20.webp": { + "original_hash": "0e8aac544ac1089cd727075b6083639f", + "translation_date": "2026-01-16T08:26:14+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/gender-bias-translate-tr-en.png", + "language_code": "ar" + }, + "datapoints.aaf6815cd5d87354.webp": { + "original_hash": "5a9527dee26b9b255cc5b624dbb51919", + "translation_date": "2026-01-16T08:26:31+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/datapoints.png", + "language_code": "ar" + }, + "ea-error-distribution.117452e1177c1dd8.webp": { + "original_hash": "15823a9cd18a5ee815e7d6262bc6818f", + "translation_date": "2026-01-16T08:26:37+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-error-distribution.png", + "language_code": "ar" + }, + "9-feature-importance.cd3193b4bba3fd4b.webp": { + "original_hash": "479e68fc76c6b6fc8cbc2b90eb2981e1", + "translation_date": "2026-01-16T08:27:00+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/9-feature-importance.png", + "language_code": "ar" + }, + "ceos.3de5d092ce8d2753.webp": { + "original_hash": "f403a92005c5f0c581fd27587dd69eb8", + "translation_date": "2026-01-16T08:27:04+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ceos.png", + "language_code": "ar" + }, + "counterfactuals-examples.b38a50a504ee0a9f.webp": { + "original_hash": "65fb9b98701cc42014f18aa998228333", + "translation_date": "2026-01-16T08:27:50+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/counterfactuals-examples.png", + "language_code": "ar" + }, + "gender-bias-translate-en-tr.bfd87c45da23c085.webp": { + "original_hash": "3abc35f319aef1169941603df4db6fd0", + "translation_date": "2026-01-16T08:27:54+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/gender-bias-translate-en-tr.png", + "language_code": "ar" + }, + "fairness.25d7c8ce9817272d.webp": { + "original_hash": "89c57b68363652950bfa4b8a3cae82c1", + "translation_date": "2026-01-16T08:27:57+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/fairness.png", + "language_code": "ar" + }, + "model-overview-dataset-cohorts.dfa463fb527a35a0.webp": { + "original_hash": "5ba7caa265cee1ff9a7072a4f94e890d", + "translation_date": "2026-01-16T08:28:19+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/model-overview-dataset-cohorts.png", + "language_code": "ar" + }, + "individual-causal-what-if.00e7b86b52a083ce.webp": { + "original_hash": "535a0ad1507648542f43293e101eecb6", + "translation_date": "2026-01-16T08:29:00+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/individual-causal-what-if.png", + "language_code": "ar" + }, + "9-features-influence.3ead3d3f68a84029.webp": { + "original_hash": "7a522f0212ca4c9d15c9d3d9f01f86f5", + "translation_date": "2026-01-16T08:29:17+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/9-features-influence.png", + "language_code": "ar" + }, + "ea-heatmap.8d27185e28cee383.webp": { + "original_hash": "861a9ea52a5aa2841f4dbf9ba45c7900", + "translation_date": "2026-01-16T08:29:36+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-heatmap.png", + "language_code": "ar" + }, + "ea-error-cohort.6886209ea5d438c4.webp": { + "original_hash": "95030d8832d8931fb4e1ec6ecda699e6", + "translation_date": "2026-01-16T08:29:43+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-error-cohort.png", + "language_code": "ar" + }, + "cf-what-if-features.5a92a6924da3e9b5.webp": { + "original_hash": "0cbbda81885b2341ee63ff33aaa4fff0", + "translation_date": "2026-01-16T08:29:53+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/cf-what-if-features.png", + "language_code": "ar" + }, + "dataanalysis-cover.8d6d0683a70a5c1e.webp": { + "original_hash": "6d92c827e7138869509118dccd983ccd", + "translation_date": "2026-01-16T08:30:13+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/dataanalysis-cover.png", + "language_code": "ar" + }, + "thai-food.c47a7a7f9f05c218.webp": { + "original_hash": "d3881195db88ba1cc9fd217f30415da6", + "translation_date": "2026-01-16T08:30:15+00:00", + "source_file": "4-Classification/images/thai-food.jpg", + "language_code": "ar" + }, + "korean.4a4f0274f3d9805a.webp": { + "original_hash": "9863922b50bccb4f12b2036825a49a5b", + "translation_date": "2026-01-16T08:30:18+00:00", + "source_file": "4-Classification/1-Introduction/images/korean.png", + "language_code": "ar" + }, + "thai.0269dbab2e78bd38.webp": { + "original_hash": "e2b3c8115e57ff80b2c950d3c783e2cf", + "translation_date": "2026-01-16T08:30:21+00:00", + "source_file": "4-Classification/1-Introduction/images/thai.png", + "language_code": "ar" + }, + "recipes.186acfa8ed2e8f00.webp": { + "original_hash": "925552a21bb3687dfd83bb25010273f9", + "translation_date": "2026-01-16T08:31:04+00:00", + "source_file": "4-Classification/1-Introduction/images/recipes.png", + "language_code": "ar" + }, + "cuisine-dist.d0cc2d551abe5c25.webp": { + "original_hash": "c513d1f6832ac06836e0c8c665c8354a", + "translation_date": "2026-01-16T08:31:06+00:00", + "source_file": "4-Classification/1-Introduction/images/cuisine-dist.png", + "language_code": "ar" + }, + "indian.2c4292002af1a1f9.webp": { + "original_hash": "9d396f43a0af642a695b6651bff475af", + "translation_date": "2026-01-16T08:31:10+00:00", + "source_file": "4-Classification/1-Introduction/images/indian.png", + "language_code": "ar" + }, + "binary-multiclass.b56d0c86c81105a6.webp": { + "original_hash": "e1a17ceb5d6b5a8bb91bae9ca474cfb5", + "translation_date": "2026-01-16T08:31:16+00:00", + "source_file": "4-Classification/1-Introduction/images/binary-multiclass.png", + "language_code": "ar" + }, + "chinese.e62cafa5309f111a.webp": { + "original_hash": "e7afddb049bc5e60e1594d3b0dd7e7c6", + "translation_date": "2026-01-16T08:31:19+00:00", + "source_file": "4-Classification/1-Introduction/images/chinese.png", + "language_code": "ar" + }, + "r_learners_sm.cd14eb3581a9f28d.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T08:31:22+00:00", + "source_file": "4-Classification/1-Introduction/images/r_learners_sm.jpeg", + "language_code": "ar" + }, + "pinch.1b035ec9ba7e0d40.webp": { + "original_hash": "18f413d7670738c758fee477886c7759", + "translation_date": "2026-01-16T08:31:24+00:00", + "source_file": "4-Classification/1-Introduction/images/pinch.png", + "language_code": "ar" + }, + "dplyr_filter.b480b264b03439ff.webp": { + "original_hash": "e71fffc34b1e453f16d5b8e266f46aa2", + "translation_date": "2026-01-16T08:31:47+00:00", + "source_file": "4-Classification/1-Introduction/images/dplyr_filter.jpg", + "language_code": "ar" + }, + "japanese.30260486f2a05c46.webp": { + "original_hash": "2341f1b464ca87b44d9a1a8581a60068", + "translation_date": "2026-01-16T08:31:50+00:00", + "source_file": "4-Classification/1-Introduction/images/japanese.png", + "language_code": "ar" + }, + "svm.621ae7b516d678e0.webp": { + "original_hash": "ce775a75b8ab37b61869cbb31dc76289", + "translation_date": "2026-01-16T08:31:59+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/svm.png", + "language_code": "ar" + }, + "map.e963a6a51349425a.webp": { + "original_hash": "d8d479d57d050e32c1d77bb859d61ce2", + "translation_date": "2026-01-16T08:32:37+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/map.png", + "language_code": "ar" + }, + "r_learners_sm.f9199f76f1e2e493.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T08:32:40+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/r_learners_sm.jpeg", + "language_code": "ar" + }, + "netron.a05f39410211915e.webp": { + "original_hash": "c2b192971dd35d1f9297037e3d9cf2c1", + "translation_date": "2026-01-16T08:32:44+00:00", + "source_file": "4-Classification/4-Applied/images/netron.png", + "language_code": "ar" + }, + "web-app.4c76450cabe20036.webp": { + "original_hash": "cbede42b607bbb5910e9a4faf778225c", + "translation_date": "2026-01-16T08:32:52+00:00", + "source_file": "4-Classification/4-Applied/images/web-app.png", + "language_code": "ar" + }, + "parsnip.cd2ce92622976502.webp": { + "original_hash": "898a910cf3763544400593dac6a92389", + "translation_date": "2026-01-16T08:33:01+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/parsnip.jpg", + "language_code": "ar" + }, + "solvers.5fc648618529e627.webp": { + "original_hash": "f792b31c558c35d791f54218c114f11a", + "translation_date": "2026-01-16T08:33:16+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/solvers.png", + "language_code": "ar" + }, + "comparison.edfab56193a85e7f.webp": { + "original_hash": "7f24bd09d9d7f8a13007c1028041fbf5", + "translation_date": "2026-01-16T08:33:36+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/comparison.png", + "language_code": "ar" + }, + "cheatsheet.07a475ea444d2223.webp": { + "original_hash": "d4728a3bd3332576e35f206ee6ad3fbb", + "translation_date": "2026-01-16T08:33:46+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/cheatsheet.png", + "language_code": "ar" + }, + "peter.779730f9ba3a8a8d.webp": { + "original_hash": "dd4a8cb8e3eb15c467a08d45fade443a", + "translation_date": "2026-01-16T08:33:47+00:00", + "source_file": "8-Reinforcement/images/peter.png", + "language_code": "ar" + }, + "cartpole.b5609cc0494a14f7.webp": { + "original_hash": "5399242e127ea1c18aa6ee405daecf51", + "translation_date": "2026-01-16T08:33:48+00:00", + "source_file": "8-Reinforcement/2-Gym/images/cartpole.png", + "language_code": "ar" + }, + "escape.18862db9930337e3.webp": { + "original_hash": "992ff5365e7fb990b22e1cd8e421374f", + "translation_date": "2026-01-16T08:33:49+00:00", + "source_file": "8-Reinforcement/2-Gym/images/escape.png", + "language_code": "ar" + }, + "train_progress_runav.c71694a8fa9ab359.webp": { + "original_hash": "4e4c78e37e5b80687dd1d8452fd8ce78", + "translation_date": "2026-01-16T08:33:50+00:00", + "source_file": "8-Reinforcement/2-Gym/images/train_progress_runav.png", + "language_code": "ar" + }, + "mountaincar.43d56e588ce581c2.webp": { + "original_hash": "61c868cc389dc92bd2b402ea490cd162", + "translation_date": "2026-01-16T08:33:53+00:00", + "source_file": "8-Reinforcement/2-Gym/images/mountaincar.png", + "language_code": "ar" + }, + "train_progress_raw.2adfdf2daea09c59.webp": { + "original_hash": "6b053943a2e7d2b4d7d65460517e854a", + "translation_date": "2026-01-16T08:33:54+00:00", + "source_file": "8-Reinforcement/2-Gym/images/train_progress_raw.png", + "language_code": "ar" + }, + "lpathlen.94f211521ed60940.webp": { + "original_hash": "ac846488f72765b30a11fb5044342021", + "translation_date": "2026-01-16T08:33:56+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/lpathlen.png", + "language_code": "ar" + }, + "wolf.a56d3d4070ca0c79.webp": { + "original_hash": "36a8284655906f6a4e5c4aaa06671da4", + "translation_date": "2026-01-16T08:33:56+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/wolf.png", + "language_code": "ar" + }, + "human.e3840390a2ab7690.webp": { + "original_hash": "2779edce282e49929804dec71636094e", + "translation_date": "2026-01-16T08:33:57+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/human.png", + "language_code": "ar" + }, + "bellman-equation.7c0c4c722e5a6b7c.webp": { + "original_hash": "7adc065a5ea494b45531f754c9b76469", + "translation_date": "2026-01-16T08:34:00+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/bellman-equation.png", + "language_code": "ar" + }, + "environment.40ba3cb66256c93f.webp": { + "original_hash": "3b7f633735a7af2335c024eeb9ed1160", + "translation_date": "2026-01-16T08:34:01+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/environment.png", + "language_code": "ar" + }, + "env_init.04e8f26d2d60089e.webp": { + "original_hash": "c98e0e9c3bd656f4518dcb94c1743f5d", + "translation_date": "2026-01-16T08:34:02+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/env_init.png", + "language_code": "ar" + }, + "lpathlen1.0534784add58d4eb.webp": { + "original_hash": "2c699a343a0253fcf0024de108d45266", + "translation_date": "2026-01-16T08:34:03+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/lpathlen1.png", + "language_code": "ar" + }, + "apple.c81c8d5965e5e5da.webp": { + "original_hash": "ed62bd6204e6efabc031ea19173bafb7", + "translation_date": "2026-01-16T08:34:04+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/apple.png", + "language_code": "ar" + }, + "learned.ed28bcd8484b5287.webp": { + "original_hash": "084d4af7881e5b990b53dd562a0aca6e", + "translation_date": "2026-01-16T08:34:06+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/learned.png", + "language_code": "ar" + }, + "electric-grid.0c21d5214db09ffa.webp": { + "original_hash": "d3adac5039330761223c6e9299402b3a", + "translation_date": "2026-01-16T08:34:08+00:00", + "source_file": "7-TimeSeries/images/electric-grid.jpg", + "language_code": "ar" + }, + "train-data-predict.3c4ef4e78553104f.webp": { + "original_hash": "8f901e721ed63b25087154a88980eb8c", + "translation_date": "2026-01-16T08:34:12+00:00", + "source_file": "7-TimeSeries/3-SVR/images/train-data-predict.png", + "language_code": "ar" + }, + "test-data-predict.8afc47ee7e52874f.webp": { + "original_hash": "d9de9b2f4cc312cf745b00a1c3344579", + "translation_date": "2026-01-16T08:34:15+00:00", + "source_file": "7-TimeSeries/3-SVR/images/test-data-predict.png", + "language_code": "ar" + }, + "full-data.a82ec9957e580e97.webp": { + "original_hash": "e428351ccdd1d7019ab5c486385a0cb1", + "translation_date": "2026-01-16T08:34:18+00:00", + "source_file": "7-TimeSeries/3-SVR/images/full-data.png", + "language_code": "ar" + }, + "train-test.ead0cecbfc341921.webp": { + "original_hash": "56b4e7e0f3e4bcabfc70dd34c86778ad", + "translation_date": "2026-01-16T08:34:22+00:00", + "source_file": "7-TimeSeries/3-SVR/images/train-test.png", + "language_code": "ar" + }, + "full-data-predict.4f0fed16a131c8f3.webp": { + "original_hash": "b9ad88a56a196b6b70ffbda06538bca4", + "translation_date": "2026-01-16T08:34:27+00:00", + "source_file": "7-TimeSeries/3-SVR/images/full-data-predict.png", + "language_code": "ar" + }, + "energy-plot.5fdac3f397a910bc.webp": { + "original_hash": "ea7eb60322ee54196efdcac12d2313d5", + "translation_date": "2026-01-16T08:34:30+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/energy-plot.png", + "language_code": "ar" + }, + "scaled.91897dfbaa26ca4a.webp": { + "original_hash": "789c70fafe6f6dd6e377a90b66e7d740", + "translation_date": "2026-01-16T08:34:33+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/scaled.png", + "language_code": "ar" + }, + "currency.e7429812bfc8c608.webp": { + "original_hash": "b5ebb401a6bea7c0ad8fa2d3f0fa1e18", + "translation_date": "2026-01-16T08:34:35+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/currency.png", + "language_code": "ar" + }, + "july-2014.9e1f7c318ec6d5b3.webp": { + "original_hash": "7bee9739087aee3ce5b7157cb92cc043", + "translation_date": "2026-01-16T08:34:38+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/july-2014.png", + "language_code": "ar" + }, + "scaled.e35258ca5cd3d43f.webp": { + "original_hash": "789c70fafe6f6dd6e377a90b66e7d740", + "translation_date": "2026-01-16T08:34:41+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/scaled.png", + "language_code": "ar" + }, + "accuracy.2c47fe1bf15f44b3.webp": { + "original_hash": "f8fcd7ea58a80666ad22914c3c992c55", + "translation_date": "2026-01-16T08:34:43+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/accuracy.png", + "language_code": "ar" + }, + "mape.fd87bbaf4d346846.webp": { + "original_hash": "cdc81fd2d2ffdbc2f8c10d75c954cb74", + "translation_date": "2026-01-16T08:34:46+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/mape.png", + "language_code": "ar" + }, + "original.b2b15efe0ce92b87.webp": { + "original_hash": "6dc5968069b296588e723b0f62f7cb39", + "translation_date": "2026-01-16T08:34:48+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/original.png", + "language_code": "ar" + }, + "train-test.8928d14e5b91fc94.webp": { + "original_hash": "86bac92c99563659e1acb31bb50bb4e4", + "translation_date": "2026-01-16T08:34:52+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/train-test.png", + "language_code": "ar" + } +} \ No newline at end of file diff --git a/translations/et/4-Classification/3-Classifiers-2/README.md b/translations/et/4-Classification/3-Classifiers-2/README.md index cfcc969ea..a682e9630 100644 --- a/translations/et/4-Classification/3-Classifiers-2/README.md +++ b/translations/et/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ Oleme sinu _notebook.ipynb_ faili laadinud puhastatud andmestikuga ja jaganud se Eelnevalt õppisid erinevaid võimalusi andmete klassifitseerimiseks, kasutades Microsofti spikrit. Scikit-learn pakub sarnast, kuid detailsemat spikrit, mis aitab veelgi täpsemalt valida sobivaid hindajaid (teine termin klassifikaatorite kohta): -![ML kaart Scikit-learnilt](../../../../translated_images/et/map.e963a6a51349425a.png) +![ML kaart Scikit-learnilt](../../../../translated_images/et/map.e963a6a51349425a.webp) > Näpunäide: [vaata seda kaarti veebis](https://scikit-learn.org/stable/tutorial/machine_learning_map/) ja klõpsa teekonnal, et lugeda dokumentatsiooni. ### Plaan diff --git a/translations/et/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/et/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index d40f18a1a..5956721e7 100644 --- a/translations/et/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/et/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "Varem õppisime erinevate võimaluste kohta, mis on olemas andmete klassifitseerimiseks, kasutades Microsofti spikrit. Pythoni masinõppe raamistik Scikit-learn pakub sarnast, kuid detailsemat spikrit, mis aitab veelgi täpsemalt valida sobivaid hindajaid (teine termin klassifikaatorite kohta):\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "Klassifitseerimise kontekstis on `Toetavate vektorite masinad` masinõppe meetod, mis püüab leida *hüpertasandi*, mis \"kõige paremini\" eraldab klassid. Vaatame lihtsat näidet:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -638,7 +638,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

Illustratsioon: @allison_horst
\n" ] diff --git a/translations/et/4-Classification/4-Applied/README.md b/translations/et/4-Classification/4-Applied/README.md index 2747eed73..17f58222a 100644 --- a/translations/et/4-Classification/4-Applied/README.md +++ b/translations/et/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ Kui käivitad kogu märkmiku, ehitatakse Onnx mudel ja salvestatakse see kausta. Onnx mudelid ei ole Visual Studio koodis väga nähtavad, kuid on olemas väga hea tasuta tarkvara, mida paljud teadlased kasutavad mudeli visualiseerimiseks, et veenduda selle õiges ehitamises. Laadi alla [Netron](https://github.com/lutzroeder/Netron) ja ava oma model.onnx fail. Näed oma lihtsat mudelit visualiseerituna, koos selle 380 sisendi ja klassifikaatoriga: -![Netron visual](../../../../translated_images/et/netron.a05f39410211915e.png) +![Netron visual](../../../../translated_images/et/netron.a05f39410211915e.webp) Netron on kasulik tööriist mudelite vaatamiseks. @@ -301,7 +301,7 @@ Selles koodis toimub mitu asja: Ava terminal Visual Studio Code'is kaustas, kus asub sinu index.html fail. Veendu, et sul on [http-server](https://www.npmjs.com/package/http-server) globaalselt installitud, ja kirjuta käsureale `http-server`. Avaneb localhost, kus saad oma veebirakendust vaadata. Kontrolli, millist kööki soovitatakse erinevate koostisosade põhjal: -![koostisosade veebirakendus](../../../../translated_images/et/web-app.4c76450cabe20036.png) +![koostisosade veebirakendus](../../../../translated_images/et/web-app.4c76450cabe20036.webp) Palju õnne, oled loonud soovitaja veebirakenduse mõne väljaga. Võta aega, et seda süsteemi edasi arendada! ## 🚀Väljakutse diff --git a/translations/et/4-Classification/README.md b/translations/et/4-Classification/README.md index bb6375ae9..b928f3be2 100644 --- a/translations/et/4-Classification/README.md +++ b/translations/et/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Aasias ja Indias on toidutraditsioonid äärmiselt mitmekesised ja väga maitsvad! Vaatame piirkondlike köökide andmeid, et paremini mõista nende koostisosi. -![Tai toidumüüja](../../../translated_images/et/thai-food.c47a7a7f9f05c218.jpg) +![Tai toidumüüja](../../../translated_images/et/thai-food.c47a7a7f9f05c218.webp) > Foto autor Lisheng Chang lehelt Unsplash ## Mida sa õpid diff --git a/translations/et/5-Clustering/1-Visualize/README.md b/translations/et/5-Clustering/1-Visualize/README.md index 5a5d26657..b06fee248 100644 --- a/translations/et/5-Clustering/1-Visualize/README.md +++ b/translations/et/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ Süvene klasterdamistehnikate mõistmisse selles [õppemoodulis](https://docs.mi > >'Lame' selles kontekstis viitab eukleidilisele geomeetriale (mida osaliselt õpetatakse "tasapinna" geomeetria nime all) ja mitte-lame viitab mitte-eukleidilisele geomeetriale. Mis on geomeetria seos masinõppega? Noh, kuna mõlemad valdkonnad põhinevad matemaatikal, peab olema ühine viis punktidevaheliste kauguste mõõtmiseks klastrites, ja seda saab teha "lame" või "mitte-lame" viisil, sõltuvalt andmete olemusest. [Eukleidilised kaugused](https://wikipedia.org/wiki/Euclidean_distance) mõõdetakse sirgjoone pikkusena kahe punkti vahel. [Mitte-eukleidilised kaugused](https://wikipedia.org/wiki/Non-Euclidean_geometry) mõõdetakse mööda kõverat. Kui su andmed, visualiseerituna, ei tundu eksisteerivat tasapinnal, võib vaja minna spetsiaalset algoritmi nende käsitlemiseks. > -![Lame vs Mitte-lame geomeetria infograafik](../../../../translated_images/et/flat-nonflat.d1c8c6e2a96110c1.png) +![Lame vs Mitte-lame geomeetria infograafik](../../../../translated_images/et/flat-nonflat.d1c8c6e2a96110c1.webp) > Infograafik: [Dasani Madipalli](https://twitter.com/dasani_decoded) > > 🎓 ['Kaugused'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ Klasterdamise algoritme on üle 100, ja nende kasutamine sõltub käsitletavate - **Hierarhiline klasterdamine**. Kui objekt klassifitseeritakse selle läheduse järgi lähedalasuvale objektile, mitte kaugemal olevale, moodustuvad klastrid nende liikmete kauguse järgi teistest objektidest. Scikit-learn'i aglomereeriv klasterdamine on hierarhiline. - ![Hierarhilise klasterdamise infograafik](../../../../translated_images/et/hierarchical.bf59403aa43c8c47.png) + ![Hierarhilise klasterdamise infograafik](../../../../translated_images/et/hierarchical.bf59403aa43c8c47.webp) > Infograafik: [Dasani Madipalli](https://twitter.com/dasani_decoded) - **Tsentroidi klasterdamine**. See populaarne algoritm nõuab "k" ehk moodustatavate klastrite arvu valimist, mille järel algoritm määrab klastri keskpunkti ja kogub andmeid selle punkti ümber. [K-means klasterdamine](https://wikipedia.org/wiki/K-means_clustering) on populaarne tsentroidi klasterdamise versioon. Keskpunkt määratakse lähima keskmise järgi, seega nimi. Klastri ruutkaugus minimeeritakse. - ![Tsentroidi klasterdamise infograafik](../../../../translated_images/et/centroid.097fde836cf6c918.png) + ![Tsentroidi klasterdamise infograafik](../../../../translated_images/et/centroid.097fde836cf6c918.webp) > Infograafik: [Dasani Madipalli](https://twitter.com/dasani_decoded) - **Jaotuspõhine klasterdamine**. Statistilisel modelleerimisel põhinev jaotuspõhine klasterdamine keskendub tõenäosuse määramisele, et andmepunkt kuulub klastri juurde, ja määrab selle vastavalt. Gaussi segameetodid kuuluvad sellesse tüüpi. @@ -234,7 +234,7 @@ Vaadake andmete üldisi väärtusi. Pange tähele, et populaarsus võib olla '0' plt.title('Top genres',color = 'blue') ``` - ![kõige populaarsemad](../../../../translated_images/et/popular.9c48d84b3386705f.png) + ![kõige populaarsemad](../../../../translated_images/et/popular.9c48d84b3386705f.webp) ✅ Kui soovite näha rohkem tipptulemusi, muutke top `[:5]` suuremaks väärtuseks või eemaldage see, et näha kõiki. @@ -253,7 +253,7 @@ Pange tähele, et kui populaarseim žanr on kirjeldatud kui 'Puudub', tähendab Nüüd kontrollige žanre uuesti: - ![kõik žanrid](../../../../translated_images/et/all-genres.1d56ef06cefbfcd6.png) + ![kõik žanrid](../../../../translated_images/et/all-genres.1d56ef06cefbfcd6.webp) 1. Kolm populaarseimat žanrit domineerivad selgelt selles andmestikus. Keskendume `afro dancehall`, `afropop` ja `nigerian pop` žanritele ning lisaks filtreerime andmestiku, et eemaldada kõik, mille populaarsusväärtus on 0 (mis tähendab, et neid ei klassifitseeritud populaarsuse järgi ja neid võib meie eesmärkidel pidada müra). @@ -275,7 +275,7 @@ Pange tähele, et kui populaarseim žanr on kirjeldatud kui 'Puudub', tähendab sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![korrelatsioonid](../../../../translated_images/et/correlation.a9356bb798f5eea5.png) + ![korrelatsioonid](../../../../translated_images/et/correlation.a9356bb798f5eea5.webp) Ainus tugev korrelatsioon on `energy` ja `loudness` vahel, mis pole üllatav, arvestades, et valju muusika on tavaliselt üsna energiline. Muud korrelatsioonid on suhteliselt nõrgad. Huvitav on näha, mida klasterdamise algoritm nende andmetega teha suudab. @@ -307,7 +307,7 @@ Kas need kolm žanrit erinevad oluliselt tantsitavuse tajumises, lähtudes nende Üldiselt on kolm žanrit populaarsuse ja tantsitavuse osas lahtiselt joondatud. Klasterdamise määramine selles lahtiselt joondatud andmetes on väljakutse: - ![jaotus](../../../../translated_images/et/distribution.9be11df42356ca95.png) + ![jaotus](../../../../translated_images/et/distribution.9be11df42356ca95.webp) 1. Looge hajuvusdiagramm: @@ -319,7 +319,7 @@ Kas need kolm žanrit erinevad oluliselt tantsitavuse tajumises, lähtudes nende Sama telgede hajuvusdiagramm näitab sarnast lähenemismustrit - ![Facetgrid](../../../../translated_images/et/facetgrid.9b2e65ce707eba1f.png) + ![Facetgrid](../../../../translated_images/et/facetgrid.9b2e65ce707eba1f.webp) Üldiselt saate klasterdamiseks kasutada hajuvusdiagramme, et näidata andmeklastrite jaotust, seega on selle visualiseerimise tüübi valdamine väga kasulik. Järgmises õppetunnis võtame need filtreeritud andmed ja kasutame k-means klasterdamist, et avastada selles andmestikus rühmi, mis kattuvad huvitavatel viisidel. diff --git a/translations/et/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/et/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 1f350de2a..8382a02bf 100644 --- a/translations/et/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/et/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> \"Tasapinnaline\" viitab siin Eukleidese geomeetriale (mida osaliselt õpetatakse \"tasapinnageomeetria\" nime all) ja mitte-tasapinnaline viitab mitte-Eukleidese geomeetriale. Mis on geomeetrial pistmist masinõppega? Noh, kuna mõlemad valdkonnad põhinevad matemaatikal, peab olema ühine viis punktidevaheliste vahemaade mõõtmiseks klastrites, ja seda saab teha \"tasapinnaliselt\" või \"mitte-tasapinnaliselt\", sõltuvalt andmete olemusest. [Eukleidese vahemaad](https://wikipedia.org/wiki/Euclidean_distance) mõõdetakse kui sirgjoone pikkust kahe punkti vahel. [Mitte-Eukleidese vahemaad](https://wikipedia.org/wiki/Non-Euclidean_geometry) mõõdetakse mööda kõverat. Kui su andmed, visualiseerituna, ei eksisteeri tasapinnal, võib vaja minna spetsiaalset algoritmi nende käsitlemiseks.\n", "\n", "

\n", - " \n", "

Infograafik: Dasani Madipalli
\n", "\n", @@ -71,7 +71,7 @@ "- **Hierarhiline klasterdamine**. Kui objekti klassifitseeritakse selle läheduse järgi lähedalasuvale objektile, mitte kaugemal olevale, moodustatakse klastrid nende liikmete vahemaade põhjal teiste objektidega. Hierarhilist klasterdamist iseloomustab kahe klastri korduv ühendamine.\n", "\n", "

\n", - " \n", "

Infograafik: Dasani Madipalli
\n", "\n", @@ -80,7 +80,7 @@ "- **Tsentroidi klasterdamine**. See populaarne algoritm nõuab \"k\" ehk moodustatavate klastrite arvu valimist, mille järel algoritm määrab klastri keskpunkti ja kogub andmeid selle punkti ümber. [K-means klasterdamine](https://wikipedia.org/wiki/K-means_clustering) on populaarne tsentroidi klasterdamise versioon, mis jagab andmekogumi eelnevalt määratletud K gruppi. Keskpunkt määratakse lähima keskmise järgi, seega nimi. Klastri ruutkaugus minimeeritakse.\n", "\n", "

\n", - " \n", "

Infograafik: Dasani Madipalli
\n", "\n", diff --git a/translations/et/5-Clustering/2-K-Means/README.md b/translations/et/5-Clustering/2-K-Means/README.md index 4a2c44cfc..bf7de941d 100644 --- a/translations/et/5-Clustering/2-K-Means/README.md +++ b/translations/et/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ Mõisted, mida õpid: Klastreid saab visualiseerida kui [Voronoi diagramme](https://wikipedia.org/wiki/Voronoi_diagram), mis sisaldavad punkti (või 'seemet') ja selle vastavat piirkonda. -![voronoi diagramm](../../../../translated_images/et/voronoi.1dc1613fb0439b95.png) +![voronoi diagramm](../../../../translated_images/et/voronoi.1dc1613fb0439b95.webp) > infograafik autorilt [Jen Looper](https://twitter.com/jenlooper) @@ -91,7 +91,7 @@ Alusta, vaadates uuesti laulude andmeid. Need andmed on veidi müra täis: iga veeru kastdiagrammi vaadates näed kõrvalekaldeid. - ![kõrvalekalded](../../../../translated_images/et/boxplots.8228c29dabd0f292.png) + ![kõrvalekalded](../../../../translated_images/et/boxplots.8228c29dabd0f292.webp) Sa võiksid andmestiku läbi käia ja need kõrvalekalded eemaldada, kuid see muudaks andmed üsna minimaalseks. @@ -187,7 +187,7 @@ Varem arvasid, et kuna sihtisid 3 laulude žanrit, peaksid valima 3 klastrit. Ag Kasuta `wcss` muutujat, mille ehitasid eelmises etapis, et luua diagramm, mis näitab, kus on 'küünarnuki' painutus, mis näitab optimaalset klastrite arvu. Võib-olla on see tõesti **3**! - ![küünarnuki meetod](../../../../translated_images/et/elbow.72676169eed744ff.png) + ![küünarnuki meetod](../../../../translated_images/et/elbow.72676169eed744ff.webp) ## Harjutus - klastrite kuvamine @@ -218,13 +218,13 @@ Varem arvasid, et kuna sihtisid 3 laulude žanrit, peaksid valima 3 klastrit. Ag Selle mudeli täpsus ei ole väga hea ja klastrite kuju annab vihje, miks. - ![klastrid](../../../../translated_images/et/clusters.b635354640d8e4fd.png) + ![klastrid](../../../../translated_images/et/clusters.b635354640d8e4fd.webp) Need andmed on liiga tasakaalust väljas, liiga vähe korrelatsioonis ja veergude väärtuste vahel on liiga palju variatsiooni, et hästi klasterdada. Tegelikult on klastrid, mis moodustuvad, tõenäoliselt tugevalt mõjutatud või kallutatud kolme žanrikategooria poolt, mille me ülal määratlesime. See oli õppeprotsess! Scikit-learn'i dokumentatsioonis näed, et mudel nagu see, kus klastrid ei ole väga hästi eraldatud, on 'variantsi' probleemiga: - ![probleemsed mudelid](../../../../translated_images/et/problems.f7fb539ccd80608e.png) + ![probleemsed mudelid](../../../../translated_images/et/problems.f7fb539ccd80608e.webp) > Infograafik Scikit-learn'ist ## Variants diff --git a/translations/et/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/et/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index a5ef7c29d..a4e4bb736 100644 --- a/translations/et/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/et/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "Klastreid saab visualiseerida [Voronoi diagrammidena](https://wikipedia.org/wiki/Voronoi_diagram), mis sisaldavad punkti (või 'seemet') ja selle vastavat piirkonda.\n", "\n", "

\n", - " \n", "

Infograafik: Jen Looper
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn'i dokumentatsioonis näete, et sellisel mudelil, kus klastrid pole väga selgelt eristatud, on \"varieeruvuse\" probleem:\n", "\n", "

\n", - " \n", "

Infograafik Scikit-learn'ist
\n", "\n", @@ -626,7 +626,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

Illustratsioon @allison_horst'ilt
\n" ] diff --git a/translations/et/5-Clustering/README.md b/translations/et/5-Clustering/README.md index 8da2c8256..77c61c8a2 100644 --- a/translations/et/5-Clustering/README.md +++ b/translations/et/5-Clustering/README.md @@ -15,7 +15,7 @@ Klasterdamine on masinõppe ülesanne, mille eesmärk on leida objekte, mis sarn Nigeeria mitmekesine publik eelistab mitmekesist muusikat. Kasutades Spotifyst kogutud andmeid (inspireerituna [sellest artiklist](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vaatame mõningaid Nigeerias populaarseid lugusid. See andmestik sisaldab teavet erinevate laulude kohta, nagu nende 'tantsitavuse' skoor, 'akustilisus', valjus, 'kõnelemise' määr, populaarsus ja energia. On huvitav avastada mustreid nendes andmetes! -![Plaadimängija](../../../translated_images/et/turntable.f2b86b13c53302dc.jpg) +![Plaadimängija](../../../translated_images/et/turntable.f2b86b13c53302dc.webp) > Foto autor Marcela Laskoski lehel Unsplash diff --git a/translations/et/6-NLP/1-Introduction-to-NLP/README.md b/translations/et/6-NLP/1-Introduction-to-NLP/README.md index 33051e735..d7dbc82ce 100644 --- a/translations/et/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/et/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ Arvutilingvistika on aastakümnete pikkune uurimis- ja arendusvaldkond, mis uuri Kui oled kunagi dikteerinud oma telefonile teksti asemel või küsinud virtuaalselt assistendilt küsimuse, siis sinu kõne on muudetud tekstivormiks ja seejärel töödeldud või *parsitud* keeles, mida sa rääkisid. Tuvastatud märksõnad töödeldi seejärel formaadiks, mida telefon või assistent suudaks mõista ja millele reageerida. -![mõistmine](../../../../translated_images/et/comprehension.619708fc5959b0f6.png) +![mõistmine](../../../../translated_images/et/comprehension.619708fc5959b0f6.webp) > Tõeline keeleline mõistmine on keeruline! Pilt autorilt [Jen Looper](https://twitter.com/jenlooper) ### Kuidas on see tehnoloogia võimalik? diff --git a/translations/et/6-NLP/2-Tasks/README.md b/translations/et/6-NLP/2-Tasks/README.md index a904914e3..535f586e1 100644 --- a/translations/et/6-NLP/2-Tasks/README.md +++ b/translations/et/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ Teksti analüüsimiseks on erinevaid viise. On mitmeid ülesandeid, mida saab t Esimene asi, mida enamik NLP algoritme teeb, on teksti jagamine tokeniteks ehk sõnadeks. Kuigi see kõlab lihtsana, võib kirjavahemärkide ja erinevate keelte sõna- ja lausepiiride arvestamine olla keeruline. Võib olla vaja kasutada erinevaid meetodeid, et määrata piire. -![tokeniseerimine](../../../../translated_images/et/tokenization.1641a160c66cd2d9.png) +![tokeniseerimine](../../../../translated_images/et/tokenization.1641a160c66cd2d9.webp) > Lause tokeniseerimine **Uhkus ja eelarvamus** raamatust. Infograafika: [Jen Looper](https://twitter.com/jenlooper) ### Embeddings [Sõna embeddings](https://wikipedia.org/wiki/Word_embedding) on viis, kuidas tekstandmeid numbriliselt esitada. Embeddings tehakse nii, et sarnase tähendusega või koos kasutatavad sõnad grupeeritakse. -![sõna embeddings](../../../../translated_images/et/embedding.2cf8953c4b3101d1.png) +![sõna embeddings](../../../../translated_images/et/embedding.2cf8953c4b3101d1.webp) > "Mul on teie närvide vastu suurim austus, nad on minu vanad sõbrad." - Sõna embeddings lausele **Uhkus ja eelarvamus** raamatust. Infograafika: [Jen Looper](https://twitter.com/jenlooper) ✅ Proovi [seda huvitavat tööriista](https://projector.tensorflow.org/), et katsetada sõna embeddings. Klõpsates ühel sõnal, näed sarnaste sõnade klastreid: 'mänguasi' grupeerub 'disney', 'lego', 'playstation' ja 'konsooliga'. @@ -39,7 +39,7 @@ Esimene asi, mida enamik NLP algoritme teeb, on teksti jagamine tokeniteks ehk s Iga tokeniseeritud sõna saab määrata sõnaliigi järgi - nimisõna, tegusõna või omadussõna. Näiteks lause `kiire punane rebane hüppas üle laisa pruuni koera` võib olla POS märgistatud järgmiselt: rebane = nimisõna, hüppas = tegusõna. -![parssimine](../../../../translated_images/et/parse.d0c5bbe1106eae8f.png) +![parssimine](../../../../translated_images/et/parse.d0c5bbe1106eae8f.webp) > Lause parssimine **Uhkus ja eelarvamus** raamatust. Infograafika: [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/et/6-NLP/3-Translation-Sentiment/README.md b/translations/et/6-NLP/3-Translation-Sentiment/README.md index 4bd348221..cd5cf260a 100644 --- a/translations/et/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/et/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ Näiteks võtame *Uhkus ja eelarvamus*, tuntud ingliskeelse romaani, mille kirju Näiteks kui ingliskeelne fraas `I have no money` tõlgitakse sõnasõnaliselt prantsuse keelde, võib see muutuda `Je n'ai pas de monnaie`. "Monnaie" on keeruline prantsuse 'vale sõna', kuna 'money' ja 'monnaie' ei ole sünonüümid. Parem tõlge, mille inimene võiks teha, oleks `Je n'ai pas d'argent`, kuna see edastab paremini tähendust, et teil pole raha (mitte 'peenraha', mis on 'monnaie' tähendus). -![monnaie](../../../../translated_images/et/monnaie.606c5fa8369d5c3b.png) +![monnaie](../../../../translated_images/et/monnaie.606c5fa8369d5c3b.webp) > Pilt autorilt [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/et/6-NLP/README.md b/translations/et/6-NLP/README.md index fa08c7441..6c01ec16f 100644 --- a/translations/et/6-NLP/README.md +++ b/translations/et/6-NLP/README.md @@ -17,7 +17,7 @@ Selles õppekava osas tutvustatakse teile üht masinõppe kõige laialdasemalt k Nendes tundides õpime NLP põhialuseid, luues väikeseid vestlusroboteid, et mõista, kuidas masinõpe aitab neid vestlusi üha "nutikamaks" muuta. Rändate ajas tagasi, vesteldes Elizabeth Bennetti ja Mr. Darcyga Jane Austeni klassikalisest romaanist **Uhkus ja eelarvamus**, mis avaldati 1813. aastal. Seejärel süvendate oma teadmisi, õppides sentimentanalüüsi Euroopa hotellide arvustuste kaudu. -![Uhkus ja eelarvamus raamat ja tee](../../../translated_images/et/p&p.279f1c49ecd88941.jpg) +![Uhkus ja eelarvamus raamat ja tee](../../../translated_images/et/p&p.279f1c49ecd88941.webp) > Foto autor Elaine Howlin lehel Unsplash ## Tunnid diff --git a/translations/et/7-TimeSeries/1-Introduction/README.md b/translations/et/7-TimeSeries/1-Introduction/README.md index eccfbb3a0..2688acfd3 100644 --- a/translations/et/7-TimeSeries/1-Introduction/README.md +++ b/translations/et/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Sissejuhatus aegridade prognoosimisse -![Aegridade kokkuvõte visandina](../../../../translated_images/et/ml-timeseries.fb98d25f1013fc0c.png) +![Aegridade kokkuvõte visandina](../../../../translated_images/et/ml-timeseries.fb98d25f1013fc0c.webp) > Visand Tomomi Imura poolt [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -112,7 +112,7 @@ Andmed võivad näidata järsku muutust, mis vajab täiendavat analüüsi. Näit ✅ Siin on [näidis aegridade graafik](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python), mis näitab igapäevast mängusisese valuuta kulutamist mitme aasta jooksul. Kas suudad tuvastada mõnda ülaltoodud omadust nendes andmetes? -![Mängusisese valuuta kulutamine](../../../../translated_images/et/currency.e7429812bfc8c608.png) +![Mängusisese valuuta kulutamine](../../../../translated_images/et/currency.e7429812bfc8c608.webp) ## Harjutus - alustamine elektritarbimise andmetega @@ -160,7 +160,7 @@ Alustame aegridade mudeli loomist, et prognoosida tulevast elektritarbimist, arv plt.show() ``` - ![energia graafik](../../../../translated_images/et/energy-plot.5fdac3f397a910bc.png) + ![energia graafik](../../../../translated_images/et/energy-plot.5fdac3f397a910bc.webp) 4. Nüüd, kuva 2014. aasta juuli esimene nädal, andes selle sisendiks `energy` kujul `[kuupäevast]:[kuupäevani]`: @@ -171,7 +171,7 @@ Alustame aegridade mudeli loomist, et prognoosida tulevast elektritarbimist, arv plt.show() ``` - ![juuli](../../../../translated_images/et/july-2014.9e1f7c318ec6d5b3.png) + ![juuli](../../../../translated_images/et/july-2014.9e1f7c318ec6d5b3.webp) Kaunis graafik! Vaata neid graafikuid ja proovi tuvastada mõnda ülaltoodud omadust. Mida saame andmeid visualiseerides järeldada? diff --git a/translations/et/7-TimeSeries/2-ARIMA/README.md b/translations/et/7-TimeSeries/2-ARIMA/README.md index 9eb155a33..27c989e6e 100644 --- a/translations/et/7-TimeSeries/2-ARIMA/README.md +++ b/translations/et/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ Nüüd, kui andmed on laaditud, saate need jagada treening- ja testandmekogumite plt.show() ``` - ![treening- ja testandmed](../../../../translated_images/et/train-test.8928d14e5b91fc94.png) + ![treening- ja testandmed](../../../../translated_images/et/train-test.8928d14e5b91fc94.webp) Seetõttu peaks suhteliselt väikese ajavahemiku kasutamine treeningandmete jaoks olema piisav. @@ -157,11 +157,11 @@ Nüüd peate andmed treenimiseks ette valmistama, filtreerides ja skaleerides om plt.show() ``` - ![algne](../../../../translated_images/et/original.b2b15efe0ce92b87.png) + ![algne](../../../../translated_images/et/original.b2b15efe0ce92b87.webp) > Algne andmestik - ![skaleeritud](../../../../translated_images/et/scaled.e35258ca5cd3d43f.png) + ![skaleeritud](../../../../translated_images/et/scaled.e35258ca5cd3d43f.webp) > Skaleeritud andmestik @@ -321,7 +321,7 @@ Kontrollige oma mudeli täpsust, testides selle keskmist absoluutset protsentvig > **🧮 Näidake mulle matemaatikat** > -> ![MAPE](../../../../translated_images/et/mape.fd87bbaf4d346846.png) +> ![MAPE](../../../../translated_images/et/mape.fd87bbaf4d346846.webp) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) kasutatakse ennustustäpsuse näitamiseks suhtarvuna, mis on määratletud ülaltoodud valemi järgi. Erinevus tegelikut ja prognoositudt vahel jagatakse tegelikut väärtusega. "Selle arvutuse absoluutväärtus summeeritakse iga prognoositud ajahetke kohta ja jagatakse sobitatud punktide arvuga n." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -381,7 +381,7 @@ Kontrollige oma mudeli täpsust, testides selle keskmist absoluutset protsentvig plt.show() ``` - ![aegrea mudel](../../../../translated_images/et/accuracy.2c47fe1bf15f44b3.png) + ![aegrea mudel](../../../../translated_images/et/accuracy.2c47fe1bf15f44b3.webp) 🏆 Väga kena graafik, mis näitab mudelit hea täpsusega. Tubli töö! diff --git a/translations/et/7-TimeSeries/3-SVR/README.md b/translations/et/7-TimeSeries/3-SVR/README.md index 648e03fe9..879b1c6a0 100644 --- a/translations/et/7-TimeSeries/3-SVR/README.md +++ b/translations/et/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ Avage selle õppetüki [_/working_](https://github.com/microsoft/ML-For-Beginner plt.show() ``` - ![täielikud andmed](../../../../translated_images/et/full-data.a82ec9957e580e97.png) + ![täielikud andmed](../../../../translated_images/et/full-data.a82ec9957e580e97.webp) Nüüd loome oma SVR-mudeli. @@ -97,7 +97,7 @@ Nüüd on teie andmed laaditud, nii et saate need jagada treening- ja testandmek plt.show() ``` - ![treening- ja testandmed](../../../../translated_images/et/train-test.ead0cecbfc341921.png) + ![treening- ja testandmed](../../../../translated_images/et/train-test.ead0cecbfc341921.webp) ### Andmete ettevalmistamine treenimiseks @@ -273,7 +273,7 @@ plt.title("Training data prediction") plt.show() ``` -![treeningandmete prognoos](../../../../translated_images/et/train-data-predict.3c4ef4e78553104f.png) +![treeningandmete prognoos](../../../../translated_images/et/train-data-predict.3c4ef4e78553104f.webp) Prindige MAPE treeningandmete jaoks @@ -296,7 +296,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testandmete prognoos](../../../../translated_images/et/test-data-predict.8afc47ee7e52874f.png) +![testandmete prognoos](../../../../translated_images/et/test-data-predict.8afc47ee7e52874f.webp) Prindige MAPE testandmete jaoks @@ -352,7 +352,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![kogu andmekogumi prognoos](../../../../translated_images/et/full-data-predict.4f0fed16a131c8f3.png) +![kogu andmekogumi prognoos](../../../../translated_images/et/full-data-predict.4f0fed16a131c8f3.webp) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/et/7-TimeSeries/README.md b/translations/et/7-TimeSeries/README.md index f95d6acfb..8f39e8ea6 100644 --- a/translations/et/7-TimeSeries/README.md +++ b/translations/et/7-TimeSeries/README.md @@ -17,7 +17,7 @@ Nendes kahes õppetükis tutvustatakse teile aegridade prognoosimist, mis on kü Meie regionaalne fookus on elektritarbimine maailmas – huvitav andmestik, mille abil õppida prognoosima tulevast energiatarbimist mineviku koormusmustrite põhjal. Näete, kuidas selline prognoosimine võib olla äärmiselt kasulik ärikeskkonnas. -![elektrivõrk](../../../translated_images/et/electric-grid.0c21d5214db09ffa.jpg) +![elektrivõrk](../../../translated_images/et/electric-grid.0c21d5214db09ffa.webp) Foto autorilt [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektritornidest teel Rajasthanis [Unsplashis](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/et/8-Reinforcement/1-QLearning/README.md b/translations/et/8-Reinforcement/1-QLearning/README.md index efb9f8d18..138a49465 100644 --- a/translations/et/8-Reinforcement/1-QLearning/README.md +++ b/translations/et/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Sissejuhatus tugevdusõppesse ja Q-õppesse -![Tugevdusõppe kokkuvõte masinõppes sketchnote'is](../../../../translated_images/et/ml-reinforcement.94024374d63348db.png) +![Tugevdusõppe kokkuvõte masinõppes sketchnote'is](../../../../translated_images/et/ml-reinforcement.94024374d63348db.webp) > Sketchnote autor: [Tomomi Imura](https://www.twitter.com/girlie_mac) Tugevdusõpe hõlmab kolme olulist mõistet: agent, teatud seisundid ja tegevuste kogum iga seisundi kohta. Kui agent sooritab kindlas seisundis tegevuse, saab ta tasu. Kujutle näiteks arvutimängu Super Mario. Sina oled Mario, oled mängutasemel ja seisad kaljuserval. Sinu kohal on münt. Sina, olles Mario, mängutasemel kindlas asukohas ... see on sinu seisund. Kui liigud ühe sammu paremale (tegevus), kukud kaljult alla ja saad madala punktisumma. Kui aga vajutad hüppenuppu, saad punkti ja jääd ellu. See on positiivne tulemus ja selle eest peaksid saama positiivse punktisumma. @@ -40,7 +40,7 @@ Selles õppetükis uurime **[Peeter ja hunt](https://en.wikipedia.org/wiki/Peter Lihtsuse huvides kujutame ette, et Peetri maailm on ruudukujuline laud mõõtmetega `laius` x `kõrgus`, mis näeb välja selline: -![Peetri keskkond](../../../../translated_images/et/environment.40ba3cb66256c93f.png) +![Peetri keskkond](../../../../translated_images/et/environment.40ba3cb66256c93f.webp) Iga laua ruut võib olla: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) Pange tähele, et algväärtustame kõik Q-tabeli väärtused võrdse väärtusega, meie puhul - 0.25. See vastab "juhusliku kõndimise" poliitikale, kuna kõik liigutused igas seisundis on võrdselt head. Saame Q-tabeli edastada `plot` funktsioonile, et visualiseerida tabelit laual: `m.plot(Q)`. -![Peetri keskkond](../../../../translated_images/et/env_init.04e8f26d2d60089e.png) +![Peetri keskkond](../../../../translated_images/et/env_init.04e8f26d2d60089e.webp) Iga ruudu keskel on "nooleke", mis näitab eelistatud liikumissuunda. Kuna kõik suunad on võrdsed, kuvatakse punkt. @@ -195,7 +195,7 @@ Oletame, et oleme nüüd seisundis *s* ja tahame liikuda järgmisesse seisundiss See annab **Bellmani valemi**, mille abil arvutada Q-tabeli väärtust seisundis *s*, arvestades tegevust *a*: - + Siin γ on nn **diskonteerimistegur**, mis määrab, mil määral peaks eelistama praegust tasu tulevase tasu ees ja vastupidi. @@ -267,7 +267,7 @@ Käivita õppealgoritm läbi 5000 eksperimendi, mida nimetatakse ka **epohhideks Pärast selle algoritmi täitmist peaks Q-tabel olema uuendatud väärtustega, mis määratlevad erinevate tegevuste atraktiivsuse igas etapis. Saame proovida Q-tabelit visualiseerida, joonistades igasse ruutu vektori, mis osutab soovitud liikumissuunda. Lihtsuse huvides joonistame noolepea asemel väikese ringi. - + ## Poliitika kontrollimine @@ -311,7 +311,7 @@ Pärast selle koodi käivitamist peaksite saama palju väiksema keskmise teekonn Nagu mainitud, on õppimisprotsess tasakaal uurimise ja olemasoleva teadmise rakendamise vahel probleemiruumi struktuuri kohta. Oleme näinud, et õppimise tulemused (võime aidata agenti leida lühike tee eesmärgini) on paranenud, kuid huvitav on ka jälgida, kuidas keskmine teekonna pikkus käitub õppimisprotsessi ajal: - + Õppimisprotsessi saab kokku võtta järgmiselt: diff --git a/translations/et/8-Reinforcement/2-Gym/README.md b/translations/et/8-Reinforcement/2-Gym/README.md index 07e6f8906..128394a3d 100644 --- a/translations/et/8-Reinforcement/2-Gym/README.md +++ b/translations/et/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ Selles tunnis rakendame Q-õppe põhimõtteid probleemile, millel on **jätkuv o > **Probleem**: Kui Peeter tahab hundi eest põgeneda, peab ta liikuma kiiremini. Me näeme, kuidas Peeter saab õppida uisutama, täpsemalt tasakaalu hoidma, kasutades Q-õpet. -![Suur põgenemine!](../../../../translated_images/et/escape.18862db9930337e3.png) +![Suur põgenemine!](../../../../translated_images/et/escape.18862db9930337e3.webp) > Peeter ja tema sõbrad muutuvad loovaks, et hundi eest põgeneda! Pilt: [Jen Looper](https://twitter.com/jenlooper) Kasutame tasakaalu lihtsustatud versiooni, mida tuntakse kui **CartPole** probleem. CartPole maailmas on meil horisontaalne liugur, mis saab liikuda vasakule või paremale, ja eesmärk on hoida vertikaalset posti liuguri peal tasakaalus. -CartPole +CartPole ## Eeltingimused @@ -285,7 +285,7 @@ Treeningu ajal kogusime kumulatiivse tasu väärtuse igal iteratsioonil `rewards plt.plot(rewards) ``` -![toores progress](../../../../translated_images/et/train_progress_raw.2adfdf2daea09c59.png) +![toores progress](../../../../translated_images/et/train_progress_raw.2adfdf2daea09c59.webp) Sellest graafikust ei ole võimalik midagi järeldada, sest stohhastilise treeningprotsessi olemuse tõttu varieerub treeningseansside pikkus suuresti. Selle graafiku mõistlikumaks muutmiseks saame arvutada **jooksva keskmise** mitme katse jooksul, näiteks 100. Seda saab mugavalt teha `np.convolve` abil: (koodiplokk 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![treeningu progress](../../../../translated_images/et/train_progress_runav.c71694a8fa9ab359.png) +![treeningu progress](../../../../translated_images/et/train_progress_runav.c71694a8fa9ab359.webp) ## Hüperparameetrite muutmine diff --git a/translations/et/8-Reinforcement/2-Gym/assignment.md b/translations/et/8-Reinforcement/2-Gym/assignment.md index faecad50b..03168bf4d 100644 --- a/translations/et/8-Reinforcement/2-Gym/assignment.md +++ b/translations/et/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [Mountain Car keskkond](https://gym.openai.com/envs/MountainCar-v0/) sisaldab orgu kinni jäänud autot: - + Eesmärk on orust välja pääseda ja lippu kätte saada, tehes igal sammul ühte järgmistest tegevustest: diff --git a/translations/et/8-Reinforcement/README.md b/translations/et/8-Reinforcement/README.md index 7c84190ce..24d747832 100644 --- a/translations/et/8-Reinforcement/README.md +++ b/translations/et/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Tugevdusõpe, RL, on üks põhilisi masinõppe paradigmasid, kõrvuti juhendatud Kujutlege, et teil on simuleeritud keskkond, näiteks aktsiaturg. Mis juhtub, kui kehtestate teatud regulatsiooni? Kas sellel on positiivne või negatiivne mõju? Kui juhtub midagi negatiivset, peate võtma selle _negatiivse tugevduse_, sellest õppima ja suunda muutma. Kui tulemus on positiivne, peate sellele _positiivsele tugevdusele_ tuginedes edasi liikuma. -![Peeter ja hunt](../../../translated_images/et/peter.779730f9ba3a8a8d.png) +![Peeter ja hunt](../../../translated_images/et/peter.779730f9ba3a8a8d.webp) > Peeter ja tema sõbrad peavad põgenema näljase hundi eest! Pildi autor [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/et/9-Real-World/1-Applications/README.md b/translations/et/9-Real-World/1-Applications/README.md index ba9f34800..8e17cc353 100644 --- a/translations/et/9-Real-World/1-Applications/README.md +++ b/translations/et/9-Real-World/1-Applications/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Järelsõna: Masinõpe pärismaailmas -![Masinõppe kokkuvõte pärismaailmas sketšina](../../../../translated_images/et/ml-realworld.26ee274671615577.png) +![Masinõppe kokkuvõte pärismaailmas sketšina](../../../../translated_images/et/ml-realworld.26ee274671615577.webp) > Sketš joonistas [Tomomi Imura](https://www.twitter.com/girlie_mac) Selles õppekavas õppisite mitmeid viise, kuidas andmeid treenimiseks ette valmistada ja masinõppe mudeleid luua. Te ehitasite klassikalisi regressiooni-, klasterdamis-, klassifitseerimis-, loomuliku keele töötlemise ja ajareamudeleid. Palju õnne! Nüüd võite mõelda, milleks see kõik vajalik on... millised on nende mudelite pärismaailma rakendused? diff --git a/translations/et/9-Real-World/2-Debugging-ML-Models/README.md b/translations/et/9-Real-World/2-Debugging-ML-Models/README.md index 429a175a8..b5278bd96 100644 --- a/translations/et/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/et/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ Eeldusena vaadake üle [Vastutustundliku AI tööriistad arendajatele](https://w Traditsioonilised mudeli jõudlusmõõdikud, mida kasutatakse täpsuse mõõtmiseks, põhinevad peamiselt õigete ja valede ennustuste arvutustel. Näiteks võib mudelit, mis on täpne 89% ajast ja mille veakadu on 0,001, pidada heaks. Vead ei ole sageli jaotatud ühtlaselt teie aluseks olevas andmestikus. Võite saada 89% mudeli täpsuse skoori, kuid avastada, et on olemas andmejaotuse piirkonnad, kus mudel ebaõnnestub 42% ajast. Nende ebaõnnestumismustrite tagajärjed teatud andmegruppidega võivad viia õiglus- või usaldusväärsusprobleemideni. On oluline mõista, kus mudel toimib hästi ja kus mitte. Andmejaotuse piirkonnad, kus mudelil on palju ebatäpsusi, võivad osutuda oluliseks demograafiliseks andmegrupiks. -![Analüüsige ja siluge mudeli vigu](../../../../translated_images/et/ea-error-distribution.117452e1177c1dd8.png) +![Analüüsige ja siluge mudeli vigu](../../../../translated_images/et/ea-error-distribution.117452e1177c1dd8.webp) RAI armatuurlaua vigade analüüsi komponent illustreerib, kuidas mudeli ebaõnnestumised jaotuvad erinevate kohtade vahel puu visualiseerimise abil. See on kasulik tunnuste või piirkondade tuvastamiseks, kus teie andmestikus on kõrge veamäär. Nägemine, kust enamik mudeli ebatäpsusi pärineb, võimaldab teil alustada juurpõhjuse uurimist. Samuti saate luua andmekohti analüüsi tegemiseks. Need andmekohad aitavad silumisprotsessis kindlaks teha, miks mudeli jõudlus on ühes kohas hea, kuid teises vigane. -![Vigade analüüs](../../../../translated_images/et/ea-error-cohort.6886209ea5d438c4.png) +![Vigade analüüs](../../../../translated_images/et/ea-error-cohort.6886209ea5d438c4.webp) Puu kaardil olevad visuaalsed indikaatorid aitavad probleemipiirkondi kiiremini leida. Näiteks mida tumedam punane värv puu sõlmel on, seda kõrgem on veamäär. Kuumuskaart on veel üks visualiseerimisfunktsioon, mida kasutajad saavad kasutada veamäära uurimiseks ühe või kahe tunnuse abil, et leida mudeli vigade panustaja kogu andmestikus või kohtades. -![Vigade analüüsi kuumuskaart](../../../../translated_images/et/ea-heatmap.8d27185e28cee383.png) +![Vigade analüüsi kuumuskaart](../../../../translated_images/et/ea-heatmap.8d27185e28cee383.webp) Kasutage vigade analüüsi, kui peate: @@ -57,11 +57,11 @@ Masinõppe mudeli jõudluse hindamine nõuab terviklikku arusaamist selle käitu RAI armatuurlaua mudeli ülevaate komponent aitab mitte ainult analüüsida andmekohtade esindatuse jõudlusmõõdikuid, vaid annab kasutajatele võimaluse võrrelda mudeli käitumist erinevate kohtade vahel. -![Andmekohtade ülevaade - mudeli ülevaade RAI armatuurlaual](../../../../translated_images/et/model-overview-dataset-cohorts.dfa463fb527a35a0.png) +![Andmekohtade ülevaade - mudeli ülevaade RAI armatuurlaual](../../../../translated_images/et/model-overview-dataset-cohorts.dfa463fb527a35a0.webp) Komponendi tunnusepõhine analüüsifunktsioon võimaldab kasutajatel kitsendada andmealamgruppe konkreetse tunnuse piires, et tuvastada anomaaliaid detailsemal tasemel. Näiteks on armatuurlaual sisseehitatud intelligentsus, mis automaatselt genereerib kohtade jaoks kasutaja valitud tunnuse (nt *"time_in_hospital < 3"* või *"time_in_hospital >= 7"*) põhjal. See võimaldab kasutajal eraldada konkreetse tunnuse suuremast andmegrupist, et näha, kas see on mudeli vigaste tulemuste võtmetegur. -![Tunnuste kohad - mudeli ülevaade RAI armatuurlaual](../../../../translated_images/et/model-overview-feature-cohorts.c5104d575ffd0c80.png) +![Tunnuste kohad - mudeli ülevaade RAI armatuurlaual](../../../../translated_images/et/model-overview-feature-cohorts.c5104d575ffd0c80.webp) Mudeli ülevaate komponent toetab kahte klassi erinevusmõõdikuid: @@ -85,7 +85,7 @@ Andmed on traditsiooniliste mudeli jõudlusmõõdikute jaoks suur pimeala. Teil RAI armatuurlaua andmeanalüüsi komponent aitab tuvastada piirkondi, kus andmestikus on üle- ja alarepresentatsioon. See aitab kasutajatel diagnoosida vigade ja õigluse probleemide juurpõhjuseid, mis on põhjustatud andmete tasakaalustamatusest või konkreetse andmegrupi esindatuse puudumisest. See annab kasutajatele võimaluse visualiseerida andmestikke ennustatud ja tegelike tulemuste, veagruppide ja konkreetsete tunnuste põhjal. Mõnikord võib alarepresentatsiooni avastamine paljastada, et mudel ei õpi hästi, mistõttu on kõrged ebatäpsused. Mudel, millel on andmebias, ei ole mitte ainult õigluse probleem, vaid näitab, et mudel ei ole kaasav ega usaldusväärne. -![Andmeanalüüsi komponent RAI armatuurlaual](../../../../translated_images/et/dataanalysis-cover.8d6d0683a70a5c1e.png) +![Andmeanalüüsi komponent RAI armatuurlaual](../../../../translated_images/et/dataanalysis-cover.8d6d0683a70a5c1e.webp) Kasutage andmeanalüüsi, kui peate: @@ -104,14 +104,14 @@ Masinõppe mudelid kipuvad olema mustad kastid. Mõistmine, millised olulised an RAI armatuurlaua tunnuste olulisuse komponent aitab teil siluda ja saada põhjalikku arusaama, kuidas mudel teeb ennustusi. See on kasulik tööriist masinõppe spetsialistidele ja otsustajatele, et selgitada ja näidata tõendeid tunnuste mõjust mudeli käitumisele regulatiivse vastavuse jaoks. Järgmisena saavad kasutajad uurida nii globaalseid kui ka kohalikke selgitusi, et valideerida, millised tunnused juhivad mudeli ennustust. Globaalsed selgitused loetlevad peamised tunnused, mis mõjutasid mudeli üldist ennustust. Kohalikud selgitused näitavad, millised tunnused viisid mudeli ennustuseni individuaalse juhtumi puhul. Kohalike selgituste hindamise võime on kasulik ka konkreetse juhtumi silumisel või auditeerimisel, et paremini mõista ja tõlgendada, miks mudel tegi täpse või ebatäpse ennustuse. -![Tunnuste olulisuse komponent RAI armatuurlaual](../../../../translated_images/et/9-feature-importance.cd3193b4bba3fd4b.png) +![Tunnuste olulisuse komponent RAI armatuurlaual](../../../../translated_images/et/9-feature-importance.cd3193b4bba3fd4b.webp) * Globaalsed selgitused: Näiteks millised tunnused mõjutavad diabeedi haigla tagasivõtmise mudeli üldist käitumist? * Kohalikud selgitused: Näiteks miks ennustati, et diabeediga patsient, kes on üle 60-aastane ja kellel on olnud varasemad hospitaliseerimised, võetakse tagasi haiglasse või ei võeta tagasi 30 päeva jooksul? Mudeli jõudluse uurimise protsessis erinevate kohtade vahel näitab tunnuste olulisus, millisel tasemel tunnus mõjutab kohtade vahel mudeli ennustusi. See aitab paljastada anomaaliaid, kui võrrelda tunnuse mõju taset mudeli vigaste ennustuste juhtimisel. Tunnuste olulisuse komponent võib näidata, millised tunnuse väärtused mõjutasid mudeli tulemust positiivselt või negatiivselt. Näiteks kui mudel tegi ebatäpse ennustuse, annab komponent võimaluse süveneda ja tuvastada, millised tunnused või tunnuse väärtused viisid ennustuseni. See detailide tase aitab mitte ainult silumisel, vaid pakub läbipaistvust ja vastutust auditeerimissituatsioonides. Lõpuks võib komponent aidata tuvastada õigluse probleeme. Näiteks kui tundlik tunnus, nagu etniline kuuluvus või sugu, mõjutab tugevalt mudeli ennustust, võib see viidata rassilise või soolise eelarvamuse olemasolule mudelis. -![Tunnuste olulisus](../../../../translated_images/et/9-features-influence.3ead3d3f68a84029.png) +![Tunnuste olulisus](../../../../translated_images/et/9-features-influence.3ead3d3f68a84029.webp) Kasutage tõlgendatavust, kui peate: diff --git a/translations/et/9-Real-World/README.md b/translations/et/9-Real-World/README.md index ff30e470a..06ffa85e4 100644 --- a/translations/et/9-Real-World/README.md +++ b/translations/et/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Selles õppekava osas tutvustatakse teile klassikalise masinõppe rakendusi päriselus. Oleme internetist otsinud valgeid raamatuid ja artikleid, mis käsitlevad nende strateegiate kasutamist, vältides võimalusel närvivõrke, süvaõpet ja tehisintellekti. Uurige, kuidas masinõpet kasutatakse ärisüsteemides, ökoloogilistes rakendustes, rahanduses, kunstis ja kultuuris ning mujal. -![male](../../../translated_images/et/chess.e704a268781bdad8.jpg) +![male](../../../translated_images/et/chess.e704a268781bdad8.webp) > Foto autor Alexis Fauvet lehelt Unsplash diff --git a/translations/et/README.md b/translations/et/README.md index b02d4c5d6..8aef9bdfb 100644 --- a/translations/et/README.md +++ b/translations/et/README.md @@ -33,7 +33,7 @@ CO_OP_TRANSLATOR_METADATA: Meil on käimas Discordi sarja "Õpi tehisintellektiga"; saa rohkem teada ja liitu meiega aadressil [Õpi tehisintellektiga sari](https://aka.ms/learnwithai/discord) ajavahemikul 18 - 30 September, 2025. Saad näpunäiteid ja trikke GitHub Copiloti kasutamiseks andmeteaduses. -![Õpi tehisintellektiga](../../translated_images/et/3.9b58fd8d6c373c20.png) +![Õpi tehisintellektiga](../../translated_images/et/3.9b58fd8d6c373c20.webp) # Masinõpe algajatele - Õppekava @@ -81,7 +81,7 @@ Järgnevaid samme: Mõned õppetunnid on saadaval lühivormis videote kujul. Leiate need integreeritult õppetundidest või [ML for Beginners esitusloendist Microsoft Developer YouTube kanalil](https://aka.ms/ml-beginners-videos) pildi klõpsamisel allpool. -[![ML algajatele bänner](../../translated_images/et/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML algajatele bänner](../../translated_images/et/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/fa/1-Introduction/README.md b/translations/fa/1-Introduction/README.md index 480d6f2ef..a9efd87b5 100644 --- a/translations/fa/1-Introduction/README.md +++ b/translations/fa/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: در این بخش از برنامه آموزشی، با مفاهیم پایه‌ای که زیربنای حوزه یادگیری ماشین هستند آشنا خواهید شد، یاد خواهید گرفت که یادگیری ماشین چیست، تاریخچه آن را بررسی خواهید کرد و با تکنیک‌هایی که محققان برای کار با آن استفاده می‌کنند آشنا خواهید شد. بیایید با هم این دنیای جدید یادگیری ماشین را کشف کنیم! -![globe](../../../translated_images/fa/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/fa/globe.59f26379ceb40428.webp) > عکس از Bill Oxford در Unsplash ### درس‌ها diff --git a/translations/fa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/fa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index e2a16fef8..5754efa4f 100644 --- a/translations/fa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/fa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -50,7 +50,7 @@ " width=\"630\"/>\n", "
اثر هنری از @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/fa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/fa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 0c4f3f290..a223e2910 100644 --- a/translations/fa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/fa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -227,7 +227,7 @@ "
اثر هنری از @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,7 +531,7 @@ "
اینفوگرافیک از داسانی مدیپالی
\n", "\n", "\n", - "\n", + "\n", "\n", "یک ضرب‌المثل *حکیمانه* وجود دارد که می‌گوید:\n", "\n", diff --git a/translations/fa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/fa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 4c3be65d8..4b9f91371 100644 --- a/translations/fa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/fa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -164,7 +164,7 @@ "
اثر هنری از @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" diff --git a/translations/fa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/fa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index e1ee88212..787475d9c 100644 --- a/translations/fa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/fa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ساخت یک مدل رگرسیون لجستیک - درس ۴\n", "\n", - "![اینفوگرافیک رگرسیون لجستیک در مقابل رگرسیون خطی](../../../../../../translated_images/fa/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![اینفوگرافیک رگرسیون لجستیک در مقابل رگرسیون خطی](../../../../../../translated_images/fa/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[آزمون پیش از درس](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "رگرسیون لجستیک ویژگی‌های مشابه رگرسیون خطی را ارائه نمی‌دهد. رگرسیون لجستیک پیش‌بینی درباره یک `دسته‌بندی دودویی` (\"نارنجی یا غیر نارنجی\") ارائه می‌دهد، در حالی که رگرسیون خطی قادر به پیش‌بینی `مقادیر پیوسته` است، مثلاً با توجه به منشأ کدو و زمان برداشت، *چقدر قیمت آن افزایش خواهد یافت*.\n", "\n", - "![اینفوگرافیک توسط Dasani Madipalli](../../../../../../translated_images/fa/pumpkin-classifier.562771f104ad5436.png)\n", + "![اینفوگرافیک توسط Dasani Madipalli](../../../../../../translated_images/fa/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### دسته‌بندی‌های دیگر\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ترتیبی**، که شامل دسته‌های مرتب شده است، مفید اگر بخواهیم نتایج خود را به صورت منطقی مرتب کنیم، مانند کدوهایی که بر اساس تعداد محدودی از اندازه‌ها مرتب شده‌اند (کوچک، متوسط، بزرگ، خیلی بزرگ، و غیره).\n", "\n", - "![رگرسیون چندگانه در مقابل ترتیبی](../../../../../../translated_images/fa/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![رگرسیون چندگانه در مقابل ترتیبی](../../../../../../translated_images/fa/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **متغیرها لازم نیست همبستگی داشته باشند**\n", "\n", diff --git a/translations/fa/2-Regression/README.md b/translations/fa/2-Regression/README.md index 87b277b7b..b4bb9a8fb 100644 --- a/translations/fa/2-Regression/README.md +++ b/translations/fa/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: در آمریکای شمالی، کدو تنبل‌ها اغلب برای هالووین به شکل چهره‌های ترسناک تراشیده می‌شوند. بیایید درباره این سبزیجات جذاب بیشتر بدانیم! -![jack-o-lanterns](../../../translated_images/fa/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/fa/jack-o-lanterns.181c661a9212457d.webp) > عکس از Beth Teutschmann در Unsplash ## آنچه خواهید آموخت diff --git a/translations/fa/3-Web-App/README.md b/translations/fa/3-Web-App/README.md index 9efeedfdf..0e6e685d6 100644 --- a/translations/fa/3-Web-App/README.md +++ b/translations/fa/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: در این بخش از دوره آموزشی، با یک موضوع کاربردی در یادگیری ماشین آشنا خواهید شد: چگونگی ذخیره مدل Scikit-learn به‌صورت یک فایل که بتوان از آن برای پیش‌بینی‌ها در یک اپلیکیشن وب استفاده کرد. پس از ذخیره مدل، یاد می‌گیرید که چگونه از آن در یک اپلیکیشن وب ساخته‌شده با Flask استفاده کنید. ابتدا مدلی را با استفاده از داده‌هایی که درباره مشاهده بشقاب‌پرنده‌ها هستند ایجاد می‌کنید! سپس، یک اپلیکیشن وب می‌سازید که به شما امکان می‌دهد با وارد کردن تعداد ثانیه‌ها به همراه مقادیر عرض و طول جغرافیایی، پیش‌بینی کنید که کدام کشور مشاهده بشقاب‌پرنده را گزارش داده است. -![پارک بشقاب‌پرنده](../../../translated_images/fa/ufo.9e787f5161da9d4d.jpg) +![پارک بشقاب‌پرنده](../../../translated_images/fa/ufo.9e787f5161da9d4d.webp) عکس از مایکل هرن در Unsplash diff --git a/translations/fa/4-Classification/README.md b/translations/fa/4-Classification/README.md index 638f5ceb8..66c4b0e44 100644 --- a/translations/fa/4-Classification/README.md +++ b/translations/fa/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: در آسیا و هند، سنت‌های غذایی بسیار متنوع و فوق‌العاده خوشمزه هستند! بیایید داده‌هایی درباره غذاهای منطقه‌ای بررسی کنیم تا مواد تشکیل‌دهنده آن‌ها را بهتر درک کنیم. -![فروشنده غذای تایلندی](../../../translated_images/fa/thai-food.c47a7a7f9f05c218.jpg) +![فروشنده غذای تایلندی](../../../translated_images/fa/thai-food.c47a7a7f9f05c218.webp) > عکس از Lisheng Chang در Unsplash ## آنچه خواهید آموخت diff --git a/translations/fa/5-Clustering/README.md b/translations/fa/5-Clustering/README.md index f07441558..05f55edf6 100644 --- a/translations/fa/5-Clustering/README.md +++ b/translations/fa/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: مخاطبان متنوع نیجریه دارای سلیقه‌های موسیقی متنوعی هستند. با استفاده از داده‌هایی که از اسپاتیفای جمع‌آوری شده‌اند (با الهام از [این مقاله](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421))، بیایید نگاهی به برخی از موسیقی‌های محبوب در نیجریه بیندازیم. این مجموعه داده شامل اطلاعاتی درباره امتیاز 'رقص‌پذیری'، 'آکوستیک بودن'، بلندی صدا، 'گفتاری بودن'، محبوبیت و انرژی آهنگ‌های مختلف است. کشف الگوها در این داده‌ها می‌تواند بسیار جالب باشد! -![یک صفحه‌گردان](../../../translated_images/fa/turntable.f2b86b13c53302dc.jpg) +![یک صفحه‌گردان](../../../translated_images/fa/turntable.f2b86b13c53302dc.webp) > عکس از مارسلا لاسکوسکی در Unsplash diff --git a/translations/fa/6-NLP/README.md b/translations/fa/6-NLP/README.md index a3d3452e0..88ef6d272 100644 --- a/translations/fa/6-NLP/README.md +++ b/translations/fa/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: در این درس‌ها، ما اصول اولیه NLP را با ساخت ربات‌های مکالمه‌ای کوچک یاد خواهیم گرفت تا ببینیم چگونه یادگیری ماشین به هوشمندتر شدن این مکالمات کمک می‌کند. شما به گذشته سفر خواهید کرد و با الیزابت بنت و آقای دارسی از رمان کلاسیک جین آستن، **غرور و تعصب**، که در سال ۱۸۱۳ منتشر شده است، گفتگو خواهید کرد. سپس دانش خود را با یادگیری تحلیل احساسات از طریق بررسی نظرات هتل‌های اروپا گسترش خواهید داد. -![کتاب غرور و تعصب و چای](../../../translated_images/fa/p&p.279f1c49ecd88941.jpg) +![کتاب غرور و تعصب و چای](../../../translated_images/fa/p&p.279f1c49ecd88941.webp) > عکس از Elaine Howlin در Unsplash ## درس‌ها diff --git a/translations/fa/7-TimeSeries/README.md b/translations/fa/7-TimeSeries/README.md index c6ba80fad..7e98054d5 100644 --- a/translations/fa/7-TimeSeries/README.md +++ b/translations/fa/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: تمرکز منطقه‌ای ما بر مصرف برق جهانی است، یک مجموعه داده جالب برای یادگیری پیش‌بینی مصرف برق آینده بر اساس الگوهای بار گذشته. می‌توانید ببینید که این نوع پیش‌بینی چگونه می‌تواند در محیط‌های تجاری بسیار مفید باشد. -![شبکه برق](../../../translated_images/fa/electric-grid.0c21d5214db09ffa.jpg) +![شبکه برق](../../../translated_images/fa/electric-grid.0c21d5214db09ffa.webp) عکس از [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) از برج‌های برق در جاده‌ای در راجستان در [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/fa/8-Reinforcement/README.md b/translations/fa/8-Reinforcement/README.md index 3f5eb6214..5cb2580f6 100644 --- a/translations/fa/8-Reinforcement/README.md +++ b/translations/fa/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: تصور کنید یک محیط شبیه‌سازی‌شده مثل بازار سهام دارید. اگر یک قانون خاص اعمال کنید، چه اتفاقی می‌افتد؟ آیا اثر مثبت دارد یا منفی؟ اگر اتفاقی منفی رخ دهد، باید از این _تقویت منفی_ درس بگیرید و مسیر خود را تغییر دهید. اگر نتیجه مثبت باشد، باید بر اساس آن _تقویت مثبت_ پیش بروید. -![پیتر و گرگ](../../../translated_images/fa/peter.779730f9ba3a8a8d.png) +![پیتر و گرگ](../../../translated_images/fa/peter.779730f9ba3a8a8d.webp) > پیتر و دوستانش باید از گرگ گرسنه فرار کنند! تصویر از [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/fa/9-Real-World/README.md b/translations/fa/9-Real-World/README.md index 8d1d8e872..38fcf64fd 100644 --- a/translations/fa/9-Real-World/README.md +++ b/translations/fa/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: در این بخش از برنامه آموزشی، با برخی از کاربردهای واقعی یادگیری ماشین کلاسیک آشنا خواهید شد. ما اینترنت را جستجو کرده‌ایم تا مقالات و گزارش‌هایی درباره کاربردهایی که از این استراتژی‌ها استفاده کرده‌اند پیدا کنیم، و تا حد امکان از شبکه‌های عصبی، یادگیری عمیق و هوش مصنوعی اجتناب کرده‌ایم. درباره نحوه استفاده از یادگیری ماشین در سیستم‌های تجاری، کاربردهای زیست‌محیطی، امور مالی، هنر و فرهنگ و موارد دیگر بیاموزید. -![chess](../../../translated_images/fa/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/fa/chess.e704a268781bdad8.webp) > عکس از الکسیس فووه در Unsplash diff --git a/translations/fa/README.md b/translations/fa/README.md index d7af22276..57eb5642b 100644 --- a/translations/fa/README.md +++ b/translations/fa/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: ما یک مجموعه فعال در دیسکورد با عنوان «یادگیری با هوش مصنوعی» داریم؛ برای کسب اطلاعات بیشتر و پیوستن به ما از 18 تا 30 سپتامبر 2025 به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) مراجعه کنید. در این رویداد نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد. -![سری یادگیری با هوش مصنوعی](../../translated_images/fa/3.9b58fd8d6c373c20.png) +![سری یادگیری با هوش مصنوعی](../../translated_images/fa/3.9b58fd8d6c373c20.webp) # یادگیری ماشین برای مبتدیان - برنامه درسی @@ -80,7 +80,7 @@ Cloud Advocates در مایکروسافت مفتخر است یک برنامه د بعضی از دروس به‌صورت ویدئوی کوتاه در دسترس هستند. می‌توانید همهٔ این ویدئوها را در داخل دروس پیدا کنید، یا در [فهرست پخش ML for Beginners در کانال Microsoft Developer در یوتیوب](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر ببینید. -[![بنر ML برای مبتدیان](../../translated_images/fa/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![بنر ML برای مبتدیان](../../translated_images/fa/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/fi/README.md b/translations/fi/README.md index 3fea622bd..1c778968a 100644 --- a/translations/fi/README.md +++ b/translations/fi/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: Meillä on Discordissa käynnissä Learn with AI -sarja; opi lisää ja liity mukaan osoitteessa [Learn with AI Series](https://aka.ms/learnwithai/discord) ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä data-analytiikassa. -![Learn with AI -sarja](../../translated_images/fi/3.9b58fd8d6c373c20.png) +![Learn with AI -sarja](../../translated_images/fi/3.9b58fd8d6c373c20.webp) # Koneoppiminen aloittelijoille - Opetussuunnitelma @@ -66,7 +66,7 @@ Seuraa näitä vaiheita: Joistakin oppitunneista on saatavilla lyhyitä videoita. Löydät kaikki nämä suoraan oppitunneista tai [ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa. -[![ML for Beginners -banneri](../../translated_images/fi/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for Beginners -banneri](../../translated_images/fi/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/he/README.md b/translations/he/README.md index cf6247028..de49ff5da 100644 --- a/translations/he/README.md +++ b/translations/he/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: אנו עורכים סדרת "ללמוד עם בינה מלאכותית" בדיוסקורד, למידע נוסף והצטרפות ראו את [סדרת Learn with AI](https://aka.ms/learnwithai/discord) בין התאריכים 18 - 30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot במדעי הנתונים. -![סדרת Learn with AI](../../translated_images/he/3.9b58fd8d6c373c20.png) +![סדרת Learn with AI](../../translated_images/he/3.9b58fd8d6c373c20.webp) # למידת מכונה למתחילים - תכנית לימודים @@ -78,7 +78,7 @@ CO_OP_TRANSLATOR_METADATA: חלק מהשיעורים זמינים כסרטוני קצרי פורמט. ניתן למצוא את כולם בתוך השיעורים, או ברשימת ההשמעה של [ML for Beginners בערוץ Microsoft Developer ב-YouTube](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה. -[![באנר ML למתחילים](../../translated_images/he/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![באנר ML למתחילים](../../translated_images/he/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/hi/1-Introduction/README.md b/translations/hi/1-Introduction/README.md index c0fe2043a..576a32090 100644 --- a/translations/hi/1-Introduction/README.md +++ b/translations/hi/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: इस पाठ्यक्रम के इस भाग में, आपको मशीन लर्निंग के क्षेत्र के मूलभूत अवधारणाओं, यह क्या है, इसकी इतिहास और शोधकर्ता इसे कैसे उपयोग करते हैं, के बारे में परिचित कराया जाएगा। चलिए, इस नए ML की दुनिया को साथ में खोजते हैं! -![globe](../../../translated_images/hi/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/hi/globe.59f26379ceb40428.webp) > फोटो बिल ऑक्सफोर्ड द्वारा अनस्प्लैश पर ### पाठ diff --git a/translations/hi/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/hi/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index efce20c38..9be7a8a6f 100644 --- a/translations/hi/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/hi/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
@allison_horst द्वारा कलाकृति
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/hi/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/hi/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index ffa347fd3..9523277d4 100644 --- a/translations/hi/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/hi/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
@allison_horst द्वारा कलाकृति
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
चित्रांकन: @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -535,7 +535,7 @@ "
डसानी मदीपल्ली द्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n", + "\n", "\n", "एक *समझदार* कहावत है जो इस प्रकार है:\n", "\n", diff --git a/translations/hi/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/hi/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 7e5b01057..392f9b3df 100644 --- a/translations/hi/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/hi/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
कला कार्य @allison_horst द्वारा
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
दासानी मदीपल्ली द्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
डसानी मदीपल्ली द्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/hi/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/hi/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 2a890a601..10309286f 100644 --- a/translations/hi/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/hi/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## लॉजिस्टिक रिग्रेशन मॉडल बनाएं - पाठ 4\n", "\n", - "![लॉजिस्टिक बनाम लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/hi/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![लॉजिस्टिक बनाम लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/hi/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[पाठ-पूर्व क्विज़](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "लॉजिस्टिक रिग्रेशन लीनियर रिग्रेशन जैसी विशेषताएं प्रदान नहीं करता। लॉजिस्टिक रिग्रेशन `बाइनरी श्रेणी` (\"नारंगी या नारंगी नहीं\") के बारे में भविष्यवाणी करता है, जबकि लीनियर रिग्रेशन `सतत मानों` की भविष्यवाणी करने में सक्षम है, जैसे कि कद्दू की उत्पत्ति और कटाई के समय को देखते हुए *उसकी कीमत कितनी बढ़ेगी*।\n", "\n", - "![दासानी मदीपल्ली द्वारा इन्फोग्राफिक](../../../../../../translated_images/hi/pumpkin-classifier.562771f104ad5436.png)\n", + "![दासानी मदीपल्ली द्वारा इन्फोग्राफिक](../../../../../../translated_images/hi/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### अन्य वर्गीकरण\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ऑर्डिनल**, जिसमें क्रमबद्ध श्रेणियां होती हैं, जो उपयोगी होती हैं यदि हम अपने परिणामों को तार्किक रूप से क्रमबद्ध करना चाहते हैं, जैसे हमारे कद्दू जो आकारों की एक सीमित संख्या (मिनी, छोटा, मध्यम, बड़ा, एक्सएल, एक्सएक्सएल) के अनुसार क्रमबद्ध होते हैं।\n", "\n", - "![मल्टीनोमियल बनाम ऑर्डिनल रिग्रेशन](../../../../../../translated_images/hi/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![मल्टीनोमियल बनाम ऑर्डिनल रिग्रेशन](../../../../../../translated_images/hi/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **चर का सहसंबंध होना आवश्यक नहीं है**\n", "\n", diff --git a/translations/hi/2-Regression/README.md b/translations/hi/2-Regression/README.md index 13491bb18..cb6ba3948 100644 --- a/translations/hi/2-Regression/README.md +++ b/translations/hi/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: उत्तरी अमेरिका में, कद्दू अक्सर हैलोवीन के लिए डरावने चेहरों में तराशे जाते हैं। आइए इन दिलचस्प सब्जियों के बारे में और जानें! -![jack-o-lanterns](../../../translated_images/hi/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/hi/jack-o-lanterns.181c661a9212457d.webp) > फोटो बेथ ट्यूट्सचमैन द्वारा अनस्प्लैश पर ## आप क्या सीखेंगे diff --git a/translations/hi/3-Web-App/README.md b/translations/hi/3-Web-App/README.md index ee9556601..d6cf9ddf1 100644 --- a/translations/hi/3-Web-App/README.md +++ b/translations/hi/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: इस पाठ्यक्रम के इस भाग में, आपको एक व्यावहारिक ML विषय से परिचित कराया जाएगा: कैसे अपने Scikit-learn मॉडल को एक फाइल के रूप में सेव करें जिसे वेब एप्लिकेशन के भीतर भविष्यवाणी करने के लिए उपयोग किया जा सके। एक बार मॉडल सेव हो जाने के बाद, आप सीखेंगे कि इसे Flask में बनाए गए वेब ऐप में कैसे उपयोग करें। सबसे पहले, आप कुछ डेटा का उपयोग करके एक मॉडल बनाएंगे जो UFO देखे जाने के बारे में है! फिर, आप एक वेब ऐप बनाएंगे जो आपको सेकंड की संख्या, अक्षांश और देशांतर मान दर्ज करने की अनुमति देगा ताकि यह भविष्यवाणी की जा सके कि किस देश ने UFO देखने की रिपोर्ट की है। -![UFO Parking](../../../translated_images/hi/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/hi/ufo.9e787f5161da9d4d.webp) फोटो माइकल हेरेन द्वारा Unsplash पर diff --git a/translations/hi/4-Classification/README.md b/translations/hi/4-Classification/README.md index ed5b48b6b..ed15f2425 100644 --- a/translations/hi/4-Classification/README.md +++ b/translations/hi/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: एशिया और भारत में, भोजन परंपराएं बेहद विविध और बहुत स्वादिष्ट हैं! चलिए क्षेत्रीय व्यंजनों के बारे में डेटा देखते हैं ताकि उनके सामग्री को समझने की कोशिश की जा सके। -![थाई भोजन विक्रेता](../../../translated_images/hi/thai-food.c47a7a7f9f05c218.jpg) +![थाई भोजन विक्रेता](../../../translated_images/hi/thai-food.c47a7a7f9f05c218.webp) > फोटो लिशेंग चांग द्वारा अनस्प्लैश पर ## आप क्या सीखेंगे diff --git a/translations/hi/5-Clustering/README.md b/translations/hi/5-Clustering/README.md index 60f4d6364..035cac68a 100644 --- a/translations/hi/5-Clustering/README.md +++ b/translations/hi/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: नाइजीरिया के विविध दर्शकों के संगीत स्वाद भी विविध हैं। Spotify से डेटा स्क्रैप करके (प्रेरित [इस लेख](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) से), आइए नाइजीरिया में लोकप्रिय कुछ संगीत पर नज़र डालें। इस डेटा सेट में विभिन्न गानों के 'डांसएबिलिटी' स्कोर, 'एकॉस्टिकनेस', लाउडनेस, 'स्पीचनेस', लोकप्रियता और ऊर्जा के बारे में जानकारी शामिल है। इस डेटा में पैटर्न्स की खोज करना दिलचस्प होगा! -![एक टर्नटेबल](../../../translated_images/hi/turntable.f2b86b13c53302dc.jpg) +![एक टर्नटेबल](../../../translated_images/hi/turntable.f2b86b13c53302dc.webp) > फोटो Marcela Laskoski द्वारा Unsplash पर diff --git a/translations/hi/6-NLP/README.md b/translations/hi/6-NLP/README.md index a10166ec4..36b0a2fd6 100644 --- a/translations/hi/6-NLP/README.md +++ b/translations/hi/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: इन पाठों में हम छोटे संवादात्मक बॉट्स बनाकर NLP की मूल बातें सीखेंगे ताकि यह समझ सकें कि मशीन लर्निंग इन संवादों को अधिक 'स्मार्ट' बनाने में कैसे मदद करती है। आप समय में पीछे यात्रा करेंगे, जेन ऑस्टेन के क्लासिक उपन्यास **Pride and Prejudice**, जो 1813 में प्रकाशित हुआ था, के पात्र एलिजाबेथ बेनेट और मिस्टर डार्सी से बातचीत करेंगे। फिर, आप होटल समीक्षाओं के माध्यम से भावना विश्लेषण सीखकर अपने ज्ञान को और बढ़ाएंगे। -![Pride and Prejudice किताब और चाय](../../../translated_images/hi/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice किताब और चाय](../../../translated_images/hi/p&p.279f1c49ecd88941.webp) > फोटो Elaine Howlin द्वारा Unsplash पर ## पाठ diff --git a/translations/hi/7-TimeSeries/README.md b/translations/hi/7-TimeSeries/README.md index 661958733..0436baea2 100644 --- a/translations/hi/7-TimeSeries/README.md +++ b/translations/hi/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: हमारा क्षेत्रीय फोकस दुनिया में बिजली उपयोग पर है, जो एक दिलचस्प डेटा सेट है, जिससे यह सीखने को मिलता है कि अतीत के लोड पैटर्न के आधार पर भविष्य की बिजली खपत का पूर्वानुमान कैसे लगाया जाए। आप देख सकते हैं कि इस प्रकार का पूर्वानुमान व्यावसायिक वातावरण में कितना उपयोगी हो सकता है। -![electric grid](../../../translated_images/hi/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/hi/electric-grid.0c21d5214db09ffa.webp) फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थान की एक सड़क पर बिजली के टावरों का [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) पर। diff --git a/translations/hi/8-Reinforcement/README.md b/translations/hi/8-Reinforcement/README.md index 7375f0cec..6bf1e557b 100644 --- a/translations/hi/8-Reinforcement/README.md +++ b/translations/hi/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: कल्पना करें कि आपके पास एक सिम्युलेटेड वातावरण है, जैसे कि शेयर बाजार। यदि आप कोई विशेष नियम लागू करते हैं, तो क्या इसका सकारात्मक या नकारात्मक प्रभाव पड़ता है? यदि कुछ नकारात्मक होता है, तो आपको इस _नकारात्मक रिइनफोर्समेंट_ से सीखना होगा और अपनी दिशा बदलनी होगी। यदि परिणाम सकारात्मक है, तो आपको उस _सकारात्मक रिइनफोर्समेंट_ पर आगे बढ़ना होगा। -![पीटर और भेड़िया](../../../translated_images/hi/peter.779730f9ba3a8a8d.png) +![पीटर और भेड़िया](../../../translated_images/hi/peter.779730f9ba3a8a8d.webp) > पीटर और उसके दोस्त भूखे भेड़िये से बचने की कोशिश कर रहे हैं! छवि: [जेन लूपर](https://twitter.com/jenlooper) diff --git a/translations/hi/9-Real-World/README.md b/translations/hi/9-Real-World/README.md index 01efe03ca..9180ae988 100644 --- a/translations/hi/9-Real-World/README.md +++ b/translations/hi/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: इस पाठ्यक्रम के इस भाग में, आपको क्लासिकल मशीन लर्निंग के कुछ वास्तविक दुनिया में उपयोगों से परिचित कराया जाएगा। हमने इंटरनेट पर खोजबीन की है और ऐसे श्वेतपत्र और लेख ढूंढे हैं जो इन रणनीतियों का उपयोग करते हैं, न्यूरल नेटवर्क, डीप लर्निंग और एआई से यथासंभव बचते हुए। जानें कि व्यवसाय प्रणालियों, पारिस्थितिक अनुप्रयोगों, वित्त, कला और संस्कृति, और अन्य क्षेत्रों में मशीन लर्निंग का उपयोग कैसे किया जाता है। -![chess](../../../translated_images/hi/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/hi/chess.e704a268781bdad8.webp) > फोटो एलेक्सिस फॉवेट द्वारा अनस्प्लैश पर diff --git a/translations/hi/README.md b/translations/hi/README.md index 24ec17200..88b2a5d2a 100644 --- a/translations/hi/README.md +++ b/translations/hi/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: हमारी एक Discord "AI के साथ सीखें" श्रृंखला चल रही है, अधिक जानने और 18 - 30 September, 2025 के बीच हमारे साथ जुड़ने के लिए [AI के साथ सीखने की श्रृंखला](https://aka.ms/learnwithai/discord) पर जाएँ। आपको Data Science के लिए GitHub Copilot का उपयोग करने के टिप्स और ट्रिक्स मिलेंगे। -![AI के साथ सीखने की श्रृंखला](../../translated_images/hi/3.9b58fd8d6c373c20.png) +![AI के साथ सीखने की श्रृंखला](../../translated_images/hi/3.9b58fd8d6c373c20.webp) # शुरुआती लोगों के लिए मशीन लर्निंग - एक पाठ्यक्रम @@ -80,7 +80,7 @@ Microsoft के Cloud Advocates यह 12-सप्ताह, 26-लेसन कुछ पाठ छोटे फ़ॉर्म वीडियो के रूप में उपलब्ध हैं। आप इन्हें पाठों के अंदर पंक्तिबद्ध रूप में पा सकते हैं, या नीचे की छवि पर क्लिक करके [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) पर देख सकते हैं। -[![ML for beginners बैनर](../../translated_images/hi/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners बैनर](../../translated_images/hi/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/hk/1-Introduction/README.md b/translations/hk/1-Introduction/README.md index 1ac6726d4..cbffc0a13 100644 --- a/translations/hk/1-Introduction/README.md +++ b/translations/hk/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在這部分課程中，你將了解機器學習領域的基本概念、它是什麼，以及它的歷史和研究人員使用的技術。讓我們一起探索這個嶄新的機器學習世界吧！ -![globe](../../../translated_images/hk/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/hk/globe.59f26379ceb40428.webp) > 照片由 Bill Oxford 提供，來自 Unsplash ### 課程 diff --git a/translations/hk/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/hk/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index a3a69b9b7..e0ae1767c 100644 --- a/translations/hk/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/hk/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
由 @allison_horst 創作的藝術作品
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/hk/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/hk/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index e74691c85..fc7c9c2ac 100644 --- a/translations/hk/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/hk/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -532,7 +532,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n", + "\n", "\n", "有一句*智慧*的名言是這樣說的：\n", "\n", diff --git a/translations/hk/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/hk/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 01c5b6758..4011cfdba 100644 --- a/translations/hk/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/hk/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 簡介\n", "\n", @@ -164,7 +164,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -569,7 +569,7 @@ "
Dasani Madipalli 的資訊圖表
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -810,7 +810,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/hk/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/hk/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index f1b6c0eaf..0e22cad56 100644 --- a/translations/hk/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/hk/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 建立邏輯迴歸模型 - 第四課\n", "\n", - "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/hk/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/hk/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[課前測驗](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "邏輯回歸不提供與線性回歸相同的功能。前者提供對「二元類別」（例如「橙色或非橙色」）的預測，而後者則能預測「連續值」，例如根據南瓜的產地和收穫時間，*價格會上漲多少*。\n", "\n", - "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/hk/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/hk/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### 其他分類方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **序列式**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情況，例如南瓜按有限的大小（迷你、小、中、大、特大、超大）排序。\n", "\n", - "![多項式 vs 序列式回歸](../../../../../../translated_images/hk/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![多項式 vs 序列式回歸](../../../../../../translated_images/hk/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **變數不需要相關**\n", "\n", diff --git a/translations/hk/2-Regression/README.md b/translations/hk/2-Regression/README.md index ba7b7159f..0548b422f 100644 --- a/translations/hk/2-Regression/README.md +++ b/translations/hk/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 在北美，南瓜經常被雕刻成恐怖的臉孔，用於慶祝萬聖節。讓我們一起探索這些迷人的蔬菜吧！ -![jack-o-lanterns](../../../translated_images/hk/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/hk/jack-o-lanterns.181c661a9212457d.webp) > 圖片由 Beth Teutschmann 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/hk/3-Web-App/README.md b/translations/hk/3-Web-App/README.md index 6f7010713..7a8b6133f 100644 --- a/translations/hk/3-Web-App/README.md +++ b/translations/hk/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在這部分課程中，你將學習一個應用機器學習的主題：如何將你的 Scikit-learn 模型保存為一個檔案，並在網頁應用程式中使用它進行預測。當模型保存好後，你將學習如何在使用 Flask 建立的網頁應用程式中使用它。首先，你會使用一些關於 UFO 目擊事件的數據來建立模型！接著，你會建立一個網頁應用程式，讓你輸入秒數、緯度和經度值，來預測哪個國家報告了看到 UFO。 -![UFO 停車場](../../../translated_images/hk/ufo.9e787f5161da9d4d.jpg) +![UFO 停車場](../../../translated_images/hk/ufo.9e787f5161da9d4d.webp) 照片由 Michael Herren 提供，來自 Unsplash diff --git a/translations/hk/4-Classification/README.md b/translations/hk/4-Classification/README.md index 2f99443b8..abe15db2e 100644 --- a/translations/hk/4-Classification/README.md +++ b/translations/hk/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 在亞洲和印度，飲食文化非常多元且美味！讓我們來看看有關地區料理的數據，試著了解它們的食材。 -![泰國街頭小販](../../../translated_images/hk/thai-food.c47a7a7f9f05c218.jpg) +![泰國街頭小販](../../../translated_images/hk/thai-food.c47a7a7f9f05c218.webp) > 照片由 Lisheng Chang 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/hk/5-Clustering/README.md b/translations/hk/5-Clustering/README.md index d06c26cc0..5ff2eeca2 100644 --- a/translations/hk/5-Clustering/README.md +++ b/translations/hk/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亞的多元化觀眾擁有多樣化的音樂品味。使用從 Spotify 抓取的數據（靈感來自[這篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），讓我們來看看一些在尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！ -![唱盤](../../../translated_images/hk/turntable.f2b86b13c53302dc.jpg) +![唱盤](../../../translated_images/hk/turntable.f2b86b13c53302dc.webp) > 照片由 Marcela Laskoski 提供，來自 Unsplash diff --git a/translations/hk/6-NLP/README.md b/translations/hk/6-NLP/README.md index 7640b8335..6dec86e6f 100644 --- a/translations/hk/6-NLP/README.md +++ b/translations/hk/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在這些課程中，我們將通過構建小型對話機器人來學習自然語言處理的基礎知識，了解機器學習如何幫助使這些對話變得越來越「智能」。你將穿越時光，與珍·奧斯汀1813年出版的經典小說《傲慢與偏見》中的伊麗莎白·班內特和達西先生進行交流。接著，你將進一步學習如何通過分析歐洲酒店評論來進行情感分析。 -![傲慢與偏見書籍與茶](../../../translated_images/hk/p&p.279f1c49ecd88941.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/hk/p&p.279f1c49ecd88941.webp) > 照片由 Elaine Howlin 提供，來自 Unsplash ## 課程 diff --git a/translations/hk/7-TimeSeries/README.md b/translations/hk/7-TimeSeries/README.md index ab6f1bab8..509366e67 100644 --- a/translations/hk/7-TimeSeries/README.md +++ b/translations/hk/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我們的地區重點是全球的電力使用，這是一個有趣的數據集，可以用來學習如何根據過去的負載模式來預測未來的電力需求。你可以看到這種預測在商業環境中是多麼有幫助。 -![電網](../../../translated_images/hk/electric-grid.0c21d5214db09ffa.jpg) +![電網](../../../translated_images/hk/electric-grid.0c21d5214db09ffa.webp) 照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 在拉賈斯坦邦的道路上拍攝的電塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/hk/8-Reinforcement/README.md b/translations/hk/8-Reinforcement/README.md index 88a5a0d9e..98ae29ef7 100644 --- a/translations/hk/8-Reinforcement/README.md +++ b/translations/hk/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想像一下你有一個模擬環境，例如股票市場。如果你施加某項規定，會發生什麼事？它會帶來正面還是負面的影響？如果發生負面影響，你需要接受這種_負面強化_，從中學習並改變方向。如果結果是正面的，你需要基於這種_正面強化_進一步發展。 -![彼得與狼](../../../translated_images/hk/peter.779730f9ba3a8a8d.png) +![彼得與狼](../../../translated_images/hk/peter.779730f9ba3a8a8d.webp) > 彼得和他的朋友需要逃離飢餓的狼！圖片來源：[Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/hk/9-Real-World/README.md b/translations/hk/9-Real-World/README.md index 07102356c..cbfcad4ab 100644 --- a/translations/hk/9-Real-World/README.md +++ b/translations/hk/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這部分，你將了解一些經典機器學習在現實世界中的應用。我們在網絡上搜集了白皮書和文章，介紹使用這些策略的應用，儘量避免涉及神經網絡、深度學習和人工智能。了解機器學習如何應用於商業系統、生態應用、金融、藝術與文化等領域。 -![chess](../../../translated_images/hk/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/hk/chess.e704a268781bdad8.webp) > 照片由 Alexis Fauvet 提供，來源於 Unsplash diff --git a/translations/hk/README.md b/translations/hk/README.md index a34bd48bf..8a1a2efd7 100644 --- a/translations/hk/README.md +++ b/translations/hk/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: 我們正舉辦 Discord 的「與 AI 一起學習」系列活動，詳情與加入請到 [Learn with AI Series](https://aka.ms/learnwithai/discord)，活動期間為 2025 年 9 月 18 日至 30 日。你將會學到使用 GitHub Copilot 進行資料科學的技巧與秘訣。 -![與 AI 一起學習 系列](../../translated_images/hk/3.9b58fd8d6c373c20.png) +![與 AI 一起學習 系列](../../translated_images/hk/3.9b58fd8d6c373c20.webp) # Machine Learning for Beginners - A Curriculum @@ -80,7 +80,7 @@ Microsoft 的 Cloud Advocates 很高興推出一個為期 12 週、共 26 節課 部分課程有短片形式的教學。你可以在各課程內嵌找到這些影片，或於 [Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos) 中觀看，點選下方圖片即可前往。 -[![ML for beginners 橫幅](../../translated_images/hk/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners 橫幅](../../translated_images/hk/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/hr/README.md b/translations/hr/README.md index 9f59d231b..88c231ded 100644 --- a/translations/hr/README.md +++ b/translations/hr/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Imamo tekuću Discord seriju Learn with AI, saznajte više i pridružite nam se na [Serija Learn with AI](https://aka.ms/learnwithai/discord) od 18. - 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilot za Data Science. -![Serija Learn with AI](../../translated_images/hr/3.9b58fd8d6c373c20.png) +![Serija Learn with AI](../../translated_images/hr/3.9b58fd8d6c373c20.webp) # Strojno učenje za početnike - Kurikulum @@ -80,7 +80,7 @@ Slijedite ove korake: Neke od lekcija dostupne su kao kratki videozapisi. Sve ih možete pronaći unutar samih lekcija, ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod. -[![Baner ML za početnike](../../translated_images/hr/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Baner ML za početnike](../../translated_images/hr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/hu/README.md b/translations/hu/README.md index 5123744ac..4c368a935 100644 --- a/translations/hu/README.md +++ b/translations/hu/README.md @@ -32,7 +32,7 @@ CO_OP_TRANSLATOR_METADATA: Folyamatban van a Discordon a "Learn with AI" sorozatunk, további információkért és csatlakozáshoz látogass el a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalra 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adattudományban való használatához. -![Tanulj az MI-vel sorozat](../../translated_images/hu/3.9b58fd8d6c373c20.png) +![Tanulj az MI-vel sorozat](../../translated_images/hu/3.9b58fd8d6c373c20.webp) # Gépi tanulás kezdőknek - Tanterv @@ -81,7 +81,7 @@ Kövesd az alábbi lépéseket: Néhány lecke rövid videó formában is elérhető. Ezeket megtalálhatod beágyazva a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) az alábbi képre kattintva. -[![ML kezdőknek banner](../../translated_images/hu/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML kezdőknek banner](../../translated_images/hu/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/id/README.md b/translations/id/README.md index c2b69b262..8fa63df04 100644 --- a/translations/id/README.md +++ b/translations/id/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Kami memiliki rangkaian acara Learn with AI di Discord yang sedang berlangsung, pelajari lebih lanjut dan bergabung bersama kami di [Learn with AI Series](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science. -![Rangkaian Learn with AI](../../translated_images/id/3.9b58fd8d6c373c20.png) +![Rangkaian Learn with AI](../../translated_images/id/3.9b58fd8d6c373c20.webp) # Pembelajaran Mesin untuk Pemula - Sebuah Kurikulum @@ -80,7 +80,7 @@ Ikuti langkah-langkah ini: Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semuanya di dalam pelajaran, atau di [playlist ML for Beginners di channel Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah. -[![Spanduk ML untuk pemula](../../translated_images/id/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Spanduk ML untuk pemula](../../translated_images/id/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/it/1-Introduction/README.md b/translations/it/1-Introduction/README.md index aa99a7dcf..18a721922 100644 --- a/translations/it/1-Introduction/README.md +++ b/translations/it/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In questa sezione del curriculum, verranno introdotti i concetti di base che stanno alla base del campo del machine learning, cos'è e la sua storia, oltre alle tecniche che i ricercatori utilizzano per lavorarci. Esploriamo insieme questo nuovo mondo del ML! -![globe](../../../translated_images/it/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/it/globe.59f26379ceb40428.webp) > Foto di Bill Oxford su Unsplash ### Lezioni diff --git a/translations/it/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/it/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index d836e9e0f..1f78d2a18 100644 --- a/translations/it/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/it/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Illustrazione di @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/it/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/it/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 440243a46..be44b66a2 100644 --- a/translations/it/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/it/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
Illustrazione di @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
Illustrazione di @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -535,7 +535,7 @@ "
Infografica di Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "C'è un *saggio* detto che recita così:\n", "\n", diff --git a/translations/it/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/it/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 97ba41adb..b92a56d36 100644 --- a/translations/it/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/it/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Infografica di Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "#### Introduzione\n", "\n", @@ -164,7 +164,7 @@ "
Opera d'arte di @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -807,7 +807,7 @@ "
Infografica di Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/it/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/it/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index e37a9ec60..1585d27c0 100644 --- a/translations/it/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/it/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Costruire un modello di regressione logistica - Lezione 4\n", "\n", - "![Infografica: regressione logistica vs. regressione lineare](../../../../../../translated_images/it/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Infografica: regressione logistica vs. regressione lineare](../../../../../../translated_images/it/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Quiz pre-lezione](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "La regressione logistica non offre le stesse funzionalità della regressione lineare. La prima fornisce una previsione su una `categoria binaria` (\"arancione o non arancione\"), mentre la seconda è in grado di prevedere `valori continui`, ad esempio, dato l'origine di una zucca e il momento del raccolto, *quanto aumenterà il suo prezzo*.\n", "\n", - "![Infografica di Dasani Madipalli](../../../../../../translated_images/it/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infografica di Dasani Madipalli](../../../../../../translated_images/it/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Altre classificazioni\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Ordinale**, che coinvolge categorie ordinate, utile se volessimo ordinare i nostri risultati in modo logico, come le nostre zucche ordinate per un numero finito di dimensioni (mini, piccola, media, grande, XL, XXL).\n", "\n", - "![Regressione multinomiale vs ordinale](../../../../../../translated_images/it/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Regressione multinomiale vs ordinale](../../../../../../translated_images/it/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **Le variabili NON devono essere correlate**\n", "\n", diff --git a/translations/it/2-Regression/README.md b/translations/it/2-Regression/README.md index f00158674..1b569d735 100644 --- a/translations/it/2-Regression/README.md +++ b/translations/it/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: In Nord America, le zucche vengono spesso intagliate in facce spaventose per Halloween. Scopriamo di più su questi affascinanti ortaggi! -![jack-o-lanterns](../../../translated_images/it/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/it/jack-o-lanterns.181c661a9212457d.webp) > Foto di Beth Teutschmann su Unsplash ## Cosa imparerai diff --git a/translations/it/3-Web-App/README.md b/translations/it/3-Web-App/README.md index 42829470c..8872e020d 100644 --- a/translations/it/3-Web-App/README.md +++ b/translations/it/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In questa sezione del curriculum, ti verrà introdotto un argomento applicato di ML: come salvare il tuo modello Scikit-learn come file che può essere utilizzato per fare previsioni all'interno di un'applicazione web. Una volta salvato il modello, imparerai come utilizzarlo in un'app web costruita con Flask. Per prima cosa, creerai un modello utilizzando alcuni dati relativi agli avvistamenti di UFO! Successivamente, costruirai un'app web che ti permetterà di inserire un numero di secondi insieme a un valore di latitudine e longitudine per prevedere quale paese ha segnalato di aver visto un UFO. -![UFO Parking](../../../translated_images/it/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/it/ufo.9e787f5161da9d4d.webp) Foto di Michael Herren su Unsplash diff --git a/translations/it/4-Classification/README.md b/translations/it/4-Classification/README.md index 485bd6b99..e384cfd7a 100644 --- a/translations/it/4-Classification/README.md +++ b/translations/it/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: In Asia e India, le tradizioni culinarie sono estremamente varie e molto deliziose! Esaminiamo i dati sulle cucine regionali per cercare di comprendere i loro ingredienti. -![Venditore di cibo thailandese](../../../translated_images/it/thai-food.c47a7a7f9f05c218.jpg) +![Venditore di cibo thailandese](../../../translated_images/it/thai-food.c47a7a7f9f05c218.webp) > Foto di Lisheng Chang su Unsplash ## Cosa imparerai diff --git a/translations/it/5-Clustering/README.md b/translations/it/5-Clustering/README.md index ece579d98..bb4377265 100644 --- a/translations/it/5-Clustering/README.md +++ b/translations/it/5-Clustering/README.md @@ -15,7 +15,7 @@ Il clustering è un compito di machine learning che cerca di individuare oggetti Il pubblico nigeriano, molto variegato, ha gusti musicali altrettanto diversificati. Utilizzando dati raccolti da Spotify (ispirati a [questo articolo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), analizziamo alcune delle canzoni popolari in Nigeria. Questo dataset include informazioni su vari brani, come il punteggio di 'danceability', 'acousticness', volume, 'speechiness', popolarità ed energia. Sarà interessante scoprire i pattern presenti in questi dati! -![Un giradischi](../../../translated_images/it/turntable.f2b86b13c53302dc.jpg) +![Un giradischi](../../../translated_images/it/turntable.f2b86b13c53302dc.webp) > Foto di Marcela Laskoski su Unsplash diff --git a/translations/it/6-NLP/README.md b/translations/it/6-NLP/README.md index 5aa79e4ea..5a6bfa240 100644 --- a/translations/it/6-NLP/README.md +++ b/translations/it/6-NLP/README.md @@ -17,7 +17,7 @@ In questa sezione del curriculum, verrà introdotto uno degli utilizzi più diff In queste lezioni impareremo le basi dell'NLP costruendo piccoli bot conversazionali per capire come il machine learning contribuisca a rendere queste conversazioni sempre più "intelligenti". Faremo un viaggio nel tempo, chiacchierando con Elizabeth Bennett e Mr. Darcy dal classico romanzo di Jane Austen, **Orgoglio e Pregiudizio**, pubblicato nel 1813. Successivamente, approfondiremo la conoscenza imparando l'analisi del sentiment attraverso le recensioni di hotel in Europa. -![Libro Orgoglio e Pregiudizio e tè](../../../translated_images/it/p&p.279f1c49ecd88941.jpg) +![Libro Orgoglio e Pregiudizio e tè](../../../translated_images/it/p&p.279f1c49ecd88941.webp) > Foto di Elaine Howlin su Unsplash ## Lezioni diff --git a/translations/it/7-TimeSeries/README.md b/translations/it/7-TimeSeries/README.md index ac3638f37..01ac51f6e 100644 --- a/translations/it/7-TimeSeries/README.md +++ b/translations/it/7-TimeSeries/README.md @@ -17,7 +17,7 @@ In queste due lezioni, verrà introdotta la previsione delle serie temporali, un Il nostro focus regionale è l'utilizzo dell'elettricità nel mondo, un dataset interessante per imparare a prevedere il consumo energetico futuro basandosi sui modelli di carico passati. Puoi vedere come questo tipo di previsione possa essere estremamente utile in un contesto aziendale. -![rete elettrica](../../../translated_images/it/electric-grid.0c21d5214db09ffa.jpg) +![rete elettrica](../../../translated_images/it/electric-grid.0c21d5214db09ffa.webp) Foto di [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) di torri elettriche su una strada in Rajasthan su [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/it/8-Reinforcement/README.md b/translations/it/8-Reinforcement/README.md index b18361e03..e9196ed26 100644 --- a/translations/it/8-Reinforcement/README.md +++ b/translations/it/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Il reinforcement learning, RL, è considerato uno dei paradigmi fondamentali del Immagina di avere un ambiente simulato, come il mercato azionario. Cosa succede se imponi una determinata regolamentazione? Ha un effetto positivo o negativo? Se accade qualcosa di negativo, devi prendere questo _rinforzo negativo_, imparare da esso e cambiare rotta. Se invece l'esito è positivo, devi costruire su quel _rinforzo positivo_. -![peter and the wolf](../../../translated_images/it/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/it/peter.779730f9ba3a8a8d.webp) > Peter e i suoi amici devono scappare dal lupo affamato! Immagine di [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/it/9-Real-World/README.md b/translations/it/9-Real-World/README.md index 85953f62b..1a4350b05 100644 --- a/translations/it/9-Real-World/README.md +++ b/translations/it/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: In questa sezione del curriculum, verranno presentate alcune applicazioni reali del machine learning classico. Abbiamo esplorato il web per trovare articoli e documenti che illustrano applicazioni che utilizzano queste strategie, evitando il più possibile reti neurali, deep learning e intelligenza artificiale. Scopri come il machine learning viene utilizzato nei sistemi aziendali, nelle applicazioni ecologiche, nella finanza, nelle arti e nella cultura, e molto altro. -![chess](../../../translated_images/it/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/it/chess.e704a268781bdad8.webp) > Foto di Alexis Fauvet su Unsplash diff --git a/translations/it/README.md b/translations/it/README.md index f352f33bb..56b76f6d4 100644 --- a/translations/it/README.md +++ b/translations/it/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Siamo in corso con una serie su Discord intitolata Learn with AI; scopri di più e unisciti a noi su [Serie Learn with AI](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per Data Science. -![Serie Learn with AI](../../translated_images/it/3.9b58fd8d6c373c20.png) +![Serie Learn with AI](../../translated_images/it/3.9b58fd8d6c373c20.webp) # Machine Learning per principianti - Un curriculum @@ -80,7 +80,7 @@ Segui questi passaggi: Alcune lezioni sono disponibili come brevi video. Puoi trovarli integrati nelle lezioni o nella [playlist ML for Beginners sul canale YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) cliccando l'immagine qui sotto. -[![Banner ML per principianti](../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Banner ML per principianti](../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ja/1-Introduction/README.md b/translations/ja/1-Introduction/README.md index 0a48615f4..3eb48f5b4 100644 --- a/translations/ja/1-Introduction/README.md +++ b/translations/ja/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: このカリキュラムのセクションでは、機械学習の分野の基本的な概念、それが何であるか、その歴史、そして研究者がそれに取り組むために使用する技術について学びます。一緒にこの新しい機械学習の世界を探求してみましょう！ -![globe](../../../translated_images/ja/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ja/globe.59f26379ceb40428.webp) > 写真提供: Bill Oxford on Unsplash ### レッスン diff --git a/translations/ja/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ja/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index eee8fb467..8e5d83486 100644 --- a/translations/ja/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ja/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
イラスト: @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ja/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ja/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 465cde1f1..2ba8b1fde 100644 --- a/translations/ja/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ja/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
イラスト: @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
@allison_horstによるイラスト
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -535,7 +535,7 @@ "
ダサニ・マディパリによるインフォグラフィック
\n", "\n", "\n", - "\n", + "\n", "\n", "こんな*賢い*言葉があります：\n", "\n", diff --git a/translations/ja/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ja/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index fc343f1e4..bf02f468d 100644 --- a/translations/ja/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ja/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Dasani Madipalliによるインフォグラフィック
\n", "\n", "\n", - "\n", + "\n", "\n", "#### はじめに\n", "\n", @@ -164,7 +164,7 @@ "
イラスト: @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -569,7 +569,7 @@ "
Dasani Madipalliによるインフォグラフィック
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -810,7 +810,7 @@ "
Dasani Madipalliによるインフォグラフィック
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ja/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ja/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index a610fc0e7..9447efe3d 100644 --- a/translations/ja/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ja/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ロジスティック回帰モデルを構築する - レッスン4\n", "\n", - "![ロジスティック回帰と線形回帰のインフォグラフィック](../../../../../../translated_images/ja/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![ロジスティック回帰と線形回帰のインフォグラフィック](../../../../../../translated_images/ja/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[講義前のクイズ](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "ロジスティック回帰は、線形回帰と同じ機能を提供するわけではありません。ロジスティック回帰は「二値カテゴリ」（例:「オレンジかオレンジではない」）について予測を行いますが、線形回帰は「連続値」を予測することができます。例えば、カボチャの産地と収穫時期を基にして、*価格がどれだけ上昇するか*を予測することが可能です。\n", "\n", - "![Dasani Madipalliによるインフォグラフィック](../../../../../../translated_images/ja/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalliによるインフォグラフィック](../../../../../../translated_images/ja/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### その他の分類\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **順序回帰**: 順序付けされたカテゴリを扱う場合に使用します。例えば、カボチャのサイズを有限のサイズ（mini, sm, med, lg, xl, xxl）で論理的に順序付けする場合に役立ちます。\n", "\n", - "![多項式回帰 vs 順序回帰](../../../../../../translated_images/ja/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![多項式回帰 vs 順序回帰](../../../../../../translated_images/ja/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **変数が相関している必要はない**\n", "\n", diff --git a/translations/ja/2-Regression/README.md b/translations/ja/2-Regression/README.md index d2dcb2438..24438b6eb 100644 --- a/translations/ja/2-Regression/README.md +++ b/translations/ja/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 北米では、カボチャはよくハロウィンのために怖い顔に彫られます。この魅力的な野菜についてもっと探ってみましょう！ -![ジャック・オー・ランタン](../../../translated_images/ja/jack-o-lanterns.181c661a9212457d.jpg) +![ジャック・オー・ランタン](../../../translated_images/ja/jack-o-lanterns.181c661a9212457d.webp) > 写真提供: Beth Teutschmann on Unsplash ## 学べること diff --git a/translations/ja/3-Web-App/README.md b/translations/ja/3-Web-App/README.md index c9cc6a29d..11dfee418 100644 --- a/translations/ja/3-Web-App/README.md +++ b/translations/ja/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: このカリキュラムのセクションでは、応用的な機械学習のトピックについて学びます。具体的には、Scikit-learnモデルをファイルとして保存し、それをウェブアプリケーション内で予測に使用する方法です。モデルを保存した後、Flaskで構築されたウェブアプリでそのモデルを使用する方法を学びます。まず、UFO目撃情報に関するデータを使用してモデルを作成します。その後、緯度と経度の値と秒数を入力することで、どの国がUFOを目撃したかを予測するウェブアプリを構築します。 -![UFO Parking](../../../translated_images/ja/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/ja/ufo.9e787f5161da9d4d.webp) 写真提供：Michael Herren on Unsplash diff --git a/translations/ja/4-Classification/README.md b/translations/ja/4-Classification/README.md index ee37873c7..1896cf7bc 100644 --- a/translations/ja/4-Classification/README.md +++ b/translations/ja/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: アジアやインドでは、食文化が非常に多様で、とても美味しいです！地域料理のデータを見て、その材料を理解してみましょう。 -![タイ料理の売り手](../../../translated_images/ja/thai-food.c47a7a7f9f05c218.jpg) +![タイ料理の売り手](../../../translated_images/ja/thai-food.c47a7a7f9f05c218.webp) > 写真提供: Lisheng Chang on Unsplash ## 学べること diff --git a/translations/ja/5-Clustering/README.md b/translations/ja/5-Clustering/README.md index 5ba04f23b..d3029e5b5 100644 --- a/translations/ja/5-Clustering/README.md +++ b/translations/ja/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ナイジェリアの多様な聴衆は、多様な音楽嗜好を持っています。Spotifyから収集したデータを使用して（[この記事](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)に触発されました）、ナイジェリアで人気の音楽を見てみましょう。このデータセットには、曲の「ダンサビリティ」スコア、「アコースティック性」、音量、「スピーチ性」、人気度、エネルギーに関するデータが含まれています。このデータからパターンを発見するのは興味深いでしょう！ -![ターンテーブル](../../../translated_images/ja/turntable.f2b86b13c53302dc.jpg) +![ターンテーブル](../../../translated_images/ja/turntable.f2b86b13c53302dc.webp) > 写真提供: Marcela Laskoski on Unsplash diff --git a/translations/ja/6-NLP/README.md b/translations/ja/6-NLP/README.md index bf3f49c5b..5d4de3f95 100644 --- a/translations/ja/6-NLP/README.md +++ b/translations/ja/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: これらのレッスンでは、小さな会話型ボットを構築することでNLPの基本を学び、機械学習がこれらの会話をますます「賢く」するのを助ける方法を理解します。1813年に出版されたジェーン・オースティンの古典小説**『高慢と偏見』**のエリザベス・ベネットやミスター・ダーシーと会話しながら、時を遡ります。その後、ヨーロッパのホテルレビューを通じて感情分析について学び、知識を深めます。 -![高慢と偏見の本と紅茶](../../../translated_images/ja/p&p.279f1c49ecd88941.jpg) +![高慢と偏見の本と紅茶](../../../translated_images/ja/p&p.279f1c49ecd88941.webp) > 写真提供: Elaine Howlin on Unsplash ## レッスン diff --git a/translations/ja/7-TimeSeries/README.md b/translations/ja/7-TimeSeries/README.md index c41d548a9..4abe44300 100644 --- a/translations/ja/7-TimeSeries/README.md +++ b/translations/ja/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 地域別の焦点は世界の電力使用量です。この興味深いデータセットを使って、過去の負荷パターンに基づいて将来の電力使用量を予測する方法を学びます。このような予測はビジネス環境で非常に役立つことがわかるでしょう。 -![電力網](../../../translated_images/ja/electric-grid.0c21d5214db09ffa.jpg) +![電力網](../../../translated_images/ja/electric-grid.0c21d5214db09ffa.webp) ラジャスタンの道路にある電力塔の写真は、[Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) によるもので、[Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) に掲載されています。 diff --git a/translations/ja/8-Reinforcement/README.md b/translations/ja/8-Reinforcement/README.md index 57acdedbd..bc225c820 100644 --- a/translations/ja/8-Reinforcement/README.md +++ b/translations/ja/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 例えば、株式市場のようなシミュレーション環境を考えてみましょう。特定の規制を導入した場合、何が起こるでしょうか？それがプラスの効果をもたらすのか、マイナスの効果をもたらすのか？もしマイナスの結果が生じた場合、その「負の強化」を受け入れ、それを学び、方向を変える必要があります。逆に、プラスの結果が得られた場合、その「正の強化」を基にさらに進める必要があります。 -![ピーターと狼](../../../translated_images/ja/peter.779730f9ba3a8a8d.png) +![ピーターと狼](../../../translated_images/ja/peter.779730f9ba3a8a8d.webp) > ピーターと彼の友達は空腹の狼から逃げなければなりません！画像提供：[Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ja/9-Real-World/README.md b/translations/ja/9-Real-World/README.md index 9edd8cd43..fc8c5f2e3 100644 --- a/translations/ja/9-Real-World/README.md +++ b/translations/ja/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: このカリキュラムのこのセクションでは、古典的な機械学習の実世界での応用例を紹介します。インターネットを徹底的に調査し、ニューラルネットワークやディープラーニング、AIをできるだけ避けた上で、これらの戦略を使用した応用に関するホワイトペーパーや記事を見つけました。機械学習がビジネスシステム、生態学的応用、金融、芸術や文化などでどのように活用されているかを学びましょう。 -![chess](../../../translated_images/ja/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ja/chess.e704a268781bdad8.webp) > 写真提供: Alexis Fauvet on Unsplash diff --git a/translations/ja/README.md b/translations/ja/README.md index 473293ba5..40d2f1e45 100644 --- a/translations/ja/README.md +++ b/translations/ja/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: 私たちは Discord 上で「Learn with AI」シリーズを開催しています。詳細や参加は 2025年9月18日～30日の期間に [Learn with AI シリーズ](https://aka.ms/learnwithai/discord) でご案内しています。データサイエンス向けの GitHub Copilot の使い方に関するヒントやコツが得られます。 -![Learn with AI シリーズ](../../translated_images/ja/3.9b58fd8d6c373c20.png) +![Learn with AI シリーズ](../../translated_images/ja/3.9b58fd8d6c373c20.webp) # 機械学習入門 - カリキュラム @@ -78,7 +78,7 @@ Microsoft の Cloud Advocates は、12 週間・26 課からなる **機械学 一部のレッスンは短い動画として利用できます。これらはレッスン内でインラインに表示されているほか、下の画像をクリックして [Microsoft Developer の YouTube チャンネル上の ML for Beginners プレイリスト](https://aka.ms/ml-beginners-videos) でもご覧いただけます。 -[![ML for beginners バナー](../../translated_images/ja/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners バナー](../../translated_images/ja/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/kn/1-Introduction/1-intro-to-ML/README.md b/translations/kn/1-Introduction/1-intro-to-ML/README.md index 15b6c3e0a..17690c365 100644 --- a/translations/kn/1-Introduction/1-intro-to-ML/README.md +++ b/translations/kn/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## ಹೈಪ್ ವಕ್ರ -![ml hype curve](../../../../translated_images/kn/hype.07183d711a17aafe.png) +![ml hype curve](../../../../translated_images/kn/hype.07183d711a17aafe.webp) > ಗೂಗಲ್ ಟ್ರೆಂಡ್ಸ್ 'ಯಂತ್ರ ಅಧ್ಯಯನ' ಪದದ ಇತ್ತೀಚಿನ 'ಹೈಪ್ ವಕ್ರ' ಅನ್ನು ತೋರಿಸುತ್ತದೆ @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## AI, ML, ಡೀಪ್ ಲರ್ನಿಂಗ್ -![AI, ML, deep learning, data science](../../../../translated_images/kn/ai-ml-ds.537ea441b124ebf6.png) +![AI, ML, deep learning, data science](../../../../translated_images/kn/ai-ml-ds.537ea441b124ebf6.webp) > AI, ML, ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಡೇಟಾ ಸೈನ್ಸ್ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ತೋರಿಸುವ ಚಿತ್ರ. [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್, [ಈ ಚಿತ್ರ](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) ಪ್ರೇರಿತ diff --git a/translations/kn/1-Introduction/2-history-of-ML/README.md b/translations/kn/1-Introduction/2-history-of-ML/README.md index c76345f1f..e1a95b14c 100644 --- a/translations/kn/1-Introduction/2-history-of-ML/README.md +++ b/translations/kn/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸ -![ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸದ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-history.a1bdfd4ce1f464d9.png) +![ಯಂತ್ರ ಅಧ್ಯಯನದ ಇತಿಹಾಸದ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-history.a1bdfd4ce1f464d9.webp) > ಸ್ಕೆಚ್‌ನೋಟ್: [ಟೊಮೊಮಿ ಇಮುರಾ](https://www.twitter.com/girlie_mac) ## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ CO_OP_TRANSLATOR_METADATA: * [ಶೇಕಿ ರೋಬೋಟ್](https://wikipedia.org/wiki/Shakey_the_robot), ಯಾರು 'ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ' ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿತ್ತು. - ![ಶೇಕಿ, ಬುದ್ಧಿವಂತ ರೋಬೋಟ್](../../../../translated_images/kn/shakey.4dc17819c447c05b.jpg) + ![ಶೇಕಿ, ಬುದ್ಧಿವಂತ ರೋಬೋಟ್](../../../../translated_images/kn/shakey.4dc17819c447c05b.webp) > 1972 ರಲ್ಲಿ ಶೇಕಿ --- * ಎಲಿಜಾ, ಆರಂಭಿಕ 'ಚಾಟ್‌ಬಾಟ್', ಜನರೊಂದಿಗೆ ಸಂಭಾಷಣೆ ನಡೆಸಲು ಮತ್ತು ಪ್ರಾಥಮಿಕ 'ಥೆರಪಿಸ್ಟ್' ಆಗ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿತ್ತು. NLP ಪಾಠಗಳಲ್ಲಿ ನೀವು ಎಲಿಜಾ ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿಯುತ್ತೀರಿ. - ![ಎಲಿಜಾ, ಒಂದು ಬಾಟ್](../../../../translated_images/kn/eliza.84397454cda9559b.png) + ![ಎಲಿಜಾ, ಒಂದು ಬಾಟ್](../../../../translated_images/kn/eliza.84397454cda9559b.webp) > ಎಲಿಜಾ, ಒಂದು ಚಾಟ್‌ಬಾಟ್‌ನ ಆವೃತ್ತಿ --- diff --git a/translations/kn/1-Introduction/3-fairness/README.md b/translations/kn/1-Introduction/3-fairness/README.md index ae6a876a5..dc6d48311 100644 --- a/translations/kn/1-Introduction/3-fairness/README.md +++ b/translations/kn/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ಜವಾಬ್ದಾರಿಯುತ AI ಜೊತೆಗೆ ಯಂತ್ರ ಅಧ್ಯಯನ ಪರಿಹಾರಗಳನ್ನು ನಿರ್ಮಿಸುವುದು -![ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತ AI ಸಂಕ್ಷಿಪ್ತ ಟಿಪ್ಪಣಿ](../../../../translated_images/kn/ml-fairness.ef296ebec6afc98a.png) +![ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತ AI ಸಂಕ್ಷಿಪ್ತ ಟಿಪ್ಪಣಿ](../../../../translated_images/kn/ml-fairness.ef296ebec6afc98a.webp) > ಟೊಮೊಮಿ ಇಮುರಾ ಅವರಿಂದ ಸ್ಕೆಚ್‌ನೋಟ್ [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ml/) @@ -51,10 +51,10 @@ AI ವ್ಯವಸ್ಥೆಗಳು ಎಲ್ಲರಿಗೂ ನ್ಯಾಯವ - **ಅತಿವ್ಯಕ್ತ ಅಥವಾ ಅಲ್ಪಪ್ರತಿನಿಧಿತ್ವ**. ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪು ನಿರ್ದಿಷ್ಟ ವೃತ್ತಿಯಲ್ಲಿ ಕಾಣಿಸದಿರುವುದು ಮತ್ತು ಯಾವುದೇ ಸೇವೆ ಅಥವಾ ಕಾರ್ಯವು ಅದನ್ನು ಮುಂದುವರಿಸುವುದು ಹಾನಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. - **ಸ್ಟೀರಿಯೋಟೈಪಿಂಗ್**. ಒಂದು ಗುಂಪನ್ನು ಪೂರ್ವನಿರ್ಧರಿತ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಇಂಗ್ಲಿಷ್ ಮತ್ತು ಟರ್ಕಿಷ್ ಭಾಷಾಂತರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಲಿಂಗಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಸ್ಟೀರಿಯೋಟೈಪಿಕಲ್ ಪದಗಳ ಕಾರಣದಿಂದ ತಪ್ಪುಗಳು ಸಂಭವಿಸಬಹುದು. -![ಟರ್ಕಿಷ್‌ಗೆ ಭಾಷಾಂತರ](../../../../translated_images/kn/gender-bias-translate-en-tr.f185fd8822c2d437.png) +![ಟರ್ಕಿಷ್‌ಗೆ ಭಾಷಾಂತರ](../../../../translated_images/kn/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > ಟರ್ಕಿಷ್‌ಗೆ ಭಾಷಾಂತರ -![ಇಂಗ್ಲಿಷ್‌ಗೆ ಹಿಂದಿರುಗಿ ಭಾಷಾಂತರ](../../../../translated_images/kn/gender-bias-translate-tr-en.4eee7e3cecb8c70e.png) +![ಇಂಗ್ಲಿಷ್‌ಗೆ ಹಿಂದಿರುಗಿ ಭಾಷಾಂತರ](../../../../translated_images/kn/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) > ಇಂಗ್ಲಿಷ್‌ಗೆ ಹಿಂದಿರುಗಿ ಭಾಷಾಂತರ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಾಗ ಮತ್ತು ಪರೀಕ್ಷಿಸುವಾಗ, AI ನ್ಯಾಯತೆಯುತವಾಗಿರಬೇಕು ಮತ್ತು ಪೂರ್ವಗ್ರಹಿತ ಅಥವಾ ಭೇದಭಾವಿ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಲು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಬಾರದು, ಏಕೆಂದರೆ ಮಾನವರು ಕೂಡ ಇಂತಹ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಬಾರದು. AI ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ನ್ಯಾಯತೆಯನ್ನು ಖಚಿತಪಡಿಸುವುದು ಸಂಕೀರ್ಣ ಸಾಮಾಜಿಕ-ತಾಂತ್ರಿಕ ಸವಾಲಾಗಿದೆ. @@ -97,7 +97,7 @@ AI ವ್ಯವಸ್ಥೆಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮತ್ತು ಜಾರಿಗೆ ತರುವವರು ತಮ್ಮ ವ್ಯವಸ್ಥೆಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ಹೊಣೆಗಾರರಾಗಿರಬೇಕು. ಮುಖ ಗುರುತಿಸುವಂತಹ ಸಂವೇದನಾಶೀಲ ತಂತ್ರಜ್ಞಾನಗಳೊಂದಿಗೆ ಹೊಣೆಗಾರಿಕೆ ಅಗತ್ಯ ವಿಶೇಷವಾಗಿ ಮುಖ್ಯ. ಇತ್ತೀಚೆಗೆ, ಮುಖ ಗುರುತಿಸುವ ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಹೆಚ್ಚುತ್ತಿರುವ ಬೇಡಿಕೆ ಇದೆ, ವಿಶೇಷವಾಗಿ ಕಾನೂನು ಅನುಷ್ಠಾನ ಸಂಸ್ಥೆಗಳಿಂದ, ಅವರು ಈ ತಂತ್ರಜ್ಞಾನವನ್ನು ಕಳೆದುಹೋಗಿದ ಮಕ್ಕಳನ್ನು ಹುಡುಕಲು ಉಪಯೋಗಿಸುತ್ತಾರೆ. ಆದರೆ, ಈ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಸರ್ಕಾರವು ತಮ್ಮ ನಾಗರಿಕರ ಮೂಲಭೂತ ಸ್ವಾತಂತ್ರ್ಯಗಳನ್ನು ಅಪಾಯಕ್ಕೆ ಹಾಕಲು ಬಳಸಬಹುದು, ಉದಾಹರಣೆಗೆ ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿಗಳ ನಿರಂತರ ನಿಗಾವಳಿಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ ಮೂಲಕ. ಆದ್ದರಿಂದ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ತಮ್ಮ AI ವ್ಯವಸ್ಥೆಯು ವ್ಯಕ್ತಿಗಳು ಅಥವಾ ಸಮಾಜದ ಮೇಲೆ ಹೇಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಜವಾಬ್ದಾರರಾಗಿರಬೇಕು. -[![ಮುಖ್ಯ AI ಸಂಶೋಧಕ ಮುಖ ಗುರುತಿಸುವ ಮೂಲಕ ಸಾಮೂಹಿಕ ನಿಗಾವಳಿಯ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತಾರೆ](../../../../translated_images/kn/accountability.41d8c0f4b85b6231.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![ಮುಖ್ಯ AI ಸಂಶೋಧಕ ಮುಖ ಗುರುತಿಸುವ ಮೂಲಕ ಸಾಮೂಹಿಕ ನಿಗಾವಳಿಯ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತಾರೆ](../../../../translated_images/kn/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") > 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ವಿಡಿಯೋ: ಮುಖ ಗುರುತಿಸುವ ಮೂಲಕ ಸಾಮೂಹಿಕ ನಿಗಾವಳಿಯ ಎಚ್ಚರಿಕೆಗಳು diff --git a/translations/kn/1-Introduction/4-techniques-of-ML/README.md b/translations/kn/1-Introduction/4-techniques-of-ML/README.md index a7c53a021..bcb69197b 100644 --- a/translations/kn/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/kn/1-Introduction/4-techniques-of-ML/README.md @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: 🎓 **ಅಡಿಗೊಳಿಸುವಿಕೆ** ಮತ್ತು **ಅತಿಗೊಳಿಸುವಿಕೆ** ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು, ಅವು ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಕುಗ್ಗಿಸುತ್ತವೆ, ಏಕೆಂದರೆ ಮಾದರಿ ಸರಿಯಾಗಿ ಹೊಂದದಿರುವುದು ಅಥವಾ ತುಂಬಾ ಚೆನ್ನಾಗಿ ಹೊಂದಿರುವುದು. ಇದರಿಂದ ಮಾದರಿ ತರಬೇತಿ ಡೇಟಾದೊಂದಿಗೆ ತುಂಬಾ ಸಮೀಪವಾಗಿ ಅಥವಾ ತುಂಬಾ ದೂರವಾಗಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡುತ್ತದೆ. ಅತಿಗೊಳಿಸಿದ ಮಾದರಿ ತರಬೇತಿ ಡೇಟಾದ ವಿವರಗಳು ಮತ್ತು ಶಬ್ದವನ್ನು ತುಂಬಾ ಚೆನ್ನಾಗಿ ಕಲಿತಿರುವುದರಿಂದ ಅದನ್ನು ತುಂಬಾ ಚೆನ್ನಾಗಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡುತ್ತದೆ. ಅಡಿಗೊಳಿಸಿದ ಮಾದರಿ ನಿಖರವಿಲ್ಲ, ಏಕೆಂದರೆ ಅದು ತನ್ನ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಅಥವಾ ಇನ್ನೂ 'ನೋಡದ' ಡೇಟಾವನ್ನು ಸರಿಯಾಗಿ ವಿಶ್ಲೇಷಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. -![overfitting model](../../../../translated_images/kn/overfitting.1c132d92bfd93cb6.png) +![overfitting model](../../../../translated_images/kn/overfitting.1c132d92bfd93cb6.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ ## ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್ diff --git a/translations/kn/1-Introduction/README.md b/translations/kn/1-Introduction/README.md index 1f6f8b6dd..9aa832e31 100644 --- a/translations/kn/1-Introduction/README.md +++ b/translations/kn/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ಪಠ್ಯಕ್ರಮದ ಈ ವಿಭಾಗದಲ್ಲಿ, ನೀವು ಯಂತ್ರ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರದ ಮೂಲ ತತ್ವಗಳನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳುತ್ತೀರಿ, ಅದು ಏನು ಮತ್ತು ಅದರ ಇತಿಹಾಸ ಮತ್ತು ಸಂಶೋಧಕರು ಅದನ್ನು ಬಳಸುವ ತಂತ್ರಗಳನ್ನು ತಿಳಿಯುತ್ತೀರಿ. ಬನ್ನಿ, ಈ ಹೊಸ ಯಂತ್ರ ಅಧ್ಯಯನ ಲೋಕವನ್ನು ಒಟ್ಟಿಗೆ ಅನ್ವೇಷಿಸೋಣ! -![globe](../../../translated_images/kn/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/kn/globe.59f26379ceb40428.webp) > ಫೋಟೋ ಬಿಲ್ ಆಕ್ಸ್ಫರ್ಡ್ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ ### ಪಾಠಗಳು diff --git a/translations/kn/2-Regression/1-Tools/README.md b/translations/kn/2-Regression/1-Tools/README.md index ef8f869c3..d0f9ea3ea 100644 --- a/translations/kn/2-Regression/1-Tools/README.md +++ b/translations/kn/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ರಿಗ್ರೆಶನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಮತ್ತು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್‌ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ -![ಸ್ಕೆಚ್‌ನೋಟ್ನಲ್ಲಿ ರಿಗ್ರೆಶನ್‌ಗಳ ಸಾರಾಂಶ](../../../../translated_images/kn/ml-regression.4e4f70e3b3ed446e.png) +![ಸ್ಕೆಚ್‌ನೋಟ್ನಲ್ಲಿ ರಿಗ್ರೆಶನ್‌ಗಳ ಸಾರಾಂಶ](../../../../translated_images/kn/ml-regression.4e4f70e3b3ed446e.webp) > ಸ್ಕೆಚ್‌ನೋಟ್ನು [ಟೊಮೊಮಿ ಇಮುರು](https://www.twitter.com/girlie_mac) ರಚಿಸಿದ್ದಾರೆ @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: hello notebook ``` -![ನೋಟ್ಬುಕ್ ತೆರೆಯಲಾದ VS ಕೋಡ್](../../../../translated_images/kn/notebook.4a3ee31f396b8832.jpg) +![ನೋಟ್ಬುಕ್ ತೆರೆಯಲಾದ VS ಕೋಡ್](../../../../translated_images/kn/notebook.4a3ee31f396b8832.webp) ನೀವು ನಿಮ್ಮ ಕೋಡ್ ಜೊತೆಗೆ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸೇರಿಸಿ ನೋಟ್ಬುಕ್ ಅನ್ನು ಸ್ವಯಂ-ಡಾಕ್ಯುಮೆಂಟ್ ಮಾಡಬಹುದು. @@ -211,7 +211,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![ಡಯಾಬಿಟಿಸ್ ಸುತ್ತಲೂ ಡೇಟಾಪಾಯಿಂಟ್‌ಗಳನ್ನು ತೋರಿಸುವ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/scatterplot.ad8b356bcbb33be6.png) + ![ಡಯಾಬಿಟಿಸ್ ಸುತ್ತಲೂ ಡೇಟಾಪಾಯಿಂಟ್‌ಗಳನ್ನು ತೋರಿಸುವ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/scatterplot.ad8b356bcbb33be6.webp) ✅ ಇಲ್ಲಿ ಏನಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ಸ್ವಲ್ಪ ಯೋಚಿಸಿ. ಒಂದು ಸರಳ ರೇಖೆ ಅನೇಕ ಸಣ್ಣ ಡೇಟಾ ಬಿಂದುಗಳ ಮೂಲಕ ಓಡುತ್ತಿದೆ, ಆದರೆ ಅದು ನಿಖರವಾಗಿ ಏನು ಮಾಡುತ್ತಿದೆ? ಈ ರೇಖೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಹೊಸ, ಕಾಣದ ಡೇಟಾ ಬಿಂದು ಪ್ಲಾಟ್‌ನ y ಅಕ್ಷದ ಸಂಬಂಧದಲ್ಲಿ ಎಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಬೇಕು ಎಂದು ನೀವು ಹೇಗೆ ಊಹಿಸಬಹುದು ಎಂದು ನೋಡಬಹುದೇ? ಈ ಮಾದರಿಯ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯನ್ನು ಪದಗಳಲ್ಲಿ ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸಿ. ಅಭಿನಂದನೆಗಳು, ನೀವು ನಿಮ್ಮ ಮೊದಲ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿದ್ದೀರಿ, ಅದರಿಂದ ಊಹೆ ಮಾಡಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಪ್ಲಾಟ್‌ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಿದ್ದೀರಿ! diff --git a/translations/kn/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/kn/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 758ef6b90..0b2c74756 100644 --- a/translations/kn/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/kn/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,11 +46,11 @@ "ಹೀಗಾಗಿ, ಈ ಕಾರ್ಯವನ್ನು ಪ್ರಾರಂಭಿಸೋಣ!\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/kn/2-Regression/2-Data/README.md b/translations/kn/2-Regression/2-Data/README.md index f09d94b32..6d3520338 100644 --- a/translations/kn/2-Regression/2-Data/README.md +++ b/translations/kn/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ಬಳಸಿ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ: ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸಿ -![ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/data-visualization.54e56dded7c1a804.png) +![ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/data-visualization.54e56dded7c1a804.webp) ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) ಅವರಿಂದ @@ -183,7 +183,7 @@ Jupyter ನೋಟ್ಬುಕ್‌ಗಳಲ್ಲಿ ಚೆನ್ನಾಗಿ plt.show() ``` - ![ಬೆಲೆ ಮತ್ತು ತಿಂಗಳ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/scatterplot.b6868f44cbd2051c.png) + ![ಬೆಲೆ ಮತ್ತು ತಿಂಗಳ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/scatterplot.b6868f44cbd2051c.webp) ಇದು ಉಪಯುಕ್ತವಾದ ಪ್ಲಾಟ್ ಆಗಿದೆಯೇ? ಇದರಲ್ಲಿ ಏನಾದರೂ ನಿಮಗೆ ಆಶ್ಚರ್ಯಕರವೇ? @@ -200,7 +200,7 @@ Jupyter ನೋಟ್ಬುಕ್‌ಗಳಲ್ಲಿ ಚೆನ್ನಾಗಿ plt.ylabel("Pumpkin Price") ``` - ![ಬೆಲೆ ಮತ್ತು ತಿಂಗಳ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಬಾರ್ ಚಾರ್ಟ್](../../../../translated_images/kn/barchart.a833ea9194346d76.png) + ![ಬೆಲೆ ಮತ್ತು ತಿಂಗಳ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಬಾರ್ ಚಾರ್ಟ್](../../../../translated_images/kn/barchart.a833ea9194346d76.webp) ಇದು ಹೆಚ್ಚು ಉಪಯುಕ್ತ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ! ಇದು ಪಂಪ್ಕಿನ್‌ಗಳ ಅತ್ಯಧಿಕ ಬೆಲೆ ಸೆಪ್ಟೆಂಬರ್ ಮತ್ತು ಅಕ್ಟೋಬರ್ ತಿಂಗಳಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಇದು ನಿಮ್ಮ ನಿರೀಕ್ಷೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ? ಏಕೆ ಅಥವಾ ಏಕೆ ಅಲ್ಲ? diff --git a/translations/kn/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/kn/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index ca470b201..a971a762f 100644 --- a/translations/kn/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/kn/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -45,7 +45,7 @@ "\n", "\n", "

\n", - " \n", "

ಕಲಾಕೃತಿ @allison_horst ಅವರಿಂದ
\n" ], @@ -224,12 +224,12 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,12 +531,12 @@ "## 4. ggplot2 ಬಳಸಿ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ\n", "\n", "

\n", - " \n", "

ಡಾಸನಿ ಮಡಿಪಳ್ಳಿ ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n", "\n", "\n", - "\n", + "\n", "\n", "ಇದೀಗ ಒಂದು *ಜ್ಞಾನವಂತ* ಮಾತು ಇದೆ:\n", "\n", diff --git a/translations/kn/2-Regression/3-Linear/README.md b/translations/kn/2-Regression/3-Linear/README.md index 717a1704a..6329611e9 100644 --- a/translations/kn/2-Regression/3-Linear/README.md +++ b/translations/kn/2-Regression/3-Linear/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ಬಳಸಿ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ: ರೆಗ್ರೆಶನ್ ನಾಲ್ಕು ರೀತಿಗಳು -![ರೇಖೀಯ ಮತ್ತು ಬಹುಪದ ರೆಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/linear-polynomial.5523c7cb6576ccab.png) +![ರೇಖೀಯ ಮತ್ತು ಬಹುಪದ ರೆಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/linear-polynomial.5523c7cb6576ccab.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) ಅವರಿಂದ ## [ಪೂರ್ವ-ಪಾಠ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ml/) @@ -66,13 +66,13 @@ CO_OP_TRANSLATOR_METADATA: > > `X` ಅನ್ನು 'ವಿವರಣೆ ಚರ' ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. `Y` ಅನ್ನು 'ಆಧಾರಿತ ಚರ' ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ರೇಖೆಯ ಸ್ಲೋಪ್ `b` ಆಗಿದ್ದು, `a` ಯು y-ಅಂತರವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇದು `X = 0` ಆಗಿರುವಾಗ `Y` ಯ ಮೌಲ್ಯ. > ->![ಸ್ಲೋಪ್ ಲೆಕ್ಕಹಾಕಿ](../../../../translated_images/kn/slope.f3c9d5910ddbfcf9.png) +>![ಸ್ಲೋಪ್ ಲೆಕ್ಕಹಾಕಿ](../../../../translated_images/kn/slope.f3c9d5910ddbfcf9.webp) > > ಮೊದಲು, ಸ್ಲೋಪ್ `b` ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ. ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ > > ಬೇರೆ ಪದಗಳಲ್ಲಿ, ಮತ್ತು ನಮ್ಮ ಪಂಪ್ಕಿನ್ ಡೇಟಾದ ಮೂಲ ಪ್ರಶ್ನೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ: "ತಿಂಗಳ ಪ್ರಕಾರ ಪ್ರತಿ ಬಷೆಲ್ ಪಂಪ್ಕಿನ್ ಬೆಲೆಯನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿ", `X` ಬೆಲೆಗೆ ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು `Y` ಮಾರಾಟದ ತಿಂಗಳಿಗೆ ಸೂಚಿಸುತ್ತದೆ. > ->![ಸಮೀಕರಣ ಪೂರ್ಣಗೊಳಿಸಿ](../../../../translated_images/kn/calculation.a209813050a1ddb1.png) +>![ಸಮೀಕರಣ ಪೂರ್ಣಗೊಳಿಸಿ](../../../../translated_images/kn/calculation.a209813050a1ddb1.webp) > > Y ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ. ನೀವು ಸುಮಾರು $4 ಪಾವತಿಸುತ್ತಿದ್ದರೆ, ಅದು ಏಪ್ರಿಲ್ ಆಗಿರಬೇಕು! ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ > @@ -114,11 +114,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt. ಹಿಂದಿನ ಪಾಠದಿಂದ ನೀವು ನೋಡಿರಬಹುದು ವಿಭಿನ್ನ ತಿಂಗಳುಗಳಿಗೆ ಸರಾಸರಿ ಬೆಲೆ ಹೀಗಿದೆ: -ತಿಂಗಳ ಪ್ರಕಾರ ಸರಾಸರಿ ಬೆಲೆ +ತಿಂಗಳ ಪ್ರಕಾರ ಸರಾಸರಿ ಬೆಲೆ ಇದು ಕೆಲವು ಸಹಸಂಬಂಧ ಇರಬೇಕೆಂದು ಸೂಚಿಸುತ್ತದೆ, ಮತ್ತು ನಾವು `ತಿಂಗಳು` ಮತ್ತು `ಬೆಲೆ` ಅಥವಾ `DayOfYear` ಮತ್ತು `ಬೆಲೆ` ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ರೇಖೀಯ ರೆಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು. ಕೆಳಗಿನ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ನಂತರದ ಸಂಬಂಧವನ್ನು ತೋರಿಸುತ್ತದೆ: -ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ +ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ `corr` ಫಂಕ್ಷನ್ ಬಳಸಿ ಸಹಸಂಬಂಧವನ್ನು ನೋಡೋಣ: @@ -137,7 +137,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಬಣ್ಣದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ +ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಬಣ್ಣದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ನಮ್ಮ ತನಿಖೆ ಸೂಚಿಸುತ್ತದೆ, ಪ್ರಭೇದವು ಮಾರಾಟದ ದಿನಾಂಕಕ್ಕಿಂತ ಒಟ್ಟು ಬೆಲೆಯ ಮೇಲೆ ಹೆಚ್ಚು ಪ್ರಭಾವ ಬೀರುತ್ತದೆ. ನಾವು ಇದನ್ನು ಬಾರ್ ಗ್ರಾಫ್ ಮೂಲಕ ನೋಡಬಹುದು: @@ -145,7 +145,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -ಬೆಲೆ ಮತ್ತು ಪ್ರಭೇದದ ಬಾರ್ ಗ್ರಾಫ್ +ಬೆಲೆ ಮತ್ತು ಪ್ರಭೇದದ ಬಾರ್ ಗ್ರಾಫ್ ಈಗ ನಾವು ಒಂದು ಪಂಪ್ಕಿನ್ ಪ್ರಭೇದ, 'ಪೈ ಟೈಪ್' ಮೇಲೆ ಮಾತ್ರ ಗಮನಹರಿಸೋಣ ಮತ್ತು ದಿನಾಂಕವು ಬೆಲೆಗೆ ಏನು ಪ್ರಭಾವ ಬೀರುತ್ತದೆ ನೋಡೋಣ: @@ -153,7 +153,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ +ಬೆಲೆ ಮತ್ತು ವರ್ಷದ ದಿನದ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಈಗ ನಾವು `corr` ಫಂಕ್ಷನ್ ಬಳಸಿ `ಬೆಲೆ` ಮತ್ತು `DayOfYear` ನಡುವಿನ ಸಹಸಂಬಂಧವನ್ನು ಲೆಕ್ಕಹಾಕಿದರೆ, ಅದು `-0.27` ಆಗಿರುತ್ತದೆ - ಇದು ಭವಿಷ್ಯವಾಣಿ ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು ಅರ್ಥಪೂರ್ಣ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. @@ -228,7 +228,7 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -Linear regression +Linear regression ## ಬಹುಪದ ರಿಗ್ರೆಷನ್ @@ -257,7 +257,7 @@ pipeline.fit(X_train,y_train) ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಮೂಲ `LinearRegression` ವಸ್ತುವಿನಂತೆ ಬಳಸಬಹುದು, ಅಂದರೆ ನಾವು ಪೈಪ್‌ಲೈನ್ ಅನ್ನು `fit` ಮಾಡಬಹುದು, ನಂತರ `predict` ಬಳಸಿ ಭವಿಷ್ಯವಾಣಿ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಬಹುದು. ಇಲ್ಲಿ ಪರೀಕ್ಷಾ ಡೇಟಾ ಮತ್ತು ಅಂದಾಜು ವಕ್ರವನ್ನು ತೋರಿಸುವ ಗ್ರಾಫ್ ಇದೆ: -Polynomial regression +Polynomial regression ಬಹುಪದ ರಿಗ್ರೆಷನ್ ಬಳಸಿ, ನಾವು ಸ್ವಲ್ಪ ಕಡಿಮೆ MSE ಮತ್ತು ಹೆಚ್ಚು ನಿರ್ಧಾರ ಸಹಗುಣಕವನ್ನು ಪಡೆಯಬಹುದು, ಆದರೆ ಬಹಳಷ್ಟು ಅಲ್ಲ. ನಾವು ಇತರ ಲಕ್ಷಣಗಳನ್ನು ಪರಿಗಣಿಸಬೇಕಾಗಿದೆ! @@ -275,7 +275,7 @@ pipeline.fit(X_train,y_train) ಇಲ್ಲಿ ನೀವು ಪ್ರಭೇದದ ಮೇಲೆ ಸರಾಸರಿ ಬೆಲೆ ಹೇಗೆ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂದು ನೋಡಬಹುದು: -Average price by variety +Average price by variety ಪ್ರಭೇದವನ್ನು ಪರಿಗಣಿಸಲು, ಮೊದಲು ಅದನ್ನು ಅಂಕಿ ರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸಬೇಕಾಗುತ್ತದೆ, ಅಥವಾ **ಎನ್‌ಕೋಡ್** ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಇದನ್ನು ಮಾಡಲು ಹಲವಾರು ವಿಧಾನಗಳಿವೆ: diff --git a/translations/kn/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/kn/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index f0b2f45b2..8e4b13322 100644 --- a/translations/kn/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/kn/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -37,12 +37,12 @@ "source": [ "## ಲೀನಿಯರ್ ಮತ್ತು ಪೋಲಿನೋಮಿಯಲ್ ರಿಗ್ರೆಶನ್ ಫಾರ್ ಪಂಪ್ಕಿನ್ ಪ್ರೈಸಿಂಗ್ - ಪಾಠ 3\n", "

\n", - " \n", "

ಡಾಸಾನಿ ಮಡಿಪಳ್ಳಿ ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n", "\n", "\n", - "\n", + "\n", "\n", "#### ಪರಿಚಯ\n", "\n", @@ -161,12 +161,12 @@ "## **2. ಡೇಟಾ ಜೊತೆಗೆ ನೃತ್ಯ: ಮಾದರಿಗಾಗಿ ಬಳಸಲಾಗುವ ಡೇಟಾ ಫ್ರೇಮ್ ರಚನೆ**\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -455,7 +455,7 @@ "ಅದರಿಗಾಗಿ, ನಿಮಗೆ ಇನ್ನೂ ಎರಡು ಕ್ರಿಯಾಪದಗಳು ಬೇಕಾಗಿವೆ: `prep()` ಮತ್ತು `bake()` ಮತ್ತು ಯಾವಾಗಲೂ ಹಾಗೆಯೇ, ನಮ್ಮ ಸಣ್ಣ R ಸ್ನೇಹಿತರು [`Allison Horst`](https://github.com/allisonhorst/stats-illustrations) ಅವರಿಂದ ನಿಮಗೆ ಇದನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತಾರೆ!\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n" ], @@ -566,7 +566,7 @@ "## 4. ರೇಖೀಯ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ\n", "\n", "

\n", - " \n", "

ಡಾಸಾನಿ ಮಡಿಪಳ್ಳಿ ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n" ], @@ -805,12 +805,12 @@ "## 5. ಬಹುಪದ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ\n", "\n", "

\n", - " \n", "

ದಾಸನಿ ಮಡಿಪಳ್ಳಿ ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/kn/2-Regression/4-Logistic/README.md b/translations/kn/2-Regression/4-Logistic/README.md index f62c3fba7..3aa45d6e3 100644 --- a/translations/kn/2-Regression/4-Logistic/README.md +++ b/translations/kn/2-Regression/4-Logistic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ವರ್ಗಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ -![ಲಾಜಿಸ್ಟಿಕ್ ವಿರುದ್ಧ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/linear-vs-logistic.ba180bf95e7ee667.png) +![ಲಾಜಿಸ್ಟಿಕ್ ವಿರುದ್ಧ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/linear-vs-logistic.ba180bf95e7ee667.webp) ## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ml/) @@ -52,7 +52,7 @@ CO_OP_TRANSLATOR_METADATA: ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್‌ನಂತೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ಮೊದಲದು ದ್ವಿಮೂಲ್ಯ ವರ್ಗದ ಬಗ್ಗೆ ಭವಿಷ್ಯವಾಣಿ ನೀಡುತ್ತದೆ ("ಬಿಳಿ ಅಥವಾ ಬಿಳಿಯಲ್ಲ") ಆದರೆ ಎರಡನೆಯದು ನಿರಂತರ ಮೌಲ್ಯಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಪಂಪ್ಕಿನ್ ಮೂಲ ಮತ್ತು ಹಾರ್ವೆಸ್ಟ್ ಸಮಯ ನೀಡಿದಾಗ, _ಅದರ ಬೆಲೆ ಎಷ್ಟು ಏರಬಹುದು_. -![ಪಂಪ್ಕಿನ್ ವರ್ಗೀಕರಣ ಮಾದರಿ](../../../../translated_images/kn/pumpkin-classifier.562771f104ad5436.png) +![ಪಂಪ್ಕಿನ್ ವರ್ಗೀಕರಣ ಮಾದರಿ](../../../../translated_images/kn/pumpkin-classifier.562771f104ad5436.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್: [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) ### ಇತರ ವರ್ಗೀಕರಣಗಳು @@ -62,7 +62,7 @@ CO_OP_TRANSLATOR_METADATA: - **ಮಲ್ಟಿನೋಮಿಯಲ್**, ಇದು ಒಂದುಕ್ಕಿಂತ ಹೆಚ್ಚು ವರ್ಗಗಳನ್ನು ಹೊಂದಿದೆ - "ಕಿತ್ತಳೆ, ಬಿಳಿ ಮತ್ತು ಸ್ಟ್ರೈಪ್ಡ್". - **ಆರ್ಡಿನಲ್**, ಇದು ಕ್ರಮಬದ್ಧ ವರ್ಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಉದಾಹರಣೆಗೆ ನಮ್ಮ ಪಂಪ್ಕಿನ್‌ಗಳು ಸಣ್ಣ, ಮಧ್ಯಮ, ದೊಡ್ಡ ಇತ್ಯಾದಿ ಗಾತ್ರಗಳಲ್ಲಿ ಕ್ರಮಬದ್ಧವಾಗಿದ್ದರೆ. -![ಮಲ್ಟಿನೋಮಿಯಲ್ ವಿರುದ್ಧ ಆರ್ಡಿನಲ್ ರಿಗ್ರೆಶನ್](../../../../translated_images/kn/multinomial-vs-ordinal.36701b4850e37d86.png) +![ಮಲ್ಟಿನೋಮಿಯಲ್ ವಿರುದ್ಧ ಆರ್ಡಿನಲ್ ರಿಗ್ರೆಶನ್](../../../../translated_images/kn/multinomial-vs-ordinal.36701b4850e37d86.webp) ### ಚರಗಳು ಹೊಂದಾಣಿಕೆ ಹೊಂದಬೇಕಾಗಿಲ್ಲ @@ -120,7 +120,7 @@ Seaborn ನಿಮ್ಮ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿ ) ``` - ![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಗ್ರಿಡ್](../../../../translated_images/kn/pumpkins_catplot_1.c55c409b71fea2ec.png) + ![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಗ್ರಿಡ್](../../../../translated_images/kn/pumpkins_catplot_1.c55c409b71fea2ec.webp) ಡೇಟಾವನ್ನು ಗಮನಿಸಿದರೆ, ಬಣ್ಣ ಡೇಟಾ `Variety` ಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂದು ಕಾಣಬಹುದು. @@ -199,7 +199,7 @@ Seaborn ನಿಮ್ಮ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿ g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6)) g.set_titles(row_template="{row_name}") ``` -![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಕ್ಯಾಟ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/pumpkins_catplot_2.87a354447880b388.png) +![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಕ್ಯಾಟ್‌ಪ್ಲಾಟ್](../../../../translated_images/kn/pumpkins_catplot_2.87a354447880b388.webp) ### ಸ್ವಾರ್ಮ್ ಪ್ಲಾಟ್ ಬಳಸಿ @@ -217,7 +217,7 @@ Seaborn ನಿಮ್ಮ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿ sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette) ``` - ![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಸ್ವಾರ್ಮ್](../../../../translated_images/kn/swarm_2.efeacfca536c2b57.png) + ![ದೃಶ್ಯೀಕರಿಸಿದ ಡೇಟಾದ ಸ್ವಾರ್ಮ್](../../../../translated_images/kn/swarm_2.efeacfca536c2b57.webp) **ಎಚ್ಚರಿಕೆ**: ಮೇಲಿನ ಕೋಡ್ ಎಚ್ಚರಿಕೆ ನೀಡಬಹುದು, ಏಕೆಂದರೆ Seaborn ಇಷ್ಟು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಸ್ವಾರ್ಮ್ ಪ್ಲಾಟ್‌ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲು ವಿಫಲವಾಗಬಹುದು. ಒಂದು ಪರಿಹಾರವೆಂದರೆ 'size' ಪರಿಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು. ಆದರೆ ಇದು ಪ್ಲಾಟ್ ಓದಲು ಕಷ್ಟವಾಗಬಹುದು. @@ -225,7 +225,7 @@ Seaborn ನಿಮ್ಮ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿ > > ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ 'ಗರಿಷ್ಠ ಸಾಧ್ಯತೆ' ಎಂಬ ತತ್ವವನ್ನು [ಸಿಗ್ಮಾಯ್ಡ್ ಫಂಕ್ಷನ್‌ಗಳು](https://wikipedia.org/wiki/Sigmoid_function) ಬಳಸಿ ಅವಲಂಬಿಸುತ್ತದೆ. ಪ್ಲಾಟ್‌ನಲ್ಲಿ 'ಸಿಗ್ಮಾಯ್ಡ್ ಫಂಕ್ಷನ್' 'S' ಆಕಾರದಂತೆ ಕಾಣುತ್ತದೆ. ಇದು ಒಂದು ಮೌಲ್ಯವನ್ನು ತೆಗೆದು ಅದನ್ನು 0 ಮತ್ತು 1 ನಡುವೆ ನಕ್ಷೆ ಮಾಡುತ್ತದೆ. ಇದರ ವಕ್ರವನ್ನು 'ಲಾಜಿಸ್ಟಿಕ್ ವಕ್ರ' ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಇದರ ಸೂತ್ರ ಹೀಗಿದೆ: > -> ![ಲಾಜಿಸ್ಟಿಕ್ ಫಂಕ್ಷನ್](../../../../translated_images/kn/sigmoid.8b7ba9d095c789cf.png) +> ![ಲಾಜಿಸ್ಟಿಕ್ ಫಂಕ್ಷನ್](../../../../translated_images/kn/sigmoid.8b7ba9d095c789cf.webp) > > ಇಲ್ಲಿ ಸಿಗ್ಮಾಯ್ಡ್‌ನ ಮಧ್ಯಬಿಂದುವು x ರ 0 ಬಿಂದುವಿನಲ್ಲಿ ಇರುತ್ತದೆ, L ವಕ್ರದ ಗರಿಷ್ಠ ಮೌಲ್ಯ, ಮತ್ತು k ವಕ್ರದ ತೀವ್ರತೆ. ಫಂಕ್ಷನ್ ಫಲಿತಾಂಶ 0.5 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಇದ್ದರೆ, ಆ ಲೇಬಲ್ '1' ವರ್ಗಕ್ಕೆ ನೀಡಲಾಗುತ್ತದೆ. ಇಲ್ಲದಿದ್ದರೆ, '0' ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ. @@ -374,7 +374,7 @@ plt.show() Matplotlib ಬಳಸಿ, ಮಾದರಿಯ [Receiving Operating Characteristic](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) ಅಥವಾ ROC ಅನ್ನು ರೇಖಾಚಿತ್ರಗೊಳಿಸಿ. ROC ವಕ್ರಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವರ್ಗೀಕರಿಸುವವರ ಸತ್ಯ ಮತ್ತು ತಪ್ಪು ಧನಾತ್ಮಕಗಳ ದೃಷ್ಟಿಕೋನದಿಂದ ಫಲಿತಾಂಶವನ್ನು ನೋಡಲು ಬಳಸಲಾಗುತ್ತದೆ. "ROC ವಕ್ರಗಳು ಸಾಮಾನ್ಯವಾಗಿ Y ಅಕ್ಷದಲ್ಲಿ ಸತ್ಯ ಧನಾತ್ಮಕ ದರ ಮತ್ತು X ಅಕ್ಷದಲ್ಲಿ ತಪ್ಪು ಧನಾತ್ಮಕ ದರವನ್ನು ಹೊಂದಿರುತ್ತವೆ." ಆದ್ದರಿಂದ, ವಕ್ರದ ತೀವ್ರತೆ ಮತ್ತು ಮಧ್ಯರೇಖೆ ಮತ್ತು ವಕ್ರದ ನಡುವಿನ ಸ್ಥಳವು ಮಹತ್ವಪೂರ್ಣ: ನೀವು ವಕ್ರವು ಶೀಘ್ರವಾಗಿ ಮೇಲಕ್ಕೆ ಹೋಗಿ ರೇಖೆಯನ್ನು ಮೀರಿ ಹೋಗುವಂತೆ ಬಯಸುತ್ತೀರಿ. ನಮ್ಮ ಪ್ರಕರಣದಲ್ಲಿ, ಆರಂಭದಲ್ಲಿ ತಪ್ಪು ಧನಾತ್ಮಕಗಳಿವೆ, ನಂತರ ರೇಖೆ ಸರಿಯಾಗಿ ಮೇಲಕ್ಕೆ ಹೋಗುತ್ತದೆ: -![ROC](../../../../translated_images/kn/ROC_2.777f20cdfc4988ca.png) +![ROC](../../../../translated_images/kn/ROC_2.777f20cdfc4988ca.webp) ಕೊನೆಗೆ, Scikit-learn ನ [`roc_auc_score` API](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) ಬಳಸಿ ನಿಜವಾದ 'ವಕ್ರದ ಕೆಳಗಿನ ಪ್ರದೇಶ' (AUC) ಅನ್ನು ಲೆಕ್ಕಿಸಿ: diff --git a/translations/kn/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/kn/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 9f50ec0b8..e20d4e453 100644 --- a/translations/kn/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/kn/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ - ಪಾಠ 4\n", "\n", - "![ಲಾಜಿಸ್ಟಿಕ್ ವಿರುದ್ಧ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../../../translated_images/kn/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![ಲಾಜಿಸ್ಟಿಕ್ ವಿರುದ್ಧ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../../../translated_images/kn/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್‌ನಂತೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ. ಮೊದಲದು `ದ್ವಿಮೂಲ್ಯ ವರ್ಗ` (\"ಕಿತ್ತಳೆ ಅಥವಾ ಕಿತ್ತಳೆಯಲ್ಲ\") ಬಗ್ಗೆ ಭವಿಷ್ಯವಾಣಿ ನೀಡುತ್ತದೆ, ಆದರೆ ನಂತರದದು `ನಿರಂತರ ಮೌಲ್ಯಗಳನ್ನು` ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಸಾಧ್ಯ, ಉದಾಹರಣೆಗೆ ಕಂಬಳಿಯ ಮೂಲ ಮತ್ತು ಹಾರ್ವೆಸ್ಟ್ ಸಮಯವನ್ನು ನೀಡಿದಾಗ, *ಅದರ ಬೆಲೆ ಎಷ್ಟು ಏರಲಿದೆ* ಎಂದು.\n", "\n", - "![Infographic by Dasani Madipalli](../../../../../../translated_images/kn/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/kn/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### ಇತರೆ ವರ್ಗೀಕರಣಗಳು\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ಆರ್ಡಿನಲ್**, ಇದು ಕ್ರಮಬದ್ಧ ವರ್ಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ನಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ತಾರ್ಕಿಕವಾಗಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸಲು ಉಪಯುಕ್ತ, ಉದಾಹರಣೆಗೆ ನಮ್ಮ ಕಂಬಳಿಗಳು ಸಣ್ಣ, ಸ್ಮಾಲ್, ಮಧ್ಯಮ, ದೊಡ್ಡ, ಎಕ್ಸ್ಎಲ್, ಎಕ್ಸ್ಎಕ್ಸ್ಎಲ್ ಎಂಬ ನಿರ್ದಿಷ್ಟ ಗಾತ್ರಗಳ ಮೂಲಕ ಕ್ರಮಬದ್ಧವಾಗಿವೆ.\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/kn/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/kn/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **ಚರಗಳು ಹೊಂದಾಣಿಕೆ ಹೊಂದಿರಬೇಕಾಗಿಲ್ಲ**\n", "\n", diff --git a/translations/kn/2-Regression/README.md b/translations/kn/2-Regression/README.md index cb8e9bf8c..bc78e540b 100644 --- a/translations/kn/2-Regression/README.md +++ b/translations/kn/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: ಉತ್ತರ ಅಮೆರಿಕದಲ್ಲಿ, ಹ್ಯಾಲೋವೀನ್‌ಗಾಗಿ ಕಂಬಳಿಗಳನ್ನು ಭಯಾನಕ ಮುಖಗಳಾಗಿ ಕತ್ತರಿಸಲಾಗುತ್ತದೆ. ಈ ಆಕರ್ಷಕ ತರಕಾರಿಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳೋಣ! -![jack-o-lanterns](../../../translated_images/kn/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/kn/jack-o-lanterns.181c661a9212457d.webp) > ಫೋಟೋ ಬೆತ್ ಟ್ಯೂಟ್ಸ್‌ಮನ್ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ ## ನೀವು ಏನು ಕಲಿಯುತ್ತೀರಿ diff --git a/translations/kn/3-Web-App/README.md b/translations/kn/3-Web-App/README.md index 5eda6e3f2..cfc60c356 100644 --- a/translations/kn/3-Web-App/README.md +++ b/translations/kn/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ಈ ಪಠ್ಯಕ್ರಮದ ವಿಭಾಗದಲ್ಲಿ, ನೀವು ಅನ್ವಯಿತ ML ವಿಷಯವನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳುತ್ತೀರಿ: ನಿಮ್ಮ Scikit-learn ಮಾದರಿಯನ್ನು ಫೈಲ್ ಆಗಿ ಉಳಿಸುವುದು, ಅದನ್ನು ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಬಳಸಬಹುದು. ಮಾದರಿ ಉಳಿಸಿದ ನಂತರ, ನೀವು ಅದನ್ನು Flask ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಹೇಗೆ ಬಳಸುವುದು ಎಂದು ಕಲಿಯುತ್ತೀರಿ. ಮೊದಲು, ನೀವು UFO ದೃಶ್ಯಗಳ ಬಗ್ಗೆ ಇರುವ ಕೆಲವು ಡೇಟಾ ಬಳಸಿ ಮಾದರಿಯನ್ನು ರಚಿಸುವಿರಿ! ನಂತರ, ನೀವು ಸೆಕೆಂಡುಗಳ ಸಂಖ್ಯೆ, ಅಕ್ಷಾಂಶ ಮತ್ತು ರೇಖಾಂಶ ಮೌಲ್ಯವನ್ನು ನಮೂದಿಸಲು ಅನುಮತಿಸುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ಮಿಸುವಿರಿ, ಅದು ಯಾವ ದೇಶ UFO ನೋಡಿದ ಎಂದು ಭವಿಷ್ಯವಾಣಿ ಮಾಡುತ್ತದೆ. -![UFO Parking](../../../translated_images/kn/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/kn/ufo.9e787f5161da9d4d.webp) ಚಿತ್ರವನ್ನು ಮೈಕೆಲ್ ಹೆರೆನ್ ಅವರು ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ ತೆಗೆದಿದ್ದಾರೆ diff --git a/translations/kn/4-Classification/1-Introduction/README.md b/translations/kn/4-Classification/1-Introduction/README.md index 8ce66c0a7..53c773644 100644 --- a/translations/kn/4-Classification/1-Introduction/README.md +++ b/translations/kn/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ಈ ನಾಲ್ಕು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಕ್ಲಾಸಿಕ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ನ ಮೂಲಭೂತ ಗಮನಾರ್ಹ ವಿಷಯವಾದ _ವರ್ಗೀಕರಣ_ ಅನ್ನು ಅನ್ವೇಷಿಸುವಿರಿ. ಏಷ್ಯಾ ಮತ್ತು ಭಾರತದಲ್ಲಿನ ಎಲ್ಲಾ ಅದ್ಭುತ ಆಹಾರಗಳ ಬಗ್ಗೆ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ವಿವಿಧ ವರ್ಗೀಕರಣ ಆಲ್ಗಾರಿಥಮ್‌ಗಳನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದನ್ನು ನಾವು ನೋಡೋಣ. ನೀವು ಹಸಿವಾಗಿದ್ದೀರಾ ಎಂದು ಆಶಿಸುತ್ತೇವೆ! -![ಒಂದು ಚುಟುಕು!](../../../../translated_images/kn/pinch.1b035ec9ba7e0d40.png) +![ಒಂದು ಚುಟುಕು!](../../../../translated_images/kn/pinch.1b035ec9ba7e0d40.webp) > ಈ ಪಾಠಗಳಲ್ಲಿ ಪ್ಯಾನ್-ಏಷಿಯನ್ ಆಹಾರಗಳನ್ನು ಆಚರಿಸೋಣ! ಚಿತ್ರವನ್ನು [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ನೀಡಿದ್ದಾರೆ @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: ವಿಜ್ಞಾನಾತ್ಮಕವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಿಮ್ಮ ವರ್ಗೀಕರಣ ವಿಧಾನವು ಇನ್ಪುಟ್ ವ್ಯತ್ಯಾಸಗಳ ಮತ್ತು ಔಟ್‌ಪುಟ್ ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವ ಭವಿಷ್ಯವಾಣಿ ಮಾದರಿಯನ್ನು ರಚಿಸುತ್ತದೆ. -![ದ್ವೈತ ಮತ್ತು ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣ](../../../../translated_images/kn/binary-multiclass.b56d0c86c81105a6.png) +![ದ್ವೈತ ಮತ್ತು ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣ](../../../../translated_images/kn/binary-multiclass.b56d0c86c81105a6.webp) > ವರ್ಗೀಕರಣ ಆಲ್ಗಾರಿಥಮ್‌ಗಳು ನಿಭಾಯಿಸಬೇಕಾದ ದ್ವೈತ ಮತ್ತು ಬಹು-ವರ್ಗ ಸಮಸ್ಯೆಗಳು. ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ @@ -134,7 +134,7 @@ CO_OP_TRANSLATOR_METADATA: df.cuisine.value_counts().plot.barh() ``` - ![ಆಹಾರ ಡೇಟಾ ಹಂಚಿಕೆ](../../../../translated_images/kn/cuisine-dist.d0cc2d551abe5c25.png) + ![ಆಹಾರ ಡೇಟಾ ಹಂಚಿಕೆ](../../../../translated_images/kn/cuisine-dist.d0cc2d551abe5c25.webp) ಆಹಾರಗಳ ಸಂಖ್ಯೆ ಸೀಮಿತವಾಗಿದೆ, ಆದರೆ ಡೇಟಾ ಹಂಚಿಕೆ ಅಸಮಾನವಾಗಿದೆ. ನೀವು ಅದನ್ನು ಸರಿಪಡಿಸಬಹುದು! ಅದನ್ನು ಮಾಡುವ ಮೊದಲು, ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಅನ್ವೇಷಿಸಿ. @@ -188,7 +188,7 @@ CO_OP_TRANSLATOR_METADATA: thai_ingredient_df.head(10).plot.barh() ``` - ![ಥಾಯ್](../../../../translated_images/kn/thai.0269dbab2e78bd38.png) + ![ಥಾಯ್](../../../../translated_images/kn/thai.0269dbab2e78bd38.webp) 1. ಜಪಾನೀಸ್ ಡೇಟಾ ಬಗ್ಗೆ ಅದೇ ರೀತಿಯಲ್ಲಿ ಮಾಡಿ: @@ -197,7 +197,7 @@ CO_OP_TRANSLATOR_METADATA: japanese_ingredient_df.head(10).plot.barh() ``` - ![ಜಪಾನೀಸ್](../../../../translated_images/kn/japanese.30260486f2a05c46.png) + ![ಜಪಾನೀಸ್](../../../../translated_images/kn/japanese.30260486f2a05c46.webp) 1. ಈಗ ಚೈನೀಸ್ ಪದಾರ್ಥಗಳಿಗಾಗಿ: @@ -206,7 +206,7 @@ CO_OP_TRANSLATOR_METADATA: chinese_ingredient_df.head(10).plot.barh() ``` - ![ಚೈನೀಸ್](../../../../translated_images/kn/chinese.e62cafa5309f111a.png) + ![ಚೈನೀಸ್](../../../../translated_images/kn/chinese.e62cafa5309f111a.webp) 1. ಇಂಡಿಯನ್ ಪದಾರ್ಥಗಳನ್ನು ಚಿತ್ರಿಸಿ: @@ -215,7 +215,7 @@ CO_OP_TRANSLATOR_METADATA: indian_ingredient_df.head(10).plot.barh() ``` - ![ಇಂಡಿಯನ್](../../../../translated_images/kn/indian.2c4292002af1a1f9.png) + ![ಇಂಡಿಯನ್](../../../../translated_images/kn/indian.2c4292002af1a1f9.webp) 1. ಕೊನೆಗೆ, ಕೊರಿಯನ್ ಪದಾರ್ಥಗಳನ್ನು ಚಿತ್ರಿಸಿ: @@ -224,7 +224,7 @@ CO_OP_TRANSLATOR_METADATA: korean_ingredient_df.head(10).plot.barh() ``` - ![ಕೊರಿಯನ್](../../../../translated_images/kn/korean.4a4f0274f3d9805a.png) + ![ಕೊರಿಯನ್](../../../../translated_images/kn/korean.4a4f0274f3d9805a.webp) 1. ಈಗ, ವಿಭಿನ್ನ ಆಹಾರಗಳ ನಡುವೆ ಗೊಂದಲ ಉಂಟುಮಾಡುವ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಪದಾರ್ಥಗಳನ್ನು `drop()` ಅನ್ನು ಕರೆಸಿ ತೆಗೆದುಹಾಕಿ: diff --git a/translations/kn/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/kn/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 7dae44651..51f691a6a 100644 --- a/translations/kn/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/kn/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "ಈ ನಾಲ್ಕು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಕ್ಲಾಸಿಕ್ ಯಂತ್ರ ಅಧ್ಯಯನದ ಮೂಲಭೂತ ಗಮನಾರ್ಹ ವಿಷಯವಾದ *ವರ್ಗೀಕರಣ* ಅನ್ನು ಅನ್ವೇಷಿಸುವಿರಿ. ಏಷ್ಯಾ ಮತ್ತು ಭಾರತದಲ್ಲಿನ ಎಲ್ಲಾ ಅದ್ಭುತ ಆಹಾರಗಳ ಬಗ್ಗೆ ಇರುವ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ವಿವಿಧ ವರ್ಗೀಕರಣ ಆಲ್ಗಾರಿಥಮ್‌ಗಳನ್ನು ಬಳಸುವುದನ್ನು ನಾವು ಹಾದುಹೋಗುತ್ತೇವೆ. ನೀವು ಹಸಿವಾಗಿದ್ದೀರಾ ಎಂದು ಆಶಿಸುತ್ತೇವೆ!\n", "\n", "

\n", - " \n", "

ಈ ಪಾಠಗಳಲ್ಲಿ ಪ್ಯಾನ್-ಏಷಿಯನ್ ಆಹಾರಗಳನ್ನು ಆಚರಿಸಿ! ಚಿತ್ರ: ಜೆನ್ ಲೂಪರ್
\n", "\n", @@ -65,7 +65,7 @@ "ವಿಜ್ಞಾನಾತ್ಮಕವಾಗಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೇಳುವುದಾದರೆ, ನಿಮ್ಮ ವರ್ಗೀಕರಣ ವಿಧಾನವು ಇನ್ಪುಟ್ ಚರಗಳ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಚರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವ ಭವಿಷ್ಯವಾಣಿ ಮಾದರಿಯನ್ನು ರಚಿಸುತ್ತದೆ.\n", "\n", "

\n", - " \n", "

ವರ್ಗೀಕರಣ ಆಲ್ಗಾರಿಥಮ್‌ಗಳು ನಿರ್ವಹಿಸಬೇಕಾದ ದ್ವಿಪದ ಮತ್ತು ಬಹುಪದ ಸಮಸ್ಯೆಗಳು. ಇನ್ಫೋಗ್ರಾಫಿಕ್: ಜೆನ್ ಲೂಪರ್
\n", "\n", @@ -227,7 +227,7 @@ "> [ಟಿಬಲ್](https://tibble.tidyverse.org/) ಒಂದು ಆಧುನಿಕ ಡೇಟಾ ಫ್ರೇಮ್ ಆಗಿದೆ.\n", "\n", "

\n", - " \n", "

ಕಲಾಕೃತಿ @allison_horst ಅವರಿಂದ
\n" ], @@ -517,7 +517,7 @@ "## ರೆಸಿಪಿಗಳನ್ನು ಬಳಸಿ ಡೇಟಾ ಪೂರ್ವಸಿದ್ಧತೆ 👩‍🍳👨‍🍳 - ಅಸಮತೋಲನ ಡೇಟಾ ನಿರ್ವಹಣೆ ⚖️\n", "\n", "

\n", - " \n", "

ಕಲಾಕೃತಿ @allison_horst ಅವರಿಂದ
\n", "\n", @@ -712,7 +712,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) ಮತ್ತು [Jen Looper](https://www.twitter.com/jenlooper) ಅವರಿಗೆ ಈ ಮಾಯಾಜಾಲದ ಮೂಲ Python ಆವೃತ್ತಿಯನ್ನು ಸೃಷ್ಟಿಸಿದಕ್ಕಾಗಿ ♥️\n", "\n", "

\n", - " \n", "

ಕಲಾಕೃತಿ @allison_horst ಅವರಿಂದ
\n" ], diff --git a/translations/kn/4-Classification/2-Classifiers-1/README.md b/translations/kn/4-Classification/2-Classifiers-1/README.md index 81a4b0bce..cdf3cf09a 100644 --- a/translations/kn/4-Classification/2-Classifiers-1/README.md +++ b/translations/kn/4-Classification/2-Classifiers-1/README.md @@ -107,7 +107,7 @@ Scikit-learn ವರ್ಗೀಕರಣವನ್ನು Supervised Learning ಅಡ ಹೀಗಾಗಿ, ನೀವು ಯಾವ ವರ್ಗೀಕರಣಕಾರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕು? ಬಹುಶಃ, ಹಲವಾರು ವಿಧಾನಗಳನ್ನು ಪ್ರಯೋಗಿಸಿ ಉತ್ತಮ ಫಲಿತಾಂಶವನ್ನು ಹುಡುಕುವುದು ಪರೀಕ್ಷಿಸುವ ಒಂದು ಮಾರ್ಗ. Scikit-learn ಒಂದು [ಪಕ್ಕಪಕ್ಕದ ಹೋಲಿಕೆ](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) ಒದಗಿಸುತ್ತದೆ, ಇದರಲ್ಲಿ KNeighbors, SVC ಎರಡು ರೀತಿಗಳು, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ಮತ್ತು QuadraticDiscrinationAnalysis ಹೋಲಿಕೆ ಮಾಡಲಾಗಿದೆ, ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲಾಗಿದೆ: -![classification ಹೋಲಿಕೆ](../../../../translated_images/kn/comparison.edfab56193a85e7f.png) +![classification ಹೋಲಿಕೆ](../../../../translated_images/kn/comparison.edfab56193a85e7f.webp) > Scikit-learn ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ ರಚಿಸಲಾದ ಪ್ಲಾಟ್‌ಗಳು > AutoML ಈ ಸಮಸ್ಯೆಯನ್ನು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಈ ಹೋಲಿಕೆಗಳನ್ನು ನಡೆಸಿ ನಿಮ್ಮ ಡೇಟಾಗೆ ಅತ್ಯುತ್ತಮ ಆಲ್ಗೋರಿದಮ್ ಆಯ್ಕೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದನ್ನು [ಇಲ್ಲಿ](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ಪ್ರಯತ್ನಿಸಿ @@ -116,7 +116,7 @@ Scikit-learn ವರ್ಗೀಕರಣವನ್ನು Supervised Learning ಅಡ ಅನಿರೀಕ್ಷಿತವಾಗಿ ಊಹಿಸುವುದಕ್ಕಿಂತ ಉತ್ತಮ ವಿಧಾನವೆಂದರೆ, ಈ ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದಾದ [ML ಚೀಟ್ ಶೀಟ್](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ನಲ್ಲಿ ನೀಡಲಾದ ಆಲೋಚನೆಗಳನ್ನು ಅನುಸರಿಸುವುದು. ಇಲ್ಲಿ, ನಮ್ಮ ಬಹು ವರ್ಗ ಸಮಸ್ಯೆಗೆ ಕೆಲವು ಆಯ್ಕೆಗಳು ಇವೆ: -![ಬಹು ವರ್ಗ ಸಮಸ್ಯೆಗಳ ಚೀಟ್‌ಶೀಟ್](../../../../translated_images/kn/cheatsheet.07a475ea444d2223.png) +![ಬಹು ವರ್ಗ ಸಮಸ್ಯೆಗಳ ಚೀಟ್‌ಶೀಟ್](../../../../translated_images/kn/cheatsheet.07a475ea444d2223.webp) > ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಆಲ್ಗೋರಿದಮ್ ಚೀಟ್ ಶೀಟ್‌ನ ಒಂದು ಭಾಗ, ಬಹು ವರ್ಗ ವರ್ಗೀಕರಣ ಆಯ್ಕೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ ✅ ಈ ಚೀಟ್ ಶೀಟ್ ಅನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ, ಮುದ್ರಿಸಿ, ನಿಮ್ಮ ಗೋಡೆಯ ಮೇಲೆ ಹಚ್ಚಿ! @@ -147,7 +147,7 @@ Scikit-learn ವರ್ಗೀಕರಣವನ್ನು Supervised Learning ಅಡ Scikit-learn ಈ ಟೇಬಲ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ವಿವಿಧ ಡೇಟಾ ರಚನೆಗಳಿಂದ ಉಂಟಾಗುವ ಸವಾಲುಗಳನ್ನು ಸೊಲ್ವರ್‌ಗಳು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು: -![ಸೊಲ್ವರ್‌ಗಳು](../../../../translated_images/kn/solvers.5fc648618529e627.png) +![ಸೊಲ್ವರ್‌ಗಳು](../../../../translated_images/kn/solvers.5fc648618529e627.webp) ## ವ್ಯಾಯಾಮ - ಡೇಟಾವನ್ನು ವಿಭಜಿಸಿ diff --git a/translations/kn/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/kn/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index e2ae1f888..814c6be6a 100644 --- a/translations/kn/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/kn/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. ನಿಮ್ಮ ವರ್ಗೀಕರಣಕಾರರನ್ನು ಆಯ್ಕೆಮಾಡುವುದು\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n" ], @@ -618,7 +618,7 @@ "ಅನಿರೀಕ್ಷಿತವಾಗಿ ಊಹಿಸುವುದಕ್ಕಿಂತ ಉತ್ತಮ ವಿಧಾನವೆಂದರೆ, ಈ ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದಾದ [ML ಚೀಟ್ ಶೀಟ್](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ನಲ್ಲಿ ನೀಡಲಾದ ಆಲೋಚನೆಗಳನ್ನು ಅನುಸರಿಸುವುದು. ಇಲ್ಲಿ, ನಮ್ಮ ಬಹುತರಗತಿ ಸಮಸ್ಯೆಗೆ, ನಮಗೆ ಕೆಲವು ಆಯ್ಕೆಗಳು ಇವೆ:\n", "\n", "

\n", - " \n", "

ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಆಲ್ಗೋರಿದಮ್ ಚೀಟ್ ಶೀಟ್‌ನ ಒಂದು ವಿಭಾಗ, ಬಹುತರಗತಿ ವರ್ಗೀಕರಣ ಆಯ್ಕೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ
\n" ], diff --git a/translations/kn/4-Classification/3-Classifiers-2/README.md b/translations/kn/4-Classification/3-Classifiers-2/README.md index 4604e89ce..d8ba5915e 100644 --- a/translations/kn/4-Classification/3-Classifiers-2/README.md +++ b/translations/kn/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: ಹಿಂದೆ, ನೀವು ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸುವಾಗ Microsoft ನ ಚೀಟ್ ಶೀಟ್ ಬಳಸಿ ವಿವಿಧ ಆಯ್ಕೆಗಳ ಬಗ್ಗೆ ಕಲಿತಿದ್ದೀರಿ. Scikit-learn ಒಂದು ಸಮಾನವಾದ, ಆದರೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಚೀಟ್ ಶೀಟ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ಇದು ನಿಮ್ಮ ಅಂದಾಜುಕಾರರನ್ನು (ಮತ್ತೊಂದು ಪದದಲ್ಲಿ ವರ್ಗೀಕರಣಕಾರರು) ಇನ್ನಷ್ಟು ನಿಖರಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ: -![ML Map from Scikit-learn](../../../../translated_images/kn/map.e963a6a51349425a.png) +![ML Map from Scikit-learn](../../../../translated_images/kn/map.e963a6a51349425a.webp) > ಟಿಪ್: [ಈ ನಕ್ಷೆಯನ್ನು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಭೇಟಿ ನೀಡಿ](https://scikit-learn.org/stable/tutorial/machine_learning_map/) ಮತ್ತು ದಾರಿಯಲ್ಲಿ ಕ್ಲಿಕ್ ಮಾಡಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಓದಿ. ### ಯೋಜನೆ diff --git a/translations/kn/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/kn/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index e1f04dfa9..a04815fb0 100644 --- a/translations/kn/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/kn/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "ಹಿಂದೆ, ನಾವು ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಚೀಟ್ ಶೀಟ್ ಬಳಸಿ ಡೇಟಾವನ್ನು ವರ್ಗೀಕರಿಸುವಾಗ ನಿಮಗೆ ಇರುವ ವಿವಿಧ ಆಯ್ಕೆಗಳನ್ನು ಕಲಿತಿದ್ದೇವೆ. ಪೈಥಾನ್‌ನ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಫ್ರೇಮ್ವರ್ಕ್, ಸ್ಕಿಕಿಟ್-ಲರ್ನ್, ಸಮಾನವಾದ ಆದರೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಚೀಟ್ ಶೀಟ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ಇದು ನಿಮ್ಮ ಅಂದಾಜುಕಾರರನ್ನು (ಮತ್ತೊಂದು ಪದದಲ್ಲಿ ವರ್ಗೀಕರಣಕಾರರು) ಇನ್ನಷ್ಟು ಸೀಮಿತಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "ವರ್ಗೀಕರಣದ ಸಂದರ್ಭದಲ್ಲಿ, `ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷೀನ್ಸ್` ಎಂಬುದು ಒಂದು ಯಂತ್ರ ಅಧ್ಯಯನ ತಂತ್ರಜ್ಞಾನವಾಗಿದ್ದು, ವರ್ಗಗಳನ್ನು \"ಉತ್ತಮವಾಗಿ\" ವಿಭಜಿಸುವ *ಹೈಪರ್ಪ್ಲೇನ್* ಅನ್ನು ಹುಡುಕಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಸರಳ ಉದಾಹರಣೆಯನ್ನು ನೋಡೋಣ:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -638,7 +638,7 @@ "[Eric](https://twitter.com/ericntay), ಗೋಲ್ಡ್ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರಿ.\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n" ] diff --git a/translations/kn/4-Classification/4-Applied/README.md b/translations/kn/4-Classification/4-Applied/README.md index 8895f7cc4..df2ecf411 100644 --- a/translations/kn/4-Classification/4-Applied/README.md +++ b/translations/kn/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx ಮಾದರಿಗಳು Visual Studio ಕೋಡ್‌ನಲ್ಲಿ ಬಹಳ ಸ್ಪಷ್ಟವಾಗಿ ಕಾಣುವುದಿಲ್ಲ, ಆದರೆ ಬಹಳ ಉತ್ತಮ ಉಚಿತ ಸಾಫ್ಟ್‌ವೇರ್ ಇದೆ, ಅನೇಕ ಸಂಶೋಧಕರು ಮಾದರಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಬಳಸುತ್ತಾರೆ. [Netron](https://github.com/lutzroeder/Netron) ಅನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ ನಿಮ್ಮ model.onnx ಫೈಲ್ ತೆರೆಯಿರಿ. ನೀವು ಸರಳ ಮಾದರಿಯನ್ನು, ಅದರ 380 ಇನ್‌ಪುಟ್‌ಗಳು ಮತ್ತು ವರ್ಗೀಕರಣಕಾರಿಯನ್ನು ನೋಡಬಹುದು: -![Netron visual](../../../../translated_images/kn/netron.a05f39410211915e.png) +![Netron visual](../../../../translated_images/kn/netron.a05f39410211915e.webp) Netron ನಿಮ್ಮ ಮಾದರಿಗಳನ್ನು ವೀಕ್ಷಿಸಲು ಸಹಾಯಕ ಸಾಧನವಾಗಿದೆ. @@ -301,7 +301,7 @@ Netron ನಿಮ್ಮ ಮಾದರಿಗಳನ್ನು ವೀಕ್ಷಿಸ Visual Studio Code ನಲ್ಲಿ ನಿಮ್ಮ index.html ಫೈಲ್ ಇರುವ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಟರ್ಮಿನಲ್ ಸೆಷನ್ ತೆರೆಯಿರಿ. ನೀವು [http-server](https://www.npmjs.com/package/http-server) ಅನ್ನು ಜಾಗತಿಕವಾಗಿ ಸ್ಥಾಪಿಸಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿ, ಮತ್ತು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ `http-server` ಟೈಪ್ ಮಾಡಿ. ಒಂದು ಲೋಕಲ್‌ಹೋಸ್ಟ್ ತೆರೆಯುತ್ತದೆ ಮತ್ತು ನೀವು ನಿಮ್ಮ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನೋಡಬಹುದು. ವಿವಿಧ ಪದಾರ್ಥಗಳ ಆಧಾರದ ಮೇಲೆ ಯಾವ ಆಹಾರ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ ಎಂದು ಪರಿಶೀಲಿಸಿ: -![ingredient web app](../../../../translated_images/kn/web-app.4c76450cabe20036.png) +![ingredient web app](../../../../translated_images/kn/web-app.4c76450cabe20036.webp) ಅಭಿನಂದನೆಗಳು, ನೀವು ಕೆಲವು ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ 'ಶಿಫಾರಸು' ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೀರಿ. ಈ ವ್ಯವಸ್ಥೆಯನ್ನು ವಿಸ್ತರಿಸಲು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಿ! diff --git a/translations/kn/4-Classification/README.md b/translations/kn/4-Classification/README.md index 1cc114993..d7ee0479e 100644 --- a/translations/kn/4-Classification/README.md +++ b/translations/kn/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ಏಷ್ಯಾ ಮತ್ತು ಭಾರತದಲ್ಲಿ, ಆಹಾರ ಪರಂಪರೆಗಳು ಅತ್ಯಂತ ವೈವಿಧ್ಯಮಯವಾಗಿವೆ ಮತ್ತು ತುಂಬಾ ರುಚಿಕರವಾಗಿವೆ! ಅವರ ಪದಾರ್ಥಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರಾದೇಶಿಕ ಆಹಾರಗಳ ಬಗ್ಗೆ ಡೇಟಾವನ್ನು ನೋಡೋಣ. -![ಥಾಯ್ ಆಹಾರ ಮಾರಾಟಗಾರ](../../../translated_images/kn/thai-food.c47a7a7f9f05c218.jpg) +![ಥಾಯ್ ಆಹಾರ ಮಾರಾಟಗಾರ](../../../translated_images/kn/thai-food.c47a7a7f9f05c218.webp) > ಫೋಟೋ ಲಿಶೆಂಗ್ ಚಾಂಗ್ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ ## ನೀವು ಏನು ಕಲಿಯುತ್ತೀರಿ diff --git a/translations/kn/5-Clustering/1-Visualize/README.md b/translations/kn/5-Clustering/1-Visualize/README.md index 301ef6a23..f4fe86a1a 100644 --- a/translations/kn/5-Clustering/1-Visualize/README.md +++ b/translations/kn/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ CO_OP_TRANSLATOR_METADATA: > > ಈ ಸಂದರ್ಭದಲ್ಲಿ 'ಫ್ಲಾಟ್' ಅಂದರೆ ಯೂಕ್ಲಿಡಿಯನ್ ಜ್ಯಾಮಿತಿ (ಇದರಲ್ಲಿ ಕೆಲವು ಭಾಗಗಳನ್ನು 'ಪ್ಲೇನ್' ಜ್ಯಾಮಿತಿ ಎಂದು ಕಲಿಸಲಾಗುತ್ತದೆ), ಮತ್ತು ನಾನ್-ಫ್ಲಾಟ್ ಅಂದರೆ ನಾನ್-ಯೂಕ್ಲಿಡಿಯನ್ ಜ್ಯಾಮಿತಿ. ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ಗೆ ಜ್ಯಾಮಿತಿಗೆ ಏನು ಸಂಬಂಧ? ಗಣಿತದಲ್ಲಿ ಆಧಾರಿತ ಎರಡು ಕ್ಷೇತ್ರಗಳಾಗಿ, ಕ್ಲಸ್ಟರ್‌ಗಳಲ್ಲಿನ ಪಾಯಿಂಟ್‌ಗಳ ನಡುವಿನ ದೂರವನ್ನು ಅಳೆಯಲು ಸಾಮಾನ್ಯ ವಿಧಾನ ಇರಬೇಕು, ಮತ್ತು ಅದು 'ಫ್ಲಾಟ್' ಅಥವಾ 'ನಾನ್-ಫ್ಲಾಟ್' ರೀತಿಯಲ್ಲಿ ಮಾಡಬಹುದು, ಡೇಟಾದ ಸ್ವಭಾವದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. [ಯೂಕ್ಲಿಡಿಯನ್ ದೂರಗಳು](https://wikipedia.org/wiki/Euclidean_distance) ಎರಡು ಪಾಯಿಂಟ್‌ಗಳ ನಡುವಿನ ರೇಖೆಯ ಉದ್ದವಾಗಿ ಅಳೆಯಲ್ಪಡುತ್ತವೆ. [ನಾನ್-ಯೂಕ್ಲಿಡಿಯನ್ ದೂರಗಳು](https://wikipedia.org/wiki/Non-Euclidean_geometry) ವಕ್ರರೇಖೆಯ ಮೇಲೆ ಅಳೆಯಲ್ಪಡುತ್ತವೆ. ನಿಮ್ಮ ಡೇಟಾ ದೃಶ್ಯೀಕರಿಸಿದಾಗ ಸಮತಲದಲ್ಲಿ ಇಲ್ಲದಂತೆ ಕಾಣಿಸಿದರೆ, ಅದನ್ನು ನಿರ್ವಹಿಸಲು ವಿಶೇಷ ಆಲ್ಗಾರಿಥಮ್ ಬೇಕಾಗಬಹುದು. > -![ಫ್ಲಾಟ್ ಮತ್ತು ನಾನ್-ಫ್ಲಾಟ್ ಜ್ಯಾಮಿತಿ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/flat-nonflat.d1c8c6e2a96110c1.png) +![ಫ್ಲಾಟ್ ಮತ್ತು ನಾನ್-ಫ್ಲಾಟ್ ಜ್ಯಾಮಿತಿ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/flat-nonflat.d1c8c6e2a96110c1.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್: [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) > > 🎓 ['ದೂರಗಳು'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ CO_OP_TRANSLATOR_METADATA: - **ಹೈರಾರ್ಕಿಕಲ್ ಕ್ಲಸ್ಟರಿಂಗ್**. ಒಂದು ವಸ್ತುವನ್ನು ಅದರ ಸಮೀಪದ ವಸ್ತುವಿನ ಹತ್ತಿರತೆ ಆಧರಿಸಿ ವರ್ಗೀಕರಿಸಿದರೆ, ಕ್ಲಸ್ಟರ್‌ಗಳು ಅವುಗಳ ಸದಸ್ಯರ ದೂರದ ಆಧಾರದ ಮೇಲೆ ರಚಿಸಲಾಗುತ್ತವೆ. Scikit-learn ನ ಅಗ್ಗ್ಲೊಮೆರೇಟಿವ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಹೈರಾರ್ಕಿಕಲ್ ಆಗಿದೆ. - ![ಹೈರಾರ್ಕಿಕಲ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/hierarchical.bf59403aa43c8c47.png) + ![ಹೈರಾರ್ಕಿಕಲ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/hierarchical.bf59403aa43c8c47.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್: [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) - **ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್**. ಈ ಜನಪ್ರಿಯ ಆಲ್ಗಾರಿಥಮ್ 'k' ಅಥವಾ ರಚಿಸಬೇಕಾದ ಕ್ಲಸ್ಟರ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಆಯ್ಕೆಮಾಡಬೇಕಾಗುತ್ತದೆ, ನಂತರ ಆಲ್ಗಾರಿಥಮ್ ಕ್ಲಸ್ಟರ್‌ನ ಕೇಂದ್ರ ಬಿಂದುವನ್ನು ನಿರ್ಧರಿಸಿ ಆ ಬಿಂದುವಿನ ಸುತ್ತಲೂ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. [K-means ಕ್ಲಸ್ಟರಿಂಗ್](https://wikipedia.org/wiki/K-means_clustering) ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್‌ನ ಜನಪ್ರಿಯ ಆವೃತ್ತಿಯಾಗಿದೆ. ಕೇಂದ್ರವನ್ನು ಸಮೀಪದ ಸರಾಸರಿ ಮೂಲಕ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಹೆಸರು. ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಚದರ ದೂರವನ್ನು ಕನಿಷ್ಠಗೊಳಿಸಲಾಗುತ್ತದೆ. - ![ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/centroid.097fde836cf6c918.png) + ![ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಇನ್ಫೋಗ್ರಾಫಿಕ್](../../../../translated_images/kn/centroid.097fde836cf6c918.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್: [ದಾಸನಿ ಮಡಿಪಳ್ಳಿ](https://twitter.com/dasani_decoded) - **ವಿತರಣಾ ಆಧಾರಿತ ಕ್ಲಸ್ಟರಿಂಗ್**. ಸಾಂಖ್ಯಿಕ ಮಾದರಿಗೊಳಿಸುವಿಕೆಯಲ್ಲಿ ಆಧಾರಿತ, ವಿತರಣಾ ಆಧಾರಿತ ಕ್ಲಸ್ಟರಿಂಗ್ ಡೇಟಾ ಪಾಯಿಂಟ್ ಒಂದು ಕ್ಲಸ್ಟರ್‌ಗೆ ಸೇರಿದ ಸಾಧ್ಯತೆಯನ್ನು ನಿರ್ಧರಿಸಿ ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನಿಯೋಜಿಸುತ್ತದೆ. ಗಾಸಿಯನ್ ಮಿಶ್ರಣ ವಿಧಾನಗಳು ಈ ಪ್ರಕಾರಕ್ಕೆ ಸೇರಿವೆ. @@ -234,7 +234,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/kn/popular.9c48d84b3386705f.png) + ![most popular](../../../../translated_images/kn/popular.9c48d84b3386705f.webp) ✅ ನೀವು ಹೆಚ್ಚು ಟಾಪ್ ಮೌಲ್ಯಗಳನ್ನು ನೋಡಲು ಬಯಸಿದರೆ, ಟಾಪ್ `[:5]` ಅನ್ನು ದೊಡ್ಡ ಮೌಲ್ಯಕ್ಕೆ ಬದಲಾಯಿಸಿ ಅಥವಾ ಎಲ್ಲಾ ನೋಡಲು ಅದನ್ನು ತೆಗೆದುಹಾಕಿ. @@ -253,7 +253,7 @@ CO_OP_TRANSLATOR_METADATA: ಈಗ ಶೈಲಿಗಳನ್ನು ಮರುಪರಿಶೀಲಿಸಿ: - ![most popular](../../../../translated_images/kn/all-genres.1d56ef06cefbfcd6.png) + ![most popular](../../../../translated_images/kn/all-genres.1d56ef06cefbfcd6.webp) 1. ಬಹುಮಟ್ಟಿಗೆ, ಟಾಪ್ ಮೂರು ಶೈಲಿಗಳು ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಳವಾಗಿ ಆಳುತ್ತವೆ. `afro dancehall`, `afropop`, ಮತ್ತು `nigerian pop` ಮೇಲೆ ಗಮನಹರಿಸೋಣ, ಜೊತೆಗೆ 0 ಜನಪ್ರಿಯತೆ ಮೌಲ್ಯವಿರುವ ಯಾವುದೇ ಡೇಟಾವನ್ನು (ಅಂದರೆ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಜನಪ್ರಿಯತೆ ವರ್ಗೀಕರಣವಿಲ್ಲದವು ಮತ್ತು ನಮ್ಮ ಉದ್ದೇಶಗಳಿಗೆ ಶಬ್ದವೆಂದು ಪರಿಗಣಿಸಬಹುದು) ತೆಗೆದುಹಾಕಿ: @@ -275,7 +275,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/kn/correlation.a9356bb798f5eea5.png) + ![correlations](../../../../translated_images/kn/correlation.a9356bb798f5eea5.webp) ಏಕೈಕ ಬಲವಾದ ಸಂಬಂಧ `energy` ಮತ್ತು `loudness` ನಡುವೆ ಇದೆ, ಇದು ಅಚ್ಚರಿಯ ಸಂಗತಿ ಅಲ್ಲ, ಏಕೆಂದರೆ ಗಟ್ಟಿಯಾದ ಸಂಗೀತ ಸಾಮಾನ್ಯವಾಗಿ ಬಹಳ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ. ಬೇರೆ ಎಲ್ಲ ಸಂಬಂಧಗಳು ಸಾಪೇಕ್ಷವಾಗಿ ದುರ್ಬಲವಾಗಿವೆ. ಈ ಡೇಟಾದಲ್ಲಿ ಕ್ಲಸ್ಟರಿಂಗ್ ಆಲ್ಗಾರಿಥಮ್ ಏನು ಮಾಡಬಹುದು ಎಂದು ನೋಡುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿರುತ್ತದೆ. @@ -307,7 +307,7 @@ CO_OP_TRANSLATOR_METADATA: ಸಾಮಾನ್ಯವಾಗಿ, ಈ ಮೂರು ಶೈಲಿಗಳು ತಮ್ಮ ಜನಪ್ರಿಯತೆ ಮತ್ತು ನೃತ್ಯ ಸಾಮರ್ಥ್ಯದ ದೃಷ್ಟಿಯಿಂದ ಸಡಿಲವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ. ಈ ಸಡಿಲವಾಗಿ ಹೊಂದಿಕೊಂಡಿರುವ ಡೇಟಾದಲ್ಲಿ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ಸವಾಲಾಗಿರುತ್ತದೆ: - ![distribution](../../../../translated_images/kn/distribution.9be11df42356ca95.png) + ![distribution](../../../../translated_images/kn/distribution.9be11df42356ca95.webp) 1. ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ರಚಿಸಿ: @@ -319,7 +319,7 @@ CO_OP_TRANSLATOR_METADATA: ಅದೇ ಅಕ್ಷಗಳ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಸಾದೃಶ್ಯ ಸಮಾಗಮ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ - ![Facetgrid](../../../../translated_images/kn/facetgrid.9b2e65ce707eba1f.png) + ![Facetgrid](../../../../translated_images/kn/facetgrid.9b2e65ce707eba1f.webp) ಸಾಮಾನ್ಯವಾಗಿ, ಕ್ಲಸ್ಟರಿಂಗ್‌ಗೆ, ನೀವು ಡೇಟಾದ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ತೋರಿಸಲು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳನ್ನು ಬಳಸಬಹುದು, ಆದ್ದರಿಂದ ಈ ರೀತಿಯ ದೃಶ್ಯೀಕರಣವನ್ನು ನಿಪುಣತೆಯಿಂದ ಮಾಡುವುದು ಬಹಳ ಉಪಯುಕ್ತ. ಮುಂದಿನ ಪಾಠದಲ್ಲಿ, ನಾವು ಈ ಫಿಲ್ಟರ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ತೆಗೆದು k-means ಕ್ಲಸ್ಟರಿಂಗ್ ಬಳಸಿ ಈ ಡೇಟಾದಲ್ಲಿ ಆಸಕ್ತಿದಾಯಕ ರೀತಿಯಲ್ಲಿ ಒಟ್ಟುಗೂಡುತ್ತಿರುವ ಗುಂಪುಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೇವೆ. diff --git a/translations/kn/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/kn/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 31a9fd256..e9ef7a6e4 100644 --- a/translations/kn/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/kn/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> ಈ ಸಂದರ್ಭದಲ್ಲಿ 'ಫ್ಲಾಟ್' ಅಂದರೆ ಯೂಕ್ಲಿಡಿಯನ್ ಜ್ಯಾಮಿತಿ (ಇದರಲ್ಲಿ ಕೆಲವು ಭಾಗಗಳನ್ನು 'ಪ್ಲೇನ್' ಜ್ಯಾಮಿತಿ ಎಂದು ಕಲಿಸಲಾಗುತ್ತದೆ), ಮತ್ತು ನಾನ್-ಫ್ಲಾಟ್ ಅಂದರೆ ನಾನ್-ಯೂಕ್ಲಿಡಿಯನ್ ಜ್ಯಾಮಿತಿ. ಜ್ಯಾಮಿತಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಏನು ಸಂಬಂಧ? ಗಣಿತದಲ್ಲಿ ಆಧಾರಿತ ಎರಡು ಕ್ಷೇತ್ರಗಳಾಗಿ, ಕ್ಲಸ್ಟರ್‌ಗಳಲ್ಲಿನ ಪಾಯಿಂಟ್‌ಗಳ ನಡುವಿನ ದೂರವನ್ನು ಅಳೆಯಲು ಸಾಮಾನ್ಯ ವಿಧಾನ ಇರಬೇಕು, ಮತ್ತು ಅದು 'ಫ್ಲಾಟ್' ಅಥವಾ 'ನಾನ್-ಫ್ಲಾಟ್' ರೀತಿಯಲ್ಲಿ ಮಾಡಬಹುದು, ಡೇಟಾದ ಸ್ವಭಾವದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. [ಯೂಕ್ಲಿಡಿಯನ್ ದೂರಗಳು](https://wikipedia.org/wiki/Euclidean_distance) ಎರಡು ಪಾಯಿಂಟ್‌ಗಳ ನಡುವಿನ ರೇಖೆಯ ಉದ್ದವಾಗಿ ಅಳೆಯಲ್ಪಡುತ್ತವೆ. [ನಾನ್-ಯೂಕ್ಲಿಡಿಯನ್ ದೂರಗಳು](https://wikipedia.org/wiki/Non-Euclidean_geometry) ವಕ್ರರೇಖೆಯ ಮೇಲೆ ಅಳೆಯಲ್ಪಡುತ್ತವೆ. ನಿಮ್ಮ ಡೇಟಾ, ದೃಶ್ಯೀಕರಿಸಿದಾಗ, ಸಮತಲದಲ್ಲಿ ಇಲ್ಲದಂತೆ ಕಾಣಿಸಿದರೆ, ಅದನ್ನು ನಿರ್ವಹಿಸಲು ವಿಶೇಷ ಆಲ್ಗಾರಿಥಮ್ ಬೇಕಾಗಬಹುದು.\n", "\n", "

\n", - " \n", "

ಇನ್ಫೋಗ್ರಾಫಿಕ್: ದಾಸನಿ ಮಡಿಪಳ್ಳಿ
\n", "\n", @@ -69,14 +69,14 @@ "- **ಹೈರಾರ್ಕಿಕಲ್ ಕ್ಲಸ್ಟರಿಂಗ್**. ಒಂದು ವಸ್ತುವನ್ನು ಸಮೀಪದ ವಸ್ತುವಿನ ಹತ್ತಿರತೆ ಆಧರಿಸಿ ವರ್ಗೀಕರಿಸಿದರೆ, ಕ್ಲಸ್ಟರ್‌ಗಳು ಸದಸ್ಯರ ದೂರದ ಆಧಾರದ ಮೇಲೆ ರಚಿಸಲಾಗುತ್ತವೆ. ಹೈರಾರ್ಕಿಕಲ್ ಕ್ಲಸ್ಟರಿಂಗ್ ಎರಡು ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಗುರುತಿಸಲಾಗುತ್ತದೆ.\n", "\n", "

\n", - " \n", "

ಇನ್ಫೋಗ್ರಾಫಿಕ್: ದಾಸನಿ ಮಡಿಪಳ್ಳಿ
\n", "\n", "- **ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್**. ಈ ಜನಪ್ರಿಯ ಆಲ್ಗಾರಿಥಮ್ 'k' ಅಥವಾ ರಚಿಸಬೇಕಾದ ಕ್ಲಸ್ಟರ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಆಯ್ಕೆಮಾಡಬೇಕಾಗುತ್ತದೆ, ನಂತರ ಆಲ್ಗಾರಿಥಮ್ ಕ್ಲಸ್ಟರ್‌ನ ಕೇಂದ್ರ ಬಿಂದುವನ್ನು ನಿರ್ಧರಿಸಿ ಆ ಬಿಂದುವಿನ ಸುತ್ತಲೂ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. [ಕೆ-ಮೀನ್ಸ್ ಕ್ಲಸ್ಟರಿಂಗ್](https://wikipedia.org/wiki/K-means_clustering) ಸೆಂಟ್ರಾಯ್ಡ್ ಕ್ಲಸ್ಟರಿಂಗ್‌ನ ಜನಪ್ರಿಯ ಆವೃತ್ತಿಯಾಗಿದೆ, ಇದು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಪೂರ್ವನಿರ್ಧರಿತ K ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ. ಕೇಂದ್ರವನ್ನು ಸಮೀಪದ ಸರಾಸರಿ ಮೂಲಕ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ, ಹೀಗಾಗಿ ಹೆಸರಾಗಿದೆ. ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಚದರ ದೂರವನ್ನು ಕನಿಷ್ಠಗೊಳಿಸಲಾಗುತ್ತದೆ.\n", "\n", "

\n", - " \n", "

ಇನ್ಫೋಗ್ರಾಫಿಕ್: ದಾಸನಿ ಮಡಿಪಳ್ಳಿ
\n", "\n", diff --git a/translations/kn/5-Clustering/2-K-Means/README.md b/translations/kn/5-Clustering/2-K-Means/README.md index f6a9618ac..0018a6dbf 100644 --- a/translations/kn/5-Clustering/2-K-Means/README.md +++ b/translations/kn/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು [ವೊರೋನಾಯ್ ಡಯಾಗ್ರಾಮ್‌ಗಳು](https://wikipedia.org/wiki/Voronoi_diagram) ಎಂದು ದೃಶ್ಯೀಕರಿಸಬಹುದು, ಇದರಲ್ಲಿ ಒಂದು ಬಿಂದುವು (ಅಥವಾ 'ಬೀಜ') ಮತ್ತು ಅದರ ಸಂಬಂಧಿತ ಪ್ರದೇಶವನ್ನು ಒಳಗೊಂಡಿದೆ. -![voronoi diagram](../../../../translated_images/kn/voronoi.1dc1613fb0439b95.png) +![voronoi diagram](../../../../translated_images/kn/voronoi.1dc1613fb0439b95.webp) > ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ @@ -91,7 +91,7 @@ K-Means ಬಳಕೆಯ ಒಂದು ದೋಷವೆಂದರೆ ನೀವು 'k ಈ ಡೇಟಾ ಸ್ವಲ್ಪ ಶಬ್ದಮಯವಾಗಿದೆ: ಪ್ರತಿ ಕಾಲಮ್ ಅನ್ನು ಬಾಕ್ಸ್‌ಪ್ಲಾಟ್ ಆಗಿ ಗಮನಿಸಿದರೆ, ನೀವು ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ಕಾಣಬಹುದು. - ![outliers](../../../../translated_images/kn/boxplots.8228c29dabd0f292.png) + ![outliers](../../../../translated_images/kn/boxplots.8228c29dabd0f292.webp) ನೀವು ಡೇಟಾಸೆಟ್ ಮೂಲಕ ಹೋಗಿ ಈ ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ತೆಗೆದುಹಾಕಬಹುದು, ಆದರೆ ಅದು ಡೇಟಾವನ್ನು ಬಹಳ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. @@ -187,7 +187,7 @@ K-Means ಬಳಕೆಯ ಒಂದು ದೋಷವೆಂದರೆ ನೀವು 'k ನೀವು ಹಿಂದಿನ ಹಂತದಲ್ಲಿ ನಿರ್ಮಿಸಿದ `wcss` ಚರವನ್ನು ಬಳಸಿ ಚಾರ್ಟ್ ರಚಿಸಿ, ಇದರಲ್ಲಿ ಎಲ್ಬೋದಲ್ಲಿ 'ವಂಗಿ' ಇರುವ ಸ್ಥಳವನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದು ಅತ್ಯುತ್ತಮ ಕ್ಲಸ್ಟರ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಬಹುಶಃ ಅದು **3** ಆಗಿರಬಹುದು! - ![elbow method](../../../../translated_images/kn/elbow.72676169eed744ff.png) + ![elbow method](../../../../translated_images/kn/elbow.72676169eed744ff.webp) ## ವ್ಯಾಯಾಮ - ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿ @@ -218,13 +218,13 @@ K-Means ಬಳಕೆಯ ಒಂದು ದೋಷವೆಂದರೆ ನೀವು 'k ಈ ಮಾದರಿಯ ನಿಖರತೆ ತುಂಬಾ ಉತ್ತಮವಿಲ್ಲ, ಮತ್ತು ಕ್ಲಸ್ಟರ್‌ಗಳ ಆಕಾರವು ಕಾರಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ. - ![clusters](../../../../translated_images/kn/clusters.b635354640d8e4fd.png) + ![clusters](../../../../translated_images/kn/clusters.b635354640d8e4fd.webp) ಈ ಡೇಟಾ ತುಂಬಾ ಅಸಮತೋಲನವಾಗಿದೆ, ತುಂಬಾ ಕಡಿಮೆ ಸಂಬಂಧಿತವಾಗಿದೆ ಮತ್ತು ಕಾಲಮ್ ಮೌಲ್ಯಗಳ ನಡುವೆ ತುಂಬಾ ವ್ಯತ್ಯಾಸವಿದೆ, ಆದ್ದರಿಂದ ಚೆನ್ನಾಗಿ ಕ್ಲಸ್ಟರ್ ಆಗುವುದಿಲ್ಲ. ವಾಸ್ತವದಲ್ಲಿ, ರಚನೆಯಾಗುವ ಕ್ಲಸ್ಟರ್‌ಗಳು ಮೇಲಿನ ಮೂರು ಶೈಲಿ ವರ್ಗಗಳಿಂದ ಬಹಳ ಪ್ರಭಾವಿತ ಅಥವಾ ವಕ್ರವಾಗಿರಬಹುದು. ಅದು ಒಂದು ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆ! Scikit-learn ನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ, ನೀವು ಈ ರೀತಿಯ ಮಾದರಿಯು, ಕ್ಲಸ್ಟರ್‌ಗಳು ಚೆನ್ನಾಗಿ ವಿಭಜಿಸಲ್ಪಡದಿರುವುದರಿಂದ, 'ವ್ಯತ್ಯಾಸ' ಸಮಸ್ಯೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ನೋಡಬಹುದು: - ![problem models](../../../../translated_images/kn/problems.f7fb539ccd80608e.png) + ![problem models](../../../../translated_images/kn/problems.f7fb539ccd80608e.webp) > Scikit-learn ನಿಂದ ಇನ್ಫೋಗ್ರಾಫಿಕ್ ## ವ್ಯತ್ಯಾಸ diff --git a/translations/kn/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/kn/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index 43521f47c..161db4e7a 100644 --- a/translations/kn/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/kn/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು [ವೊರೋನಾಯ್ ಡಯಾಗ್ರಾಮ್‌ಗಳು](https://wikipedia.org/wiki/Voronoi_diagram) ಎಂದು ದೃಶ್ಯೀಕರಿಸಬಹುದು, ಇದರಲ್ಲಿ ಒಂದು ಬಿಂದು (ಅಥವಾ 'ಬೀಜ') ಮತ್ತು ಅದರ ಸಂಬಂಧಿತ ಪ್ರದೇಶವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.\n", "\n", "

\n", - " \n", "

ಜೆನ್ ಲೂಪರ್ ಅವರ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn ನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ, ನೀವು ಈ ಮಾದರಿಯಂತಹ, ಚೆನ್ನಾಗಿ ವಿಭಜಿಸಲ್ಪಟ್ಟಿಲ್ಲದ ಕ್ಲಸ್ಟರ್‌ಗಳಿರುವ ಮಾದರಿಯು 'ವ್ಯತ್ಯಾಸ' ಸಮಸ್ಯೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ನೋಡಬಹುದು:\n", "\n", "

\n", - " \n", "

Scikit-learn ನಿಂದ ಇನ್ಫೋಗ್ರಾಫಿಕ್
\n", "\n", @@ -626,7 +626,7 @@ "[ಎರಿಕ್](https://twitter.com/ericntay), ಗೋಲ್ಡ್ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್ ವಿದ್ಯಾರ್ಥಿ ರಾಯಭಾರಿ.\n", "\n", "

\n", - " \n", "

@allison_horst ಅವರ ಕಲಾಕೃತಿ
\n" ] diff --git a/translations/kn/5-Clustering/README.md b/translations/kn/5-Clustering/README.md index 477602b34..0d535b339 100644 --- a/translations/kn/5-Clustering/README.md +++ b/translations/kn/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ನೈಜೀರಿಯಾದ ವೈವಿಧ್ಯಮಯ ಪ್ರೇಕ್ಷಕರಿಗೆ ವೈವಿಧ್ಯಮಯ ಸಂಗೀತ ರುಚಿಗಳು ಇವೆ. Spotify ನಿಂದ ಸ್ಕ್ರೇಪ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ([ಈ ಲೇಖನದಿಂದ ಪ್ರೇರಿತ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ನೈಜೀರಿಯಾದಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿರುವ ಕೆಲವು ಸಂಗೀತಗಳನ್ನು ನೋಡೋಣ. ಈ ಡೇಟಾಸೆಟ್ ವಿವಿಧ ಹಾಡುಗಳ 'ನೃತ್ಯ ಸಾಮರ್ಥ್ಯ' ಅಂಕ, 'ಅಕೌಸ್ಟಿಕ್‌ನೆಸ್', ಶಬ್ದದ ತೀವ್ರತೆ, 'ಸ್ಪೀಚಿನೆಸ್', ಜನಪ್ರಿಯತೆ ಮತ್ತು ಶಕ್ತಿ ಬಗ್ಗೆ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿರುತ್ತದೆ! -![A turntable](../../../translated_images/kn/turntable.f2b86b13c53302dc.jpg) +![A turntable](../../../translated_images/kn/turntable.f2b86b13c53302dc.webp) > ಫೋಟೋ ಮಾರ್ಸೆಲಾ ಲಾಸ್ಕೋಸ್ಕಿ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ diff --git a/translations/kn/6-NLP/1-Introduction-to-NLP/README.md b/translations/kn/6-NLP/1-Introduction-to-NLP/README.md index 6128fc8ee..88e1c142c 100644 --- a/translations/kn/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/kn/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP, ಸಾಮಾನ್ಯವಾಗಿ ತಿಳಿದಿರುವಂತೆ, ಯ ನೀವು ಟೈಪ್ ಮಾಡುವ ಬದಲು ನಿಮ್ಮ ಫೋನ್‌ಗೆ ಮಾತಾಡಿದ್ದರೆ ಅಥವಾ ವರ್ಚುವಲ್ ಸಹಾಯಕನಿಗೆ ಪ್ರಶ್ನೆ ಕೇಳಿದ್ದರೆ, ನಿಮ್ಮ ಮಾತು ಪಠ್ಯ ರೂಪಕ್ಕೆ ಪರಿವರ್ತಿತಗೊಂಡು ನಂತರ ನೀವು ಮಾತನಾಡಿದ ಭಾಷೆಯಿಂದ *ಪಾರ್ಸ್* ಮಾಡಲಾಯಿತು. ಪತ್ತೆಯಾದ ಪ್ರಮುಖ ಪದಗಳನ್ನು ನಂತರ ಫೋನ್ ಅಥವಾ ಸಹಾಯಕನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಕ್ರಮ ಕೈಗೊಳ್ಳಲು ಸಾಧ್ಯವಾದ ಸ್ವರೂಪಕ್ಕೆ ಪ್ರಕ್ರಿಯೆ ಮಾಡಲಾಯಿತು. -![comprehension](../../../../translated_images/kn/comprehension.619708fc5959b0f6.png) +![comprehension](../../../../translated_images/kn/comprehension.619708fc5959b0f6.webp) > ನಿಜವಾದ ಭಾಷಾಶಾಸ್ತ್ರದ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಕಷ್ಟ! ಚಿತ್ರವನ್ನು [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಒದಗಿಸಿದ್ದಾರೆ ### ಈ ತಂತ್ರಜ್ಞಾನ ಹೇಗೆ ಸಾಧ್ಯವಾಯಿತು? diff --git a/translations/kn/6-NLP/2-Tasks/README.md b/translations/kn/6-NLP/2-Tasks/README.md index f0d8ec1c6..152f10a52 100644 --- a/translations/kn/6-NLP/2-Tasks/README.md +++ b/translations/kn/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: ಬಹುಶಃ ಬಹುತೇಕ NLP ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮೊದಲಿಗೆ ಪಠ್ಯವನ್ನು ಟೋಕನ್‌ಗಳಾಗಿ ಅಥವಾ ಪದಗಳಾಗಿ ವಿಭಜಿಸಬೇಕಾಗುತ್ತದೆ. ಇದು ಸರಳವಾಗಿ ಕೇಳಿದರೂ, ವ್ಯಾಕರಣ ಚಿಹ್ನೆಗಳು ಮತ್ತು ವಿಭಿನ್ನ ಭಾಷೆಗಳ ಪದ ಮತ್ತು ವಾಕ್ಯ ವಿಭಾಜಕಗಳನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ, ಇದು ಸಂಕೀರ್ಣವಾಗಬಹುದು. ನೀವು ವಿಭಜನೆಗಳನ್ನು ನಿರ್ಧರಿಸಲು ವಿವಿಧ ವಿಧಾನಗಳನ್ನು ಬಳಸಬೇಕಾಗಬಹುದು. -![tokenization](../../../../translated_images/kn/tokenization.1641a160c66cd2d9.png) +![tokenization](../../../../translated_images/kn/tokenization.1641a160c66cd2d9.webp) > **Pride and Prejudice** ನಿಂದ ವಾಕ್ಯವನ್ನು ಟೋಕನೈಸ್ ಮಾಡಲಾಗಿದೆ. ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ ### ಎम्बೆಡ್ಡಿಂಗ್ಸ್ [ಪದ ಎम्बೆಡ್ಡಿಂಗ್ಸ್](https://wikipedia.org/wiki/Word_embedding) ನಿಮ್ಮ ಪಠ್ಯ ಡೇಟಾವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಪರಿವರ್ತಿಸುವ ವಿಧಾನವಾಗಿದೆ. ಎम्बೆಡ್ಡಿಂಗ್ಸ್ ಅನ್ನು ಈ ರೀತಿಯಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆ, ಅಂದರೆ ಸಮಾನ ಅರ್ಥವಿರುವ ಪದಗಳು ಅಥವಾ ಜೊತೆಯಾಗಿ ಬಳಸಲಾಗುವ ಪದಗಳು ಗುಂಪು formed ಮಾಡುತ್ತವೆ. -![word embeddings](../../../../translated_images/kn/embedding.2cf8953c4b3101d1.png) +![word embeddings](../../../../translated_images/kn/embedding.2cf8953c4b3101d1.webp) > "ನಿಮ್ಮ ನರಗಳಿಗೆ ನನಗೆ ಅತ್ಯಂತ ಗೌರವವಿದೆ, ಅವು ನನ್ನ ಹಳೆಯ ಸ್ನೇಹಿತರು." - **Pride and Prejudice** ನ ವಾಕ್ಯಕ್ಕೆ ಪದ ಎम्बೆಡ್ಡಿಂಗ್ಸ್. ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ ✅ ಪದ ಎम्बೆಡ್ಡಿಂಗ್ಸ್ ಅನ್ನು ಪ್ರಯೋಗಿಸಲು [ಈ ರೋಚಕ ಸಾಧನವನ್ನು](https://projector.tensorflow.org/) ಪ್ರಯತ್ನಿಸಿ. ಒಂದು ಪದವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿದಾಗ ಸಮಾನ ಪದಗಳ ಗುಂಪುಗಳು ತೋರಿಸಲಾಗುತ್ತದೆ: 'toy' 'disney', 'lego', 'playstation', ಮತ್ತು 'console' ಜೊತೆಗೆ ಗುಂಪು formed ಮಾಡುತ್ತದೆ. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: ಪ್ರತಿ ಟೋಕನೈಸ್ ಮಾಡಿದ ಪದವನ್ನು ಭಾಷೆಯ ಭಾಗವಾಗಿ ಟ್ಯಾಗ್ ಮಾಡಬಹುದು - ನಾಮಪದ, ಕ್ರಿಯಾಪದ, ಅಥವಾ ವಿಶೇಷಣ. ವಾಕ್ಯ `the quick red fox jumped over the lazy brown dog` ಅನ್ನು POS ಟ್ಯಾಗ್ ಮಾಡಿದರೆ fox = ನಾಮಪದ, jumped = ಕ್ರಿಯಾಪದ ಎಂದು ಇರಬಹುದು. -![parsing](../../../../translated_images/kn/parse.d0c5bbe1106eae8f.png) +![parsing](../../../../translated_images/kn/parse.d0c5bbe1106eae8f.webp) > **Pride and Prejudice** ನಿಂದ ವಾಕ್ಯವನ್ನು ಪಾರ್ಸ್ ಮಾಡಲಾಗಿದೆ. ಇನ್ಫೋಗ್ರಾಫಿಕ್ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ diff --git a/translations/kn/6-NLP/3-Translation-Sentiment/README.md b/translations/kn/6-NLP/3-Translation-Sentiment/README.md index 82c2e2fb2..aaab434a1 100644 --- a/translations/kn/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/kn/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ಉದಾಹರಣೆಗೆ, ಇಂಗ್ಲಿಷ್ ವಾಕ್ಯ `I have no money` ಅನ್ನು ಫ್ರೆಂಚ್‌ಗೆ ಶಬ್ದಾರ್ಥವಾಗಿ ಅನುವಾದಿಸಿದಾಗ, ಅದು `Je n'ai pas de monnaie` ಆಗಬಹುದು. "Monnaie" ಒಂದು ಕಪಟ ಫ್ರೆಂಚ್ 'false cognate', ಏಕೆಂದರೆ 'money' ಮತ್ತು 'monnaie' ಸಮಾನಾರ್ಥಕವಲ್ಲ. ಮಾನವನು ಮಾಡಬಹುದಾದ ಉತ್ತಮ ಅನುವಾದ `Je n'ai pas d'argent` ಆಗಿರುತ್ತದೆ, ಏಕೆಂದರೆ ಇದು ನೀವು ಹಣವಿಲ್ಲ ಎಂದು ಉತ್ತಮವಾಗಿ ಸೂಚಿಸುತ್ತದೆ (ಮತ್ತೆ 'monnaie' ಅರ್ಥ 'ಲೂಸ್ ಚೇಂಜ್'). -![monnaie](../../../../translated_images/kn/monnaie.606c5fa8369d5c3b.png) +![monnaie](../../../../translated_images/kn/monnaie.606c5fa8369d5c3b.webp) > ಚಿತ್ರ [Jen Looper](https://twitter.com/jenlooper) ಅವರಿಂದ diff --git a/translations/kn/6-NLP/README.md b/translations/kn/6-NLP/README.md index d0c51aed5..0d5ce7091 100644 --- a/translations/kn/6-NLP/README.md +++ b/translations/kn/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ಈ ಪಾಠಗಳಲ್ಲಿ ನಾವು NLP ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯುತ್ತೇವೆ, ಚಿಕ್ಕ ಸಂಭಾಷಣಾತ್ಮಕ ಬಾಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ ಯಂತ್ರ ಅಧ್ಯಯನವು ಈ ಸಂಭಾಷಣೆಗಳನ್ನು ಹೇಗೆ ಹೆಚ್ಚು 'ಸ್ಮಾರ್ಟ್' ಆಗಿ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿಯುತ್ತೇವೆ. ನೀವು ಕಾಲದಲ್ಲಿ ಹಿಂದಕ್ಕೆ ಪ್ರಯಾಣ ಮಾಡಿ, ಜೆನ್ ಆಸ್ಟೆನ್ ಅವರ 1813 ರಲ್ಲಿ ಪ್ರಕಟಿತ ಕ್ಲಾಸಿಕ್ ناವಲ **ಪ್ರೈಡ್ ಅಂಡ್ ಪ್ರೆಜುಡಿಸ್** ನ ಎಲಿಜಬೆತ್ ಬೆನೆಟ್ ಮತ್ತು ಮಿಸ್ಟರ್ ಡಾರ್ಸಿಯವರೊಂದಿಗೆ ಸಂಭಾಷಣೆ ಮಾಡುತ್ತೀರಿ. ನಂತರ, ಯುರೋಪಿನ ಹೋಟೆಲ್ ವಿಮರ್ಶೆಗಳ ಮೂಲಕ ಭಾವನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಕಲಿಯುವ ಮೂಲಕ ನಿಮ್ಮ ಜ್ಞಾನವನ್ನು ವಿಸ್ತರಿಸುತ್ತೀರಿ. -![ಪ್ರೈಡ್ ಅಂಡ್ ಪ್ರೆಜುಡಿಸ್ ಪುಸ್ತಕ ಮತ್ತು ಚಹಾ](../../../translated_images/kn/p&p.279f1c49ecd88941.jpg) +![ಪ್ರೈಡ್ ಅಂಡ್ ಪ್ರೆಜುಡಿಸ್ ಪುಸ್ತಕ ಮತ್ತು ಚಹಾ](../../../translated_images/kn/p&p.279f1c49ecd88941.webp) > ಫೋಟೋ ಎಲೈನ್ ಹೌಲಿನ್ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ ## ಪಾಠಗಳು diff --git a/translations/kn/7-TimeSeries/1-Introduction/README.md b/translations/kn/7-TimeSeries/1-Introduction/README.md index 3ff3630e5..60ba6cf30 100644 --- a/translations/kn/7-TimeSeries/1-Introduction/README.md +++ b/translations/kn/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ಕಾಲ ಸರಣಿಗಳ ಭವಿಷ್ಯವಾಣಿ ಪರಿಚಯ -![ಕಾಲ ಸರಣಿಗಳ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-timeseries.fb98d25f1013fc0c.png) +![ಕಾಲ ಸರಣಿಗಳ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-timeseries.fb98d25f1013fc0c.webp) > ಸ್ಕೆಚ್‌ನೋಟ್ [ಟೊಮೊಮಿ ಇಮುರು](https://www.twitter.com/girlie_mac) ಅವರಿಂದ @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ ಇಲ್ಲಿ [ನಮೂನಾ ಕಾಲ ಸರಣಿ ಪ್ಲಾಟ್](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) ಇದೆ, ಇದು ಕೆಲವು ವರ್ಷಗಳ ಕಾಲ ದಿನನಿತ್ಯದ ಆಟದ ಕರೆನ್ಸಿ ಖರ್ಚನ್ನು ತೋರಿಸುತ್ತದೆ. ಈ ಡೇಟಾದಲ್ಲಿ ಮೇಲ್ಕಂಡ ಲಕ್ಷಣಗಳಲ್ಲಿ ಯಾವುದಾದರೂ ಗುರುತಿಸಬಹುದೇ? -![ಆಟದ ಕರೆನ್ಸಿ ಖರ್ಚು](../../../../translated_images/kn/currency.e7429812bfc8c608.png) +![ಆಟದ ಕರೆನ್ಸಿ ಖರ್ಚು](../../../../translated_images/kn/currency.e7429812bfc8c608.webp) ## ಅಭ್ಯಾಸ - ವಿದ್ಯುತ್ ಬಳಕೆ ಡೇಟಾ ಮೂಲಕ ಪ್ರಾರಂಭಿಸುವುದು @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/kn/energy-plot.5fdac3f397a910bc.png) + ![energy plot](../../../../translated_images/kn/energy-plot.5fdac3f397a910bc.webp) 4. ಈಗ, 2014 ರ ಜುಲೈ ಮೊದಲ ವಾರವನ್ನು `[from date]: [to date]` ಮಾದರಿಯಲ್ಲಿ `energy` ಗೆ ಇನ್ಪುಟ್ ನೀಡುವ ಮೂಲಕ ಪ್ಲಾಟ್ ಮಾಡಿ: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![july](../../../../translated_images/kn/july-2014.9e1f7c318ec6d5b3.png) + ![july](../../../../translated_images/kn/july-2014.9e1f7c318ec6d5b3.webp) ಅದ್ಭುತವಾದ ಪ್ಲಾಟ್! ಈ ಪ್ಲಾಟ್‌ಗಳನ್ನು ನೋಡಿ ಮೇಲ್ಕಂಡ ಲಕ್ಷಣಗಳಲ್ಲಿ ಯಾವುದಾದರೂ ನೀವು ಗುರುತಿಸಬಹುದೇ? ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮೂಲಕ ನಾವು ಏನು ಊಹಿಸಬಹುದು? diff --git a/translations/kn/7-TimeSeries/2-ARIMA/README.md b/translations/kn/7-TimeSeries/2-ARIMA/README.md index eab9bf391..9fd707f5a 100644 --- a/translations/kn/7-TimeSeries/2-ARIMA/README.md +++ b/translations/kn/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ ARIMA ಭಾಗಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ಅದು ಕ plt.show() ``` - ![ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾ](../../../../translated_images/kn/train-test.8928d14e5b91fc94.png) + ![ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾ](../../../../translated_images/kn/train-test.8928d14e5b91fc94.webp) ಆದ್ದರಿಂದ, ಡೇಟಾವನ್ನು ತರಬೇತಿಗೆ ಸಾಪೇಕ್ಷವಾಗಿ ಸಣ್ಣ ಕಾಲಾವಧಿ ವಿಂಡೋ ಬಳಸುವುದು ಸಾಕಾಗುತ್ತದೆ. @@ -157,11 +157,11 @@ ARIMA ಭಾಗಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ಅದು ಕ plt.show() ``` - ![ಮೂಲ](../../../../translated_images/kn/original.b2b15efe0ce92b87.png) + ![ಮೂಲ](../../../../translated_images/kn/original.b2b15efe0ce92b87.webp) > ಮೂಲ ಡೇಟಾ - ![ಸ್ಕೇಲ್ಡ್](../../../../translated_images/kn/scaled.e35258ca5cd3d43f.png) + ![ಸ್ಕೇಲ್ಡ್](../../../../translated_images/kn/scaled.e35258ca5cd3d43f.webp) > ಸ್ಕೇಲ್ಡ್ ಡೇಟಾ @@ -321,7 +321,7 @@ Walk-forward ಮಾನ್ಯತೆ ಕಾಲ ಸರಣಿ ಮಾದರಿಯ ಮ > **🧮 ಗಣಿತವನ್ನು ತೋರಿಸಿ** > -> ![MAPE](../../../../translated_images/kn/mape.fd87bbaf4d346846.png) +> ![MAPE](../../../../translated_images/kn/mape.fd87bbaf4d346846.webp) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) ಅನ್ನು ಮೇಲಿನ ಸೂತ್ರದಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಅನುಪಾತವಾಗಿ ಭವಿಷ್ಯವಾಣಿ ನಿಖರತೆಯನ್ನು ತೋರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. actualt ಮತ್ತು predictedt ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು actualt ಮೂಲಕ ಭಾಗಿಸಲಾಗುತ್ತದೆ. "ಈ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ ಪರಮ ಮೌಲ್ಯವನ್ನು ಪ್ರತಿ ಭವಿಷ್ಯವಾಣಿ ಸಮಯದ ಬಿಂದುವಿಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೊಂದಿಸಿದ ಬಿಂದುಗಳ ಸಂಖ್ಯೆ n ಮೂಲಕ ಭಾಗಿಸಲಾಗುತ್ತದೆ." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -381,7 +381,7 @@ Walk-forward ಮಾನ್ಯತೆ ಕಾಲ ಸರಣಿ ಮಾದರಿಯ ಮ plt.show() ``` - ![a time series model](../../../../translated_images/kn/accuracy.2c47fe1bf15f44b3.png) + ![a time series model](../../../../translated_images/kn/accuracy.2c47fe1bf15f44b3.webp) 🏆 ಅತ್ಯುತ್ತಮ ನಿಖರತೆಯೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ತೋರಿಸುವ ಅತ್ಯಂತ ಚೆನ್ನಾದ ರೇಖಾಚಿತ್ರ. ಶುಭಾಶಯಗಳು! diff --git a/translations/kn/7-TimeSeries/3-SVR/README.md b/translations/kn/7-TimeSeries/3-SVR/README.md index 949dcd473..a9d71080d 100644 --- a/translations/kn/7-TimeSeries/3-SVR/README.md +++ b/translations/kn/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![ಪೂರ್ಣ ಡೇಟಾ](../../../../translated_images/kn/full-data.a82ec9957e580e97.png) + ![ಪೂರ್ಣ ಡೇಟಾ](../../../../translated_images/kn/full-data.a82ec9957e580e97.webp) ಈಗ, ನಮ್ಮ SVR ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸೋಣ. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾ](../../../../translated_images/kn/train-test.ead0cecbfc341921.png) + ![ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಡೇಟಾ](../../../../translated_images/kn/train-test.ead0cecbfc341921.webp) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![ತರಬೇತಿ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/train-data-predict.3c4ef4e78553104f.png) +![ತರಬೇತಿ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/train-data-predict.3c4ef4e78553104f.webp) ತರಬೇತಿ ಡೇಟಾದ MAPE ಅನ್ನು ಮುದ್ರಿಸಿ @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![ಪರೀಕ್ಷಾ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/test-data-predict.8afc47ee7e52874f.png) +![ಪರೀಕ್ಷಾ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/test-data-predict.8afc47ee7e52874f.webp) ಪರೀಕ್ಷಾ ಡೇಟಾದ MAPE ಅನ್ನು ಮುದ್ರಿಸಿ @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![ಪೂರ್ಣ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/full-data-predict.4f0fed16a131c8f3.png) +![ಪೂರ್ಣ ಡೇಟಾ ಭವಿಷ್ಯವಾಣಿ](../../../../translated_images/kn/full-data-predict.4f0fed16a131c8f3.webp) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/kn/7-TimeSeries/README.md b/translations/kn/7-TimeSeries/README.md index 3912e019b..0cded2738 100644 --- a/translations/kn/7-TimeSeries/README.md +++ b/translations/kn/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ನಮ್ಮ ಪ್ರಾದೇಶಿಕ ಗಮನವು ವಿಶ್ವದ ವಿದ್ಯುತ್ ಬಳಕೆಯ ಮೇಲೆ ಇದೆ, ಇದು ಭೂತಕಾಲದ ಲೋಡ್ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಊಹಿಸುವುದನ್ನು ಕಲಿಯಲು ಆಸಕ್ತಿದಾಯಕ ಡೇಟಾಸೆಟ್ ಆಗಿದೆ. ಈ ರೀತಿಯ ಭವಿಷ್ಯವಾಣಿ ವ್ಯವಹಾರ ಪರಿಸರದಲ್ಲಿ ಅತ್ಯಂತ ಸಹಾಯಕವಾಗಬಹುದು ಎಂದು ನೀವು ನೋಡಬಹುದು. -![electric grid](../../../translated_images/kn/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/kn/electric-grid.0c21d5214db09ffa.webp) ರಾಜಸ್ಥಾನದಲ್ಲಿ ರಸ್ತೆಯ ಮೇಲೆ ವಿದ್ಯುತ್ ಕಂಬಗಳ ಫೋಟೋವನ್ನು [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ಅವರು [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ನಲ್ಲಿ ತೆಗೆದಿದ್ದಾರೆ diff --git a/translations/kn/8-Reinforcement/1-QLearning/README.md b/translations/kn/8-Reinforcement/1-QLearning/README.md index b9749d577..13f2e2cde 100644 --- a/translations/kn/8-Reinforcement/1-QLearning/README.md +++ b/translations/kn/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ಬಲವರ್ಧಿತ ಅಧ್ಯಯನ ಮತ್ತು ಕ್ಯೂ-ಅಧ್ಯಯನಕ್ಕೆ ಪರಿಚಯ -![ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ಬಲವರ್ಧನೆಯ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-reinforcement.94024374d63348db.png) +![ಯಂತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ ಬಲವರ್ಧನೆಯ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-reinforcement.94024374d63348db.webp) > ಸ್ಕೆಚ್‌ನೋಟ್: [ಟೊಮೊಮಿ ಇಮುರಾ](https://www.twitter.com/girlie_mac) ಬಲವರ್ಧಿತ ಅಧ್ಯಯನವು ಮೂರು ಪ್ರಮುಖ ಕಲ್ಪನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ: ಏಜೆಂಟ್, ಕೆಲವು ಸ್ಥಿತಿಗಳು ಮತ್ತು ಪ್ರತಿ ಸ್ಥಿತಿಗೆ ಕ್ರಿಯೆಗಳ ಒಂದು ಸೆಟ್. ನಿರ್ದಿಷ್ಟ ಸ್ಥಿತಿಯಲ್ಲಿ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುವ ಮೂಲಕ, ಏಜೆಂಟ್‌ಗೆ ಬಹುಮಾನ ನೀಡಲಾಗುತ್ತದೆ. ಮತ್ತೆ ಕಂಪ್ಯೂಟರ್ ಆಟ ಸೂಪರ್ ಮಾರಿಯೋವನ್ನು ಕಲ್ಪಿಸಿ. ನೀವು ಮಾರಿಯೋ, ನೀವು ಆಟದ ಮಟ್ಟದಲ್ಲಿ ಇದ್ದೀರಿ, ಒಂದು ಹಿಮ್ಮುಖದ ಬದಿಯ ಬಳಿ ನಿಂತಿದ್ದೀರಿ. ನಿಮ್ಮ ಮೇಲಿರುವುದು ನಾಣ್ಯ. ನೀವು ಮಾರಿಯೋ ಆಗಿದ್ದೀರಿ, ಆಟದ ಮಟ್ಟದಲ್ಲಿ, ನಿರ್ದಿಷ್ಟ ಸ್ಥಾನದಲ್ಲಿ ... ಅದು ನಿಮ್ಮ ಸ್ಥಿತಿ. ಬಲಕ್ಕೆ ಒಂದು ಹೆಜ್ಜೆ ಸಾಗುವುದು (ಒಂದು ಕ್ರಿಯೆ) ನಿಮ್ಮನ್ನು ಬದಿಯ ಮೇಲೆ ಕಳುಹಿಸುತ್ತದೆ, ಮತ್ತು ಅದರಿಂದ ನಿಮಗೆ ಕಡಿಮೆ ಸಂಖ್ಯಾತ್ಮಕ ಅಂಕ ಸಿಗುತ್ತದೆ. ಆದರೆ, ಜಂಪ್ ಬಟನ್ ಒತ್ತಿದರೆ ನೀವು ಒಂದು ಅಂಕ ಪಡೆಯುತ್ತೀರಿ ಮತ್ತು ಜೀವಂತವಾಗಿರುತ್ತೀರಿ. ಅದು ಧನಾತ್ಮಕ ಫಲಿತಾಂಶ ಮತ್ತು ಅದಕ್ಕೆ ಧನಾತ್ಮಕ ಸಂಖ್ಯಾತ್ಮಕ ಅಂಕ ನೀಡಬೇಕು. @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: ಸರಳತೆಗೆ, ಪೀಟರ್‌ನ ಜಗತ್ತನ್ನು `width` x `height` ಗಾತ್ರದ ಚದರ ಫಲಕ ಎಂದು ಪರಿಗಣಿಸೋಣ, ಹೀಗೆ: -![ಪೀಟರ್‌ನ ಪರಿಸರ](../../../../translated_images/kn/environment.40ba3cb66256c93f.png) +![ಪೀಟರ್‌ನ ಪರಿಸರ](../../../../translated_images/kn/environment.40ba3cb66256c93f.webp) ಈ ಫಲಕದ ಪ್ರತಿ ಸೆಲ್ ಇವುಗಳಲ್ಲಿ ಒಂದಾಗಿರಬಹುದು: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ನಾವು ಕ್ಯೂ-ಟೇಬಲ್‌ನ ಎಲ್ಲಾ ಮೌಲ್ಯಗಳನ್ನು ಸಮಾನ ಮೌಲ್ಯದಿಂದ ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ, ನಮ್ಮಲ್ಲಿ - 0.25. ಇದು "ಯಾದೃಚ್ಛಿಕ ನಡೆ" ನೀತಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಪ್ರತಿ ಸ್ಥಿತಿಯಲ್ಲಿ ಎಲ್ಲಾ ಚಲನೆಗಳು ಸಮಾನವಾಗಿ ಉತ್ತಮ. ನಾವು `plot` ಕಾರ್ಯಕ್ಕೆ ಕ್ಯೂ-ಟೇಬಲ್ ಅನ್ನು ಪಾಸ್ ಮಾಡಿ ಫಲಕದಲ್ಲಿ ಟೇಬಲ್ ಅನ್ನು ದೃಶ್ಯೀಕರಿಸಬಹುದು: `m.plot(Q)`. -![ಪೀಟರ್‌ನ ಪರಿಸರ](../../../../translated_images/kn/env_init.04e8f26d2d60089e.png) +![ಪೀಟರ್‌ನ ಪರಿಸರ](../../../../translated_images/kn/env_init.04e8f26d2d60089e.webp) ಪ್ರತಿ ಸೆಲ್‌ನ ಮಧ್ಯದಲ್ಲಿ ಚಲನೆಯ ಇಚ್ಛಿತ ದಿಕ್ಕನ್ನು ಸೂಚಿಸುವ "ಬಾಣ" ಇದೆ. ಎಲ್ಲಾ ದಿಕ್ಕುಗಳು ಸಮಾನವಾಗಿರುವುದರಿಂದ, ಬಿಂದು ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ. @@ -195,7 +195,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ಇದು ಸ್ಥಿತಿ *s* ನಲ್ಲಿ ಕ್ರಿಯೆ *a* ಗೆ ಕ್ಯೂ-ಟೇಬಲ್ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಿಸುವ **ಬೆಲ್ಮನ್ ಸೂತ್ರ** ನೀಡುತ್ತದೆ: - + ಇಲ್ಲಿ γ ಅನ್ನು **ಡಿಸ್ಕೌಂಟ್ ಫ್ಯಾಕ್ಟರ್** ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಇದು ನೀವು ಪ್ರಸ್ತುತ ಬಹುಮಾನವನ್ನು ಭವಿಷ್ಯ ಬಹುಮಾನಕ್ಕಿಂತ ಎಷ್ಟು ಪ್ರಾಧಾನ್ಯತೆ ನೀಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. @@ -267,7 +267,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ಈ ಅಲ್ಗೋರಿದಮ್ ಅನ್ನು ನಿರ್ವಹಿಸಿದ ನಂತರ, ಕ್ಯೂ-ಟೇಬಲ್ ಮೌಲ್ಯಗಳು ನವೀಕರಿಸಲಾಗುತ್ತದೆ, ಅವು ಪ್ರತಿ ಹೆಜ್ಜೆಯಲ್ಲಿ ವಿಭಿನ್ನ ಕ್ರಿಯೆಗಳ ಆಕರ್ಷಕತೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ. ನಾವು ಕ್ಯೂ-ಟೇಬಲ್ ಅನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು, ಪ್ರತಿ ಸೆಲ್‌ನಲ್ಲಿ ಒಂದು ವೆಕ್ಟರ್ ಅನ್ನು ಚಿತ್ರಿಸಿ ಅದು ಚಲನೆಯ ಇಚ್ಛಿತ ದಿಕ್ಕನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಸರಳತೆಗೆ, ನಾವು ಬಾಣದ ತಲೆ ಬದಲು ಸಣ್ಣ ವೃತ್ತವನ್ನು ಬಿಡುತ್ತೇವೆ. - + ## ನೀತಿ ಪರಿಶೀಲನೆ @@ -311,7 +311,7 @@ print_statistics(qpolicy) ನಾವು ಉಲ್ಲೇಖಿಸಿದಂತೆ, ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆ ಅನ್ವೇಷಣೆ ಮತ್ತು ಸಮಸ್ಯಾ ಸ್ಥಳದ ರಚನೆಯ ಬಗ್ಗೆ ಪಡೆದ ಜ್ಞಾನವನ್ನು ಅನ್ವೇಷಿಸುವ ನಡುವಿನ ಸಮತೋಲನವಾಗಿದೆ. ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳು (ಏಜೆಂಟ್ ಗುರಿ ತಲುಪಲು ಚಿಕ್ಕ ಮಾರ್ಗವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಸಾಮರ್ಥ್ಯ) ಸುಧಾರಿತವಾಗಿದೆ, ಆದರೆ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯ ಸಮಯದಲ್ಲಿ ಸರಾಸರಿ ಮಾರ್ಗದ ಉದ್ದ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಸಹ ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ: - + ಕಲಿಕೆಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ: diff --git a/translations/kn/8-Reinforcement/2-Gym/README.md b/translations/kn/8-Reinforcement/2-Gym/README.md index 9826ed082..6b6004370 100644 --- a/translations/kn/8-Reinforcement/2-Gym/README.md +++ b/translations/kn/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **ಸಮಸ್ಯೆ**: ಪೀಟರ್ ನಾಯಿ ಹಂದಿಯಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳಲು, ಅವನು ವೇಗವಾಗಿ ಚಲಿಸಲು ಸಾಧ್ಯವಾಗಬೇಕು. ನಾವು ನೋಡೋಣ ಪೀಟರ್ ಹೇಗೆ ಸ್ಕೇಟ್ ಮಾಡುವುದು ಕಲಿಯಬಹುದು, ವಿಶೇಷವಾಗಿ, ಸಮತೋಲನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು, Q-ಲರ್ನಿಂಗ್ ಬಳಸಿ. -![ದ ಗ್ರೇಟ್ ಎಸ್ಕೇಪ್!](../../../../translated_images/kn/escape.18862db9930337e3.png) +![ದ ಗ್ರೇಟ್ ಎಸ್ಕೇಪ್!](../../../../translated_images/kn/escape.18862db9930337e3.webp) > ಪೀಟರ್ ಮತ್ತು ಅವನ ಸ್ನೇಹಿತರು ನಾಯಿ ಹಂದಿಯಿಂದ ತಪ್ಪಿಸಲು ಸೃಜನಶೀಲರಾಗುತ್ತಾರೆ! ಚಿತ್ರ [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರಿಂದ ನಾವು ಸಮತೋಲನದ ಸರಳೀಕೃತ ಆವೃತ್ತಿಯನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದನ್ನು **ಕಾರ್ಟ್‌ಪೋಲ್** ಸಮಸ್ಯೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಕಾರ್ಟ್‌ಪೋಲ್ ಜಗತ್ತಿನಲ್ಲಿ, ನಮಗೆ ಎಡಕ್ಕೆ ಅಥವಾ ಬಲಕ್ಕೆ ಚಲಿಸುವ ಹೋರಿಜಾಂಟಲ್ ಸ್ಲೈಡರ್ ಇದೆ, ಮತ್ತು ಗುರಿ ಸ್ಲೈಡರ್ ಮೇಲಿನ ಲಂಬ ಕಂಬವನ್ನು ಸಮತೋಲನದಲ್ಲಿಡುವುದು. -a cartpole +a cartpole ## ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು @@ -285,7 +285,7 @@ Q-ಲರ್ನಿಂಗ್‌ನಲ್ಲಿ, ನಾವು ಪ್ರತಿ ಸ plt.plot(rewards) ``` -![ಕಚ್ಚಾ ಪ್ರಗತಿ](../../../../translated_images/kn/train_progress_raw.2adfdf2daea09c59.png) +![ಕಚ್ಚಾ ಪ್ರಗತಿ](../../../../translated_images/kn/train_progress_raw.2adfdf2daea09c59.webp) ಈ ಗ್ರಾಫ್‌ನಿಂದ ಏನನ್ನೂ ಹೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ, ಏಕೆಂದರೆ ಸಾಂಖ್ಯಿಕ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯ ಸ್ವಭಾವದಿಂದ ತರಬೇತಿ ಅವಧಿಗಳ ಉದ್ದ ಬಹಳ ಬದಲಾಗುತ್ತದೆ. ಈ ಗ್ರಾಫ್‌ಗೆ ಹೆಚ್ಚು ಅರ್ಥ ನೀಡಲು, ನಾವು ಸರಣಿಯ 100 ಪ್ರಯೋಗಗಳ ಮೇಲೆ **ಚಲಿಸುವ ಸರಾಸರಿ** ಲೆಕ್ಕಿಸಬಹುದು. ಇದನ್ನು `np.convolve` ಬಳಸಿ ಸುಲಭವಾಗಿ ಮಾಡಬಹುದು: (ಕೋಡ್ ಬ್ಲಾಕ್ 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![ತರಬೇತಿ ಪ್ರಗತಿ](../../../../translated_images/kn/train_progress_runav.c71694a8fa9ab359.png) +![ತರಬೇತಿ ಪ್ರಗತಿ](../../../../translated_images/kn/train_progress_runav.c71694a8fa9ab359.webp) ## ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ಬದಲಾವಣೆ diff --git a/translations/kn/8-Reinforcement/2-Gym/assignment.md b/translations/kn/8-Reinforcement/2-Gym/assignment.md index a27df3d62..10b25a5ba 100644 --- a/translations/kn/8-Reinforcement/2-Gym/assignment.md +++ b/translations/kn/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [ಪರ್ವತ ಕಾರ್ ಪರಿಸರ](https://gym.openai.com/envs/MountainCar-v0/) ಒಂದು ಕಣಿವೆಗೆ ಸಿಲುಕಿದ ಕಾರನ್ನು ಹೊಂದಿದೆ: - + ಗುರಿ ಕಾರ್ ಅನ್ನು ಕಣಿವೆಯಿಂದ ಹೊರತೆಗೆದು ಧ್ವಜವನ್ನು ಹಿಡಿಯುವುದು, ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಕೆಳಗಿನ ಕ್ರಿಯೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಮಾಡುವುದು: diff --git a/translations/kn/8-Reinforcement/README.md b/translations/kn/8-Reinforcement/README.md index cfe70b59f..90074df8c 100644 --- a/translations/kn/8-Reinforcement/README.md +++ b/translations/kn/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ನೀವು ಷೇರು ಮಾರುಕಟ್ಟೆಂತಹ ಅನುಕರಿಸಿದ ಪರಿಸರವನ್ನು ಹೊಂದಿದ್ದೀರಿ ಎಂದು ಕಲ್ಪಿಸಿ. ನೀವು ನೀಡಿದ ನಿಯಮವನ್ನು ಜಾರಿಗೆ ತಂದರೆ ಏನಾಗುತ್ತದೆ? ಅದು ಧನಾತ್ಮಕ ಅಥವಾ ಋಣಾತ್ಮಕ ಪರಿಣಾಮ ಹೊಂದಿದೆಯೇ? ಏನಾದರೂ ಋಣಾತ್ಮಕವಾದುದು ಸಂಭವಿಸಿದರೆ, ನೀವು ಈ _ಋಣಾತ್ಮಕ ಬಲವರ್ಧನೆ_ ತೆಗೆದುಕೊಳ್ಳಬೇಕು, ಅದರಿಂದ ಕಲಿಯಬೇಕು ಮತ್ತು ದಿಕ್ಕು ಬದಲಾಯಿಸಬೇಕು. ಅದು ಧನಾತ್ಮಕ ಫಲಿತಾಂಶವಾದರೆ, ನೀವು ಆ _ಧನಾತ್ಮಕ ಬಲವರ್ಧನೆ_ ಮೇಲೆ ನಿರ್ಮಿಸಬೇಕು. -![peter and the wolf](../../../translated_images/kn/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/kn/peter.779730f9ba3a8a8d.webp) > ಪೀಟರ್ ಮತ್ತು ಅವನ ಸ್ನೇಹಿತರು ಹಸಿವಿನ ನರಿ ತಪ್ಪಿಸಿಕೊಳ್ಳಬೇಕಾಗಿದೆ! ಚಿತ್ರವನ್ನು [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ನೀಡಿದ್ದಾರೆ diff --git a/translations/kn/9-Real-World/1-Applications/README.md b/translations/kn/9-Real-World/1-Applications/README.md index 2b5416cf7..41c400e2c 100644 --- a/translations/kn/9-Real-World/1-Applications/README.md +++ b/translations/kn/9-Real-World/1-Applications/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ಪೋಸ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್: ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಯಂತ್ರ ಅಧ್ಯಯನ -![ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಯಂತ್ರ ಅಧ್ಯಯನದ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-realworld.26ee274671615577.png) +![ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಯಂತ್ರ ಅಧ್ಯಯನದ ಸಾರಾಂಶವನ್ನು ಸ್ಕೆಚ್‌ನೋಟ್‌ನಲ್ಲಿ](../../../../translated_images/kn/ml-realworld.26ee274671615577.webp) > ಸ್ಕೆಚ್‌ನೋಟ್: [ಟೊಮೊಮಿ ಇಮುರು](https://www.twitter.com/girlie_mac) ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ, ನೀವು ತರಬೇತಿಗಾಗಿ ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುವ ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನ ಮಾದರಿಗಳನ್ನು ರಚಿಸುವ ಅನೇಕ ವಿಧಾನಗಳನ್ನು ಕಲಿತಿದ್ದೀರಿ. ನೀವು ಶ್ರೇಣೀಕರಣ, ಗುಂಪುಬದ್ಧತೆ, ವರ್ಗೀಕರಣ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಕಾಲ ಸರಣಿ ಮಾದರಿಗಳ ಸರಣಿಯನ್ನು ನಿರ್ಮಿಸಿದ್ದೀರಿ. ಅಭಿನಂದನೆಗಳು! ಈಗ, ನೀವು ಇದಕ್ಕೆ ಏನು ಉಪಯೋಗವಿದೆ ಎಂದು ಆಶ್ಚರ್ಯಪಡಬಹುದು... ಈ ಮಾದರಿಗಳ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳು ಯಾವುವು? diff --git a/translations/kn/9-Real-World/2-Debugging-ML-Models/README.md b/translations/kn/9-Real-World/2-Debugging-ML-Models/README.md index ec29fe0b8..8f544ec77 100644 --- a/translations/kn/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/kn/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: ಸರಾಸರಿ ಶುದ್ಧತೆ ಅಥವಾ ತಪ್ಪು ಭವಿಷ್ಯವಾಣಿಗಳ ಮೇಲೆ ಆಧಾರಿತ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಅಳತೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸರಿಯಾದ ಮತ್ತು ತಪ್ಪಾದ ಭವಿಷ್ಯವಾಣಿಗಳ ಲೆಕ್ಕಾಚಾರಗಳಾಗಿವೆ. ಉದಾಹರಣೆಗೆ, 0.001 ದೋಷ ನಷ್ಟದೊಂದಿಗೆ 89% ಶುದ್ಧತೆ ಹೊಂದಿರುವ ಮಾದರಿಯನ್ನು ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಎಂದು ಪರಿಗಣಿಸಬಹುದು. ದೋಷಗಳು ನಿಮ್ಮ ಮೂಲ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಸಮಾನವಾಗಿ ವಿತರಿಸಲ್ಪಡುವುದಿಲ್ಲ. ನೀವು 89% ಮಾದರಿ ಶುದ್ಧತೆ ಅಂಕೆಯನ್ನು ಪಡೆಯಬಹುದು ಆದರೆ ಮಾದರಿ 42% ಸಮಯದಲ್ಲಿ ವಿಫಲವಾಗುತ್ತಿರುವ ಡೇಟಾದ ವಿಭಿನ್ನ ಪ್ರದೇಶಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಈ ವಿಫಲತೆ ಮಾದರಿಯ ನ್ಯಾಯತೆ ಅಥವಾ ನಂಬಿಕಯೋಗ್ಯತೆ ಸಮಸ್ಯೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಮಾದರಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವ ಅಥವಾ ಇಲ್ಲದಿರುವ ಪ್ರದೇಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅತ್ಯಾವಶ್ಯಕ. ನಿಮ್ಮ ಮಾದರಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ ತಪ್ಪುಗಳಿರುವ ಡೇಟಾ ಪ್ರದೇಶವು ಪ್ರಮುಖ ಡೇಟಾ ಜನಾಂಗವಾಗಬಹುದು. -![ಮಾದರಿ ದೋಷಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಡಿಬಗ್ ಮಾಡಿ](../../../../translated_images/kn/ea-error-distribution.117452e1177c1dd8.png) +![ಮಾದರಿ ದೋಷಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಡಿಬಗ್ ಮಾಡಿ](../../../../translated_images/kn/ea-error-distribution.117452e1177c1dd8.webp) RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ದೋಷ ವಿಶ್ಲೇಷಣೆ ಘಟಕವು ವಿವಿಧ ಗುಂಪುಗಳಲ್ಲಿ ಮಾದರಿ ವಿಫಲತೆ ಹೇಗೆ ವಿತರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಮರದ ದೃಶ್ಯೀಕರಣದೊಂದಿಗೆ ತೋರಿಸುತ್ತದೆ. ಇದು ನಿಮ್ಮ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಹೆಚ್ಚಿನ ದೋಷ ದರ ಇರುವ ಲಕ್ಷಣಗಳು ಅಥವಾ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಉಪಯುಕ್ತವಾಗಿದೆ. ಹೆಚ್ಚಿನ ದೋಷಗಳು ಎಲ್ಲಿಂದ ಬರುತ್ತಿವೆ ಎಂದು ನೋಡಿಕೊಂಡು, ನೀವು ಮೂಲ ಕಾರಣವನ್ನು ಪರಿಶೀಲಿಸಲು ಪ್ರಾರಂಭಿಸಬಹುದು. ನೀವು ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು ಡೇಟಾ ಗುಂಪುಗಳನ್ನು ರಚಿಸಬಹುದು. ಈ ಡೇಟಾ ಗುಂಪುಗಳು ಡಿಬಗಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಏಕೆಂದರೆ ಒಂದು ಗುಂಪಿನಲ್ಲಿ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಉತ್ತಮವಾಗಿದ್ದರೆ ಮತ್ತೊಂದರಲ್ಲಿ ತಪ್ಪುಗಳಾಗಿರುವುದನ್ನು ತಿಳಿಯಲು. -![ದೋಷ ವಿಶ್ಲೇಷಣೆ](../../../../translated_images/kn/ea-error-cohort.6886209ea5d438c4.png) +![ದೋಷ ವಿಶ್ಲೇಷಣೆ](../../../../translated_images/kn/ea-error-cohort.6886209ea5d438c4.webp) ಮರ ನಕ್ಷೆಯ ದೃಶ್ಯ ಸೂಚಕಗಳು ಸಮಸ್ಯೆ ಪ್ರದೇಶಗಳನ್ನು ವೇಗವಾಗಿ ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಮರದ ನೋಡ್‌ಗೆ ಹೆಚ್ಚು ಕಪ್ಪು ಕೆಂಪು ಬಣ್ಣ ಇದ್ದರೆ, ದೋಷ ದರ ಹೆಚ್ಚು ಇದೆ. ಹೀಟ್ ಮ್ಯಾಪ್ ಮತ್ತೊಂದು ದೃಶ್ಯೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ, ಬಳಕೆದಾರರು ಒಂದು ಅಥವಾ ಎರಡು ಲಕ್ಷಣಗಳನ್ನು ಬಳಸಿ ದೋಷ ದರವನ್ನು ಪರಿಶೀಲಿಸಲು ಬಳಸಬಹುದು, ಇದು ಸಂಪೂರ್ಣ ಡೇಟಾ ಸೆಟ್ ಅಥವಾ ಗುಂಪುಗಳಲ್ಲಿ ಮಾದರಿ ದೋಷಗಳಿಗೆ ಕಾರಣವಾದ ಅಂಶವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. -![ದೋಷ ವಿಶ್ಲೇಷಣೆ ಹೀಟ್‌ಮ್ಯಾಪ್](../../../../translated_images/kn/ea-heatmap.8d27185e28cee383.png) +![ದೋಷ ವಿಶ್ಲೇಷಣೆ ಹೀಟ್‌ಮ್ಯಾಪ್](../../../../translated_images/kn/ea-heatmap.8d27185e28cee383.webp) ನೀವು ದೋಷ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಬೇಕಾಗಿರುವಾಗ: @@ -57,11 +57,11 @@ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ದೋಷ ವಿಶ್ಲೇ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಮಾದರಿ ಅವಲೋಕನ ಘಟಕವು ಡೇಟಾ ಪ್ರತಿನಿಧಾನದ ಕಾರ್ಯಕ್ಷಮತೆ metrics ಗಳ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ, ಬಳಕೆದಾರರಿಗೆ ವಿವಿಧ ಗುಂಪುಗಳ ನಡುವೆ ಮಾದರಿಯ ವರ್ತನೆಯನ್ನು ಹೋಲಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. -![ಡೇಟಾ ಗುಂಪುಗಳು - RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಮಾದರಿ ಅವಲೋಕನ](../../../../translated_images/kn/model-overview-dataset-cohorts.dfa463fb527a35a0.png) +![ಡೇಟಾ ಗುಂಪುಗಳು - RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಮಾದರಿ ಅವಲೋಕನ](../../../../translated_images/kn/model-overview-dataset-cohorts.dfa463fb527a35a0.webp) ಘಟಕದ ಲಕ್ಷಣ ಆಧಾರಿತ ವಿಶ್ಲೇಷಣೆ ಕಾರ್ಯಕ್ಷಮತೆ ಬಳಕೆದಾರರಿಗೆ ನಿರ್ದಿಷ್ಟ ಲಕ್ಷಣದ ಒಳಗಿನ ಡೇಟಾ ಉಪಗುಂಪುಗಳನ್ನು ಸಣ್ಣ ಮಟ್ಟದಲ್ಲಿ ಅನಾಮಲಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಬಳಕೆದಾರರು ಆಯ್ಕೆಮಾಡಿದ ಲಕ್ಷಣಕ್ಕೆ (ಉದಾ: *"time_in_hospital < 3"* ಅಥವಾ *"time_in_hospital >= 7"*) ಗುಂಪುಗಳನ್ನು ರಚಿಸುತ್ತದೆ. ಇದು ಬಳಕೆದಾರರಿಗೆ ದೊಡ್ಡ ಡೇಟಾ ಗುಂಪಿನಿಂದ ನಿರ್ದಿಷ್ಟ ಲಕ್ಷಣವನ್ನು ವಿಭಜಿಸಿ, ಅದು ಮಾದರಿಯ ತಪ್ಪು ಫಲಿತಾಂಶಗಳಿಗೆ ಪ್ರಮುಖ ಕಾರಣವಾಗಿದೆಯೇ ಎಂದು ನೋಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. -![ಲಕ್ಷಣ ಗುಂಪುಗಳು - RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಮಾದರಿ ಅವಲೋಕನ](../../../../translated_images/kn/model-overview-feature-cohorts.c5104d575ffd0c80.png) +![ಲಕ್ಷಣ ಗುಂಪುಗಳು - RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಮಾದರಿ ಅವಲೋಕನ](../../../../translated_images/kn/model-overview-feature-cohorts.c5104d575ffd0c80.webp) ಮಾದರಿ ಅವಲೋಕನ ಘಟಕವು ಎರಡು ವರ್ಗದ ವ್ಯತ್ಯಾಸ metrics ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ: @@ -85,7 +85,7 @@ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಮಾದರಿ ಅವಲೋ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಘಟಕವು ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಅತಿವ್ಯಕ್ತ ಮತ್ತು ಅಲ್ಪಪ್ರತಿನಿಧಾನ ಇರುವ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಬಳಕೆದಾರರಿಗೆ ದೋಷಗಳು ಮತ್ತು ನ್ಯಾಯತೆ ಸಮಸ್ಯೆಗಳ ಮೂಲ ಕಾರಣವನ್ನು ಡೇಟಾ ಅಸಮಾನತೆಗಳಿಂದ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಡೇಟಾ ಗುಂಪಿನ ಪ್ರತಿನಿಧಾನದ ಕೊರತೆಯಿಂದ ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಭವಿಷ್ಯವಾಣಿ ಮತ್ತು ನಿಜವಾದ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ದೋಷ ಗುಂಪುಗಳು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಬಳಕೆದಾರರಿಗೆ ಸಾಮರ್ಥ್ಯ ನೀಡುತ್ತದೆ. ಕೆಲವೊಮ್ಮೆ ಅಲ್ಪಪ್ರತಿನಿಧಿತ ಡೇಟಾ ಗುಂಪನ್ನು ಕಂಡುಹಿಡಿಯುವುದರಿಂದ ಮಾದರಿ ಚೆನ್ನಾಗಿ ಕಲಿಯುತ್ತಿಲ್ಲ ಎಂದು ಬಹಿರಂಗವಾಗಬಹುದು, ಆದ್ದರಿಂದ ಹೆಚ್ಚಿನ ದೋಷಗಳು. ಡೇಟಾ ಪೂರ್ವಗ್ರಹ ಹೊಂದಿರುವ ಮಾದರಿ ಕೇವಲ ನ್ಯಾಯತೆ ಸಮಸ್ಯೆಯಲ್ಲ, ಅದು ಒಳಗೊಂಡ ಅಥವಾ ನಂಬಿಕಯೋಗ್ಯವಲ್ಲದ ಮಾದರಿಯನ್ನೂ ತೋರಿಸುತ್ತದೆ. -![RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಘಟಕ](../../../../translated_images/kn/dataanalysis-cover.8d6d0683a70a5c1e.png) +![RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಘಟಕ](../../../../translated_images/kn/dataanalysis-cover.8d6d0683a70a5c1e.webp) ನೀವು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಬೇಕಾಗಿರುವಾಗ: @@ -104,14 +104,14 @@ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಡೇಟಾ ವಿಶ್ಲ RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಲಕ್ಷಣ ಮಹತ್ವ ಘಟಕವು ನಿಮ್ಮನ್ನು ಡಿಬಗ್ ಮಾಡಲು ಮತ್ತು ಮಾದರಿ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಹೇಗೆ ಮಾಡುತ್ತದೆ ಎಂಬುದರ ಸಮಗ್ರ ಅರ್ಥವನ್ನು ಪಡೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಯಂತ್ರ ಅಧ್ಯಯನ ವೃತ್ತಿಪರರು ಮತ್ತು ನಿರ್ಧಾರಗಾರರಿಗೆ ನಿಯಂತ್ರಣ ಅನುಕೂಲತೆಯಿಗಾಗಿ ಮಾದರಿಯ ವರ್ತನೆಯನ್ನು ಪ್ರಭಾವಿಸುವ ಲಕ್ಷಣಗಳನ್ನು ವಿವರಿಸಲು ಮತ್ತು ಸಾಕ್ಷ್ಯವನ್ನು ತೋರಿಸಲು ಉಪಯುಕ್ತ ಸಾಧನವಾಗಿದೆ. ನಂತರ, ಬಳಕೆದಾರರು ಜಾಗತಿಕ ಮತ್ತು ಸ್ಥಳೀಯ ವಿವರಣೆಗಳನ್ನು ಅನ್ವೇಷಿಸಿ ಯಾವ ಲಕ್ಷಣಗಳು ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತವೆ ಎಂದು ಪರಿಶೀಲಿಸಬಹುದು. ಜಾಗತಿಕ ವಿವರಣೆಗಳು ಮಾದರಿಯ ಒಟ್ಟು ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಪ್ರಭಾವಿಸಿದ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತವೆ. ಸ್ಥಳೀಯ ವಿವರಣೆಗಳು ವ್ಯಕ್ತಿಗತ ಪ್ರಕರಣಕ್ಕೆ ಮಾದರಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿದ ಲಕ್ಷಣಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಸ್ಥಳೀಯ ವಿವರಣೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ನಿರ್ದಿಷ್ಟ ಪ್ರಕರಣವನ್ನು ಡಿಬಗ್ ಅಥವಾ ಪರಿಶೀಲಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ಇದು ಮಾದರಿ ಸರಿಯಾದ ಅಥವಾ ತಪ್ಪು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿದ ಕಾರಣವನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. -![RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಲಕ್ಷಣ ಮಹತ್ವ ಘಟಕ](../../../../translated_images/kn/9-feature-importance.cd3193b4bba3fd4b.png) +![RAI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನ ಲಕ್ಷಣ ಮಹತ್ವ ಘಟಕ](../../../../translated_images/kn/9-feature-importance.cd3193b4bba3fd4b.webp) * ಜಾಗತಿಕ ವಿವರಣೆಗಳು: ಉದಾಹರಣೆಗೆ, ಮಧುಮೇಹ ಆಸ್ಪತ್ರೆ ಮರುಪ್ರವೇಶ ಮಾದರಿಯ ಒಟ್ಟು ವರ್ತನೆಯನ್ನು ಯಾವ ಲಕ್ಷಣಗಳು ಪ್ರಭಾವಿಸುತ್ತವೆ? * ಸ್ಥಳೀಯ ವಿವರಣೆಗಳು: ಉದಾಹರಣೆಗೆ, 60 ವರ್ಷಕ್ಕಿಂತ ಮೇಲ್ಪಟ್ಟ ಮಧುಮೇಹ ರೋಗಿಯು 30 ದಿನಗಳಲ್ಲಿ ಮರುಪ್ರವೇಶಿಸುವ ಅಥವಾ ಮರುಪ್ರವೇಶಿಸದಿರುವ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿದ್ದು ಏಕೆ? ವಿಭಿನ್ನ ಗುಂಪುಗಳಲ್ಲಿನ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರಿಶೀಲಿಸುವ ಡಿಬಗಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಲಕ್ಷಣ ಮಹತ್ವವು ಗುಂಪುಗಳಲ್ಲಿ ಲಕ್ಷಣದ ಪ್ರಭಾವದ ಮಟ್ಟವನ್ನು ತೋರಿಸುತ್ತದೆ. ಇದು ಮಾದರಿಯ ತಪ್ಪು ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ಲಕ್ಷಣದ ಪ್ರಭಾವದ ಮಟ್ಟವನ್ನು ಹೋಲಿಸುವಾಗ ಅನಾಮಲಿಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಲಕ್ಷಣ ಮಹತ್ವ ಘಟಕವು ಲಕ್ಷಣದ ಮೌಲ್ಯಗಳು ಮಾದರಿಯ ಫಲಿತಾಂಶವನ್ನು ಧನಾತ್ಮಕ ಅಥವಾ ಋಣಾತ್ಮಕವಾಗಿ ಪ್ರಭಾವಿಸಿದವು ಎಂದು ತೋರಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಮಾದರಿ ತಪ್ಪು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಿದರೆ, ಈ ಘಟಕವು ನೀವು ಆ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಚಾಲನೆ ಮಾಡಿದ ಲಕ್ಷಣಗಳು ಅಥವಾ ಲಕ್ಷಣ ಮೌಲ್ಯಗಳನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಮಟ್ಟದ ವಿವರವು ಡಿಬಗಿಂಗ್ ಮಾತ್ರವಲ್ಲದೆ ಪರಿಶೀಲನೆ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೊನೆಗೆ, ಈ ಘಟಕವು ನ್ಯಾಯತೆ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಜಾತಿ ಅಥವಾ ಲಿಂಗದಂತಹ ಸಂವೇದನಾಶೀಲ ಲಕ್ಷಣವು ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಹೆಚ್ಚು ಪ್ರಭಾವಿಸಿದರೆ, ಇದು ಮಾದರಿಯಲ್ಲಿ ಜಾತಿ ಅಥವಾ ಲಿಂಗ ಪೂರ್ವಗ್ರಹದ ಸೂಚನೆ ಆಗಬಹುದು. -![ಲಕ್ಷಣ ಮಹತ್ವ](../../../../translated_images/kn/9-features-influence.3ead3d3f68a84029.png) +![ಲಕ್ಷಣ ಮಹತ್ವ](../../../../translated_images/kn/9-features-influence.3ead3d3f68a84029.webp) ನೀವು ವಿವರಣಾತ್ಮಕತೆಯನ್ನು ಬಳಸಬೇಕಾಗಿರುವಾಗ: diff --git a/translations/kn/9-Real-World/README.md b/translations/kn/9-Real-World/README.md index 0de64b983..608c3ec49 100644 --- a/translations/kn/9-Real-World/README.md +++ b/translations/kn/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ಪಠ್ಯಕ್ರಮದ ಈ ವಿಭಾಗದಲ್ಲಿ, ನೀವು ಶ್ರೇಷ್ಟ ML ನ ಕೆಲವು ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳುತ್ತೀರಿ. ನಾವು ಇಂಟರ್ನೆಟ್ ಅನ್ನು ಹುಡುಕಿ ಈ ತಂತ್ರಗಳನ್ನು ಬಳಸಿದ ಅನ್ವಯಿಕೆಗಳ ಬಗ್ಗೆ ಶ್ವೇತಪತ್ರಗಳು ಮತ್ತು ಲೇಖನಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೇವೆ, ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು, ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮತ್ತು AI ಅನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ತಪ್ಪಿಸಿ. ವ್ಯವಹಾರ ವ್ಯವಸ್ಥೆಗಳು, ಪರಿಸರ ಅನ್ವಯಿಕೆಗಳು, ಹಣಕಾಸು, ಕಲೆ ಮತ್ತು ಸಂಸ್ಕೃತಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ML ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿಯಿರಿ. -![chess](../../../translated_images/kn/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/kn/chess.e704a268781bdad8.webp) > ಫೋಟೋ Alexis Fauvet ಅವರಿಂದ Unsplash ನಲ್ಲಿ diff --git a/translations/kn/README.md b/translations/kn/README.md index ccf249091..e0c9b341a 100644 --- a/translations/kn/README.md +++ b/translations/kn/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: ನಾವು ಡಿಸ್ಕೋರ್ಡ್‌ನಲ್ಲಿ AI ಜೊತೆಗೆ ಕಲಿಕೆ ಸರಣಿ ನಡೆಸುತ್ತಿದ್ದೇವೆ; ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರ ಅವಧಿಯಲ್ಲಿ ನಮ್ಮೊಂದಿಗೆ ಸೇರಲು [AI ಜೊತೆ ಕಲಿಕೆ ಸರಣಿ](https://aka.ms/learnwithai/discord) ಗೆ ಭೇಟಿ ನೀಡಿ. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಬಳಸುವ ಸಲಹೆಗಳು ಮತ್ತು ಟ್ರಿಕ್ಕುಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ. -![AI ಜೊತೆ ಕಲಿಕೆ ಸರಣಿ](../../translated_images/kn/3.9b58fd8d6c373c20.png) +![AI ಜೊತೆ ಕಲಿಕೆ ಸರಣಿ](../../translated_images/kn/3.9b58fd8d6c373c20.webp) # ಆರಂಭಿಕರಿಗಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ - ಪಾಠ್ಯಕ್ರಮ @@ -78,7 +78,7 @@ Microsoftನ ಕ್ಲೌಡ್ ಅಡ್ವೊಕೇಟ್‌ಗಳು **ಮೆ ಕೆಲವು ಪಾಠಗಳು ಚುಟುಕು ಆಕಾರದ ವೀಡಿಯೊಗಳಾಗಿ ಲಭ್ಯವಾಗಿವೆ. ನೀವು ಈ ಎಲ್ಲಾ ವೀಡಿಯೊಗಳನ್ನು ಪಾಠಗಳಲ್ಲಿ ಬಣ್ಣವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು, ಇಲ್ಲವೇ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ [Microsoft Developer YouTube ಚಾನೆಲಿನ 'ML for Beginners' ಪ್ಲೇಲಿಸ್ಟ್](https://aka.ms/ml-beginners-videos) ಭೈಗತಿಯನ್ನು ನೋಡಿ. -[![ML for Beginners ಬ್ಯಾನರ್](../../translated_images/kn/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for Beginners ಬ್ಯಾನರ್](../../translated_images/kn/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ko/1-Introduction/README.md b/translations/ko/1-Introduction/README.md index c7e248a23..872c345b5 100644 --- a/translations/ko/1-Introduction/README.md +++ b/translations/ko/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이 커리큘럼 섹션에서는 머신 러닝 분야의 기본 개념, 그것이 무엇인지, 그리고 연구자들이 이를 다루기 위해 사용하는 기술에 대해 배우게 됩니다. 함께 이 새로운 ML 세계를 탐험해 봅시다! -![globe](../../../translated_images/ko/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ko/globe.59f26379ceb40428.webp) > 사진 제공: Bill Oxford on Unsplash ### 강의 목록 diff --git a/translations/ko/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ko/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 8b343e8d9..94b31a45f 100644 --- a/translations/ko/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ko/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
@allison_horst의 작품
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ko/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ko/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 1c5421b34..823526b75 100644 --- a/translations/ko/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ko/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
@allison_horst의 작품
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
@allison_horst의 작품
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -536,7 +536,7 @@ "
다사니 마디팔리의 인포그래픽
\n", "\n", "\n", - "\n", + "\n", "\n", "다음과 같은 *현명한* 격언이 있습니다:\n", "\n", diff --git a/translations/ko/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ko/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index ed8380a61..8dc9bbc7a 100644 --- a/translations/ko/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ko/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
다사니 마디팔리의 인포그래픽
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 소개\n", "\n", @@ -164,7 +164,7 @@ "
@allison_horst의 작품
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -569,7 +569,7 @@ "
Dasani Madipalli의 인포그래픽
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -810,7 +810,7 @@ "
다사니 마디팔리의 인포그래픽
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ko/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ko/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 7bdda518b..ba4d39096 100644 --- a/translations/ko/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ko/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 로지스틱 회귀 모델 구축 - 레슨 4\n", "\n", - "![로지스틱 vs. 선형 회귀 인포그래픽](../../../../../../translated_images/ko/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![로지스틱 vs. 선형 회귀 인포그래픽](../../../../../../translated_images/ko/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[강의 전 퀴즈](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "로지스틱 회귀는 선형 회귀와 동일한 기능을 제공하지 않습니다. 로지스틱 회귀는 `이진 카테고리` (\"주황색 또는 주황색이 아님\")에 대한 예측을 제공하는 반면, 선형 회귀는 예를 들어 호박의 원산지와 수확 시기를 기반으로 *가격이 얼마나 오를지*와 같은 `연속적인 값`을 예측할 수 있습니다.\n", "\n", - "![Dasani Madipalli의 인포그래픽](../../../../../../translated_images/ko/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli의 인포그래픽](../../../../../../translated_images/ko/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### 기타 분류\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **순서형 회귀**: 순서가 있는 카테고리를 포함하며, 결과를 논리적으로 정렬해야 할 때 유용합니다. 예를 들어, 호박을 크기별로 정렬하는 경우 (미니, 소, 중, 대, 특대, 초대형).\n", "\n", - "![다항 회귀 vs 순서형 회귀](../../../../../../translated_images/ko/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![다항 회귀 vs 순서형 회귀](../../../../../../translated_images/ko/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **변수는 반드시 상관관계를 가질 필요가 없습니다**\n", "\n", diff --git a/translations/ko/2-Regression/README.md b/translations/ko/2-Regression/README.md index a5e604291..ddd577037 100644 --- a/translations/ko/2-Regression/README.md +++ b/translations/ko/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 북미에서는 호박을 종종 할로윈을 위해 무서운 얼굴로 조각합니다. 이 매력적인 채소에 대해 더 알아봅시다! -![jack-o-lanterns](../../../translated_images/ko/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ko/jack-o-lanterns.181c661a9212457d.webp) > 사진 제공: Beth Teutschmann on Unsplash ## 학습 내용 diff --git a/translations/ko/3-Web-App/README.md b/translations/ko/3-Web-App/README.md index e8f81e025..10c42d586 100644 --- a/translations/ko/3-Web-App/README.md +++ b/translations/ko/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이 커리큘럼 섹션에서는 Scikit-learn 모델을 파일로 저장하여 웹 애플리케이션 내에서 예측에 사용할 수 있는 방법을 배우는 실용적인 머신러닝 주제를 소개합니다. 모델을 저장한 후에는 Flask로 구축된 웹 앱에서 이를 사용하는 방법을 배우게 됩니다. 먼저 UFO 목격 데이터를 사용하여 모델을 생성합니다! 그런 다음, 특정 시간(초)과 위도 및 경도 값을 입력하여 어느 국가에서 UFO를 목격했는지 예측할 수 있는 웹 앱을 구축합니다. -![UFO 주차장](../../../translated_images/ko/ufo.9e787f5161da9d4d.jpg) +![UFO 주차장](../../../translated_images/ko/ufo.9e787f5161da9d4d.webp) 사진 제공: Michael Herren on Unsplash diff --git a/translations/ko/4-Classification/README.md b/translations/ko/4-Classification/README.md index e8a3cbc65..ea712e384 100644 --- a/translations/ko/4-Classification/README.md +++ b/translations/ko/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 아시아와 인도에서는 음식 전통이 매우 다양하고 정말 맛있습니다! 지역 요리에 대한 데이터를 살펴보며 그 재료를 이해해 봅시다. -![태국 음식 판매자](../../../translated_images/ko/thai-food.c47a7a7f9f05c218.jpg) +![태국 음식 판매자](../../../translated_images/ko/thai-food.c47a7a7f9f05c218.webp) > 사진 제공: Lisheng Chang on Unsplash ## 학습 내용 diff --git a/translations/ko/5-Clustering/README.md b/translations/ko/5-Clustering/README.md index d1e4d40e2..374ce19d3 100644 --- a/translations/ko/5-Clustering/README.md +++ b/translations/ko/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 나이지리아의 다양한 청중은 다양한 음악 취향을 가지고 있습니다. [이 기사](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)에서 영감을 받아 Spotify에서 수집한 데이터를 사용하여 나이지리아에서 인기 있는 음악을 살펴보겠습니다. 이 데이터셋에는 여러 곡의 '댄스 가능성(danceability)' 점수, '어쿠스틱(acousticness)', 음량(loudness), '스피치니스(speechiness)', 인기(popularity), 에너지(energy)에 대한 데이터가 포함되어 있습니다. 이 데이터에서 패턴을 발견하는 것은 흥미로울 것입니다! -![턴테이블](../../../translated_images/ko/turntable.f2b86b13c53302dc.jpg) +![턴테이블](../../../translated_images/ko/turntable.f2b86b13c53302dc.webp) > 사진 제공: Marcela Laskoski on Unsplash diff --git a/translations/ko/6-NLP/README.md b/translations/ko/6-NLP/README.md index a566c92e6..accc62364 100644 --- a/translations/ko/6-NLP/README.md +++ b/translations/ko/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 이 강의에서는 작은 대화형 봇을 만들어 NLP의 기초를 배우고, 기계 학습이 이러한 대화를 점점 더 '스마트'하게 만드는 데 어떻게 기여하는지 알아볼 것입니다. 여러분은 시간을 거슬러 올라가, 제인 오스틴의 고전 소설 **오만과 편견**(1813년 출간)의 엘리자베스 베넷과 미스터 다아시와 대화를 나누게 될 것입니다. 이후, 유럽 호텔 리뷰를 통해 감정 분석에 대해 배우며 지식을 확장할 것입니다. -![오만과 편견 책과 차](../../../translated_images/ko/p&p.279f1c49ecd88941.jpg) +![오만과 편견 책과 차](../../../translated_images/ko/p&p.279f1c49ecd88941.webp) > 사진 제공: Elaine Howlin on Unsplash ## 강의 목록 diff --git a/translations/ko/7-TimeSeries/README.md b/translations/ko/7-TimeSeries/README.md index 4d908201e..466cfb068 100644 --- a/translations/ko/7-TimeSeries/README.md +++ b/translations/ko/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 우리의 지역적 초점은 세계 전력 사용량입니다. 이는 과거 부하 패턴을 기반으로 미래 전력 사용량을 예측하는 방법을 배우기에 흥미로운 데이터셋입니다. 이러한 예측은 비즈니스 환경에서 매우 유용할 수 있음을 알 수 있습니다. -![전력망](../../../translated_images/ko/electric-grid.0c21d5214db09ffa.jpg) +![전력망](../../../translated_images/ko/electric-grid.0c21d5214db09ffa.webp) 라자스탄 도로 위 전력탑 사진 제공: [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ([Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)) diff --git a/translations/ko/8-Reinforcement/README.md b/translations/ko/8-Reinforcement/README.md index 55951ff44..20cfa071d 100644 --- a/translations/ko/8-Reinforcement/README.md +++ b/translations/ko/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 주식 시장과 같은 시뮬레이션 환경을 상상해 보세요. 특정 규제를 적용하면 어떤 일이 발생할까요? 긍정적인 효과가 있을까요, 아니면 부정적인 효과가 있을까요? 부정적인 일이 발생하면 이를 _부정적 강화_로 받아들이고, 이를 통해 배우며 방향을 바꿔야 합니다. 긍정적인 결과가 나오면 _긍정적 강화_를 기반으로 더 발전시켜야 합니다. -![peter and the wolf](../../../translated_images/ko/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/ko/peter.779730f9ba3a8a8d.webp) > 피터와 그의 친구들은 배고픈 늑대에게서 도망쳐야 합니다! 이미지 제공: [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ko/9-Real-World/README.md b/translations/ko/9-Real-World/README.md index 2b7f8a265..90cc92249 100644 --- a/translations/ko/9-Real-World/README.md +++ b/translations/ko/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 이 커리큘럼 섹션에서는 고전적 머신 러닝의 실제 응용 사례를 소개합니다. 우리는 인터넷을 샅샅이 뒤져서 신경망, 딥러닝, AI를 최대한 배제한 채 이러한 전략을 활용한 응용 사례에 대한 백서와 기사를 찾아냈습니다. 머신 러닝이 비즈니스 시스템, 생태학적 응용, 금융, 예술과 문화 등 다양한 분야에서 어떻게 사용되는지 알아보세요. -![chess](../../../translated_images/ko/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ko/chess.e704a268781bdad8.webp) > 사진 제공: Alexis Fauvet on Unsplash diff --git a/translations/ko/README.md b/translations/ko/README.md index ab93f9578..0edc9376d 100644 --- a/translations/ko/README.md +++ b/translations/ko/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: 저희는 Discord에서 Learn with AI 시리즈를 진행하고 있습니다. 자세한 내용과 참여는 [Learn with AI Series](https://aka.ms/learnwithai/discord)에서 확인하세요. 2025년 9월 18일 - 30일 동안 진행됩니다. GitHub Copilot을 데이터 과학에 활용하는 팁과 요령을 얻을 수 있습니다. -![Learn with AI series](../../translated_images/ko/3.9b58fd8d6c373c20.png) +![Learn with AI series](../../translated_images/ko/3.9b58fd8d6c373c20.webp) # 초보자를 위한 머신러닝 - 커리큘럼 @@ -80,7 +80,7 @@ Microsoft의 Cloud Advocates는 총 12주, 26개의 수업으로 구성된 **머 일부 수업은 단편 비디오로 제공됩니다. 수업 내부에서 직접 보거나 [ML for Beginners 재생목록 (Microsoft Developer YouTube 채널)](https://aka.ms/ml-beginners-videos)에서 아래 이미지를 클릭하여 모두 확인할 수 있습니다. -[![ML for beginners 배너](../../translated_images/ko/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners 배너](../../translated_images/ko/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/lt/1-Introduction/README.md b/translations/lt/1-Introduction/README.md index 87aafddb2..21481c088 100644 --- a/translations/lt/1-Introduction/README.md +++ b/translations/lt/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Šioje mokymo programos dalyje susipažinsite su pagrindinėmis sąvokomis, kurios sudaro mašininio mokymosi pagrindą, sužinosite, kas tai yra, jo istoriją ir technikas, kurias tyrėjai naudoja dirbdami su juo. Leiskimės kartu į šį naują ML pasaulį! -![globe](../../../translated_images/lt/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/lt/globe.59f26379ceb40428.webp) > Nuotrauka Bill Oxford iš Unsplash ### Pamokos diff --git a/translations/lt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/lt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 170cf7c21..59851c2d7 100644 --- a/translations/lt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/lt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Piešinys @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/lt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/lt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 370fd2153..ce3d39635 100644 --- a/translations/lt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/lt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
Piešinys @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
Piešinys sukurtas @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -534,7 +534,7 @@ "
Infografikas sukurtas Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "Yra *išmintingas* posakis, kuris skamba taip:\n", "\n", diff --git a/translations/lt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/lt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index e028d108c..3414b94eb 100644 --- a/translations/lt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/lt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
Piešinys @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
Infografikas: Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
Infografikas: Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/lt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/lt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 09c799186..55e1acbf7 100644 --- a/translations/lt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/lt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Sukurkite logistinės regresijos modelį - Pamoka 4\n", "\n", - "![Logistinės ir linijinės regresijos infografikas](../../../../../../translated_images/lt/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Logistinės ir linijinės regresijos infografikas](../../../../../../translated_images/lt/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Klausimynas prieš paskaitą](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "Logistinė regresija nepasiūlo tų pačių galimybių kaip linijinė regresija. Pirmoji pateikia prognozę apie `dvejetainę kategoriją` („oranžinis arba ne oranžinis“), o antroji gali prognozuoti `tęstines reikšmes`, pavyzdžiui, atsižvelgiant į moliūgo kilmę ir derliaus nuėmimo laiką, *kaip kils jo kaina*.\n", "\n", - "![Infografikas, sukurtas Dasani Madipalli](../../../../../../translated_images/lt/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infografikas, sukurtas Dasani Madipalli](../../../../../../translated_images/lt/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Kitos klasifikacijos\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Ranginė**, kuri apima tvarkingas kategorijas, naudingas, jei norėtume logiškai išdėstyti savo rezultatus, pavyzdžiui, moliūgus, kurie yra išdėstyti pagal ribotą dydžių skaičių (mini, mažas, vidutinis, didelis, labai didelis, milžiniškas).\n", "\n", - "![Daugialypė vs ranginė regresija](../../../../../../translated_images/lt/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Daugialypė vs ranginė regresija](../../../../../../translated_images/lt/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **Kintamieji NETURI būti koreliuoti**\n", "\n", diff --git a/translations/lt/2-Regression/README.md b/translations/lt/2-Regression/README.md index afe87b45a..345934efc 100644 --- a/translations/lt/2-Regression/README.md +++ b/translations/lt/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: Šiaurės Amerikoje moliūgai dažnai išpjaustomi į baisius veidus Helovino šventei. Sužinokime daugiau apie šias įdomias daržoves! -![jack-o-lanterns](../../../translated_images/lt/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/lt/jack-o-lanterns.181c661a9212457d.webp) > Nuotrauka Beth Teutschmann iš Unsplash ## Ką išmoksite diff --git a/translations/lt/3-Web-App/README.md b/translations/lt/3-Web-App/README.md index ea8d05b79..6b5683b5e 100644 --- a/translations/lt/3-Web-App/README.md +++ b/translations/lt/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Šioje mokymo programos dalyje susipažinsite su praktiniu ML aspektu: kaip išsaugoti savo Scikit-learn modelį kaip failą, kurį galima naudoti prognozėms internetinėje programoje. Kai modelis bus išsaugotas, sužinosite, kaip jį naudoti internetinėje programoje, sukurtoje naudojant Flask. Pirmiausia sukursite modelį naudodami duomenis apie NSO stebėjimus! Tada sukursite internetinę programą, kuri leis įvesti sekundžių skaičių, platumos ir ilgumos reikšmes, kad būtų galima prognozuoti, kuri šalis pranešė apie NSO stebėjimą. -![NSO stovėjimo aikštelė](../../../translated_images/lt/ufo.9e787f5161da9d4d.jpg) +![NSO stovėjimo aikštelė](../../../translated_images/lt/ufo.9e787f5161da9d4d.webp) Nuotrauka Michael Herren iš Unsplash diff --git a/translations/lt/4-Classification/README.md b/translations/lt/4-Classification/README.md index c48c290e6..efafda6f1 100644 --- a/translations/lt/4-Classification/README.md +++ b/translations/lt/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Azijoje ir Indijoje maisto tradicijos yra itin įvairios ir labai gardžios! Pažvelkime į duomenis apie regioninius patiekalus, kad geriau suprastume jų ingredientus. -![Tailando maisto pardavėjas](../../../translated_images/lt/thai-food.c47a7a7f9f05c218.jpg) +![Tailando maisto pardavėjas](../../../translated_images/lt/thai-food.c47a7a7f9f05c218.webp) > Nuotrauka Lisheng Chang iš Unsplash ## Ką išmoksite diff --git a/translations/lt/5-Clustering/README.md b/translations/lt/5-Clustering/README.md index 8b046f50c..efaca4738 100644 --- a/translations/lt/5-Clustering/README.md +++ b/translations/lt/5-Clustering/README.md @@ -15,7 +15,7 @@ Klasterizavimas yra mašininio mokymosi užduotis, kurios tikslas – surasti ob Nigerijos įvairialypė auditorija turi skirtingus muzikinius skonius. Naudojant duomenis, surinktus iš Spotify (įkvėpta [šio straipsnio](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), pažvelkime į kai kurias Nigerijoje populiarias dainas. Šis duomenų rinkinys apima informaciją apie įvairių dainų „šokamumo“ balą, „akustiškumą“, garsumą, „kalbamumą“, populiarumą ir energiją. Bus įdomu atrasti šių duomenų dėsningumus! -![Patefono nuotrauka](../../../translated_images/lt/turntable.f2b86b13c53302dc.jpg) +![Patefono nuotrauka](../../../translated_images/lt/turntable.f2b86b13c53302dc.webp) > Nuotrauka Marcela Laskoski iš Unsplash diff --git a/translations/lt/6-NLP/README.md b/translations/lt/6-NLP/README.md index ef8012df6..6e3bae08a 100644 --- a/translations/lt/6-NLP/README.md +++ b/translations/lt/6-NLP/README.md @@ -17,7 +17,7 @@ Natūralios kalbos apdorojimas (NLP) – tai kompiuterinės programos gebėjimas Šiose pamokose išmoksime NLP pagrindus, kurdami mažus pokalbių robotus, kad suprastume, kaip mašininis mokymasis padeda šiuos pokalbius padaryti vis „protingesnius“. Keliausite atgal laiku, bendraudami su Elizabeth Bennett ir ponu Darcy iš Jane Austen klasikinio romano **Puikybė ir prietarai**, išleisto 1813 metais. Vėliau gilinsite savo žinias, mokydamiesi apie sentimentų analizę per viešbučių apžvalgas Europoje. -![Puikybė ir prietarai knyga ir arbata](../../../translated_images/lt/p&p.279f1c49ecd88941.jpg) +![Puikybė ir prietarai knyga ir arbata](../../../translated_images/lt/p&p.279f1c49ecd88941.webp) > Nuotrauka Elaine Howlin iš Unsplash ## Pamokos diff --git a/translations/lt/7-TimeSeries/README.md b/translations/lt/7-TimeSeries/README.md index 892816062..e02b2c8c6 100644 --- a/translations/lt/7-TimeSeries/README.md +++ b/translations/lt/7-TimeSeries/README.md @@ -17,7 +17,7 @@ Kas yra laiko eilučių prognozavimas? Tai ateities įvykių numatymas analizuoj Mūsų regioninis dėmesys skiriamas pasauliniam elektros energijos naudojimui – įdomiam duomenų rinkiniui, kuris padeda išmokti prognozuoti būsimą energijos poreikį remiantis praeities apkrovos modeliais. Galite pamatyti, kaip tokio tipo prognozavimas gali būti itin naudingas verslo aplinkoje. -![elektros tinklas](../../../translated_images/lt/electric-grid.0c21d5214db09ffa.jpg) +![elektros tinklas](../../../translated_images/lt/electric-grid.0c21d5214db09ffa.webp) Nuotrauka [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektros bokštų kelyje Radžastane, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/lt/8-Reinforcement/README.md b/translations/lt/8-Reinforcement/README.md index 53a9e0bee..c3122726f 100644 --- a/translations/lt/8-Reinforcement/README.md +++ b/translations/lt/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Stiprinamasis mokymasis (RL) laikomas vienu iš pagrindinių mašininio mokymosi Įsivaizduokite, kad turite simuliuotą aplinką, pavyzdžiui, akcijų rinką. Kas nutiks, jei įvesite tam tikrą reguliavimą? Ar tai turės teigiamą ar neigiamą poveikį? Jei nutiks kažkas neigiamo, turite priimti šį _neigiamą stiprinimą_, pasimokyti iš jo ir pakeisti kryptį. Jei rezultatas yra teigiamas, turite remtis tuo _teigiamu stiprinimu_. -![peter ir vilkas](../../../translated_images/lt/peter.779730f9ba3a8a8d.png) +![peter ir vilkas](../../../translated_images/lt/peter.779730f9ba3a8a8d.webp) > Petras ir jo draugai turi pabėgti nuo alkano vilko! Vaizdas sukurtas [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/lt/9-Real-World/README.md b/translations/lt/9-Real-World/README.md index 68cf6da9e..a4fff7099 100644 --- a/translations/lt/9-Real-World/README.md +++ b/translations/lt/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Šioje mokymo programos dalyje susipažinsite su kai kuriais klasikinio mašininio mokymosi realaus pasaulio taikymais. Mes peržiūrėjome internetą, ieškodami straipsnių ir mokslinių darbų apie taikymus, kurie naudoja šias strategijas, vengdami neuroninių tinklų, giluminio mokymosi ir dirbtinio intelekto, kiek įmanoma. Sužinokite, kaip mašininis mokymasis naudojamas verslo sistemose, ekologiniuose projektuose, finansuose, mene ir kultūroje bei kitose srityse. -![šachmatai](../../../translated_images/lt/chess.e704a268781bdad8.jpg) +![šachmatai](../../../translated_images/lt/chess.e704a268781bdad8.webp) > Nuotrauka Alexis Fauvet iš Unsplash diff --git a/translations/lt/README.md b/translations/lt/README.md index 84b53db75..246a5e31f 100644 --- a/translations/lt/README.md +++ b/translations/lt/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Mes turime tęstinę Discord renginių seriją „Mokymasis su AI“ — sužinokite daugiau ir prisijunkite prie [Serija „Learn with AI“](https://aka.ms/learnwithai/discord) nuo 2025 m. rugsėjo 18 d. iki 30 d. Gausite patarimų ir triukų, kaip naudoti GitHub Copilot Duomenų mokslui. -![Serija „Mokymasis su AI“](../../translated_images/lt/3.9b58fd8d6c373c20.png) +![Serija „Mokymasis su AI“](../../translated_images/lt/3.9b58fd8d6c373c20.webp) # Mašininis mokymasis pradedantiesiems - mokymo programa @@ -80,7 +80,7 @@ Atlikite šiuos veiksmus: Kai kurios pamokos prieinamos trumpos formos vaizdo įrašais. Visus juos rasite įterptus pamokose arba [ML for Beginners grojaraštyje Microsoft Developer YouTube kanale](https://aka.ms/ml-beginners-videos), spustelėję žemiau esantį vaizdą. -[![ML for beginners banner](../../translated_images/lt/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/lt/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ml/1-Introduction/1-intro-to-ML/README.md b/translations/ml/1-Introduction/1-intro-to-ML/README.md index c8146f1a3..2612584f0 100644 --- a/translations/ml/1-Introduction/1-intro-to-ML/README.md +++ b/translations/ml/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## ഹൈപ്പ് കർവ് -![ml hype curve](../../../../translated_images/ml/hype.07183d711a17aafe.png) +![ml hype curve](../../../../translated_images/ml/hype.07183d711a17aafe.webp) > 'machine learning' എന്ന പദത്തിന്റെ പുതിയ 'ഹൈപ്പ് കർവ്' Google ട്രെൻഡ്സ് കാണിക്കുന്നു @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## AI, ML, ഡീപ് ലേണിങ് -![AI, ML, deep learning, data science](../../../../translated_images/ml/ai-ml-ds.537ea441b124ebf6.png) +![AI, ML, deep learning, data science](../../../../translated_images/ml/ai-ml-ds.537ea441b124ebf6.webp) > AI, ML, ഡീപ് ലേണിങ്, ഡാറ്റാ സയൻസ് എന്നിവയുടെ ബന്ധം കാണിക്കുന്ന ഒരു രേഖാചിത്രം. [Jen Looper](https://twitter.com/jenlooper) ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്, [ഈ ഗ്രാഫിക്](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) പ്രചോദനമായി. diff --git a/translations/ml/1-Introduction/2-history-of-ML/README.md b/translations/ml/1-Introduction/2-history-of-ML/README.md index 9c41714d2..f243012c7 100644 --- a/translations/ml/1-Introduction/2-history-of-ML/README.md +++ b/translations/ml/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രം -![മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രത്തിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-history.a1bdfd4ce1f464d9.png) +![മെഷീൻ ലേണിങ്ങിന്റെ ചരിത്രത്തിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-history.a1bdfd4ce1f464d9.webp) > സ്കെച്ച്നോട്ട്: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ CO_OP_TRANSLATOR_METADATA: * [ഷേക്കി ദി റോബോട്ട്](https://wikipedia.org/wiki/Shakey_the_robot), 'ബുദ്ധിമുട്ടോടെ' പ്രവർത്തനങ്ങൾ നിർവഹിക്കാൻ കഴിവുള്ളത്. - ![ഷേക്കി, ഒരു ബുദ്ധിമുട്ടുള്ള റോബോട്ട്](../../../../translated_images/ml/shakey.4dc17819c447c05b.jpg) + ![ഷേക്കി, ഒരു ബുദ്ധിമുട്ടുള്ള റോബോട്ട്](../../../../translated_images/ml/shakey.4dc17819c447c05b.webp) > 1972-ലെ ഷേക്കി --- * എലൈസ, ഒരു പ്രാരംഭ 'ചാറ്റർബോട്ട്', ആളുകളുമായി സംവദിക്കുകയും പ്രാഥമിക 'തെറാപ്പിസ്റ്റ്' ആയി പ്രവർത്തിക്കുകയും ചെയ്തു. NLP പാഠങ്ങളിൽ എലൈസയെക്കുറിച്ച് കൂടുതൽ പഠിക്കും. - ![എലൈസ, ഒരു ബോട്ട്](../../../../translated_images/ml/eliza.84397454cda9559b.png) + ![എലൈസ, ഒരു ബോട്ട്](../../../../translated_images/ml/eliza.84397454cda9559b.webp) > എലൈസയുടെ ഒരു പതിപ്പ്, ഒരു ചാറ്റ്ബോട്ട് --- diff --git a/translations/ml/1-Introduction/3-fairness/README.md b/translations/ml/1-Introduction/3-fairness/README.md index 949100684..780ad3ca0 100644 --- a/translations/ml/1-Introduction/3-fairness/README.md +++ b/translations/ml/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ഉത്തരവാദിത്വമുള്ള AI ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് പരിഹാരങ്ങൾ നിർമ്മിക്കൽ -![Summary of responsible AI in Machine Learning in a sketchnote](../../../../translated_images/ml/ml-fairness.ef296ebec6afc98a.png) +![Summary of responsible AI in Machine Learning in a sketchnote](../../../../translated_images/ml/ml-fairness.ef296ebec6afc98a.webp) > സ്കെച്ച്നോട്ട്: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) @@ -51,10 +51,10 @@ AI സിസ്റ്റങ്ങൾ എല്ലാവരോടും നീത - **അധികം അല്ലെങ്കിൽ കുറവ് പ്രതിനിധാനം**: ഒരു പ്രത്യേക വിഭാഗം ഒരു തൊഴിൽ മേഖലയിൽ കാണപ്പെടാത്തത്, അതുപോലെ സേവനങ്ങൾ അതിനെ പ്രോത്സാഹിപ്പിക്കുന്നത് ഹാനികരമാണ്. - **സ്റ്റീരിയോടൈപ്പിംഗ്**: ഒരു വിഭാഗത്തെ മുൻകൂട്ടി നിശ്ചയിച്ച ഗുണങ്ങളുമായി ബന്ധിപ്പിക്കൽ. ഉദാഹരണത്തിന്, ഇംഗ്ലീഷ്-ടർക്കിഷ് ഭാഷാ പരിഭാഷാ സിസ്റ്റത്തിൽ ലിംഗത്തോട് ബന്ധപ്പെട്ട സ്റ്റീരിയോടൈപ്പിക്കൽ വാക്കുകൾ മൂലം തെറ്റുകൾ ഉണ്ടാകാം. -![translation to Turkish](../../../../translated_images/ml/gender-bias-translate-en-tr.f185fd8822c2d437.png) +![translation to Turkish](../../../../translated_images/ml/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > ടർക്കിഷിലേക്ക് വിവർത്തനം -![translation back to English](../../../../translated_images/ml/gender-bias-translate-tr-en.4eee7e3cecb8c70e.png) +![translation back to English](../../../../translated_images/ml/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) > ഇംഗ്ലീഷിലേക്ക് തിരിച്ചുവിവർത്തനം AI സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യുമ്പോഴും പരീക്ഷിക്കുമ്പോഴും, AI നീതിപൂർവ്വം പ്രവർത്തിക്കുന്നതും ബയാസോ വിവേചനപരമായ തീരുമാനങ്ങൾ എടുക്കാതിരിക്കുകയുമാണ് ഉറപ്പാക്കേണ്ടത്, മനുഷ്യർക്കും ഇത് ചെയ്യാൻ അനുവദനീയമല്ല. AI-യിലും മെഷീൻ ലേണിംഗിലും നീതി ഉറപ്പാക്കൽ ഒരു സങ്കീർണ്ണമായ സാമൂഹ്യ സാങ്കേതിക വെല്ലുവിളിയാണ്. @@ -97,7 +97,7 @@ AI സിസ്റ്റങ്ങൾ മനസ്സിലാക്കാവു AI സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്ത് വിനിയോഗിക്കുന്നവർ അവരുടെ സിസ്റ്റങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന് ഉത്തരവാദിത്വം വഹിക്കണം. മുഖം തിരിച്ചറിയൽ പോലുള്ള സങ്കീർണ്ണ സാങ്കേതികവിദ്യകളിൽ ഉത്തരവാദിത്വം പ്രത്യേകിച്ച് പ്രധാനമാണ്. അടുത്തിടെ, മുഖം തിരിച്ചറിയൽ സാങ്കേതികവിദ്യക്ക് വളരെയധികം ആവശ്യകതയുണ്ട്, പ്രത്യേകിച്ച് കാണാതായ കുട്ടികളെ കണ്ടെത്തുന്നതിൽ നിയമപ്രവർത്തക സംഘടനകൾക്ക് ഇത് സഹായകരമെന്ന് കാണുന്നു. എന്നാൽ, ഈ സാങ്കേതികവിദ്യകൾ സർക്കാർ അവരുടെ പൗരന്മാരുടെ അടിസ്ഥാന സ്വാതന്ത്ര്യങ്ങളെ അപകടത്തിലാക്കാൻ ഉപയോഗിക്കാമെന്ന ഭീഷണി ഉണ്ട്, ഉദാഹരണത്തിന്, ചില വ്യക്തികളുടെ നിരന്തര നിരീക്ഷണം സാധ്യമാക്കുക. അതിനാൽ, ഡാറ്റ സയന്റിസ്റ്റുകളും സംഘടനകളും അവരുടെ AI സിസ്റ്റം വ്യക്തികളെയും സമൂഹത്തെയും എങ്ങനെ ബാധിക്കുന്നു എന്നതിന് ഉത്തരവാദിത്വം വഹിക്കണം. -[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/ml/accountability.41d8c0f4b85b6231.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/ml/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") > 🎥 മുകളിൽ കാണുന്ന ചിത്രത്തിൽ ക്ലിക്ക് ചെയ്യുക: മുഖം തിരിച്ചറിയൽ വഴി വ്യാപക നിരീക്ഷണത്തിന്റെ മുന്നറിയിപ്പുകൾ diff --git a/translations/ml/1-Introduction/4-techniques-of-ML/README.md b/translations/ml/1-Introduction/4-techniques-of-ML/README.md index 2ff17681d..7aab8b282 100644 --- a/translations/ml/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/ml/1-Introduction/4-techniques-of-ML/README.md @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: 🎓 **അണ്ടർഫിറ്റിംഗ്** (കുറഞ്ഞ ഫിറ്റ്)യും **ഓവർഫിറ്റിംഗ്** (അധിക ഫിറ്റ്)യും മോഡലിന്റെ ഗുണമേന്മ കുറയ്ക്കുന്ന സാധാരണ പ്രശ്നങ്ങളാണ്, മോഡൽ ശരിയായി ഫിറ്റ് ചെയ്യാത്തതോ വളരെ അധികം ഫിറ്റ് ചെയ്തതോ ആയിരിക്കുമ്പോൾ. ഇത് മോഡൽ പരിശീലന ഡാറ്റയുമായി വളരെ അടുത്തോ വളരെ ദൂരമായോ പ്രവചനങ്ങൾ നടത്താൻ കാരണമാകും. ഒരു ഓവർഫിറ്റ് മോഡൽ പരിശീലന ഡാറ്റ വളരെ നന്നായി പ്രവചിക്കുന്നു, കാരണം അത് ഡാറ്റയുടെ വിശദാംശങ്ങളും ശബ്ദവും വളരെ നന്നായി പഠിച്ചിട്ടുണ്ട്. ഒരു അണ്ടർഫിറ്റ് മോഡൽ കൃത്യമായില്ല, കാരണം അത് പരിശീലന ഡാറ്റയും മുമ്പ് 'കണ്ടിട്ടില്ലാത്ത' ഡാറ്റയും കൃത്യമായി വിശകലനം ചെയ്യാൻ കഴിയുന്നില്ല. -![overfitting model](../../../../translated_images/ml/overfitting.1c132d92bfd93cb6.png) +![overfitting model](../../../../translated_images/ml/overfitting.1c132d92bfd93cb6.webp) > ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) tarafından ## പരാമീറ്റർ ട്യൂണിംഗ് diff --git a/translations/ml/1-Introduction/README.md b/translations/ml/1-Introduction/README.md index f69192a99..db95b1c23 100644 --- a/translations/ml/1-Introduction/README.md +++ b/translations/ml/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: പാഠ്യപദ്ധതിയുടെ ഈ ഭാഗത്തിൽ, മെഷീൻ ലേണിങ്ങ് എന്ന മേഖലയെ അടിസ്ഥാനമാക്കിയുള്ള ആശയങ്ങൾ, അതെന്താണെന്ന്, അതിന്റെ ചരിത്രം, ഗവേഷകർ അതുമായി പ്രവർത്തിക്കാൻ ഉപയോഗിക്കുന്ന സാങ്കേതിക വിദ്യകൾ എന്നിവയെക്കുറിച്ച് നിങ്ങൾക്ക് പരിചയപ്പെടുത്തും. ഈ പുതിയ ML ലോകത്തെ നമുക്ക് ഒരുമിച്ച് അന്വേഷിക്കാം! -![globe](../../../translated_images/ml/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ml/globe.59f26379ceb40428.webp) > ഫോട്ടോ ബിൽ ഓക്സ്ഫോർഡ് എന്നവരിൽ നിന്നാണ് അൺസ്പ്ലാഷിൽ ### പാഠങ്ങൾ diff --git a/translations/ml/2-Regression/1-Tools/README.md b/translations/ml/2-Regression/1-Tools/README.md index 8e1028960..6f4dd9f80 100644 --- a/translations/ml/2-Regression/1-Tools/README.md +++ b/translations/ml/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Python ഉം Scikit-learn ഉം ഉപയോഗിച്ച് regression മോഡലുകൾ ആരംഭിക്കുക -![Summary of regressions in a sketchnote](../../../../translated_images/ml/ml-regression.4e4f70e3b3ed446e.png) +![Summary of regressions in a sketchnote](../../../../translated_images/ml/ml-regression.4e4f70e3b3ed446e.webp) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -81,7 +81,7 @@ Python കോഡ് വികസിപ്പിക്കുകയും മെ hello notebook ``` -![VS Code with a notebook open](../../../../translated_images/ml/notebook.4a3ee31f396b8832.jpg) +![VS Code with a notebook open](../../../../translated_images/ml/notebook.4a3ee31f396b8832.webp) നിങ്ങളുടെ കോഡിനൊപ്പം കുറിപ്പുകൾ ചേർത്ത് നോട്ട്‌ബുക്ക് സ്വയം ഡോക്യുമെന്റ് ചെയ്യാം. @@ -212,7 +212,7 @@ Scikit-learn മോഡലുകൾ നിർമ്മിക്കുകയും plt.show() ``` - ![a scatterplot showing datapoints around diabetes](../../../../translated_images/ml/scatterplot.ad8b356bcbb33be6.png) + ![a scatterplot showing datapoints around diabetes](../../../../translated_images/ml/scatterplot.ad8b356bcbb33be6.webp) ✅ ഇവിടെ എന്ത് നടക്കുകയാണ് എന്ന് കുറച്ച് ചിന്തിക്കുക. ഒരു നേരിയ രേഖ നിരവധി ചെറിയ ഡാറ്റാ പോയിന്റുകളിലൂടെ കടന്നുപോകുന്നു, പക്ഷേ അത് ശരിക്കും എന്ത് ചെയ്യുകയാണ്? ഈ രേഖ ഉപയോഗിച്ച് ഒരു പുതിയ, കാണാത്ത ഡാറ്റാ പോയിന്റ് പ്ലോട്ടിന്റെ y അക്ഷത്തോട് എങ്ങനെ പൊരുത്തപ്പെടണം എന്ന് പ്രവചിക്കാൻ കഴിയുമെന്ന് നിങ്ങൾക്ക് കാണാമോ? ഈ മോഡലിന്റെ പ്രായോഗിക ഉപയോഗം വാക്കുകളിൽ വെക്കാൻ ശ്രമിക്കുക. അഭിനന്ദനങ്ങൾ, നിങ്ങൾ നിങ്ങളുടെ ആദ്യ ലീനിയർ റെഗ്രഷൻ മോഡൽ നിർമ്മിച്ചു, അതുമായി ഒരു പ്രവചനം സൃഷ്ടിച്ചു, അത് ഒരു പ്ലോട്ടിൽ പ്രദർശിപ്പിച്ചു! diff --git a/translations/ml/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ml/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index bcd65af5d..fba521677 100644 --- a/translations/ml/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ml/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,11 +46,11 @@ "അങ്ങനെ, ഈ പ്രവർത്തനം ആരംഭിക്കാം!\n", "\n", "

\n", - " \n", "

@allison_horst രചിച്ച കലാസൃഷ്ടി
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ml/2-Regression/2-Data/README.md b/translations/ml/2-Regression/2-Data/README.md index ae1f5f523..561992568 100644 --- a/translations/ml/2-Regression/2-Data/README.md +++ b/translations/ml/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ഉപയോഗിച്ച് ഒരു റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക: ഡാറ്റ തയ്യാറാക്കൽ மற்றும் ദൃശ്യവൽക്കരണം -![ഡാറ്റ ദൃശ്യവൽക്കരണ ഇൻഫോഗ്രാഫിക്](../../../../translated_images/ml/data-visualization.54e56dded7c1a804.png) +![ഡാറ്റ ദൃശ്യവൽക്കരണ ഇൻഫോഗ്രാഫിക്](../../../../translated_images/ml/data-visualization.54e56dded7c1a804.webp) ഇൻഫോഗ്രാഫിക് [ദസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) tarafından @@ -183,7 +183,7 @@ Jupyter നോട്ട്‌ബുക്കുകളിൽ നല്ല പ് plt.show() ``` - ![വില-മാസ ബന്ധം കാണിക്കുന്ന സ്കാറ്റർപ്ലോട്ട്](../../../../translated_images/ml/scatterplot.b6868f44cbd2051c.png) + ![വില-മാസ ബന്ധം കാണിക്കുന്ന സ്കാറ്റർപ്ലോട്ട്](../../../../translated_images/ml/scatterplot.b6868f44cbd2051c.webp) ഇത് ഒരു ഉപകാരപ്രദമായ പ്ലോട്ട് ആണോ? ഇതിൽ എന്തെങ്കിലും നിങ്ങൾക്ക് അത്ഭുതം തോന്നുന്നുണ്ടോ? @@ -200,7 +200,7 @@ Jupyter നോട്ട്‌ബുക്കുകളിൽ നല്ല പ് plt.ylabel("Pumpkin Price") ``` - ![വില-മാസ ബന്ധം കാണിക്കുന്ന ബാർ ചാർട്ട്](../../../../translated_images/ml/barchart.a833ea9194346d76.png) + ![വില-മാസ ബന്ധം കാണിക്കുന്ന ബാർ ചാർട്ട്](../../../../translated_images/ml/barchart.a833ea9194346d76.webp) ഇത് കൂടുതൽ ഉപകാരപ്രദമായ ഡാറ്റ ദൃശ്യവൽക്കരണമാണ്! പംപ്കിനുകളുടെ ഏറ്റവും ഉയർന്ന വില സെപ്റ്റംബർ, ഒക്ടോബർ മാസങ്ങളിൽ സംഭവിക്കുന്നതായി ഇത് സൂചിപ്പിക്കുന്നു. ഇത് നിങ്ങളുടെ പ്രതീക്ഷയുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ? എന്തുകൊണ്ടോ എന്തുകൊണ്ടല്ല? diff --git a/translations/ml/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ml/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index cf4e6ba6e..b75c2c3d6 100644 --- a/translations/ml/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ml/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -45,7 +45,7 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst രചിച്ച കലാസൃഷ്ടി
\n" ], @@ -224,12 +224,12 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst എന്നവരുടെ കലാസൃഷ്ടി
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,12 +531,12 @@ "## 4. ggplot2 ഉപയോഗിച്ച് ഡാറ്റാ ദൃശ്യീകരണം\n", "\n", "

\n", - " \n", "

ഡസാനി മടിപള്ളി ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്
\n", "\n", "\n", - "\n", + "\n", "\n", "ഇങ്ങനെ ഒരു *ബുദ്ധിമുട്ടുള്ള* പ്രയോഗമുണ്ട്:\n", "\n", diff --git a/translations/ml/2-Regression/3-Linear/README.md b/translations/ml/2-Regression/3-Linear/README.md index 12abbc46d..850120ccf 100644 --- a/translations/ml/2-Regression/3-Linear/README.md +++ b/translations/ml/2-Regression/3-Linear/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ഉപയോഗിച്ച് ഒരു റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക: റെഗ്രഷൻ നാല് രീതികൾ -![Linear vs polynomial regression infographic](../../../../translated_images/ml/linear-polynomial.5523c7cb6576ccab.png) +![Linear vs polynomial regression infographic](../../../../translated_images/ml/linear-polynomial.5523c7cb6576ccab.webp) > ഇൻഫോഗ്രാഫിക് [ദസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) tarafından ## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) @@ -66,13 +66,13 @@ CO_OP_TRANSLATOR_METADATA: > > `X` 'വ്യാഖ്യാന വേരിയബിൾ' ആണ്. `Y` 'അനുഭവ വേരിയബിൾ' ആണ്. രേഖയുടെ സ്ലോപ്പ് `b` ആണ്, `a` y-ഇന്റർസെപ്റ്റ് ആണ്, അതായത് `X = 0` ആയപ്പോൾ `Y` യുടെ മൂല്യം. > ->![സ്ലോപ്പ് കണക്കാക്കുക](../../../../translated_images/ml/slope.f3c9d5910ddbfcf9.png) +>![സ്ലോപ്പ് കണക്കാക്കുക](../../../../translated_images/ml/slope.f3c9d5910ddbfcf9.webp) > > ആദ്യം സ്ലോപ്പ് `b` കണക്കാക്കുക. ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) tarafından > > മറ്റൊരു വാക്കിൽ, പംപ്കിൻ ഡാറ്റയുടെ യഥാർത്ഥ ചോദ്യത്തെ ആശ്രയിച്ച്: "മാസംപ്രതി പംപ്കിൻ വില പ്രവചിക്കുക", `X` വിലയെ സൂചിപ്പിക്കും, `Y` വിൽപ്പന മാസത്തെ സൂചിപ്പിക്കും. > ->![സമവാക്യം പൂർത്തിയാക്കുക](../../../../translated_images/ml/calculation.a209813050a1ddb1.png) +>![സമവാക്യം പൂർത്തിയാക്കുക](../../../../translated_images/ml/calculation.a209813050a1ddb1.webp) > > Y-യുടെ മൂല്യം കണക്കാക്കുക. നിങ്ങൾ ഏകദേശം $4 നൽകുകയാണെങ്കിൽ, അത് ഏപ്രിൽ ആയിരിക്കണം! ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) tarafından > @@ -114,11 +114,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt. മുൻ പാഠത്തിൽ നിങ്ങൾ കണ്ടതുപോലെ, വ്യത്യസ്ത മാസങ്ങളിലെ ശരാശരി വില ഇങ്ങനെ കാണപ്പെടുന്നു: -Average price by month +Average price by month ഇത് ചില സഹസംബന്ധം ഉണ്ടാകുമെന്ന് സൂചിപ്പിക്കുന്നു, നാം ലീനിയർ റെഗ്രഷൻ മോഡൽ പരിശീലിപ്പിച്ച് `Month`-നും `Price`-നും ഇടയിലുള്ള ബന്ധം പ്രവചിക്കാം, അല്ലെങ്കിൽ `DayOfYear`-നും `Price`-നും ഇടയിലുള്ള ബന്ധം. താഴെ കാണുന്ന സ്കാറ്റർപ്ലോട്ട് രണ്ടാം ബന്ധം കാണിക്കുന്നു: -Scatter plot of Price vs. Day of Year +Scatter plot of Price vs. Day of Year `corr` ഫംഗ്ഷൻ ഉപയോഗിച്ച് സഹസംബന്ധം പരിശോധിക്കാം: @@ -137,7 +137,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -Scatter plot of Price vs. Day of Year +Scatter plot of Price vs. Day of Year നമ്മുടെ പരിശോധന പ്രകാരം, പംപ്കിൻ വർഗ്ഗം വിൽപ്പന തീയതിയേക്കാൾ വിലയിൽ കൂടുതൽ സ്വാധീനം ചെലുത്തുന്നു. ഇത് ഒരു ബാർ ഗ്രാഫിൽ കാണാം: @@ -145,7 +145,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -Bar graph of price vs variety +Bar graph of price vs variety ഇപ്പോൾ നാം 'പൈ ടൈപ്പ്' എന്ന ഒരു പംപ്കിൻ വർഗ്ഗത്തിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിച്ച്, തീയതി വിലയിൽ എങ്ങനെ സ്വാധീനം ചെലുത്തുന്നു എന്ന് നോക്കാം: @@ -153,7 +153,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Scatter plot of Price vs. Day of Year +Scatter plot of Price vs. Day of Year `Price`-നും `DayOfYear`-നും ഇടയിലെ സഹസംബന്ധം `corr` ഫംഗ്ഷൻ ഉപയോഗിച്ച് കണക്കാക്കുമ്പോൾ, ഏകദേശം `-0.27` കിട്ടും - ഇത് പ്രവചന മോഡൽ പരിശീലിപ്പിക്കുന്നത് യുക്തിയുള്ളതാണെന്ന് സൂചിപ്പിക്കുന്നു. @@ -228,7 +228,7 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -Linear regression +Linear regression ## പോളിനോമിയൽ റിഗ്രഷൻ @@ -257,7 +257,7 @@ pipeline.fit(X_train,y_train) Pipeline-കൾ ആദ്യം ഉപയോഗിച്ച `LinearRegression` ഒബ്ജക്റ്റ് പോലെ തന്നെ ഉപയോഗിക്കാം, അഥവാ pipeline-നെ `fit` ചെയ്ത്, പിന്നീട് `predict` ഉപയോഗിച്ച് പ്രവചന ഫലങ്ങൾ നേടാം. ടെസ്റ്റ് ഡാറ്റയും അനുമാന വളഞ്ഞ ലൈനും കാണിക്കുന്ന ഗ്രാഫ് ഇതാ: -Polynomial regression +Polynomial regression പോളിനോമിയൽ റിഗ്രഷൻ ഉപയോഗിച്ച്, നാം കുറച്ച് താഴ്ന്ന MSEയും ഉയർന്ന നിർണ്ണയ ഘടകവും നേടാം, പക്ഷേ വലിയ വ്യത്യാസമില്ല. മറ്റ് ഫീച്ചറുകളും പരിഗണിക്കേണ്ടതാണ്! @@ -275,7 +275,7 @@ Pipeline-കൾ ആദ്യം ഉപയോഗിച്ച `LinearRegression` ഇവിടെ നിങ്ങൾക്ക് കാണാം, ശരാശരി വില വൈവിധ്യത്തെ ആശ്രയിച്ചിരിക്കുന്നു: -Average price by variety +Average price by variety വൈവിധ്യം പരിഗണിക്കാൻ, ആദ്യം അത് സംഖ്യാത്മക രൂപത്തിലേക്ക് മാറ്റണം, അല്ലെങ്കിൽ **എൻകോഡ്** ചെയ്യണം. ഇത് ചെയ്യാനുള്ള ചില മാർഗ്ഗങ്ങൾ: diff --git a/translations/ml/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ml/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 39d61828f..f64a677f5 100644 --- a/translations/ml/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ml/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -37,12 +37,12 @@ "source": [ "## പംപ്കിൻ വിലനിർണ്ണയത്തിനുള്ള ലീനിയർ ആൻഡ് പോളിനോമിയൽ റെഗ്രഷൻ - പാഠം 3\n", "

\n", - " \n", "

ഇൻഫോഗ്രാഫിക് - ദാസാനി മടിപള്ളി
\n", "\n", "\n", - "\n", + "\n", "\n", "#### പരിചയം\n", "\n", @@ -160,12 +160,12 @@ "## **2. ഡാറ്റയുമായി ഒരു നൃത്തം: മോഡലിംഗിനായി ഉപയോഗിക്കപ്പെടുന്ന ഒരു ഡാറ്റാ ഫ്രെയിം സൃഷ്ടിക്കൽ**\n", "\n", "

\n", - " \n", "

@allison_horst എന്നവരുടെ കലാസൃഷ്ടി
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -454,7 +454,7 @@ "അതിനായി, നിങ്ങൾക്ക് രണ്ട് കൂടുതൽ ക്രിയകൾ വേണം: `prep()` ഉം `bake()` ഉം, കൂടാതെ എപ്പോഴും പോലെ, നമ്മുടെ ചെറിയ R സുഹൃത്തുക്കൾ [`Allison Horst`](https://github.com/allisonhorst/stats-illustrations) നിങ്ങളെ ഇത് മനസ്സിലാക്കാൻ സഹായിക്കുന്നു!\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -565,7 +565,7 @@ "## 4. ഒരു ലീനിയർ റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക\n", "\n", "

\n", - " \n", "

ഡാസാനി മടിപള്ളി ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്
\n" ], @@ -803,12 +803,12 @@ "## 5. ബഹുപദ റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക\n", "\n", "

\n", - " \n", "

ഡസാനി മടിപള്ളി ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ml/2-Regression/4-Logistic/README.md b/translations/ml/2-Regression/4-Logistic/README.md index 8e2a8d243..eeb3eff3b 100644 --- a/translations/ml/2-Regression/4-Logistic/README.md +++ b/translations/ml/2-Regression/4-Logistic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # വിഭാഗങ്ങൾ പ്രവചിക്കാൻ ലോജിസ്റ്റിക് റെഗ്രഷൻ -![Logistic vs. linear regression infographic](../../../../translated_images/ml/linear-vs-logistic.ba180bf95e7ee667.png) +![Logistic vs. linear regression infographic](../../../../translated_images/ml/linear-vs-logistic.ba180bf95e7ee667.webp) ## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ml/) @@ -52,7 +52,7 @@ CO_OP_TRANSLATOR_METADATA: ലോജിസ്റ്റിക് റെഗ്രഷൻ ലീനിയർ റെഗ്രഷനുപോലെ സവിശേഷതകൾ നൽകുന്നില്ല. മുൻപുള്ളത് ബൈനറി വിഭാഗത്തെക്കുറിച്ച് പ്രവചനം നൽകുന്നു ("വെളുപ്പ് അല്ലെങ്കിൽ വെളുപ്പ് അല്ല") എന്നാൽ പിന്നീടുള്ളത് തുടർച്ചയായ മൂല്യങ്ങൾ പ്രവചിക്കാൻ കഴിയും, ഉദാഹരണത്തിന് ഒരു പംപ്കിന്റെ ഉത്ഭവവും വിളവെടുപ്പ് സമയവും നൽകിയാൽ, _അതിന്റ വില എത്ര ഉയരും_ എന്നത്. -![Pumpkin classification Model](../../../../translated_images/ml/pumpkin-classifier.562771f104ad5436.png) +![Pumpkin classification Model](../../../../translated_images/ml/pumpkin-classifier.562771f104ad5436.webp) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) ### മറ്റ് ക്ലാസിഫിക്കേഷനുകൾ @@ -62,7 +62,7 @@ CO_OP_TRANSLATOR_METADATA: - **മൾട്ടിനോമിയൽ**: ഒന്നിലധികം വിഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു - "ഓറഞ്ച്, വെളുപ്പ്, സ്ട്രൈപ്പഡ്". - **ഓർഡിനൽ**: ക്രമീകരിച്ച വിഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു, ഉദാഹരണത്തിന് നമ്മുടെ പംപ്കിനുകൾ ചെറിയ, ചെറിയ, മധ്യ, വലിയ, എക്സ്‌എൽ, ഡബ്ല്യു എക്സ്‌എൽ എന്ന ക്രമത്തിൽ ക്രമീകരിച്ചിരിക്കുന്നതുപോലെ. -![Multinomial vs ordinal regression](../../../../translated_images/ml/multinomial-vs-ordinal.36701b4850e37d86.png) +![Multinomial vs ordinal regression](../../../../translated_images/ml/multinomial-vs-ordinal.36701b4850e37d86.webp) ### വേരിയബിളുകൾ തമ്മിൽ ബന്ധപ്പെടേണ്ടതില്ല @@ -120,7 +120,7 @@ Seaborn നിങ്ങളുടെ ഡാറ്റ ദൃശ്യവത്ക ) ``` - ![A grid of visualized data](../../../../translated_images/ml/pumpkins_catplot_1.c55c409b71fea2ec.png) + ![A grid of visualized data](../../../../translated_images/ml/pumpkins_catplot_1.c55c409b71fea2ec.webp) ഡാറ്റ നിരീക്ഷിച്ച്, നിറം ഡാറ്റ `Variety`-യുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു എന്ന് കാണാം. @@ -199,7 +199,7 @@ Seaborn നിങ്ങളുടെ ഡാറ്റ ദൃശ്യവത്ക g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6)) g.set_titles(row_template="{row_name}") ``` -![A catplot of visualized data](../../../../translated_images/ml/pumpkins_catplot_2.87a354447880b388.png) +![A catplot of visualized data](../../../../translated_images/ml/pumpkins_catplot_2.87a354447880b388.webp) ### സ്വാർം പ്ലോട്ട് ഉപയോഗിക്കുക @@ -217,7 +217,7 @@ Seaborn പ്ലോട്ടുകൾ ഉപയോഗിച്ച് വേര sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette) ``` - ![A swarm of visualized data](../../../../translated_images/ml/swarm_2.efeacfca536c2b57.png) + ![A swarm of visualized data](../../../../translated_images/ml/swarm_2.efeacfca536c2b57.webp) **ശ്രദ്ധിക്കുക**: മുകളിൽ കൊടുത്ത കോഡ് ഒരു മുന്നറിയിപ്പ് ഉണ്ടാക്കാം, കാരണം Seaborn ഈ അളവിലുള്ള ഡാറ്റ പോയിന്റുകൾ സ്വാർം പ്ലോട്ടിൽ പ്രതിനിധീകരിക്കാൻ പരാജയപ്പെടും. ഒരു പരിഹാരമായി 'size' പാരാമീറ്റർ ഉപയോഗിച്ച് മാർക്കറിന്റെ വലിപ്പം കുറയ്ക്കാം. എന്നാൽ ഇത് പ്ലോട്ടിന്റെ വായനാസൗകര്യം ബാധിക്കും. @@ -225,7 +225,7 @@ Seaborn പ്ലോട്ടുകൾ ഉപയോഗിച്ച് വേര > > ലോജിസ്റ്റിക് റെഗ്രഷൻ 'മാക്സിമം ലൈക്ലിഹുഡ്' ആശയത്തെ ആശ്രയിച്ചിരിക്കുന്നു, [സിഗ്മോയ്ഡ് ഫംഗ്ഷനുകൾ](https://wikipedia.org/wiki/Sigmoid_function) ഉപയോഗിച്ച്. ഒരു 'സിഗ്മോയ്ഡ് ഫംഗ്ഷൻ' പ്ലോട്ടിൽ 'S' ആകൃതിയിലാണ് കാണപ്പെടുന്നത്. ഒരു മൂല്യം എടുത്ത് അത് 0നും 1നും ഇടയിലുള്ള ഏതെങ്കിലും സ്ഥാനത്തേക്ക് മാപ്പ് ചെയ്യുന്നു. അതിന്റെ വളവ് 'ലോജിസ്റ്റിക് വളവ്' എന്നും വിളിക്കുന്നു. അതിന്റെ സൂത്രവാക്യം ഇപ്രകാരമാണ്: > -> ![logistic function](../../../../translated_images/ml/sigmoid.8b7ba9d095c789cf.png) +> ![logistic function](../../../../translated_images/ml/sigmoid.8b7ba9d095c789cf.webp) > > ഇവിടെ സിഗ്മോയ്ഡിന്റെ മധ്യബിന്ദു x-ന്റെ 0 പോയിന്റിലാണ്, L വളവിന്റെ പരമാവധി മൂല്യം, k വളവിന്റെ കൂറ്റൻത്വം. ഫംഗ്ഷന്റെ ഫലം 0.5-ൽ കൂടുതലായാൽ, ആ ലേബലിന് ബൈനറി തിരഞ്ഞെടുപ്പിൽ '1' ക്ലാസ് നൽകും. അല്ലെങ്കിൽ '0' ആയി വർഗ്ഗീകരിക്കും. @@ -374,7 +374,7 @@ plt.show() Matplotlib ഉപയോഗിച്ച് മോഡലിന്റെ [Receiving Operating Characteristic](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) അല്ലെങ്കിൽ ROC വരച്ചിടുക. ROC വക്രങ്ങൾ സാധാരണയായി ക്ലാസിഫയറിന്റെ ഔട്ട്പുട്ട് സത്യം പോസിറ്റീവുകളും തെറ്റായ പോസിറ്റീവുകളും എന്ന കാഴ്ചപ്പാടിൽ കാണാൻ ഉപയോഗിക്കുന്നു. "ROC വക്രങ്ങളിൽ സാധാരണയായി Y അക്ഷത്തിൽ സത്യം പോസിറ്റീവ് നിരക്കും X അക്ഷത്തിൽ തെറ്റായ പോസിറ്റീവ് നിരക്കും കാണിക്കുന്നു." അതിനാൽ വക്രത്തിന്റെ കൂറ്റൻതയും മധ്യരേഖയും വക്രത്തിനിടയിലെ ഇടവും പ്രധാനമാണ്: നിങ്ങൾക്ക് വക്രം വേഗത്തിൽ മുകളിൽ കയറി രേഖയെ മറികടക്കുന്നത് വേണം. നമ്മുടെ കേസിൽ, തുടക്കത്തിൽ തെറ്റായ പോസിറ്റീവുകൾ ഉണ്ട്, പിന്നീട് രേഖ ശരിയായി മുകളിൽ കയറി മറികടക്കുന്നു: -![ROC](../../../../translated_images/ml/ROC_2.777f20cdfc4988ca.png) +![ROC](../../../../translated_images/ml/ROC_2.777f20cdfc4988ca.webp) അവസാനമായി, Scikit-learn ന്റെ [`roc_auc_score` API](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) ഉപയോഗിച്ച് യഥാർത്ഥ 'Area Under the Curve' (AUC) കണക്കാക്കുക: diff --git a/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index c3c96396b..b95460d1f 100644 --- a/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ml/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ലോജിസ്റ്റിക് റെഗ്രഷൻ മോഡൽ നിർമ്മിക്കുക - പാഠം 4\n", "\n", - "![Logistic vs. linear regression infographic](../../../../../../translated_images/ml/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Logistic vs. linear regression infographic](../../../../../../translated_images/ml/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[പ്രീ-ലെക്ചർ ക്വിസ്](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "ലോജിസ്റ്റിക് റെഗ്രഷൻ ലീനിയർ റെഗ്രഷനിൽ ഉള്ളതുപോലെ സവിശേഷതകൾ നൽകുന്നില്ല. മുൻപുള്ളത് ഒരു `ബൈനറി വിഭാഗം` (\"ഓറഞ്ച് അല്ലെങ്കിൽ ഓറഞ്ച് അല്ല\") സംബന്ധിച്ച പ്രവചനമാണ് നൽകുന്നത്, പിന്നീടുള്ളത് തുടർച്ചയായ മൂല്യങ്ങൾ പ്രവചിക്കാൻ കഴിയും, ഉദാഹരണത്തിന് ഒരു പംപ്കിന്റെ ഉത്ഭവവും വിളവെടുപ്പ് സമയവും നൽകിയാൽ, *അതിന്റ വില എത്ര ഉയരും* എന്നത്.\n", "\n", - "![Infographic by Dasani Madipalli](../../../../../../translated_images/ml/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/ml/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### മറ്റ് ക്ലാസിഫിക്കേഷനുകൾ\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ഓർഡിനൽ**, ഇത് ക്രമീകരിച്ച വിഭാഗങ്ങൾ ഉൾക്കൊള്ളുന്നു, ഉദാഹരണത്തിന് നമുക്ക് ഫലം ലജിക്കൽ ആയി ക്രമീകരിക്കേണ്ടതുണ്ടെങ്കിൽ, നമ്മുടെ പംപ്കിനുകൾ ചെറിയ, ചെറിയ, മധ്യ, വലിയ, എക്സ് എൽ, ഡബിൾ എക്സ് എൽ എന്നിങ്ങനെ ക്രമീകരിച്ചിരിക്കുന്നതുപോലെ.\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/ml/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/ml/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **വേരിയബിളുകൾ തമ്മിൽ ബന്ധപ്പെടേണ്ടതില്ല**\n", "\n", diff --git a/translations/ml/2-Regression/README.md b/translations/ml/2-Regression/README.md index 58213604d..c9a6dda16 100644 --- a/translations/ml/2-Regression/README.md +++ b/translations/ml/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: നോർത്ത് അമേരിക്കയിൽ, ഹാലോവീൻക്കായി പംപ്കിനുകൾ ഭയങ്കരമായ മുഖങ്ങളായി മുറിക്കുന്നു. ഈ ആകർഷകമായ പച്ചക്കറികളെ കുറിച്ച് കൂടുതൽ കണ്ടെത്താം! -![jack-o-lanterns](../../../translated_images/ml/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ml/jack-o-lanterns.181c661a9212457d.webp) > ഫോട്ടോ ബെത്ത് ട്യൂട്ഷ്മാൻ അൺസ്പ്ലാഷിൽ ## നിങ്ങൾ പഠിക്കാനിരിക്കുന്നതെന്ത് diff --git a/translations/ml/3-Web-App/README.md b/translations/ml/3-Web-App/README.md index e1cf823a1..65700e258 100644 --- a/translations/ml/3-Web-App/README.md +++ b/translations/ml/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: പാഠ്യപദ്ധതിയുടെ ഈ ഭാഗത്തിൽ, നിങ്ങൾക്ക് പ്രയോഗാത്മകമായ ഒരു ML വിഷയം പരിചയപ്പെടുത്തും: നിങ്ങളുടെ Scikit-learn മോഡൽ ഫയലായി സേവ് ചെയ്യുന്നത്, അത് വെബ് ആപ്ലിക്കേഷനിൽ പ്രവചനങ്ങൾ നടത്താൻ ഉപയോഗിക്കാവുന്നതാണ്. മോഡൽ സേവ് ചെയ്ത ശേഷം, Flask-ൽ നിർമ്മിച്ച ഒരു വെബ് ആപ്പിൽ അത് എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും. ആദ്യം, UFO കാണപ്പെട്ടതുമായി ബന്ധപ്പെട്ട ചില ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡൽ നിങ്ങൾ സൃഷ്ടിക്കും! പിന്നീട്, ഒരു വെബ് ആപ്പ് നിർമ്മിക്കും, അതിലൂടെ നിങ്ങൾ സെക്കൻഡുകളുടെ എണ്ണം, അക്ഷാംശവും രേഖാംശവും നൽകുമ്പോൾ ഏത് രാജ്യമാണ് UFO കണ്ടതായി റിപ്പോർട്ട് ചെയ്തതെന്ന് പ്രവചിക്കാനാകും. -![UFO Parking](../../../translated_images/ml/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/ml/ufo.9e787f5161da9d4d.webp) ഫോട്ടോ Michael Herren എന്നവരിൽ നിന്നാണ് Unsplash diff --git a/translations/ml/4-Classification/1-Introduction/README.md b/translations/ml/4-Classification/1-Introduction/README.md index 5a317a4e6..0e87d1fa7 100644 --- a/translations/ml/4-Classification/1-Introduction/README.md +++ b/translations/ml/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ഈ നാല് പാഠങ്ങളിൽ, നിങ്ങൾ ക്ലാസിക് മെഷീൻ ലേണിങ്ങിന്റെ ഒരു അടിസ്ഥാന ശ്രദ്ധാകേന്ദ്രമായ _വർഗ്ഗീകരണം_ അന്വേഷിക്കും. ഏഷ്യയും ഇന്ത്യയും ഉൾപ്പെടുന്ന എല്ലാ പ്രശസ്തമായ പാചകശാലകളെക്കുറിച്ചുള്ള ഒരു ഡാറ്റാസെറ്റുമായി വിവിധ വർഗ്ഗീകരണ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് നാം നടക്കും. നിങ്ങൾക്ക് വിശക്കുമെന്നാണ് പ്രതീക്ഷ! -![just a pinch!](../../../../translated_images/ml/pinch.1b035ec9ba7e0d40.png) +![just a pinch!](../../../../translated_images/ml/pinch.1b035ec9ba7e0d40.webp) > ഈ പാഠങ്ങളിൽ പാൻ-ഏഷ്യൻ പാചകശാലകളെ ആഘോഷിക്കൂ! ചിത്രം [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) നൽകിയത് @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: പ്രക്രിയയെ കൂടുതൽ ശാസ്ത്രീയമായി പറയുമ്പോൾ, നിങ്ങളുടെ വർഗ്ഗീകരണ രീതി ഇൻപുട്ട് വേരിയബിളുകളും ഔട്ട്പുട്ട് വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്ന പ്രവചന മോഡൽ സൃഷ്ടിക്കുന്നു. -![binary vs. multiclass classification](../../../../translated_images/ml/binary-multiclass.b56d0c86c81105a6.png) +![binary vs. multiclass classification](../../../../translated_images/ml/binary-multiclass.b56d0c86c81105a6.webp) > ബൈനറി vs. മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾ വർഗ്ഗീകരണ ആൽഗോരിതങ്ങൾ കൈകാര്യം ചെയ്യേണ്ടത്. ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) നൽകിയത് @@ -134,7 +134,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി df.cuisine.value_counts().plot.barh() ``` - ![cuisine data distribution](../../../../translated_images/ml/cuisine-dist.d0cc2d551abe5c25.png) + ![cuisine data distribution](../../../../translated_images/ml/cuisine-dist.d0cc2d551abe5c25.webp) പാചകശാലകളുടെ എണ്ണം പരിമിതമാണ്, പക്ഷേ ഡാറ്റയുടെ വിതരണം അസമമാണ്. നിങ്ങൾ അത് ശരിയാക്കാം! അതിന് മുമ്പ്, കുറച്ച് കൂടുതൽ അന്വേഷിക്കൂ. @@ -188,7 +188,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി thai_ingredient_df.head(10).plot.barh() ``` - ![thai](../../../../translated_images/ml/thai.0269dbab2e78bd38.png) + ![thai](../../../../translated_images/ml/thai.0269dbab2e78bd38.webp) 1. ജാപ്പനീസ് ഡാറ്റയ്ക്കും അതേപോലെ ചെയ്യുക: @@ -197,7 +197,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി japanese_ingredient_df.head(10).plot.barh() ``` - ![japanese](../../../../translated_images/ml/japanese.30260486f2a05c46.png) + ![japanese](../../../../translated_images/ml/japanese.30260486f2a05c46.webp) 1. ചൈനീസ് ഘടകങ്ങൾക്കായി: @@ -206,7 +206,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/ml/chinese.e62cafa5309f111a.png) + ![chinese](../../../../translated_images/ml/chinese.e62cafa5309f111a.webp) 1. ഇന്ത്യൻ ഘടകങ്ങൾ പ്ലോട്ട് ചെയ്യുക: @@ -215,7 +215,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/ml/indian.2c4292002af1a1f9.png) + ![indian](../../../../translated_images/ml/indian.2c4292002af1a1f9.webp) 1. അവസാനം കൊറിയൻ ഘടകങ്ങൾ: @@ -224,7 +224,7 @@ Scikit-learn വിവിധ പ്രശ്നങ്ങൾ പരിഹരി korean_ingredient_df.head(10).plot.barh() ``` - ![korean](../../../../translated_images/ml/korean.4a4f0274f3d9805a.png) + ![korean](../../../../translated_images/ml/korean.4a4f0274f3d9805a.webp) 1. ഇപ്പോൾ, വ്യത്യസ്ത പാചകശാലകളിൽ ആശയക്കുഴപ്പം സൃഷ്ടിക്കുന്ന ഏറ്റവും സാധാരണ ഘടകങ്ങൾ `drop()` വിളിച്ച് ഒഴിവാക്കുക: diff --git a/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 1411499e9..612810c15 100644 --- a/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/ml/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "ഈ നാല് പാഠങ്ങളിൽ, നിങ്ങൾ ക്ലാസിക് മെഷീൻ ലേണിങ്ങിന്റെ ഒരു അടിസ്ഥാന ശ്രദ്ധാകേന്ദ്രമായ *ക്ലാസിഫിക്കേഷൻ* അന്വേഷിക്കും. ഏഷ്യയും ഇന്ത്യയും ഉൾപ്പെടുന്ന എല്ലാ പ്രശസ്തമായ പാചകശാലകളെക്കുറിച്ചുള്ള ഒരു ഡാറ്റാസെറ്റുമായി വിവിധ ക്ലാസിഫിക്കേഷൻ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് നാം നടക്കും. നിങ്ങൾക്ക് വിശക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു!\n", "\n", "

\n", - " \n", "

ഈ പാഠങ്ങളിൽ പാൻ-ഏഷ്യൻ പാചകശാലകൾ ആഘോഷിക്കൂ! ചിത്രം: ജെൻ ലൂപ്പർ
\n", "\n", @@ -65,7 +65,7 @@ "പ്രക്രിയ ശാസ്ത്രീയമായി പറയുമ്പോൾ, നിങ്ങളുടെ ക്ലാസിഫിക്കേഷൻ രീതി ഇൻപുട്ട് വേരിയബിളുകളും ഔട്ട്പുട്ട് വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധം മാപ്പ് ചെയ്യാൻ സഹായിക്കുന്ന പ്രവചന മോഡൽ സൃഷ്ടിക്കുന്നു.\n", "\n", "

\n", - " \n", "

ക്ലാസിഫിക്കേഷൻ ആൽഗോരിതങ്ങൾ കൈകാര്യം ചെയ്യേണ്ട ബൈനറി vs. മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾ. ഇൻഫോഗ്രാഫിക്: ജെൻ ലൂപ്പർ
\n", "\n", @@ -227,7 +227,7 @@ "> ഒരു [ടിബിള്](https://tibble.tidyverse.org/) ഒരു ആധുനിക ഡാറ്റാ ഫ്രെയിം ആണ്.\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -517,7 +517,7 @@ "## Preprocessing data using recipes 👩‍🍳👨‍🍳 - Dealing with imbalanced data ⚖️\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n", "\n", @@ -712,7 +712,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) and [Jen Looper](https://www.twitter.com/jenlooper) ഈ മോഡ്യൂളിന്റെ ഒറിജിനൽ പൈതൺ പതിപ്പ് സൃഷ്ടിച്ചതിന് ♥️\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], diff --git a/translations/ml/4-Classification/2-Classifiers-1/README.md b/translations/ml/4-Classification/2-Classifiers-1/README.md index f2ed7ae5c..f2bb6ca5a 100644 --- a/translations/ml/4-Classification/2-Classifiers-1/README.md +++ b/translations/ml/4-Classification/2-Classifiers-1/README.md @@ -107,7 +107,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ അപ്പോൾ, ഏത് ക്ലാസിഫയർ തിരഞ്ഞെടുക്കണം? പലതും പരീക്ഷിച്ച് നല്ല ഫലം കാണുന്നത് പരീക്ഷിക്കാൻ ഒരു മാർഗമാണ്. Scikit-learn ഒരു [സൈഡ്-ബൈ-സൈഡ് താരതമ്യം](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) ഒരുക്കിയിട്ടുണ്ട്, KNeighbors, SVC രണ്ട് രീതികൾ, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB, QuadraticDiscrinationAnalysis എന്നിവയുടെ ഫലങ്ങൾ ദൃശ്യമായി കാണിക്കുന്നു: -![ക്ലാസിഫയറുകളുടെ താരതമ്യം](../../../../translated_images/ml/comparison.edfab56193a85e7f.png) +![ക്ലാസിഫയറുകളുടെ താരതമ്യം](../../../../translated_images/ml/comparison.edfab56193a85e7f.webp) > Scikit-learn ഡോക്യുമെന്റേഷനിൽ നിന്നുള്ള പ്ലോട്ടുകൾ > AutoML ഈ പ്രശ്നം ക്ലൗഡിൽ ഈ താരതമ്യങ്ങൾ നടത്തിക്കൊണ്ട് സുതാര്യമായി പരിഹരിക്കുന്നു, നിങ്ങളുടെ ഡാറ്റയ്ക്ക് ഏറ്റവും അനുയോജ്യമായ ആൽഗോരിതം തിരഞ്ഞെടുക്കാൻ സഹായിക്കുന്നു. [ഇവിടെ](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) പരീക്ഷിക്കുക @@ -116,7 +116,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ വളരെ അനുമാനിച്ച് തിരഞ്ഞെടുക്കുന്നതിന് പകരം, ഡൗൺലോഡ് ചെയ്യാവുന്ന [ML ചീറ്റ് ഷീറ്റ്](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ൽ ഉള്ള ആശയങ്ങൾ പിന്തുടരുക. ഇവിടെ, നമ്മുടെ മൾട്ടിക്ലാസ് പ്രശ്നത്തിന് ചില തിരഞ്ഞെടുപ്പുകൾ കാണാം: -![മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾക്ക് ചീറ്റ് ഷീറ്റ്](../../../../translated_images/ml/cheatsheet.07a475ea444d2223.png) +![മൾട്ടിക്ലാസ് പ്രശ്നങ്ങൾക്ക് ചീറ്റ് ഷീറ്റ്](../../../../translated_images/ml/cheatsheet.07a475ea444d2223.webp) > മൈക്രോസോഫ്റ്റിന്റെ ആൽഗോരിതം ചീറ്റ് ഷീറ്റിന്റെ ഒരു ഭാഗം, മൾട്ടിക്ലാസ് ക്ലാസിഫിക്കേഷൻ ഓപ്ഷനുകൾ വിശദീകരിക്കുന്നു ✅ ഈ ചീറ്റ് ഷീറ്റ് ഡൗൺലോഡ് ചെയ്ത് പ്രിന്റ് ചെയ്ത് നിങ്ങളുടെ ഭിത്തിയിൽ തൂക്കുക! @@ -147,7 +147,7 @@ Scikit-learn ക്ലാസിഫിക്കേഷൻ സൂപ്പർവൈ Scikit-learn ഈ പട്ടിക നൽകുന്നു, സോൾവറുകൾ വിവിധ ഡാറ്റാ ഘടനകളിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് വിശദീകരിക്കാൻ: -![സോൾവറുകൾ](../../../../translated_images/ml/solvers.5fc648618529e627.png) +![സോൾവറുകൾ](../../../../translated_images/ml/solvers.5fc648618529e627.webp) ## അഭ്യാസം - ഡാറ്റ വിഭജിക്കുക diff --git a/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index 867480525..f76806894 100644 --- a/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/ml/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. നിങ്ങളുടെ ക്ലാസിഫയർ തിരഞ്ഞെടുക്കൽ\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -618,7 +618,7 @@ "വൈല്ഡ് ഗസ്സ് ചെയ്യുന്നതിന് പകരം, ഡൗൺലോഡ് ചെയ്യാവുന്ന [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ൽ ഉള്ള ആശയങ്ങൾ പിന്തുടരുക. ഇവിടെ, നമ്മുടെ മൾട്ടിക്ലാസ് പ്രശ്നത്തിന് ചില തിരഞ്ഞെടുപ്പുകൾ ഉണ്ട് എന്ന് കണ്ടെത്താം:\n", "\n", "

\n", - " \n", "

മൾട്ടിക്ലാസ് ക്ലാസിഫിക്കേഷൻ ഓപ്ഷനുകൾ വിശദീകരിക്കുന്ന മൈക്രോസോഫ്റ്റിന്റെ ആൽഗോരിതം ചീറ്റ് ഷീറ്റിന്റെ ഒരു ഭാഗം
\n" ], diff --git a/translations/ml/4-Classification/3-Classifiers-2/README.md b/translations/ml/4-Classification/3-Classifiers-2/README.md index 557eb1897..e3401a6ae 100644 --- a/translations/ml/4-Classification/3-Classifiers-2/README.md +++ b/translations/ml/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: മുൻപ്, മൈക്രോസോഫ്റ്റിന്റെ ചീറ്റ്ഷീറ്റിന്റെ സഹായത്തോടെ ഡാറ്റ വർഗ്ഗീകരിക്കുന്നതിനുള്ള വിവിധ ഓപ്ഷനുകൾ നിങ്ങൾ പഠിച്ചിരുന്നു. Scikit-learn സമാനമായ, എന്നാൽ കൂടുതൽ സൂക്ഷ്മമായ ഒരു ചീറ്റ്ഷീറ്റ് നൽകുന്നു, ഇത് നിങ്ങളുടെ എസ്റ്റിമേറ്റർമാരെ (വർഗ്ഗീകരണ ഉപാധികൾക്ക് മറ്റൊരു പദം) കൂടുതൽ കുറയ്ക്കാൻ സഹായിക്കും: -![ML Map from Scikit-learn](../../../../translated_images/ml/map.e963a6a51349425a.png) +![ML Map from Scikit-learn](../../../../translated_images/ml/map.e963a6a51349425a.webp) > ടിപ്പ്: [ഈ മാപ്പ് ഓൺലൈനിൽ സന്ദർശിക്കുക](https://scikit-learn.org/stable/tutorial/machine_learning_map/) കൂടാതെ പാതയിലൂടെ ക്ലിക്ക് ചെയ്ത് ഡോക്യുമെന്റേഷൻ വായിക്കുക. ### പദ്ധതി diff --git a/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index 4cd2b7e9a..8f2fa2659 100644 --- a/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/ml/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "മുൻപ്, മൈക്രോസോഫ്റ്റിന്റെ ചീറ്റ് ഷീറ്റ് ഉപയോഗിച്ച് ഡാറ്റ വർഗ്ഗീകരിക്കുമ്പോൾ നിങ്ങൾക്കുള്ള വിവിധ ഓപ്ഷനുകൾക്കുറിച്ച് നാം പഠിച്ചു. പൈത്തൺ മെഷീൻ ലേണിംഗ് ഫ്രെയിംവർക്ക്, സ്കൈകിറ്റ്-ലേൺ, സമാനമായെങ്കിലും കൂടുതൽ സൂക്ഷ്മമായ ഒരു ചീറ്റ് ഷീറ്റ് നൽകുന്നു, ഇത് നിങ്ങളുടെ എസ്റ്റിമേറ്ററുകൾ (വർഗ്ഗീകരണങ്ങളുടെ മറ്റൊരു പദം) കൂടുതൽ നിശ്ചയിക്കാൻ സഹായിക്കും:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "ക്ലാസിഫിക്കേഷൻ സന്ധർഭത്തിൽ, `സപ്പോർട്ട് വെക്ടർ മെഷീനുകൾ` എന്നത് ഒരു മെഷീൻ ലേണിംഗ് സാങ്കേതിക വിദ്യയാണ്, ഇത് ക്ലാസുകൾ \"മികച്ച\" വിധത്തിൽ വേർതിരിക്കുന്ന ഒരു *ഹൈപ്പർപ്ലെയിൻ* കണ്ടെത്താൻ ശ്രമിക്കുന്നു. ഒരു ലളിതമായ ഉദാഹരണം നോക്കാം:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -639,7 +639,7 @@ "[Eric](https://twitter.com/ericntay), ഗോൾഡ് മൈക്രോസോഫ്റ്റ് ലേൺ സ്റ്റുഡന്റ് അംബാസഡർ.\n", "\n", "

\n", - " \n", "

@allison_horst എന്നവരുടെ കലാസൃഷ്ടി
\n" ] diff --git a/translations/ml/4-Classification/4-Applied/README.md b/translations/ml/4-Classification/4-Applied/README.md index 4cac40910..680f1964f 100644 --- a/translations/ml/4-Classification/4-Applied/README.md +++ b/translations/ml/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx മോഡലുകൾ Visual Studio കോഡിൽ വളരെ ദൃശ്യമായില്ല, പക്ഷേ മോഡൽ ശരിയായി നിർമ്മിച്ചതെന്ന് ഉറപ്പാക്കാൻ പല ഗവേഷകരും ഉപയോഗിക്കുന്ന നല്ല സൗജന്യ സോഫ്റ്റ്‌വെയർ ഉണ്ട്. [Netron](https://github.com/lutzroeder/Netron) ഡൗൺലോഡ് ചെയ്ത് model.onnx ഫയൽ തുറക്കുക. 380 ഇൻപുട്ടുകളും ക്ലാസിഫയർ ലിസ്റ്റും ഉള്ള ലളിതമായ മോഡൽ ദൃശ്യമായി കാണാം: -![Netron visual](../../../../translated_images/ml/netron.a05f39410211915e.png) +![Netron visual](../../../../translated_images/ml/netron.a05f39410211915e.webp) Netron നിങ്ങളുടെ മോഡലുകൾ കാണാൻ സഹായിക്കുന്ന ഉപകരണം ആണ്. @@ -301,7 +301,7 @@ Netron നിങ്ങളുടെ മോഡലുകൾ കാണാൻ സഹ Visual Studio Code-ൽ index.html ഫയൽ ഉള്ള ഫോൾഡറിൽ ടെർമിനൽ സെഷൻ തുറക്കുക. [http-server](https://www.npmjs.com/package/http-server) ഗ്ലോബലായി ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക, പ്രോംപ്റ്റിൽ `http-server` ടൈപ്പ് ചെയ്യുക. ഒരു ലോക്കൽഹോസ്റ്റ് തുറക്കും, നിങ്ങളുടെ വെബ് ആപ്പ് കാണാം. വിവിധ ഘടകങ്ങൾ അടിസ്ഥാനമാക്കി ശുപാർശ ചെയ്യുന്ന ക്യൂസീൻ പരിശോധിക്കുക: -![ingredient web app](../../../../translated_images/ml/web-app.4c76450cabe20036.png) +![ingredient web app](../../../../translated_images/ml/web-app.4c76450cabe20036.webp) അഭിനന്ദനങ്ങൾ, നിങ്ങൾ കുറച്ച് ഫീൽഡുകളുള്ള 'ശുപാർശ' വെബ് ആപ്പ് സൃഷ്ടിച്ചു. ഈ സിസ്റ്റം വികസിപ്പിക്കാൻ കുറച്ച് സമയം ചെലവഴിക്കൂ! diff --git a/translations/ml/4-Classification/README.md b/translations/ml/4-Classification/README.md index a852f8a1e..254e2e23b 100644 --- a/translations/ml/4-Classification/README.md +++ b/translations/ml/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ഏഷ്യയിലും ഇന്ത്യയിലും ഭക്ഷണപരമ്പരകൾ വളരെ വൈവിധ്യമാർന്നതും, വളരെ രുചികരവുമാണ്! അവയുടെ ഘടകങ്ങൾ മനസ്സിലാക്കാൻ പ്രാദേശിക ഭക്ഷണങ്ങളെക്കുറിച്ചുള്ള ഡാറ്റ നോക്കാം. -![Thai food seller](../../../translated_images/ml/thai-food.c47a7a7f9f05c218.jpg) +![Thai food seller](../../../translated_images/ml/thai-food.c47a7a7f9f05c218.webp) > ഫോട്ടോ ലിഷെങ് ചാങ് അൺസ്പ്ലാഷിൽ ## നിങ്ങൾ പഠിക്കാനിരിക്കുന്നതെന്ത് diff --git a/translations/ml/5-Clustering/1-Visualize/README.md b/translations/ml/5-Clustering/1-Visualize/README.md index c82c58cdd..a30999912 100644 --- a/translations/ml/5-Clustering/1-Visualize/README.md +++ b/translations/ml/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ CO_OP_TRANSLATOR_METADATA: > > ഈ സന്ദർഭത്തിൽ 'ഫ്ലാറ്റ്' യൂക്ലിഡിയൻ ജ്യാമിതീയത്തെയാണ് സൂചിപ്പിക്കുന്നത് (ഇതിന്റെ ഭാഗങ്ങൾ 'പ്ലെയിൻ' ജ്യാമിതീയമായി പഠിപ്പിക്കുന്നു), നോൺ-ഫ്ലാറ്റ് നോൺ-യൂക്ലിഡിയൻ ജ്യാമിതീയമാണ്. മെഷീൻ ലേണിംഗുമായി ജ്യാമിതീയത്തിന് എന്ത് ബന്ധമുണ്ട്? ഗണിതശാസ്ത്രത്തിൽ ആധാരമാക്കിയ രണ്ട് മേഖലകളായതിനാൽ, ക്ലസ്റ്ററുകളിലെ പോയിന്റുകൾ തമ്മിലുള്ള ദൂരം അളക്കാനുള്ള ഒരു പൊതുവായ മാർഗ്ഗം വേണം, അത് 'ഫ്ലാറ്റ്' അല്ലെങ്കിൽ 'നോൺ-ഫ്ലാറ്റ്' രീതിയിലായിരിക്കും, ഡാറ്റയുടെ സ്വഭാവം അനുസരിച്ച്. [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) രണ്ട് പോയിന്റുകൾ തമ്മിലുള്ള രേഖാഖണ്ഡത്തിന്റെ നീളമായി അളക്കപ്പെടുന്നു. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ഒരു വളവിലൂടെ അളക്കപ്പെടുന്നു. നിങ്ങളുടെ ഡാറ്റ, ദൃശ്യവൽക്കരിച്ചപ്പോൾ, ഒരു സമതലത്തിൽ ഇല്ലാത്തതുപോലെ തോന്നുകയാണെങ്കിൽ, അതിനെ കൈകാര്യം ചെയ്യാൻ പ്രത്യേക ആൽഗോരിതം ഉപയോഗിക്കേണ്ടി വരും. > -![Flat vs Nonflat Geometry Infographic](../../../../translated_images/ml/flat-nonflat.d1c8c6e2a96110c1.png) +![Flat vs Nonflat Geometry Infographic](../../../../translated_images/ml/flat-nonflat.d1c8c6e2a96110c1.webp) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) > > 🎓 ['Distances'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ CO_OP_TRANSLATOR_METADATA: - **ഹയർആർക്കിക്കൽ ക്ലസ്റ്ററിംഗ്**. ഒരു വസ്തു അടുത്തുള്ള മറ്റൊരു വസ്തുവിന്റെ സമീപത പ്രകാരം വർഗ്ഗീകരിക്കപ്പെടുമ്പോൾ, ക്ലസ്റ്ററുകൾ അവരുടെ അംഗങ്ങളുടെ മറ്റുള്ള വസ്തുക്കളോടുള്ള ദൂരത്തിന്റെ അടിസ്ഥാനത്തിൽ രൂപപ്പെടുന്നു. Scikit-learn-ന്റെ അഗ്ലോമറേറ്റീവ് ക്ലസ്റ്ററിംഗ് ഹയർആർക്കിക്കൽ ആണ്. - ![Hierarchical clustering Infographic](../../../../translated_images/ml/hierarchical.bf59403aa43c8c47.png) + ![Hierarchical clustering Infographic](../../../../translated_images/ml/hierarchical.bf59403aa43c8c47.webp) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) - **സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗ്**. ഈ ജനപ്രിയ ആൽഗോരിതം 'k' എന്ന ക്ലസ്റ്ററുകളുടെ എണ്ണം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്, തുടർന്ന് ആൽഗോരിതം ഒരു ക്ലസ്റ്ററിന്റെ കേന്ദ്ര പോയിന്റ് നിർണയിച്ച് ആ പോയിന്റിന്റെ ചുറ്റും ഡാറ്റാ ശേഖരിക്കുന്നു. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗിന്റെ ജനപ്രിയ പതിപ്പാണ്. കേന്ദ്രം അടുത്ത ശരാശരിയാൽ നിർണയിക്കുന്നു, അതുകൊണ്ടാണ് പേര്. ക്ലസ്റ്ററിൽ നിന്നുള്ള ചതുരശ്ര ദൂരം കുറഞ്ഞു പോകുന്നു. - ![Centroid clustering Infographic](../../../../translated_images/ml/centroid.097fde836cf6c918.png) + ![Centroid clustering Infographic](../../../../translated_images/ml/centroid.097fde836cf6c918.webp) > ഇൻഫോഗ്രാഫിക്: [ദാസാനി മടിപള്ളി](https://twitter.com/dasani_decoded) - **വിതരണ അടിസ്ഥാനത്തിലുള്ള ക്ലസ്റ്ററിംഗ്**. സാംഖ്യിക മോഡലിംഗിൽ ആധാരമാക്കിയ, ഒരു ഡാറ്റാ പോയിന്റ് ഒരു ക്ലസ്റ്ററിന് പറ്റിയതായിരിക്കാനുള്ള സാധ്യത നിർണയിച്ച് അതനുസരിച്ച് അത് നിയോഗിക്കുന്നു. Gaussian മിശ്രിത രീതികൾ ഇതിൽപ്പെടുന്നു. @@ -234,7 +234,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/ml/popular.9c48d84b3386705f.png) + ![most popular](../../../../translated_images/ml/popular.9c48d84b3386705f.webp) ✅ കൂടുതൽ ടോപ്പ് മൂല്യങ്ങൾ കാണാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ടോപ്പ് `[:5]` വലുതാക്കുക അല്ലെങ്കിൽ നീക്കം ചെയ്ത് എല്ലാം കാണുക. @@ -253,7 +253,7 @@ CO_OP_TRANSLATOR_METADATA: ഇപ്പോൾ ജാനറുകൾ വീണ്ടും പരിശോധിക്കുക: - ![most popular](../../../../translated_images/ml/all-genres.1d56ef06cefbfcd6.png) + ![most popular](../../../../translated_images/ml/all-genres.1d56ef06cefbfcd6.webp) 1. ഇതുവരെ, ടോപ്പ് മൂന്ന് ജാനറുകൾ ഈ ഡാറ്റാസെറ്റിൽ ഭൂരിപക്ഷം കൈവശം വയ്ക്കുന്നു. `afro dancehall`, `afropop`, `nigerian pop` എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക, കൂടാതെ ജനപ്രിയത 0 ഉള്ളവ നീക്കം ചെയ്യുക (അർത്ഥം, ഡാറ്റാസെറ്റിൽ ജനപ്രിയതയില്ലാത്തവ, നമ്മുടെ ആവശ്യങ്ങൾക്ക് ശബ്ദം ആയി കണക്കാക്കാം): @@ -275,7 +275,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/ml/correlation.a9356bb798f5eea5.png) + ![correlations](../../../../translated_images/ml/correlation.a9356bb798f5eea5.webp) ഏകദേശം ശക്തമായ ബന്ധം `energy` ഉം `loudness` ഉം തമ്മിലാണുള്ളത്, അതും അത്ഭുതകരമല്ല, കാരണം ശബ്ദം ഉയർന്ന സംഗീതം സാധാരണയായി ഊർജ്ജസ്വലമാണ്. മറ്റുള്ള ബന്ധങ്ങൾ വളരെ ദുർബലമാണ്. ഈ ഡാറ്റയിൽ ക്ലസ്റ്ററിംഗ് ആൽഗോരിതം എന്ത് കണ്ടെത്തും എന്ന് കാണുന്നത് രസകരമായിരിക്കും. @@ -307,7 +307,7 @@ CO_OP_TRANSLATOR_METADATA: പൊതുവായി, ഈ മൂന്ന് ജാനറുകൾ ജനപ്രിയതയിലും ഡാൻസബിലിറ്റിയിലും അല്പം സാരമായ ഏകീകരണം കാണിക്കുന്നു. ഈ അല്പം ഏകീകരിച്ച ഡാറ്റയിൽ ക്ലസ്റ്ററുകൾ കണ്ടെത്തുന്നത് ഒരു വെല്ലുവിളിയാകും: - ![distribution](../../../../translated_images/ml/distribution.9be11df42356ca95.png) + ![distribution](../../../../translated_images/ml/distribution.9be11df42356ca95.webp) 1. ഒരു സ്കാറ്റർ പ്ലോട്ട് സൃഷ്ടിക്കുക: @@ -319,7 +319,7 @@ CO_OP_TRANSLATOR_METADATA: സമാന അക്ഷങ്ങളുള്ള സ്കാറ്റർപ്ലോട്ട് ഏകീകൃത മാതൃക കാണിക്കുന്നു - ![Facetgrid](../../../../translated_images/ml/facetgrid.9b2e65ce707eba1f.png) + ![Facetgrid](../../../../translated_images/ml/facetgrid.9b2e65ce707eba1f.webp) പൊതുവായി, ക്ലസ്റ്ററിംഗിനായി, ഡാറ്റ ക്ലസ്റ്ററുകൾ കാണിക്കാൻ സ്കാറ്റർപ്ലോട്ടുകൾ ഉപയോഗിക്കാം, അതിനാൽ ഈ തരത്തിലുള്ള ദൃശ്യീകരണം നന്നായി പഠിക്കുക വളരെ പ്രയോജനകരമാണ്. അടുത്ത പാഠത്തിൽ, ഈ ഫിൽട്ടർ ചെയ്ത ഡാറ്റ ഉപയോഗിച്ച് k-means ക്ലസ്റ്ററിംഗ് ഉപയോഗിച്ച് ഈ ഡാറ്റയിൽ താൽപ്പര്യമുള്ള രീതിയിൽ ഒത്തുചേരുന്ന ഗ്രൂപ്പുകൾ കണ്ടെത്തും. diff --git a/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 6ee5a4eae..1ef80b344 100644 --- a/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/ml/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> ഈ സന്ദർഭത്തിൽ 'ഫ്ലാറ്റ്' Euclidean ജ്യാമിതീയതയെ സൂചിപ്പിക്കുന്നു (ഇതിന്റെ ഭാഗങ്ങൾ 'പ്ലെയിൻ' ജ്യാമിതീയതയായി പഠിപ്പിക്കുന്നു), non-flat non-Euclidean ജ്യാമിതീയതയാണ്. ജ്യാമിതീയതയ്ക്ക് മെഷീൻ ലേണിങ്ങുമായി എന്ത് ബന്ധമുണ്ട്? ഗണിതശാസ്ത്രത്തിൽ ആധാരമാക്കിയ രണ്ട് മേഖലകളായതിനാൽ, ക്ലസ്റ്ററുകളിലെ പോയിന്റുകൾ തമ്മിലുള്ള ദൂരം അളക്കാനുള്ള പൊതുവായ മാർഗ്ഗം വേണം, അത് 'ഫ്ലാറ്റ്' അല്ലെങ്കിൽ 'non-flat' രീതിയിലായിരിക്കും, ഡാറ്റയുടെ സ്വഭാവം അനുസരിച്ച്. [Euclidean ദൂരം](https://wikipedia.org/wiki/Euclidean_distance) രണ്ട് പോയിന്റുകൾ തമ്മിലുള്ള രേഖാഖണ്ഡത്തിന്റെ നീളമായി അളക്കുന്നു. [Non-Euclidean ദൂരം](https://wikipedia.org/wiki/Non-Euclidean_geometry) വളവിലൂടെയാണ് അളക്കുന്നത്. നിങ്ങളുടെ ഡാറ്റ ദൃശ്യമായി ഒരു സമതലത്തിൽ ഇല്ലാത്തതുപോലെയാണ് തോന്നുന്നത് എങ്കിൽ, അതിനെ കൈകാര്യം ചെയ്യാൻ പ്രത്യേക ആൽഗോരിതം ഉപയോഗിക്കേണ്ടി വരും.\r\n", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", @@ -72,7 +72,7 @@ "\r\n", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", @@ -81,7 +81,7 @@ "- **സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗ്**. ഈ ജനപ്രിയ ആൽഗോരിതം 'k' എന്ന ക്ലസ്റ്ററുകളുടെ എണ്ണം തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്, തുടർന്ന് ആൽഗോരിതം ഒരു ക്ലസ്റ്ററിന്റെ കേന്ദ്ര പോയിന്റ് നിർണയിച്ച് ആ പോയിന്റിന്റെ ചുറ്റും ഡാറ്റ ശേഖരിക്കുന്നു. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) സെൻട്രോയിഡ് ക്ലസ്റ്ററിംഗിന്റെ ഒരു ജനപ്രിയ രൂപമാണ്, ഇത് ഡാറ്റാസെറ്റ് മുൻകൂട്ടി നിർവചിച്ച K ഗ്രൂപ്പുകളായി വിഭജിക്കുന്നു. കേന്ദ്രം അടുത്ത ശരാശരിയാൽ നിർണയിക്കുന്നു, അതിനാൽ പേര്. ക്ലസ്റ്ററിൽ നിന്നുള്ള ചതുരശ്ര ദൂരം കുറഞ്ഞിരിക്കുന്നു.\r\n", "\r\n", "

\r\n", - " \r\n", "

ഇൻഫോഗ്രാഫിക്: ദാസാനി മടിപള്ളി
\r\n", "\r\n", diff --git a/translations/ml/5-Clustering/2-K-Means/README.md b/translations/ml/5-Clustering/2-K-Means/README.md index 59cd2906a..9a573c036 100644 --- a/translations/ml/5-Clustering/2-K-Means/README.md +++ b/translations/ml/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: ക്ലസ്റ്ററുകൾ [വോറോണോയി ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശം ഉൾക്കൊള്ളുന്നു. -![voronoi diagram](../../../../translated_images/ml/voronoi.1dc1613fb0439b95.png) +![voronoi diagram](../../../../translated_images/ml/voronoi.1dc1613fb0439b95.webp) > ഇൻഫോഗ്രാഫിക് [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) tarafından @@ -91,7 +91,7 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ ഈ ഡാറ്റ കുറച്ച് ശബ്ദമുള്ളതാണ്: ഓരോ കോളവും ബോക്സ്‌പ്ലോട്ട് ആയി നിരീക്ഷിച്ചാൽ, ഔട്ട്‌ലൈയർമാർ കാണാം. - ![outliers](../../../../translated_images/ml/boxplots.8228c29dabd0f292.png) + ![outliers](../../../../translated_images/ml/boxplots.8228c29dabd0f292.webp) ഡാറ്റാസെറ്റ് പരിശോധിച്ച് ഈ ഔട്ട്‌ലൈയർമാർ നീക്കം ചെയ്യാം, പക്ഷേ അത് ഡാറ്റ വളരെ കുറവാക്കും. @@ -187,7 +187,7 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ മുൻപത്തെ ഘട്ടത്തിൽ നിർമ്മിച്ച `wcss` വേരിയബിൾ ഉപയോഗിച്ച് എൽബോയിൽ 'വളവ്' എവിടെയാണ് എന്ന് കാണിക്കുന്ന ചാർട്ട് സൃഷ്ടിക്കുക, ഇത് ഏറ്റവും അനുയോജ്യമായ ക്ലസ്റ്റർ എണ്ണം സൂചിപ്പിക്കുന്നു. അത് **3** ആകാം! - ![elbow method](../../../../translated_images/ml/elbow.72676169eed744ff.png) + ![elbow method](../../../../translated_images/ml/elbow.72676169eed744ff.webp) ## അഭ്യാസം - ക്ലസ്റ്ററുകൾ പ്രദർശിപ്പിക്കുക @@ -218,13 +218,13 @@ K-മീൻസ് ഉപയോഗിക്കുന്നതിന്റെ ഒ ഈ മോഡലിന്റെ കൃത്യത വളരെ നല്ലതല്ല, ക്ലസ്റ്ററുകളുടെ ആകൃതി ഇതിന് കാരണം നൽകുന്നു. - ![clusters](../../../../translated_images/ml/clusters.b635354640d8e4fd.png) + ![clusters](../../../../translated_images/ml/clusters.b635354640d8e4fd.webp) ഈ ഡാറ്റ വളരെ അസമതുലിതമാണ്, correlation കുറവാണ്, കോളം മൂല്യങ്ങൾക്കിടയിൽ വ്യത്യാസം കൂടുതലാണ്, അതിനാൽ നല്ല ക്ലസ്റ്ററിംഗ് സാധ്യമല്ല. യഥാർത്ഥത്തിൽ, രൂപപ്പെടുന്ന ക്ലസ്റ്ററുകൾ മുകളിൽ നിർവചിച്ച മൂന്ന് ജാനർ വിഭാഗങ്ങൾ മൂലം ശക്തമായി സ്വാധീനിക്കപ്പെട്ടതായിരിക്കാം. അത് ഒരു പഠന പ്രക്രിയ ആയിരുന്നു! Scikit-learn ഡോക്യുമെന്റേഷനിൽ, ഈ പോലുള്ള മോഡലുകൾക്ക്, ക്ലസ്റ്ററുകൾ നന്നായി വേർതിരിച്ചിട്ടില്ലാത്തതിനാൽ, 'വ്യത്യാസം' പ്രശ്നമുണ്ട്: - ![problem models](../../../../translated_images/ml/problems.f7fb539ccd80608e.png) + ![problem models](../../../../translated_images/ml/problems.f7fb539ccd80608e.webp) > Scikit-learn ഇൻഫോഗ്രാഫിക് ## വ്യത്യാസം diff --git a/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index 5054f66ab..0002ae9ae 100644 --- a/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/ml/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "ക്ലസ്റ്ററുകൾ [Voronoi ഡയഗ്രാമുകൾ](https://wikipedia.org/wiki/Voronoi_diagram) ആയി ദൃശ്യവത്കരിക്കാം, അവയിൽ ഒരു പോയിന്റ് (അഥവാ 'സീഡ്') അതിന്റെ അനുബന്ധ പ്രദേശവും ഉൾപ്പെടുന്നു.\n", "\n", "

\n", - " \n", "

ജെൻ ലൂപ്പർ ഒരുക്കിയ ഇൻഫോഗ്രാഫിക്
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn ന്റെ ഡോക്യുമെന്റേഷനിൽ, ഈ പോലുള്ള മോഡലുകൾക്ക്, ക്ലസ്റ്ററുകൾ വളരെ വ്യക്തമായി വേർതിരിക്കപ്പെട്ടിട്ടില്ലാത്തതിനാൽ, 'വ്യത്യാസം' പ്രശ്നമുണ്ടെന്ന് കാണാം:\n", "\n", "

\n", - " \n", "

Scikit-learn ന്റെ ഇൻഫോഗ്രാഫിക്
\n", "\n", @@ -626,7 +626,7 @@ "[Eric](https://twitter.com/ericntay), ഗോൾഡ് മൈക്രോസോഫ്റ്റ് ലേൺ സ്റ്റുഡന്റ് അംബാസഡർ.\n", "\n", "

\n", - " \n", "

@allison_horst രചിച്ച ആർട്ട്‌വർക്കുകൾ
\n" ] diff --git a/translations/ml/5-Clustering/README.md b/translations/ml/5-Clustering/README.md index a900c1945..e344e0b7f 100644 --- a/translations/ml/5-Clustering/README.md +++ b/translations/ml/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: നൈജീരിയയുടെ വൈവിധ്യമാർന്ന പ്രേക്ഷകർക്ക് വൈവിധ്യമാർന്ന സംഗീത രുചികൾ ഉണ്ട്. Spotify-യിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് (ഈ ലേഖനം പ്രചോദനമായി [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), നൈജീരിയയിൽ പ്രചാരത്തിലുള്ള ചില സംഗീതങ്ങൾ നോക്കാം. ഈ ഡാറ്റാസെറ്റിൽ വിവിധ പാട്ടുകളുടെ 'danceability' സ്കോർ, 'acousticness', ലൗഡ്നസ്, 'speechiness', ജനപ്രിയത, എനർജി എന്നിവയെക്കുറിച്ചുള്ള ഡാറ്റ ഉൾപ്പെടുന്നു. ഈ ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നത് രസകരമായിരിക്കും! -![A turntable](../../../translated_images/ml/turntable.f2b86b13c53302dc.jpg) +![A turntable](../../../translated_images/ml/turntable.f2b86b13c53302dc.webp) > ഫോട്ടോ Marcela Laskoski യുടെ Unsplash ൽ നിന്നാണ് diff --git a/translations/ml/6-NLP/1-Introduction-to-NLP/README.md b/translations/ml/6-NLP/1-Introduction-to-NLP/README.md index ce4aa5e99..2792cb38c 100644 --- a/translations/ml/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/ml/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP, സാധാരണയായി അറിയപ്പെടുന്നത നിങ്ങൾ ടൈപ്പുചെയ്യാതെ നിങ്ങളുടെ ഫോൺക്ക് വാക്കുകൾ പറഞ്ഞിട്ടുണ്ടെങ്കിൽ അല്ലെങ്കിൽ ഒരു വെർച്വൽ അസിസ്റ്റന്റിനോട് ചോദിച്ചിട്ടുണ്ടെങ്കിൽ, നിങ്ങളുടെ സംസാരത്തെ ടെക്സ്റ്റ് രൂപത്തിലേക്ക് മാറ്റി പിന്നീട് നിങ്ങൾ സംസാരിച്ച ഭാഷയിൽ നിന്നു *പാഴ്സ്* ചെയ്തു. കണ്ടെത്തിയ കീവേഡുകൾ പിന്നീട് ഫോൺ അല്ലെങ്കിൽ അസിസ്റ്റന്റ് മനസ്സിലാക്കി പ്രവർത്തിക്കാൻ കഴിയുന്ന ഫോർമാറ്റിലേക്ക് പ്രോസസ് ചെയ്തു. -![comprehension](../../../../translated_images/ml/comprehension.619708fc5959b0f6.png) +![comprehension](../../../../translated_images/ml/comprehension.619708fc5959b0f6.webp) > യഥാർത്ഥ ഭാഷാശാസ്ത്രപരമായ ബോധം ബുദ്ധിമുട്ടാണ്! ചിത്രം [Jen Looper](https://twitter.com/jenlooper) യുടെ ### ഈ സാങ്കേതികവിദ്യ എങ്ങനെ സാധ്യമായി? diff --git a/translations/ml/6-NLP/2-Tasks/README.md b/translations/ml/6-NLP/2-Tasks/README.md index a4f6fdbe0..c99905034 100644 --- a/translations/ml/6-NLP/2-Tasks/README.md +++ b/translations/ml/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: ഏതാണ്ട് എല്ലാ NLP ആൽഗോരിതങ്ങൾക്കും ആദ്യം ചെയ്യേണ്ടത് ടെക്സ്റ്റ് ടോക്കണുകളായി, അല്ലെങ്കിൽ വാക്കുകളായി വിഭജിക്കുക എന്നതാണ്. ഇത് ലളിതമായതായി തോന്നിയാലും, പദവിരാമം, വ്യത്യസ്ത ഭാഷകളിലെ വാക്കുകളും വാക്യവിരാമങ്ങളും പരിഗണിക്കേണ്ടത് സങ്കീർണ്ണമാക്കാം. വ്യത്യസ്ത മാർഗ്ഗങ്ങൾ ഉപയോഗിച്ച് വിഭജനം നിർണയിക്കേണ്ടിവരും. -![tokenization](../../../../translated_images/ml/tokenization.1641a160c66cd2d9.png) +![tokenization](../../../../translated_images/ml/tokenization.1641a160c66cd2d9.webp) > **Pride and Prejudice** എന്ന പുസ്തകത്തിലെ ഒരു വാക്യം ടോക്കൺ ചെയ്യുന്നു. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper) ### എംബെഡ്ഡിംഗ്സ് [വേർഡ് എംബെഡ്ഡിംഗ്സ്](https://wikipedia.org/wiki/Word_embedding) നിങ്ങളുടെ ടെക്സ്റ്റ് ഡാറ്റ സംഖ്യാത്മകമായി മാറ്റാനുള്ള ഒരു മാർഗ്ഗമാണ്. സമാന അർത്ഥമുള്ള വാക്കുകൾ അല്ലെങ്കിൽ ഒരുമിച്ച് ഉപയോഗിക്കുന്ന വാക്കുകൾ കൂട്ടമായി ക്ലസ്റ്റർ ചെയ്യപ്പെടുന്ന രീതിയിൽ എംബെഡ്ഡിംഗ്സ് ചെയ്യപ്പെടുന്നു. -![word embeddings](../../../../translated_images/ml/embedding.2cf8953c4b3101d1.png) +![word embeddings](../../../../translated_images/ml/embedding.2cf8953c4b3101d1.webp) > "I have the highest respect for your nerves, they are my old friends." - **Pride and Prejudice** എന്ന വാക്യത്തിനുള്ള വാക്കുകളുടെ എംബെഡ്ഡിംഗ്സ്. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper) ✅ വാക്കുകളുടെ എംബെഡ്ഡിംഗ്സ് പരീക്ഷിക്കാൻ [ഈ രസകരമായ ടൂൾ](https://projector.tensorflow.org/) പരീക്ഷിക്കൂ. ഒരു വാക്കിൽ ക്ലിക്ക് ചെയ്യുമ്പോൾ സമാന വാക്കുകളുടെ ക്ലസ്റ്ററുകൾ കാണാം: 'toy' 'disney', 'lego', 'playstation', 'console' എന്നിവയുമായി ക്ലസ്റ്റർ ചെയ്യുന്നു. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: ടോക്കൺ ചെയ്ത ഓരോ വാക്കും വാക്കിന്റെ ഭാഗമായി ടാഗ് ചെയ്യാം - നാമം, ക്രിയ, വിശേഷണം എന്നിവ. `the quick red fox jumped over the lazy brown dog` എന്ന വാക്യം fox = നാമം, jumped = ക്രിയ എന്നിങ്ങനെ POS ടാഗ് ചെയ്യാം. -![parsing](../../../../translated_images/ml/parse.d0c5bbe1106eae8f.png) +![parsing](../../../../translated_images/ml/parse.d0c5bbe1106eae8f.webp) > **Pride and Prejudice** എന്ന വാക്യം പാർസ് ചെയ്യുന്നു. ഇൻഫോഗ്രാഫിക് [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ml/6-NLP/3-Translation-Sentiment/README.md b/translations/ml/6-NLP/3-Translation-Sentiment/README.md index 7683de4a7..3bdb7aa6f 100644 --- a/translations/ml/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/ml/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ഉദാഹരണത്തിന്, `I have no money` എന്ന ഇംഗ്ലീഷ് വാചകം ഫ്രഞ്ചിലേക്ക് ശബ്ദാർത്ഥമായി വിവർത്തനം ചെയ്താൽ, അത് `Je n'ai pas de monnaie` ആകാം. "Monnaie" ഒരു പ്രയാസമുള്ള ഫ്രഞ്ച് 'false cognate' ആണ്, 'money' ഉം 'monnaie' ഉം സമാനാർത്ഥകങ്ങൾ അല്ല. മനുഷ്യൻ നൽകുന്ന നല്ല വിവർത്തനം `Je n'ai pas d'argent` ആകും, കാരണം ഇത് നിങ്ങൾക്ക് പണം ഇല്ല എന്ന അർത്ഥം കൂടുതൽ വ്യക്തമാക്കുന്നു ('monnaie' യുടെ അർത്ഥം 'loose change' ആണ്). -![monnaie](../../../../translated_images/ml/monnaie.606c5fa8369d5c3b.png) +![monnaie](../../../../translated_images/ml/monnaie.606c5fa8369d5c3b.webp) > ചിത്രം [Jen Looper](https://twitter.com/jenlooper) യുടെതാണ് diff --git a/translations/ml/6-NLP/README.md b/translations/ml/6-NLP/README.md index d79493fdb..d4cf0edb0 100644 --- a/translations/ml/6-NLP/README.md +++ b/translations/ml/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ഈ പാഠങ്ങളിൽ നാം ചെറിയ സംഭാഷണ ബോട്ടുകൾ നിർമ്മിച്ച് NLPയുടെ അടിസ്ഥാനങ്ങൾ പഠിക്കും, യന്ത്രം പഠനം ഈ സംഭാഷണങ്ങളെ കൂടുതൽ 'സ്മാർട്ട്' ആക്കുന്നതിൽ എങ്ങനെ സഹായിക്കുന്നുവെന്ന് മനസ്സിലാക്കും. 1813-ൽ പ്രസിദ്ധീകരിച്ച ജെയിൻ ഓസ്റ്റന്റെ ക്ലാസിക് നോവൽ **പ്രൈഡ് ആൻഡ് പ്രെജുഡിസ്**-ലെ എലിസബത്ത് ബെനെറ്റ്, മിസ്റ്റർ ഡാർസി എന്നിവരുമായി സംഭാഷണം നടത്താൻ നിങ്ങൾ കാലയാത്ര നടത്തും. തുടർന്ന്, യൂറോപ്പിലെ ഹോട്ടൽ അവലോകനങ്ങളിലൂടെ സന്റിമെന്റ് അനാലിസിസ് പഠിച്ച് നിങ്ങളുടെ അറിവ് വർദ്ധിപ്പിക്കും. -![Pride and Prejudice book and tea](../../../translated_images/ml/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice book and tea](../../../translated_images/ml/p&p.279f1c49ecd88941.webp) > ഫോട്ടോ Elaine Howlin Unsplash ൽ നിന്നാണ് ## പാഠങ്ങൾ diff --git a/translations/ml/7-TimeSeries/1-Introduction/README.md b/translations/ml/7-TimeSeries/1-Introduction/README.md index 533d19a4a..5f9e5e3e5 100644 --- a/translations/ml/7-TimeSeries/1-Introduction/README.md +++ b/translations/ml/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗിലേക്ക് പരിചയം -![ടൈം സീരീസിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-timeseries.fb98d25f1013fc0c.png) +![ടൈം സീരീസിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-timeseries.fb98d25f1013fc0c.webp) > സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ [ഈ സാമ്പിൾ ടൈം സീരീസ് പ്ലോട്ട്](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) നോക്കൂ, ഇത് ചില വർഷങ്ങളിലായി ദിവസേന കളിയിൽ ചെലവഴിച്ച കറൻസി കാണിക്കുന്നു. മുകളിൽ പറഞ്ഞ സവിശേഷതകളിൽ ഏതെങ്കിലും ഈ ഡാറ്റയിൽ തിരിച്ചറിയാമോ? -![ഇൻ-ഗെയിം കറൻസി ചെലവ്](../../../../translated_images/ml/currency.e7429812bfc8c608.png) +![ഇൻ-ഗെയിം കറൻസി ചെലവ്](../../../../translated_images/ml/currency.e7429812bfc8c608.webp) ## അഭ്യാസം - വൈദ്യുതി ഉപയോഗ ഡാറ്റയുമായി ആരംഭിക്കുക @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/ml/energy-plot.5fdac3f397a910bc.png) + ![energy plot](../../../../translated_images/ml/energy-plot.5fdac3f397a910bc.webp) 4. ഇപ്പോൾ, 2014 ജൂലൈയുടെ ആദ്യ ആഴ്ച `[from date]: [to date]` മാതൃകയിൽ `energy`-ക്ക് ഇൻപുട്ടായി നൽകി പ്ലോട്ട് ചെയ്യുക: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![july](../../../../translated_images/ml/july-2014.9e1f7c318ec6d5b3.png) + ![july](../../../../translated_images/ml/july-2014.9e1f7c318ec6d5b3.webp) മനോഹരമായ പ്ലോട്ട്! ഈ പ്ലോട്ടുകൾ നോക്കി മുകളിൽ പറഞ്ഞ സവിശേഷതകളിൽ ഏതെങ്കിലും തിരിച്ചറിയാമോ? ഡാറ്റ ദൃശ്യവൽക്കരിച്ച് നാം എന്ത് നിഗമനം വരുത്താം? diff --git a/translations/ml/7-TimeSeries/2-ARIMA/README.md b/translations/ml/7-TimeSeries/2-ARIMA/README.md index 9f7847059..91713100e 100644 --- a/translations/ml/7-TimeSeries/2-ARIMA/README.md +++ b/translations/ml/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, plt.show() ``` - ![training and testing data](../../../../translated_images/ml/train-test.8928d14e5b91fc94.png) + ![training and testing data](../../../../translated_images/ml/train-test.8928d14e5b91fc94.webp) അതിനാൽ, ഡാറ്റ പരിശീലനത്തിന് ചെറിയ ഒരു സമയവിൻഡോ ഉപയോഗിക്കുന്നത് മതിയാകും. @@ -157,11 +157,11 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, plt.show() ``` - ![original](../../../../translated_images/ml/original.b2b15efe0ce92b87.png) + ![original](../../../../translated_images/ml/original.b2b15efe0ce92b87.webp) > ഒറിജിനൽ ഡാറ്റ - ![scaled](../../../../translated_images/ml/scaled.e35258ca5cd3d43f.png) + ![scaled](../../../../translated_images/ml/scaled.e35258ca5cd3d43f.webp) > സ്കെയിൽ ചെയ്ത ഡാറ്റ @@ -321,7 +321,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, > **🧮 ഗണിതം കാണിക്കുക** > -> ![MAPE](../../../../translated_images/ml/mape.fd87bbaf4d346846.png) +> ![MAPE](../../../../translated_images/ml/mape.fd87bbaf4d346846.webp) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) മുൻകൂട്ടി കണക്കാക്കലിന്റെ കൃത്യത മുകളിൽ നൽകിയ ഫോർമുല ഉപയോഗിച്ച് നിർവചിച്ച അനുപാതമായി കാണിക്കാൻ ഉപയോഗിക്കുന്നു. actualtനും predictedtനും ഇടയിലെ വ്യത്യാസം actualtൽ വിഭജിക്കുന്നു. "ഈ കണക്കിൽ ആബ്സല്യൂട്ട് മൂല്യം ഓരോ മുൻകൂട്ടി കണക്കാക്കിയ സമയബിന്ദുവിനും കൂട്ടിച്ചേർത്ത് ഫിറ്റുചെയ്ത ബിന്ദുക്കളുടെ എണ്ണം n-ൽ വിഭജിക്കുന്നു." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -381,7 +381,7 @@ ARIMAയുടെ ഭാഗങ്ങൾ വിശദീകരിച്ച്, plt.show() ``` - ![a time series model](../../../../translated_images/ml/accuracy.2c47fe1bf15f44b3.png) + ![a time series model](../../../../translated_images/ml/accuracy.2c47fe1bf15f44b3.webp) 🏆 വളരെ നല്ല ഒരു പ്ലോട്ട്, നല്ല കൃത്യതയുള്ള ഒരു മോഡൽ കാണിക്കുന്നു. നല്ല ജോലി! diff --git a/translations/ml/7-TimeSeries/3-SVR/README.md b/translations/ml/7-TimeSeries/3-SVR/README.md index 31ae23e34..755f020bb 100644 --- a/translations/ml/7-TimeSeries/3-SVR/README.md +++ b/translations/ml/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![full data](../../../../translated_images/ml/full-data.a82ec9957e580e97.png) + ![full data](../../../../translated_images/ml/full-data.a82ec9957e580e97.webp) ഇപ്പോൾ, നമുക്ക് SVR മോഡൽ നിർമ്മിക്കാം. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![training and testing data](../../../../translated_images/ml/train-test.ead0cecbfc341921.png) + ![training and testing data](../../../../translated_images/ml/train-test.ead0cecbfc341921.webp) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![training data prediction](../../../../translated_images/ml/train-data-predict.3c4ef4e78553104f.png) +![training data prediction](../../../../translated_images/ml/train-data-predict.3c4ef4e78553104f.webp) ട്രെയിനിംഗ് ഡാറ്റയ്ക്ക് MAPE പ്രിന്റ് ചെയ്യുക @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testing data prediction](../../../../translated_images/ml/test-data-predict.8afc47ee7e52874f.png) +![testing data prediction](../../../../translated_images/ml/test-data-predict.8afc47ee7e52874f.webp) ടെസ്റ്റിംഗ് ഡാറ്റയ്ക്ക് MAPE പ്രിന്റ് ചെയ്യുക @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![full data prediction](../../../../translated_images/ml/full-data-predict.4f0fed16a131c8f3.png) +![full data prediction](../../../../translated_images/ml/full-data-predict.4f0fed16a131c8f3.webp) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/ml/7-TimeSeries/README.md b/translations/ml/7-TimeSeries/README.md index 2bd2aef52..8f68d71be 100644 --- a/translations/ml/7-TimeSeries/README.md +++ b/translations/ml/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: നമ്മുടെ പ്രാദേശിക ശ്രദ്ധ ലോകത്തിലെ വൈദ്യുതി ഉപയോഗത്തിലാണ്, കഴിഞ്ഞ ലോഡിന്റെ മാതൃകകളുടെ അടിസ്ഥാനത്തിൽ ഭാവിയിലെ വൈദ്യുതി ഉപയോഗം ഫോറ്കാസ്റ്റ് ചെയ്യുന്നതിനെക്കുറിച്ച് പഠിക്കാൻ ഒരു രസകരമായ ഡാറ്റാസെറ്റ്. ഈ തരത്തിലുള്ള ഫോറ്കാസ്റ്റിംഗ് ബിസിനസ്സ് പരിസരത്തിൽ എത്രത്തോളം സഹായകരമാകാമെന്ന് നിങ്ങൾ കാണാം. -![electric grid](../../../translated_images/ml/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/ml/electric-grid.0c21d5214db09ffa.webp) രാജസ്ഥാനിലെ ഒരു റോഡിൽ വൈദ്യുതി ടവറുകളുടെ ചിത്രം [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) എന്നവന്റെ ഫോട്ടോ, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ൽ നിന്നാണ്. diff --git a/translations/ml/8-Reinforcement/1-QLearning/README.md b/translations/ml/8-Reinforcement/1-QLearning/README.md index d89a1e84f..5df606513 100644 --- a/translations/ml/8-Reinforcement/1-QLearning/README.md +++ b/translations/ml/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗിനും ക്യൂ-ലേണിംഗിനും പരിചയം -![മെഷീൻ ലേണിംഗിലെ റീഇൻഫോഴ്‌സ്‌മെന്റിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-reinforcement.94024374d63348db.png) +![മെഷീൻ ലേണിംഗിലെ റീഇൻഫോഴ്‌സ്‌മെന്റിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-reinforcement.94024374d63348db.webp) > സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് മൂന്ന് പ്രധാന ആശയങ്ങൾ ഉൾക്കൊള്ളുന്നു: ഏജന്റ്, ചില സ്റ്റേറ്റുകൾ, ഓരോ സ്റ്റേറ്റിനും ഒരു ക്രമീകരിച്ച പ്രവർത്തനസമൂഹം. ഒരു നിശ്ചിത സ്റ്റേറ്റിൽ ഒരു പ്രവർത്തനം നടപ്പിലാക്കുമ്പോൾ, ഏജന്റിന് ഒരു റിവാർഡ് ലഭിക്കും. വീണ്ടും കമ്പ്യൂട്ടർ ഗെയിം സൂപ്പർ മാരിയോയെ കണക്കിലെടുക്കുക. നിങ്ങൾ മാരിയോയാണ്, നിങ്ങൾ ഒരു ഗെയിം ലെവലിൽ, ഒരു കുന്നിന്റെ അരികിൽ നിൽക്കുന്നു. നിങ്ങളുടെ മുകളിൽ ഒരു നാണയം ഉണ്ട്. നിങ്ങൾ മാരിയോ ആയതിനാൽ, ഒരു ഗെയിം ലെവലിൽ, ഒരു പ്രത്യേക സ്ഥാനത്ത് ... അത് നിങ്ങളുടെ സ്റ്റേറ്റ് ആണ്. വലത്തേക്ക് ഒരു പടി നീങ്ങുന്നത് (ഒരു പ്രവർത്തനം) നിങ്ങളെ അരികിൽ കൊണ്ടുപോകും, അത് കുറഞ്ഞ സംഖ്യാത്മക സ്കോർ നൽകും. എന്നാൽ, ജമ്പ് ബട്ടൺ അമർത്തുന്നത് നിങ്ങൾക്ക് ഒരു പോയിന്റ് നേടാൻ അനുവദിക്കും, നിങ്ങൾ ജീവിച്ചിരിക്കും. അത് ഒരു പോസിറ്റീവ് ഫലം ആണ്, അതിനാൽ നിങ്ങൾക്ക് പോസിറ്റീവ് സംഖ്യാത്മക സ്കോർ ലഭിക്കണം. @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: സൗകര്യത്തിന്, പീറ്ററിന്റെ ലോകം `width` x `height` വലിപ്പമുള്ള ഒരു ചതുര്‍ ബോർഡ് ആണെന്ന് കരുതാം, ഇങ്ങനെ: -![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/ml/environment.40ba3cb66256c93f.png) +![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/ml/environment.40ba3cb66256c93f.webp) ഈ ബോർഡിലെ ഓരോ സെല്ലും താഴെ പറയുന്നവയിൽ ഒന്നായിരിക്കും: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) നാം ക്യൂ-ടേബിളിലെ എല്ലാ മൂല്യങ്ങളും സമാനമായ മൂല്യത്തോടെ, നമ്മുടെ കേസിൽ 0.25, ആരംഭിക്കുന്നു. ഇത് "റാൻഡം വാക്ക്" നയത്തിന് പൊരുത്തപ്പെടുന്നു, കാരണം ഓരോ സ്റ്റേറ്റിലും എല്ലാ ചലനങ്ങളും സമാനമായി നല്ലതാണ്. നാം `plot` ഫംഗ്ഷനിലേക്ക് ക്യൂ-ടേബിൾ പാസ്സ് ചെയ്ത് ബോർഡിൽ ടേബിൾ ദൃശ്യവൽക്കരിക്കാം: `m.plot(Q)`. -![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/ml/env_init.04e8f26d2d60089e.png) +![പീറ്ററിന്റെ പരിസരം](../../../../translated_images/ml/env_init.04e8f26d2d60089e.webp) ഓരോ സെല്ലിന്റെ മദ്ധ്യത്തിൽ ഒരു "അറ" കാണിക്കുന്നു, അത് പ്രിയപ്പെട്ട ചലന ദിശ സൂചിപ്പിക്കുന്നു. എല്ലാ ദിശകളും സമാനമായതിനാൽ, ഒരു ഡോട്ട് പ്രദർശിപ്പിക്കുന്നു. @@ -195,7 +195,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ഇത് സ്റ്റേറ്റ് *s* ൽ പ്രവർത്തനം *a* നുള്ള ക്യൂ-ടേബിൾ മൂല്യം കണക്കാക്കാനുള്ള **ബെൽമാൻ ഫോർമുല** നൽകുന്നു: - + ഇവിടെ γ എന്നത് **ഡിസ്‌കൗണ്ട് ഫാക്ടർ** ആണ്, ഇത് നിലവിലെ റിവാർഡ് ഭാവി റിവാർഡിനേക്കാൾ എത്രമാത്രം മുൻഗണന നൽകണമെന്ന് നിർണ്ണയിക്കുന്നു. @@ -267,7 +267,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ഈ ആൽഗോരിതം നടപ്പിലാക്കിയ ശേഷം, ക്യൂ-ടേബിൾ ഓരോ ഘട്ടത്തിലും വിവിധ പ്രവർത്തനങ്ങളുടെ ആകർഷകത നിർവചിക്കുന്ന മൂല്യങ്ങളാൽ അപ്ഡേറ്റ് ചെയ്യപ്പെടും. നാം ക്യൂ-ടേബിൾ ദൃശ്യവൽക്കരിക്കാൻ ഓരോ സെല്ലിലും ഒരു വെക്ടർ വരയ്ക്കാം, അത് ആഗ്രഹിക്കുന്ന ചലന ദിശ കാണിക്കും. ലളിതത്വത്തിന്, അറിന്റെ തലക്കെട്ട് പകരം ചെറിയ വൃത്തം വരയ്ക്കുന്നു. - + ## നയം പരിശോധിക്കൽ @@ -311,7 +311,7 @@ print_statistics(qpolicy) പഠന പ്രക്രിയ പ്രശ്നത്തിന്റെ ഘടനയെക്കുറിച്ചുള്ള അറിവ് കണ്ടെത്തലും പരീക്ഷണവും തമ്മിലുള്ള സമതുല്യമാണ്. പഠന ഫലങ്ങൾ (ഏജന്റിന് ലക്ഷ്യത്തിലേക്ക് ചെറുതായ പാത കണ്ടെത്താൻ സഹായിക്കുന്ന കഴിവ്) മെച്ചപ്പെട്ടതായി കാണാം, എന്നാൽ പഠന പ്രക്രിയയിൽ ശരാശരി പാത നീളം എങ്ങനെ പെരുമാറുന്നു എന്ന് നിരീക്ഷിക്കാനും താൽപര്യമുണ്ട്: - + പഠനങ്ങൾ ചുരുക്കി പറയാം: diff --git a/translations/ml/8-Reinforcement/2-Gym/README.md b/translations/ml/8-Reinforcement/2-Gym/README.md index 8b9108435..5ed0688a3 100644 --- a/translations/ml/8-Reinforcement/2-Gym/README.md +++ b/translations/ml/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **പ്രശ്നം**: പീറ്റർ വംശജനെ നിന്ന് രക്ഷപ്പെടാൻ, അവൻ വേഗത്തിൽ ചലിക്കാൻ കഴിയണം. പീറ്റർ എങ്ങനെ സ്‌കേറ്റ് ചെയ്യാൻ പഠിക്കാമെന്ന് നാം കാണും, പ്രത്യേകിച്ച്, ബാലൻസ് നിലനിർത്താൻ, Q-ലേണിംഗ് ഉപയോഗിച്ച്. -![The great escape!](../../../../translated_images/ml/escape.18862db9930337e3.png) +![The great escape!](../../../../translated_images/ml/escape.18862db9930337e3.webp) > പീറ്ററും അവന്റെ സുഹൃത്തുക്കളും വംശജനെ നിന്ന് രക്ഷപ്പെടാൻ സൃഷ്ടിപരമായ മാർഗങ്ങൾ കണ്ടെത്തുന്നു! ചിത്രം [ജെൻ ലൂപ്പർ](https://twitter.com/jenlooper) എന്നവരുടെ. നാം ബാലൻസിംഗ് എന്നത് ലളിതമാക്കിയ ഒരു പതിപ്പ് ഉപയോഗിക്കും, ഇത് **കാർട്ട്‌പോൾ** പ്രശ്നമായി അറിയപ്പെടുന്നു. കാർട്ട്‌പോൾ ലോകത്ത്, ഒരു ഹോരിസോണ്ടൽ സ്ലൈഡർ ഇടത്തോ വലത്തോ ചലിക്കാൻ കഴിയും, ലക്ഷ്യം സ്ലൈഡറിന്റെ മുകളിൽ ഒരു വെർട്ടിക്കൽ പോൾ ബാലൻസ് ചെയ്യുകയാണ്. -a cartpole +a cartpole ## മുൻപരിചയം @@ -285,7 +285,7 @@ Q-ലേണിങ്ങിൽ, ഓരോ അവസ്ഥയിലും എന plt.plot(rewards) ``` -![raw progress](../../../../translated_images/ml/train_progress_raw.2adfdf2daea09c59.png) +![raw progress](../../../../translated_images/ml/train_progress_raw.2adfdf2daea09c59.webp) ഈ ഗ്രാഫിൽ ഒന്നും വ്യക്തമാക്കാൻ കഴിയില്ല, കാരണം സ്റ്റോക്കാസ്റ്റിക് പരിശീലന പ്രക്രിയയുടെ സ്വഭാവം മൂലം പരിശീലന സെഷനുകളുടെ ദൈർഘ്യം വളരെ വ്യത്യാസപ്പെടുന്നു. ഈ ഗ്രാഫിന്റെ അർത്ഥം മനസ്സിലാക്കാൻ, നാം 100 പരീക്ഷണങ്ങളുടെ **റണ്ണിംഗ് ശരാശരി** കണക്കാക്കാം. ഇത് `np.convolve` ഉപയോഗിച്ച് എളുപ്പത്തിൽ ചെയ്യാം: (കോഡ് ബ്ലോക്ക് 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/ml/train_progress_runav.c71694a8fa9ab359.png) +![training progress](../../../../translated_images/ml/train_progress_runav.c71694a8fa9ab359.webp) ## ഹൈപ്പർപാരാമീറ്ററുകൾ മാറ്റി പരീക്ഷിക്കൽ diff --git a/translations/ml/8-Reinforcement/2-Gym/assignment.md b/translations/ml/8-Reinforcement/2-Gym/assignment.md index 84a7fe146..25397d48e 100644 --- a/translations/ml/8-Reinforcement/2-Gym/assignment.md +++ b/translations/ml/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [Mountain Car environment](https://gym.openai.com/envs/MountainCar-v0/) ഒരു താഴ്വരയിൽ കുടുങ്ങിയ ഒരു കാർ ഉൾക്കൊള്ളുന്നു: - + ലക്ഷ്യം താഴ്വരയിൽ നിന്ന് പുറത്തുകടക്കുകയും പതാക പിടിക്കുകയും ചെയ്യുക ആണ്, ഓരോ ഘട്ടത്തിലും താഴെപ്പറയുന്ന പ്രവർത്തനങ്ങളിൽ ഒന്നും ചെയ്യുക: diff --git a/translations/ml/8-Reinforcement/README.md b/translations/ml/8-Reinforcement/README.md index 07562ae69..15b393238 100644 --- a/translations/ml/8-Reinforcement/README.md +++ b/translations/ml/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: നിങ്ങൾക്ക് സ്റ്റോക്ക് മാർക്കറ്റ് പോലൊരു സിമുലേറ്റഡ് പരിസ്ഥിതി ഉണ്ടെന്ന് കരുതുക. ഒരു നിശ്ചിത നിയന്ത്രണം ഏർപ്പെടുത്തുകയാണെങ്കിൽ എന്ത് സംഭവിക്കും? അത് പോസിറ്റീവ് ഫലമോ നെഗറ്റീവ് ഫലമോ ഉണ്ടാക്കുമോ? എന്തെങ്കിലും നെഗറ്റീവ് സംഭവിച്ചാൽ, നിങ്ങൾക്ക് ഈ _നെഗറ്റീവ് റീഇൻഫോഴ്‌സ്‌മെന്റ്_ സ്വീകരിച്ച് അതിൽ നിന്ന് പഠിച്ച് ദിശ മാറ്റണം. അത് പോസിറ്റീവ് ഫലമായാൽ, നിങ്ങൾക്ക് ആ _പോസിറ്റീവ് റീഇൻഫോഴ്‌സ്‌മെന്റ്_ അടിസ്ഥാനമാക്കി മുന്നോട്ട് പോകണം. -![peter and the wolf](../../../translated_images/ml/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/ml/peter.779730f9ba3a8a8d.webp) > പീറ്ററും അവന്റെ സുഹൃത്തുക്കളും വിശപ്പുള്ള വുൾഫിൽ നിന്ന് രക്ഷപ്പെടണം! ചിത്രം [Jen Looper](https://twitter.com/jenlooper) എന്നവന്റെതാണ് diff --git a/translations/ml/9-Real-World/1-Applications/README.md b/translations/ml/9-Real-World/1-Applications/README.md index 7a9745da4..6efcd4d2c 100644 --- a/translations/ml/9-Real-World/1-Applications/README.md +++ b/translations/ml/9-Real-World/1-Applications/README.md @@ -10,7 +10,7 @@ CO_OP_TRANSLATOR_METADATA: # പോസ്റ്റ്‌സ്‌ക്രിപ്റ്റ്: യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗ് -![യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-realworld.26ee274671615577.png) +![യാഥാർത്ഥ്യ ലോകത്തിലെ മെഷീൻ ലേണിംഗിന്റെ സംഗ്രഹം ഒരു സ്കെച്ച്നോട്ടിൽ](../../../../translated_images/ml/ml-realworld.26ee274671615577.webp) > സ്കെച്ച്നോട്ട് [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından ഈ പാഠ്യപദ്ധതിയിൽ, നിങ്ങൾ പരിശീലനത്തിനായി ഡാറ്റ തയ്യാറാക്കാനും മെഷീൻ ലേണിംഗ് മോഡലുകൾ സൃഷ്ടിക്കാനും നിരവധി മാർഗങ്ങൾ പഠിച്ചു. നിങ്ങൾ ക്ലാസിക് റെഗ്രഷൻ, ക്ലസ്റ്ററിംഗ്, ക്ലാസിഫിക്കേഷൻ, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, ടൈം സീരീസ് മോഡലുകളുടെ ഒരു പരമ്പര നിർമ്മിച്ചു. അഭിനന്ദനങ്ങൾ! ഇപ്പോൾ, നിങ്ങൾക്ക് ഇതെല്ലാം എന്തിനാണെന്ന് അറിയാൻ ആഗ്രഹമുണ്ടാകാം... ഈ മോഡലുകൾക്ക് യാഥാർത്ഥ്യ ലോകത്തിൽ എന്തെല്ലാം പ്രയോഗങ്ങൾ ഉണ്ട്? diff --git a/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md b/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md index 4316b9975..d6fcffb3b 100644 --- a/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/ml/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: കൃത്യത അളക്കാൻ ഉപയോഗിക്കുന്ന പരമ്പരാഗത മോഡൽ പ്രകടന മെട്രിക്‌സുകൾ സാധാരണയായി ശരിയായ പ്രവചനങ്ങൾക്കും തെറ്റായ പ്രവചനങ്ങൾക്കും അടിസ്ഥാനമായ കണക്കുകളാണ്. ഉദാഹരണത്തിന്, ഒരു മോഡൽ 89% കൃത്യതയുള്ളതാണെന്ന് 0.001 പിശക് നഷ്ടത്തോടെ നിശ്ചയിക്കുന്നത് നല്ല പ്രകടനമായി കണക്കാക്കാം. പിശകുകൾ സാധാരണയായി നിങ്ങളുടെ അടിസ്ഥാന ഡാറ്റാസെറ്റിൽ സമാനമായി വിതരണം ചെയ്തിട്ടില്ല. നിങ്ങൾക്ക് 89% കൃത്യതയുള്ള മോഡൽ സ്കോർ ലഭിച്ചാലും, മോഡൽ 42% തവണ പരാജയപ്പെടുന്ന ഡാറ്റാ മേഖലകൾ വ്യത്യസ്തമായി ഉണ്ടാകാം. ഈ പരാജയ മാതൃകകൾ ചില ഡാറ്റാ ഗ്രൂപ്പുകളിൽ ഫെയർ‌നസോ വിശ്വസനീയതയോ സംബന്ധിച്ച പ്രശ്നങ്ങൾ ഉണ്ടാക്കാം. മോഡൽ എവിടെ നല്ല പ്രകടനം കാഴ്ചവെക്കുന്നു അല്ലെങ്കിൽ പരാജയപ്പെടുന്നു എന്ന് മനസ്സിലാക്കുന്നത് അനിവാര്യമാണ്. മോഡലിൽ പിശകുകൾ കൂടുതലുള്ള ഡാറ്റാ മേഖലകൾ ഒരു പ്രധാന ഡാറ്റാ ജനസംഖ്യയായി മാറാം. -![മോഡൽ പിശകുകൾ വിശകലനം ചെയ്യുക](../../../../translated_images/ml/ea-error-distribution.117452e1177c1dd8.png) +![മോഡൽ പിശകുകൾ വിശകലനം ചെയ്യുക](../../../../translated_images/ml/ea-error-distribution.117452e1177c1dd8.webp) RAI ഡാഷ്ബോർഡിലെ പിശക് വിശകലന ഘടകം വിവിധ കോഹോർട്ടുകളിൽ മോഡൽ പരാജയം എങ്ങനെ വിതരണം ചെയ്തിട്ടുള്ളതെന്ന് ഒരു ട്രീ വിസ്വലൈസേഷനിലൂടെ കാണിക്കുന്നു. ഇത് നിങ്ങളുടെ ഡാറ്റാസെറ്റിൽ ഉയർന്ന പിശക് നിരക്കുള്ള സവിശേഷതകൾ അല്ലെങ്കിൽ മേഖലകൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. മോഡലിന്റെ പിശകുകൾ എവിടെ നിന്നാണ് വരുന്നത് എന്ന് കാണുമ്പോൾ, നിങ്ങൾ മൂലകാരണം അന്വേഷിക്കാൻ തുടങ്ങാം. ഡാറ്റാ കോഹോർട്ടുകൾ സൃഷ്ടിച്ച് അവയിൽ വിശകലനം നടത്താനും കഴിയും. ഈ ഡാറ്റാ കോഹോർട്ടുകൾ ഡീബഗ്ഗിംഗ് പ്രക്രിയയിൽ സഹായിക്കുന്നു, ഒരു കോഹോർട്ടിൽ മോഡൽ പ്രകടനം നല്ലതായിരിക്കുമ്പോൾ മറ്റൊന്നിൽ പിശകുള്ളതെന്തുകൊണ്ടെന്ന് കണ്ടെത്താൻ. -![പിശക് വിശകലനം](../../../../translated_images/ml/ea-error-cohort.6886209ea5d438c4.png) +![പിശക് വിശകലനം](../../../../translated_images/ml/ea-error-cohort.6886209ea5d438c4.webp) ട്രീ മാപ്പിലെ ദൃശ്യ സൂചകങ്ങൾ പ്രശ്നമേഖലകൾ വേഗത്തിൽ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഉദാഹരണത്തിന്, ട്രീ നോഡിന് ഇരുണ്ട ചുവപ്പ് നിറം കൂടുതലായിരിക്കുമ്പോൾ പിശക് നിരക്ക് ഉയർന്നതാണ്. ഹീറ്റ് മാപ്പ് മറ്റൊരു വിസ്വലൈസേഷൻ ഫംഗ്ഷണാലിറ്റിയാണ്, ഇത് ഒരു അല്ലെങ്കിൽ രണ്ട് സവിശേഷതകൾ ഉപയോഗിച്ച് പിശക് നിരക്ക് പരിശോധിക്കാൻ സഹായിക്കുന്നു, മുഴുവൻ ഡാറ്റാസെറ്റിലോ കോഹോർട്ടുകളിലോ മോഡൽ പിശകുകൾക്ക് കാരണമായ ഘടകങ്ങൾ കണ്ടെത്താൻ. -![പിശക് വിശകലന ഹീറ്റ് മാപ്പ്](../../../../translated_images/ml/ea-heatmap.8d27185e28cee383.png) +![പിശക് വിശകലന ഹീറ്റ് മാപ്പ്](../../../../translated_images/ml/ea-heatmap.8d27185e28cee383.webp) പിശക് വിശകലനം ഉപയോഗിക്കേണ്ടത്: @@ -57,11 +57,11 @@ RAI ഡാഷ്ബോർഡിലെ പിശക് വിശകലന ഘട RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകന ഘടകം ഡാറ്റാ പ്രതിനിധാനമുള്ള കോഹോർട്ടുകളുടെ പ്രകടന മെട്രിക്‌സുകൾ വിശകലനം ചെയ്യുന്നതിൽ മാത്രമല്ല, വ്യത്യസ്ത കോഹോർട്ടുകളിലുടനീളം മോഡലിന്റെ പെരുമാറ്റം താരതമ്യം ചെയ്യാനുള്ള കഴിവും നൽകുന്നു. -![ഡാറ്റാസെറ്റ് കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/ml/model-overview-dataset-cohorts.dfa463fb527a35a0.png) +![ഡാറ്റാസെറ്റ് കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/ml/model-overview-dataset-cohorts.dfa463fb527a35a0.webp) ഘടകത്തിന്റെ സവിശേഷതാ അടിസ്ഥാനത്തിലുള്ള വിശകലന ഫംഗ്ഷണാലിറ്റി ഉപയോക്താക്കളെ ഒരു പ്രത്യേക സവിശേഷതയിലുള്ള ഡാറ്റാ ഉപഗ്രൂപ്പുകൾ കുറയ്ക്കാൻ സഹായിക്കുന്നു, സൂക്ഷ്മതയിൽ അനോമലികൾ കണ്ടെത്താൻ. ഉദാഹരണത്തിന്, ഡാഷ്ബോർഡിൽ ഒരു ഉപയോക്താവ് തിരഞ്ഞെടുക്കുന്ന സവിശേഷതയ്ക്ക് (ഉദാ: *"time_in_hospital < 3"* അല്ലെങ്കിൽ *"time_in_hospital >= 7"*) സ്വയം കോഹോർട്ടുകൾ സൃഷ്ടിക്കുന്ന ബുദ്ധിമുട്ട് ഉണ്ട്. ഇത് വലിയ ഡാറ്റാ ഗ്രൂപ്പിൽ നിന്നൊരു പ്രത്യേക സവിശേഷത വേർതിരിച്ച് മോഡലിന്റെ പിശകുള്ള ഫലങ്ങൾക്ക് പ്രധാന കാരണമാണോ എന്ന് പരിശോധിക്കാൻ സഹായിക്കുന്നു. -![സവിശേഷതാ കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/ml/model-overview-feature-cohorts.c5104d575ffd0c80.png) +![സവിശേഷതാ കോഹോർട്ടുകൾ - RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകനം](../../../../translated_images/ml/model-overview-feature-cohorts.c5104d575ffd0c80.webp) മോഡൽ അവലോകന ഘടകം രണ്ട് തരത്തിലുള്ള വ്യത്യാസ മെട്രിക്‌സുകൾ പിന്തുണയ്ക്കുന്നു: @@ -85,7 +85,7 @@ RAI ഡാഷ്ബോർഡിലെ മോഡൽ അവലോകന ഘടക RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം ഡാറ്റാസെറ്റിൽ അധികം അല്ലെങ്കിൽ കുറവായി പ്രതിനിധാനം ചെയ്യുന്ന മേഖലകൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഡാറ്റ അസമത്വങ്ങൾ അല്ലെങ്കിൽ ഒരു പ്രത്യേക ഡാറ്റാ ഗ്രൂപ്പിന്റെ പ്രതിനിധാനക്കുറവ് മൂലം ഉണ്ടാകുന്ന പിശകുകളും നീതിപൂർണത പ്രശ്നങ്ങളും കണ്ടെത്താൻ ഉപയോക്താക്കളെ സഹായിക്കുന്നു. പ്രവചിച്ച ഫലങ്ങളും യഥാർത്ഥ ഫലങ്ങളും, പിശക് ഗ്രൂപ്പുകളും, പ്രത്യേക സവിശേഷതകളും അടിസ്ഥാനമാക്കി ഡാറ്റാസെറ്റുകൾ ദൃശ്യവൽക്കരിക്കാൻ കഴിയും. ചിലപ്പോൾ കുറവായി പ്രതിനിധാനം ചെയ്യുന്ന ഡാറ്റാ ഗ്രൂപ്പ് കണ്ടെത്തുന്നത് മോഡൽ നന്നായി പഠിക്കുന്നില്ലെന്ന് വെളിപ്പെടുത്താം, അതിനാൽ പിശകുകൾ കൂടുതലാണ്. ഡാറ്റാ പക്ഷപാതമുള്ള മോഡൽ ഫെയർ‌നസിന്റെ പ്രശ്നമല്ല, അത് ഉൾക്കൊള്ളലില്ലായ്മയും വിശ്വസനീയതയില്ലായ്മയും കാണിക്കുന്നു. -![RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം](../../../../translated_images/ml/dataanalysis-cover.8d6d0683a70a5c1e.png) +![RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘടകം](../../../../translated_images/ml/dataanalysis-cover.8d6d0683a70a5c1e.webp) ഡാറ്റാ വിശകലനം ഉപയോഗിക്കേണ്ടത്: @@ -104,14 +104,14 @@ RAI ഡാഷ്ബോർഡിലെ ഡാറ്റാ വിശകലന ഘ RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം മോഡൽ ഡീബഗ് ചെയ്യാനും മോഡൽ പ്രവചനങ്ങൾ എങ്ങനെ ഉണ്ടാകുന്നു എന്ന് സമഗ്രമായി മനസ്സിലാക്കാനും സഹായിക്കുന്നു. ഇത് മെഷീൻ ലേണിംഗ് പ്രൊഫഷണലുകൾക്കും തീരുമാനമെടുക്കുന്നവർക്കും മോഡലിന്റെ പെരുമാറ്റത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ വിശദീകരിക്കാനും തെളിവുകൾ കാണിക്കാനും സഹായിക്കുന്ന ഉപകരണമാണ്, നിയമാനുസൃത പാലനത്തിനായി. ഉപയോക്താക്കൾ ആഗോളവും പ്രാദേശികവുമായ വിശദീകരണങ്ങൾ പരിശോധിച്ച് മോഡലിന്റെ പ്രവചനത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ സ്ഥിരീകരിക്കാം. ആഗോള വിശദീകരണങ്ങൾ മോഡലിന്റെ മൊത്തം പ്രവചനത്തെ സ്വാധീനിച്ച പ്രധാന സവിശേഷതകൾ പട്ടികപ്പെടുത്തുന്നു. പ്രാദേശിക വിശദീകരണങ്ങൾ വ്യക്തിഗത കേസിനുള്ള മോഡൽ പ്രവചനത്തിന് കാരണമായ സവിശേഷതകൾ കാണിക്കുന്നു. പ്രാദേശിക വിശദീകരണങ്ങൾ വിലയിരുത്തുന്നത് ഒരു പ്രത്യേക കേസ് ഡീബഗ് ചെയ്യാനും ഓഡിറ്റ് ചെയ്യാനും സഹായിക്കുന്നു, മോഡൽ ശരിയായോ തെറ്റായോ പ്രവചനമുണ്ടാക്കിയത് എന്തുകൊണ്ടെന്ന് മനസ്സിലാക്കാൻ. -![RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം](../../../../translated_images/ml/9-feature-importance.cd3193b4bba3fd4b.png) +![RAI ഡാഷ്ബോർഡിലെ സവിശേഷതാ പ്രാധാന്യം ഘടകം](../../../../translated_images/ml/9-feature-importance.cd3193b4bba3fd4b.webp) * ആഗോള വിശദീകരണങ്ങൾ: ഉദാഹരണത്തിന്, ഒരു ഡയബറ്റിക് ആശുപത്രി വീണ്ടും പ്രവേശന മോഡലിന്റെ മൊത്തം പെരുമാറ്റത്തെ സ്വാധീനിക്കുന്ന സവിശേഷതകൾ എന്തൊക്കെയാണ്? * പ്രാദേശിക വിശദീകരണങ്ങൾ: ഉദാഹരണത്തിന്, 60 വയസ്സിന് മുകളിൽ മുൻപ് ആശുപത്രിയിൽ പ്രവേശനമുണ്ടായ ഒരു ഡയബറ്റിക് രോഗിയെ 30 ദിവസത്തിനുള്ളിൽ വീണ്ടും പ്രവേശിപ്പിക്കുമോ ഇല്ലയോ എന്ന് മോഡൽ പ്രവചിച്ചത് എന്തുകൊണ്ടാണ്? വിവിധ കോഹോർട്ടുകളിലുടനീളം മോഡലിന്റെ പ്രകടനം പരിശോധിക്കുന്ന ഡീബഗ്ഗിംഗ് പ്രക്രിയയിൽ, സവിശേഷതാ പ്രാധാന്യം ഘടകം ഒരു സവിശേഷതയ്ക്ക് കോഹോർട്ടുകളിൽ എത്ര സ്വാധീനം ഉണ്ടെന്ന് കാണിക്കുന്നു. മോഡലിന്റെ പിശകുള്ള പ്രവചനങ്ങളെ പ്രേരിപ്പിക്കുന്ന സവിശേഷതയുടെ സ്വാധീനം താരതമ്യം ചെയ്യുമ്പോൾ അനോമലികൾ കണ്ടെത്താൻ ഇത് സഹായിക്കുന്നു. ഒരു മോഡൽ തെറ്റായ പ്രവചനമുണ്ടാക്കിയാൽ, ഈ ഘടകം നിങ്ങൾക്ക് ആ പ്രവചനത്തെ പ്രേരിപ്പിച്ച സവിശേഷതകൾ അല്ലെങ്കിൽ സവിശേഷതാ മൂല്യങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്നു. ഈ വിശദാംശം ഡീബഗ്ഗിംഗിനും പാരദർശകതക്കും ഉത്തരവാദിത്വത്തിനും സഹായിക്കുന്നു. അവസാനം, ഈ ഘടകം നീതിപൂർണത പ്രശ്നങ്ങൾ കണ്ടെത്താനും സഹായിക്കുന്നു. ഉദാഹരണത്തിന്, ജാതി അല്ലെങ്കിൽ ലിംഗം പോലുള്ള സെൻസിറ്റീവ് സവിശേഷത മോഡലിന്റെ പ്രവചനത്തെ വളരെ സ്വാധീനിക്കുന്നുവെങ്കിൽ, ഇത് മോഡലിൽ ജാതി അല്ലെങ്കിൽ ലിംഗഭേദം ഉണ്ടാകാമെന്ന സൂചനയാണ്. -![സവിശേഷതാ പ്രാധാന്യം](../../../../translated_images/ml/9-features-influence.3ead3d3f68a84029.png) +![സവിശേഷതാ പ്രാധാന്യം](../../../../translated_images/ml/9-features-influence.3ead3d3f68a84029.webp) വ്യാഖ്യാനം ഉപയോഗിക്കേണ്ടത്: diff --git a/translations/ml/9-Real-World/README.md b/translations/ml/9-Real-World/README.md index 8423667ff..0c83aff42 100644 --- a/translations/ml/9-Real-World/README.md +++ b/translations/ml/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: പാഠ്യപദ്ധതിയുടെ ഈ വിഭാഗത്തിൽ, നിങ്ങൾക്ക് ക്ലാസിക്കൽ എംഎൽ ഉപയോഗിച്ച യഥാർത്ഥ ലോക പ്രയോഗങ്ങളെ പരിചയപ്പെടുത്തും. നാം ന്യുറൽ നെറ്റ്വർക്കുകൾ, ഡീപ്പ് ലേണിംഗ്, എഐ എന്നിവ ഒഴിവാക്കി ഈ തന്ത്രങ്ങൾ ഉപയോഗിച്ച പ്രയോഗങ്ങളെക്കുറിച്ചുള്ള വൈറ്റ്‌പേപ്പറുകളും ലേഖനങ്ങളും കണ്ടെത്താൻ ഇന്റർനെറ്റ് തിരഞ്ഞെടുത്തു. ബിസിനസ് സിസ്റ്റങ്ങൾ, പരിസ്ഥിതി പ്രയോഗങ്ങൾ, ഫിനാൻസ്, കലയും സംസ്കാരവും ഉൾപ്പെടെ എങ്ങനെ എംഎൽ ഉപയോഗിക്കപ്പെടുന്നു എന്ന് പഠിക്കൂ. -![chess](../../../translated_images/ml/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ml/chess.e704a268781bdad8.webp) > ഫോട്ടോ Alexis Fauvet Unsplash ൽ നിന്നാണ് diff --git a/translations/ml/README.md b/translations/ml/README.md index 44c658fb4..da0943138 100644 --- a/translations/ml/README.md +++ b/translations/ml/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: നമുക്കു Discord-ൽ "Learn with AI" സീരീസ് നീണ്ടുനടക്കുകയാണ്; കൂടുതല്‍ അറിയാന്‍ , 18 - 30 സെപ്റ്റംബർ, 2025 തീയതികൾക്കായി ഞങ്ങളോടൊപ്പം ചേരൂ: [Learn with AI Series](https://aka.ms/learnwithai/discord). GitHub Copilot ഉപയോഗിച്ച് Data Science ചെയ്യാനുള്ള ടിപ്സ്-ട്രിക്ക്‌സ് നിങ്ങൾക്ക് ലഭിക്കും. -![Learn with AI series](../../translated_images/ml/3.9b58fd8d6c373c20.png) +![Learn with AI series](../../translated_images/ml/3.9b58fd8d6c373c20.webp) # Machine Learning for Beginners - A Curriculum @@ -80,7 +80,7 @@ Microsoft-ലെ Cloud Advocates-ുകൾ സന്തോഷത്തോടെ ചില പാഠങ്ങൾ ചെറിയ ഫോർമാറ്റിലുള്ള വീഡിയോ ആയി ലഭ്യമാണ്. ഈ മുഴുവൻ വിഡിയോകൾ പാഠങ്ങളിൽ തന്നെ ഇൻ-ലൈൻ ആയി കാണാനോ, അല്ലെങ്കിൽ [ML for Beginners പ്ലേലിസ്റ്റ് - Microsoft Developer YouTube ചാനൽ](https://aka.ms/ml-beginners-videos) ൽ ചിത്രം ക്ലിക്കുചെയ്ത് കാണാവുന്നതാണ്. -[![ML for beginners ബാനർ](../../translated_images/ml/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ബാനർ](../../translated_images/ml/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/mo/1-Introduction/README.md b/translations/mo/1-Introduction/README.md index fc1e41680..99c00c8d4 100644 --- a/translations/mo/1-Introduction/README.md +++ b/translations/mo/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程中，您將了解機器學習領域的基本概念、它的定義，以及它的歷史和研究人員使用的技術。讓我們一起探索這個機器學習的新世界吧！ -![globe](../../../translated_images/mo/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/mo/globe.59f26379ceb40428.webp) > 照片由 Bill Oxford 提供，來自 Unsplash ### 課程 diff --git a/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 07ac05f0d..ead53caa4 100644 --- a/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/mo/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
插畫作者：@allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 4d5e5c21d..4f3f37016 100644 --- a/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/mo/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -535,7 +535,7 @@ "
資訊圖表由 Dasani Madipalli 提供
\n", "\n", "\n", - "\n", + "\n", "\n", "有一句*智慧*的名言是這樣說的：\n", "\n", diff --git a/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index e09486490..e25e8c632 100644 --- a/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/mo/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 簡介\n", "\n", @@ -804,7 +804,7 @@ "
圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 35b72c6d4..466e905e6 100644 --- a/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/mo/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 建立邏輯迴歸模型 - 第四課\n", "\n", - "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/mo/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![邏輯迴歸與線性迴歸資訊圖表](../../../../../../translated_images/mo/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[課前測驗](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "邏輯回歸不提供與線性回歸相同的功能。前者提供對「二元類別」（例如「橙色或非橙色」）的預測，而後者則能夠預測「連續值」，例如根據南瓜的來源和收穫時間，*價格會上漲多少*。\n", "\n", - "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/mo/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/mo/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### 其他分類方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **序列型**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情境，例如南瓜按有限的尺寸（迷你、小、中、大、特大、超大）排序。\n", "\n", - "![多項式 vs 序列型回歸](../../../../../../translated_images/mo/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![多項式 vs 序列型回歸](../../../../../../translated_images/mo/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **變數不需要相關**\n", "\n", diff --git a/translations/mo/2-Regression/README.md b/translations/mo/2-Regression/README.md index ea30ba5ed..692c60558 100644 --- a/translations/mo/2-Regression/README.md +++ b/translations/mo/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 在北美，南瓜常被雕刻成恐怖的臉孔以慶祝萬聖節。讓我們一起探索這些迷人的蔬菜吧！ -![jack-o-lanterns](../../../translated_images/mo/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/mo/jack-o-lanterns.181c661a9212457d.webp) > 照片由 Beth Teutschmann 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/mo/3-Web-App/README.md b/translations/mo/3-Web-App/README.md index 18d007b08..f35203ec9 100644 --- a/translations/mo/3-Web-App/README.md +++ b/translations/mo/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，您將學習一個應用機器學習的主題：如何將您的 Scikit-learn 模型保存為一個文件，並在網頁應用程式中使用它進行預測。一旦模型保存完成，您將學習如何在使用 Flask 建立的網頁應用程式中使用它。首先，您將使用一些關於 UFO 目擊事件的數據來建立模型！接著，您將建立一個網頁應用程式，允許您輸入秒數、緯度和經度值，來預測哪個國家報告了看到 UFO。 -![UFO 停車場](../../../translated_images/mo/ufo.9e787f5161da9d4d.jpg) +![UFO 停車場](../../../translated_images/mo/ufo.9e787f5161da9d4d.webp) 照片由 Michael Herren 提供，來自 Unsplash diff --git a/translations/mo/4-Classification/README.md b/translations/mo/4-Classification/README.md index 6840955bd..c517a1ec4 100644 --- a/translations/mo/4-Classification/README.md +++ b/translations/mo/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 在亞洲和印度，飲食文化非常多樣化，而且非常美味！讓我們來看看有關區域料理的數據，試著了解它們的食材。 -![泰國食物攤販](../../../translated_images/mo/thai-food.c47a7a7f9f05c218.jpg) +![泰國食物攤販](../../../translated_images/mo/thai-food.c47a7a7f9f05c218.webp) > 照片由 Lisheng Chang 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/mo/5-Clustering/README.md b/translations/mo/5-Clustering/README.md index af279aeb2..b583ab2d2 100644 --- a/translations/mo/5-Clustering/README.md +++ b/translations/mo/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亞多元化的觀眾擁有多樣的音樂品味。利用從 Spotify 擷取的數據（靈感來自[這篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），讓我們來看看尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！ -![一台唱盤](../../../translated_images/mo/turntable.f2b86b13c53302dc.jpg) +![一台唱盤](../../../translated_images/mo/turntable.f2b86b13c53302dc.webp) > 照片由 Marcela Laskoski 提供，來自 Unsplash diff --git a/translations/mo/6-NLP/README.md b/translations/mo/6-NLP/README.md index 4406c911c..08544046e 100644 --- a/translations/mo/6-NLP/README.md +++ b/translations/mo/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在這些課程中，我們將通過建立小型對話機器人來學習自然語言處理的基礎，了解機器學習如何幫助使這些對話變得越來越「智能」。你將穿越時光，與珍·奧斯汀1813年出版的經典小說《傲慢與偏見》中的伊麗莎白·班內特和達西先生進行交流。接著，你將進一步學習如何通過歐洲酒店評論進行情感分析。 -![傲慢與偏見書籍與茶](../../../translated_images/mo/p&p.279f1c49ecd88941.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/mo/p&p.279f1c49ecd88941.webp) > 照片由 Elaine Howlin 提供，來自 Unsplash ## 課程 diff --git a/translations/mo/7-TimeSeries/README.md b/translations/mo/7-TimeSeries/README.md index d1205b158..a0a6be7dc 100644 --- a/translations/mo/7-TimeSeries/README.md +++ b/translations/mo/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我們的區域重點是全球的電力使用情況，這是一個有趣的數據集，可以用來學習如何根據過去的負載模式預測未來的電力使用情況。您可以看到，這種預測在商業環境中是多麼有幫助。 -![電網](../../../translated_images/mo/electric-grid.0c21d5214db09ffa.jpg) +![電網](../../../translated_images/mo/electric-grid.0c21d5214db09ffa.webp) 照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 拍攝，展示了拉賈斯坦邦道路上的電塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/mo/8-Reinforcement/README.md b/translations/mo/8-Reinforcement/README.md index c962f209e..ab1fe652c 100644 --- a/translations/mo/8-Reinforcement/README.md +++ b/translations/mo/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想像一下你有一個模擬環境，例如股市。如果你施加某項規定，會發生什麼？它會產生正面還是負面的影響？如果發生負面影響，你需要接受這種_負面強化_，從中學習並改變方向。如果結果是正面的，你需要基於這種_正面強化_繼續努力。 -![彼得與狼](../../../translated_images/mo/peter.779730f9ba3a8a8d.png) +![彼得與狼](../../../translated_images/mo/peter.779730f9ba3a8a8d.webp) > 彼得和他的朋友們需要逃離飢餓的狼！圖片來源：[Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/mo/9-Real-World/README.md b/translations/mo/9-Real-World/README.md index 5872c20cf..5a0b46943 100644 --- a/translations/mo/9-Real-World/README.md +++ b/translations/mo/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，你將了解經典機器學習在現實世界中的一些應用。我們在網路上搜尋了許多白皮書和文章，介紹了使用這些策略的應用，並儘量避免涉及神經網路、深度學習和人工智慧。學習機器學習如何應用於商業系統、生態應用、金融、藝術與文化等領域。 -![chess](../../../translated_images/mo/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/mo/chess.e704a268781bdad8.webp) > 圖片由 Alexis Fauvet 提供，來源於 Unsplash diff --git a/translations/mo/README.md b/translations/mo/README.md index b667e7dab..47d67be64 100644 --- a/translations/mo/README.md +++ b/translations/mo/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: 我們正在舉辦 Discord「與 AI 一起學習」系列活動，更多資訊與加入請至 [與 AI 一起學習 系列](https://aka.ms/learnwithai/discord)。活動期間為 2025 年 9 月 18 日至 9 月 30 日。您將會獲得有關在資料科學中使用 GitHub Copilot 的技巧與秘訣。 -![與 AI 一起學習 系列](../../translated_images/mo/3.9b58fd8d6c373c20.png) +![與 AI 一起學習 系列](../../translated_images/mo/3.9b58fd8d6c373c20.webp) # 初學者機器學習課程綱要 @@ -80,7 +80,7 @@ Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課 部分課程提供短片形式的教學影片。您可以在每堂課內嵌找到這些影片，或在 Microsoft Developer YouTube 頻道上的 [ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos) 觀看，點選下方圖片即可前往。 -[![初學者機器學習 橫幅](../../translated_images/mo/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![初學者機器學習 橫幅](../../translated_images/mo/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/mr/1-Introduction/README.md b/translations/mr/1-Introduction/README.md index e4197017d..57b484165 100644 --- a/translations/mr/1-Introduction/README.md +++ b/translations/mr/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: या अभ्यासक्रमाच्या विभागात, तुम्हाला मशीन लर्निंग क्षेत्राशी संबंधित मूलभूत संकल्पना, त्याचा अर्थ, त्याचा इतिहास आणि संशोधक त्यावर काम करण्यासाठी वापरत असलेल्या तंत्रज्ञानाची ओळख करून दिली जाईल. चला, आपण एकत्रितपणे या नवीन ML च्या जगाचा शोध घेऊया! -![globe](../../../translated_images/mr/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/mr/globe.59f26379ceb40428.webp) > फोटो बिल ऑक्सफर्ड यांनी Unsplash वर घेतला आहे ### धडे diff --git a/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 717b6a6d0..74c56dd84 100644 --- a/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/mr/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
कला @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 5f8b50159..b502a0394 100644 --- a/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/mr/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
@allison_horst यांचे कलाकृती
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
चित्रकृती: @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -532,7 +532,7 @@ "
डासानी मदीपल्ली यांचे माहितीपट
\n", "\n", "\n", - "\n", + "\n", "\n", "एक *शहाणपणाचे* वाक्य असे आहे:\n", "\n", diff --git a/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 6604c9b70..b24316e9a 100644 --- a/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/mr/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
@allison_horst यांचे कलाकृती
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
दासानी मदीपल्ली यांनी तयार केलेले माहितीपट
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
दासानी मदीपल्ली यांनी तयार केलेले माहितीग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 27c519c6f..fadbdf1eb 100644 --- a/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/mr/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## लॉजिस्टिक रिग्रेशन मॉडेल तयार करा - धडा 4\n", "\n", - "![लॉजिस्टिक वि. लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/mr/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![लॉजिस्टिक वि. लीनियर रिग्रेशन इन्फोग्राफिक](../../../../../../translated_images/mr/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[पूर्व-व्याख्यान प्रश्नमंजुषा](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "लॉजिस्टिक रिग्रेशन रेषीय रिग्रेशनसारखी वैशिष्ट्ये देत नाही. लॉजिस्टिक रिग्रेशन `द्विपद श्रेणी` (\"नारिंगी किंवा नारिंगी नाही\") याबद्दल अंदाज देते, तर रेषीय रिग्रेशन `सातत्यपूर्ण मूल्ये` अंदाज करू शकते, जसे की भोपळ्याचे मूळ आणि कापणीचा वेळ दिल्यास, *त्याच्या किमतीत किती वाढ होईल*.\n", "\n", - "![दासानी मदीपल्ली यांचे इन्फोग्राफिक](../../../../../../translated_images/mr/pumpkin-classifier.562771f104ad5436.png)\n", + "![दासानी मदीपल्ली यांचे इन्फोग्राफिक](../../../../../../translated_images/mr/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### इतर वर्गीकरण\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **क्रमवार (Ordinal)**, ज्यामध्ये क्रमबद्ध श्रेणी असतात, जेव्हा आपण आपल्या परिणामांना तार्किकरित्या क्रमबद्ध करायचे असेल, जसे की भोपळ्यांचे आकार (लहान, मध्यम, मोठा, खूप मोठा) यावर आधारित क्रम.\n", "\n", - "![बहुपद विरुद्ध क्रमवार रिग्रेशन](../../../../../../translated_images/mr/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![बहुपद विरुद्ध क्रमवार रिग्रेशन](../../../../../../translated_images/mr/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **चलांमध्ये परस्परसंबंध असणे आवश्यक नाही**\n", "\n", diff --git a/translations/mr/2-Regression/README.md b/translations/mr/2-Regression/README.md index 72abd6f03..08f4c6ea7 100644 --- a/translations/mr/2-Regression/README.md +++ b/translations/mr/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: उत्तर अमेरिकेत, कद्दू हॅलोविनसाठी भीतीदायक चेहऱ्यांमध्ये कोरले जातात. चला या आकर्षक भाजीपाल्याबद्दल अधिक जाणून घेऊया! -![jack-o-lanterns](../../../translated_images/mr/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/mr/jack-o-lanterns.181c661a9212457d.webp) > फोटो बेथ टॉयचमन यांनी Unsplash वर Unsplash वर दिला आहे. ## तुम्ही काय शिकाल diff --git a/translations/mr/3-Web-App/README.md b/translations/mr/3-Web-App/README.md index 06d605cf6..a33719449 100644 --- a/translations/mr/3-Web-App/README.md +++ b/translations/mr/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: या अभ्यासक्रमाच्या या विभागात, तुम्हाला एक अनुप्रयुक्त ML विषयाची ओळख करून दिली जाईल: तुमचे Scikit-learn मॉडेल कसे जतन करायचे जेणेकरून ते वेब अॅप्लिकेशनमध्ये अंदाज वर्तवण्यासाठी वापरले जाऊ शकेल. एकदा मॉडेल जतन केल्यानंतर, तुम्ही ते Flask मध्ये तयार केलेल्या वेब अॅपमध्ये कसे वापरायचे ते शिकाल. तुम्ही प्रथम UFO पाहण्याच्या डेटाचा वापर करून एक मॉडेल तयार कराल! त्यानंतर, तुम्ही एक वेब अॅप तयार कराल जो तुम्हाला सेकंदांची संख्या, अक्षांश, आणि रेखांश मूल्य प्रविष्ट करून अंदाज लावण्याची परवानगी देईल की कोणत्या देशाने UFO पाहिल्याचा अहवाल दिला आहे. -![UFO Parking](../../../translated_images/mr/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/mr/ufo.9e787f5161da9d4d.webp) फोटो मायकेल हेरन यांनी Unsplash वर प्रकाशित केला. diff --git a/translations/mr/4-Classification/README.md b/translations/mr/4-Classification/README.md index 33dfb3b68..55eeab720 100644 --- a/translations/mr/4-Classification/README.md +++ b/translations/mr/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: आशिया आणि भारतात अन्न परंपरा अत्यंत विविध आणि अतिशय स्वादिष्ट आहेत! त्यांच्या घटकांचा अभ्यास करण्यासाठी प्रादेशिक खाद्यपदार्थांबद्दलच्या डेटावर एक नजर टाकूया. -![थाई खाद्य विक्रेता](../../../translated_images/mr/thai-food.c47a7a7f9f05c218.jpg) +![थाई खाद्य विक्रेता](../../../translated_images/mr/thai-food.c47a7a7f9f05c218.webp) > फोटो लिशेंग चांग यांनी अनस्प्लॅश वर दिला आहे ## तुम्ही काय शिकाल diff --git a/translations/mr/5-Clustering/README.md b/translations/mr/5-Clustering/README.md index ba999daf2..cc5d96ecd 100644 --- a/translations/mr/5-Clustering/README.md +++ b/translations/mr/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: नायजेरियाच्या विविध प्रेक्षकांची संगीताची आवडही विविध आहे. Spotify वरून डेटा स्क्रॅप करून (या [लेखातून प्रेरित](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), नायजेरियामध्ये लोकप्रिय असलेल्या काही संगीतावर नजर टाकूया. या डेटासेटमध्ये विविध गाण्यांच्या 'danceability' स्कोअर, 'acousticness', loudness, 'speechiness', लोकप्रियता आणि ऊर्जा याबद्दलचा डेटा समाविष्ट आहे. या डेटामध्ये नमुने शोधणे खूपच मनोरंजक ठरेल! -![एक टर्नटेबल](../../../translated_images/mr/turntable.f2b86b13c53302dc.jpg) +![एक टर्नटेबल](../../../translated_images/mr/turntable.f2b86b13c53302dc.webp) > Marcela Laskoski यांनी Unsplash वर फोटो दिला आहे diff --git a/translations/mr/6-NLP/README.md b/translations/mr/6-NLP/README.md index c694257fc..6c23a111b 100644 --- a/translations/mr/6-NLP/README.md +++ b/translations/mr/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: या धड्यांमध्ये आपण NLP चे मूलभूत तत्त्व शिकू, जिथे लहान संवादात्मक बॉट्स तयार करून मशीन लर्निंग कसे या संवादांना अधिकाधिक 'स्मार्ट' बनवते हे समजून घेऊ. तुम्ही भूतकाळात प्रवास कराल, जेन ऑस्टेनच्या १८१३ मध्ये प्रकाशित झालेल्या **Pride and Prejudice** या क्लासिक कादंबरीतील एलिझाबेथ बेनेट आणि मिस्टर डार्सी यांच्याशी संवाद साधाल. त्यानंतर, युरोपमधील हॉटेल पुनरावलोकनांद्वारे भावना विश्लेषण शिकून तुमचे ज्ञान वाढवाल. -![Pride and Prejudice पुस्तक आणि चहा](../../../translated_images/mr/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice पुस्तक आणि चहा](../../../translated_images/mr/p&p.279f1c49ecd88941.webp) > फोटो Elaine Howlin यांनी Unsplash वरून घेतला आहे ## धडे diff --git a/translations/mr/7-TimeSeries/README.md b/translations/mr/7-TimeSeries/README.md index 9c9e61505..b7758b423 100644 --- a/translations/mr/7-TimeSeries/README.md +++ b/translations/mr/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: आपला प्रादेशिक फोकस जागतिक वीज वापरावर आहे, जो भूतकाळातील लोडच्या पॅटर्न्सच्या आधारे भविष्यातील वीज वापराचा अंदाज लावण्यासाठी एक मनोरंजक डेटासेट आहे. व्यवसायाच्या वातावरणात अशा प्रकारचा अंदाज किती उपयुक्त ठरू शकतो हे तुम्हाला पाहता येईल. -![electric grid](../../../translated_images/mr/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/mr/electric-grid.0c21d5214db09ffa.webp) [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) यांनी राजस्थानमधील रस्त्यावर वीज टॉवर्सचे Unsplash वरील [फोटो](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/mr/8-Reinforcement/README.md b/translations/mr/8-Reinforcement/README.md index 14e8d36d5..ddcb14e89 100644 --- a/translations/mr/8-Reinforcement/README.md +++ b/translations/mr/8-Reinforcement/README.md @@ -13,7 +13,7 @@ reinforcement learning, RL, हे supervised learning आणि unsupervised le कल्पना करा की तुमच्याकडे स्टॉक मार्केटसारखे एक सिम्युलेटेड वातावरण आहे. जर तुम्ही एखादा नियम लागू केला तर काय होईल? त्याचा सकारात्मक परिणाम होतो का किंवा नकारात्मक? जर काही नकारात्मक घडले, तर तुम्हाला त्या _नकारात्मक reinforcement_ वरून शिकून मार्ग बदलण्याची गरज आहे. जर सकारात्मक परिणाम झाला, तर तुम्हाला त्या _सकारात्मक reinforcement_ वर आधारित पुढे जायचे आहे. -![peter and the wolf](../../../translated_images/mr/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/mr/peter.779730f9ba3a8a8d.webp) > पीटर आणि त्याचे मित्र भुकेल्या लांडग्यापासून पळून जाण्याचा प्रयत्न करत आहेत! प्रतिमा [Jen Looper](https://twitter.com/jenlooper) यांच्याकडून diff --git a/translations/mr/9-Real-World/README.md b/translations/mr/9-Real-World/README.md index 7abeb3308..15fe51540 100644 --- a/translations/mr/9-Real-World/README.md +++ b/translations/mr/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: या अभ्यासक्रमाच्या विभागात, तुम्हाला क्लासिक मशीन लर्निंगचे काही वास्तविक जगातील उपयोग समजावून सांगितले जातील. आम्ही इंटरनेटवर शोध घेतला आहे आणि अशा पद्धतींचा वापर करणाऱ्या अनुप्रयोगांबद्दल श्वेतपत्रे आणि लेख शोधले आहेत, ज्यामध्ये न्यूरल नेटवर्क्स, डीप लर्निंग आणि AI यांचा शक्य तितका कमी वापर केला आहे. व्यवसाय प्रणाली, पर्यावरणीय उपयोग, वित्त, कला आणि संस्कृती, आणि इतर क्षेत्रांमध्ये मशीन लर्निंगचा कसा उपयोग केला जातो हे जाणून घ्या. -![chess](../../../translated_images/mr/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/mr/chess.e704a268781bdad8.webp) > फोटो Alexis Fauvet यांनी Unsplash वर घेतला आहे diff --git a/translations/mr/README.md b/translations/mr/README.md index 155884be1..1b7c6b03a 100644 --- a/translations/mr/README.md +++ b/translations/mr/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: आमच्याकडे Discord वर AI सह शिकण्याची मालिका चालू आहे; अधिक जाणून घेण्यासाठी आणि 18 - 30 September, 2025 या काळात [AI सह शिकण्याची मालिका](https://aka.ms/learnwithai/discord) येथे आमच्यात सामील व्हा. तुम्हाला Data Science साठी GitHub Copilot वापरण्याचे टिप्स आणि ट्रिक्स मिळतील. -![AI सह शिकण्याची मालिका](../../translated_images/mr/3.9b58fd8d6c373c20.png) +![AI सह शिकण्याची मालिका](../../translated_images/mr/3.9b58fd8d6c373c20.webp) # सुरूवात @@ -78,7 +78,7 @@ Microsoft मधील Cloud Advocates तुमच्यासाठी 12 आ काही धडे लहान स्वरूपाच्या व्हिडिओ म्हणून उपलब्ध आहेत. तुम्ही हे सर्व धड्यामध्ये इन-लाइन शोधू शकता, किंवा Microsoft Developer YouTube चॅनेलवरील [ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) वर खालील प्रतिमेवर क्लिक करून पाहू शकता. -[![ML for Beginners बॅनर](../../translated_images/mr/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for Beginners बॅनर](../../translated_images/mr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ms/README.md b/translations/ms/README.md index f35f169dc..b74cbb6b9 100644 --- a/translations/ms/README.md +++ b/translations/ms/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Kami mempunyai siri Learn with AI di Discord yang sedang berjalan, ketahui lebih lanjut dan sertai kami di [Siri Belajar dengan AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapat petua dan trik menggunakan GitHub Copilot untuk Sains Data. -![Siri Belajar dengan AI](../../translated_images/ms/3.9b58fd8d6c373c20.png) +![Siri Belajar dengan AI](../../translated_images/ms/3.9b58fd8d6c373c20.webp) # Machine Learning for Beginners - A Curriculum @@ -80,7 +80,7 @@ Ikuti langkah-langkah ini: Beberapa pelajaran tersedia sebagai video bentuk pendek. Anda boleh mencari semua ini bersusun dalam pelajaran, atau di [playlist ML for Beginners pada saluran Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik imej di bawah. -[![Sepanduk ML untuk Pemula](../../translated_images/ms/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Sepanduk ML untuk Pemula](../../translated_images/ms/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/my/README.md b/translations/my/README.md index 954c84b7f..ac3b30220 100644 --- a/translations/my/README.md +++ b/translations/my/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: ကျွန်တော်တို့မှာ Discord ပေါ်တွင် "Learn with AI" စီးရီးတစ်ခု ဆက်လက်လည်ပတ်နေပါသည်။ 18 - 30 September, 2025 အတွင်း၊ အသေးစိတ်ကို သင်ယူရန်နှင့် ပူးပေါင်းရန် [Learn with AI Series](https://aka.ms/learnwithai/discord) တွင် ပါဝင်နိုင်ပါတယ်။ GitHub Copilot ကို Data Science အတွက် အသုံးပြုနည်း လှမ်းများနှင့် ကိုယ့်ရဲ့လက်တွေ့အကောင်းဆုံး လက်နက်များ၊ လက်ရာများကို ရယူနိုင်ပါမယ်။ -![AI နှင့် လေ့လာမှု စီးရီး](../../translated_images/my/3.9b58fd8d6c373c20.png) +![AI နှင့် လေ့လာမှု စီးရီး](../../translated_images/my/3.9b58fd8d6c373c20.webp) # မစတင်သူများအတွက် Machine Learning - သင်ရိုးညွှန်းတမ်း @@ -79,7 +79,7 @@ Cloud Advocates တွေက Microsoft မှ အသင်းအဖွဲ့သ သင်ခန်းစာတချို့ကို အတိုချုံး ဗီဒီယိုအဖြစ် ရရှိနိုင်ပါသည်။ သင်ခန်းစာများထဲတွင် တန်းစီထည့်ထားသော ဗီဒီယိုများအားလုံးကို သင့်သင်ခန်းစာများအတွင်းကနေ သို့မဟုတ် [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) မှာ ဗီဒီယိုကို နှိပ်၍ ကြည့်ရှုနိုင်သည်။ -[![ML for beginners banner](../../translated_images/my/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/my/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ne/1-Introduction/README.md b/translations/ne/1-Introduction/README.md index 5037f31b8..329d5e206 100644 --- a/translations/ne/1-Introduction/README.md +++ b/translations/ne/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: यस पाठ्यक्रमको यस खण्डमा, तपाईंलाई मेसिन लर्निङ क्षेत्रको आधारभूत अवधारणाहरू, यसको अर्थ के हो, यसको इतिहास, र अनुसन्धानकर्ताहरूले यससँग काम गर्न प्रयोग गर्ने प्रविधिहरूको बारेमा परिचय गराइनेछ। आउनुहोस्, हामी सँगै यो नयाँ मेसिन लर्निङको संसार अन्वेषण गरौं! -![globe](../../../translated_images/ne/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ne/globe.59f26379ceb40428.webp) > फोटो: बिल अक्सफोर्ड द्वारा अनस्प्ल्यास मा ### पाठहरू diff --git a/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 798e23164..7b6cab577 100644 --- a/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ne/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
@allison_horst द्वारा कलाकृति
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 49a6f6b68..b1c3c2026 100644 --- a/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ne/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
@allison_horst द्वारा कलाकृति
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
कलाकृति @allison_horst द्वारा
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -532,7 +532,7 @@ "
डासानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n", + "\n", "\n", "यहाँ एउटा *बुद्धिमानीपूर्ण* भनाइ छ, जसले यसो भन्छ:\n", "\n", diff --git a/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 6ddc593b7..09815235f 100644 --- a/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ne/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
@allison_horst द्वारा सिर्जित कला
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -567,7 +567,7 @@ "
डासानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "
डसानी मडिपल्लीद्वारा इन्फोग्राफिक
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 419659698..7399148c1 100644 --- a/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ne/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Logistic Regression मोडेल बनाउनुहोस् - पाठ ४\n", "\n", - "![Logistic vs. linear regression infographic](../../../../../../translated_images/ne/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Logistic vs. linear regression infographic](../../../../../../translated_images/ne/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[पाठ अघि क्विज](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "लजिस्टिक रिग्रेसनले लीनियर रिग्रेसनजस्तै विशेषताहरू प्रदान गर्दैन। लजिस्टिक रिग्रेसनले `द्विविधात्मक श्रेणी` (\"सुन्तला वा सुन्तला होइन\") को भविष्यवाणी प्रदान गर्छ भने लीनियर रिग्रेसनले `निरन्तर मानहरू`को भविष्यवाणी गर्न सक्षम छ, जस्तै कद्दूको उत्पत्ति र कटनीको समय दिइएको अवस्थामा, *यसको मूल्य कति बढ्नेछ*।\n", "\n", - "![दासानी मडिपल्लीद्वारा इन्फोग्राफिक](../../../../../../translated_images/ne/pumpkin-classifier.562771f104ad5436.png)\n", + "![दासानी मडिपल्लीद्वारा इन्फोग्राफिक](../../../../../../translated_images/ne/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### अन्य वर्गीकरणहरू\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **अर्डिनल**, जसमा क्रमबद्ध श्रेणीहरू हुन्छन्, यदि हामी हाम्रो परिणामहरूलाई तार्किक रूपमा क्रमबद्ध गर्न चाहन्छौं भने उपयोगी हुन्छ, जस्तै कद्दूहरू जुन निश्चित संख्याका आकारहरू (mini, sm, med, lg, xl, xxl) द्वारा क्रमबद्ध गरिएका छन्।\n", "\n", - "![मल्टिनोमियल बनाम अर्डिनल रिग्रेसन](../../../../../../translated_images/ne/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![मल्टिनोमियल बनाम अर्डिनल रिग्रेसन](../../../../../../translated_images/ne/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **भेरिएबलहरू अनिवार्य रूपमा सम्बन्धित हुनु पर्दैन**\n", "\n", diff --git a/translations/ne/2-Regression/README.md b/translations/ne/2-Regression/README.md index a1c952588..c86f23c8e 100644 --- a/translations/ne/2-Regression/README.md +++ b/translations/ne/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: उत्तर अमेरिकामा, कद्दूहरू प्रायः हेलोविनको लागि डर लाग्दो अनुहारमा कुँदिन्छन्। यी रोचक तरकारीहरूको बारेमा थप जानौं! -![jack-o-lanterns](../../../translated_images/ne/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ne/jack-o-lanterns.181c661a9212457d.webp) > फोटो बेथ ट्युट्सम्यान द्वारा अनस्प्ल्यास मा ## तपाईंले के सिक्नुहुनेछ diff --git a/translations/ne/3-Web-App/README.md b/translations/ne/3-Web-App/README.md index dad222f11..00e7187bf 100644 --- a/translations/ne/3-Web-App/README.md +++ b/translations/ne/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: यस पाठ्यक्रमको यस भागमा, तपाईंलाई एक प्रयोगात्मक ML विषयमा परिचय गराइनेछ: कसरी आफ्नो Scikit-learn मोडेललाई फाइलको रूपमा सुरक्षित गर्ने जसलाई वेब एप्लिकेसनमा भविष्यवाणी गर्न प्रयोग गर्न सकिन्छ। मोडेल सुरक्षित गरेपछि, तपाईंले यसलाई Flask मा बनाइएको वेब एपमा प्रयोग गर्न सिक्नुहुनेछ। तपाईंले पहिलोमा केही डाटाको प्रयोग गरेर मोडेल बनाउनुहुनेछ, जुन UFO देखिएको घटनाको बारेमा हुनेछ! त्यसपछि, तपाईंले एउटा वेब एप बनाउनुहुनेछ जसले तपाईंलाई सेकन्डको संख्या, अक्षांश र देशान्तरको मान प्रविष्ट गर्न अनुमति दिनेछ, ताकि कुन देशले UFO देखेको रिपोर्ट गरेको हो भनेर भविष्यवाणी गर्न सकियोस्। -![UFO पार्किङ](../../../translated_images/ne/ufo.9e787f5161da9d4d.jpg) +![UFO पार्किङ](../../../translated_images/ne/ufo.9e787f5161da9d4d.webp) फोटो माइकल हेरेन द्वारा Unsplash मा diff --git a/translations/ne/4-Classification/README.md b/translations/ne/4-Classification/README.md index 629365238..8dc7cde9f 100644 --- a/translations/ne/4-Classification/README.md +++ b/translations/ne/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: एशिया र भारतमा, खानाको परम्परा अत्यन्त विविध र स्वादिष्ट छ! क्षेत्रीय परिकारहरूको सामग्रीलाई बुझ्नको लागि हामी डाटालाई हेर्नेछौं। -![थाई खाना बेच्ने व्यक्ति](../../../translated_images/ne/thai-food.c47a7a7f9f05c218.jpg) +![थाई खाना बेच्ने व्यक्ति](../../../translated_images/ne/thai-food.c47a7a7f9f05c218.webp) > फोटो लिशेंग चांग द्वारा अनस्प्ल्यास मा ## तपाईंले के सिक्नुहुनेछ diff --git a/translations/ne/5-Clustering/README.md b/translations/ne/5-Clustering/README.md index 19861b60b..64ea2569a 100644 --- a/translations/ne/5-Clustering/README.md +++ b/translations/ne/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: नाइजेरियाको विविध दर्शकहरूको संगीत रुचि पनि विविध छ। Spotify बाट सङ्कलित डाटाको प्रयोग गरेर (यस [लेख](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) बाट प्रेरित), नाइजेरियामा लोकप्रिय केही संगीतलाई हेरौं। यो डेटासेटमा विभिन्न गीतहरूको 'डान्सएबिलिटी' स्कोर, 'एकुस्टिकनेस', लाउडनेस, 'स्पिचिनेस', लोकप्रियता र ऊर्जा सम्बन्धी डाटा समावेश छ। यस डाटामा पैटर्नहरू पत्ता लगाउनु रोचक हुनेछ! -![एक टर्नटेबल](../../../translated_images/ne/turntable.f2b86b13c53302dc.jpg) +![एक टर्नटेबल](../../../translated_images/ne/turntable.f2b86b13c53302dc.webp) > फोटो मार्सेला लास्कोस्की द्वारा अनस्प्ल्यास मा diff --git a/translations/ne/6-NLP/README.md b/translations/ne/6-NLP/README.md index 9c15056a9..80c96eaa0 100644 --- a/translations/ne/6-NLP/README.md +++ b/translations/ne/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: यी पाठहरूमा हामी NLP को आधारभूत कुरा सिक्नेछौं, साना संवादात्मक बोटहरू निर्माण गरेर मेसिन लर्निङले यी संवादहरूलाई कसरी 'स्मार्ट' बनाउँदै लगेको छ भन्ने कुरा बुझ्नेछौं। तपाईं समयको यात्रा गर्दै, Jane Austen को क्लासिक उपन्यास **Pride and Prejudice**, जुन १८१३ मा प्रकाशित भएको थियो, बाट Elizabeth Bennett र Mr. Darcy सँग कुराकानी गर्नेछौं। त्यसपछि, तपाईं युरोपका होटल समीक्षाहरूको माध्यमबाट भावना विश्लेषण सिकेर आफ्नो ज्ञानलाई अझ अगाडि बढाउनुहुनेछ। -![Pride and Prejudice पुस्तक र चिया](../../../translated_images/ne/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice पुस्तक र चिया](../../../translated_images/ne/p&p.279f1c49ecd88941.webp) > फोटो Elaine Howlin द्वारा Unsplash मा ## पाठहरू diff --git a/translations/ne/7-TimeSeries/README.md b/translations/ne/7-TimeSeries/README.md index 73cd6ec34..99764895d 100644 --- a/translations/ne/7-TimeSeries/README.md +++ b/translations/ne/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: हाम्रो क्षेत्रीय ध्यान विश्वको विद्युत उपयोगमा केन्द्रित छ, जुन भविष्यको पावर उपयोगको पूर्वानुमान गर्न विगतको लोडका ढाँचाहरूको आधारमा सिक्नका लागि रोचक डाटासेट हो। तपाईं देख्न सक्नुहुन्छ कि यस प्रकारको पूर्वानुमान व्यापार वातावरणमा कति उपयोगी हुन सक्छ। -![electric grid](../../../translated_images/ne/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/ne/electric-grid.0c21d5214db09ffa.webp) फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थानको सडकमा रहेका विद्युत टावरहरूको [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) मा। diff --git a/translations/ne/8-Reinforcement/README.md b/translations/ne/8-Reinforcement/README.md index 55d15ee12..6474c70c3 100644 --- a/translations/ne/8-Reinforcement/README.md +++ b/translations/ne/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: कल्पना गर्नुहोस् कि तपाईंसँग स्टक बजार जस्तो सिमुलेट गरिएको वातावरण छ। यदि तपाईंले कुनै निश्चित नियम लागू गर्नुभयो भने के हुन्छ? के यसले सकारात्मक वा नकारात्मक प्रभाव पार्छ? यदि केही नकारात्मक हुन्छ भने, तपाईंले यो _नकारात्मक सुदृढीकरण_ लिनुपर्छ, यसबाट सिक्नुपर्छ, र मार्ग परिवर्तन गर्नुपर्छ। यदि यो सकारात्मक परिणाम हो भने, तपाईंले त्यस _सकारात्मक सुदृढीकरण_ मा निर्माण गर्नुपर्छ। -![पिटर र भेडिया](../../../translated_images/ne/peter.779730f9ba3a8a8d.png) +![पिटर र भेडिया](../../../translated_images/ne/peter.779730f9ba3a8a8d.webp) > पिटर र उनका साथीहरूले भोकाएको भेडियाबाट भाग्नुपर्छ! छवि [जेन लूपर](https://twitter.com/jenlooper) द्वारा diff --git a/translations/ne/9-Real-World/README.md b/translations/ne/9-Real-World/README.md index f3939f999..35868a094 100644 --- a/translations/ne/9-Real-World/README.md +++ b/translations/ne/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: यस पाठ्यक्रमको यस खण्डमा, तपाईंलाई परम्परागत मेसिन लर्निङका केही वास्तविक संसारका प्रयोगहरूबारे परिचित गराइनेछ। हामीले इन्टरनेटमा खोजी गरेर यस्ता सेतो कागजातहरू र लेखहरू संकलन गरेका छौं जसले यी रणनीतिहरू प्रयोग गरेका छन्, न्यूरल नेटवर्क, डीप लर्निङ र एआईलाई सकेसम्म टाढा राख्दै। जान्नुहोस् कसरी मेसिन लर्निङ व्यापार प्रणालीहरू, पारिस्थितिक प्रयोगहरू, वित्त, कला र संस्कृति, र अन्य क्षेत्रमा प्रयोग गरिन्छ। -![chess](../../../translated_images/ne/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ne/chess.e704a268781bdad8.webp) > फोटो एलेक्सिस फोभेट द्वारा अनस्प्ल्यास मा उपलब्ध diff --git a/translations/ne/README.md b/translations/ne/README.md index 18cea76c5..2f9a84fd6 100644 --- a/translations/ne/README.md +++ b/translations/ne/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: हामीसँग Discord मा "AI सँग सिक्ने" सिरिज जारी छ, थप जानकारीका लागि र हामीसँग जोडिनुहोस् [Learn with AI Series](https://aka.ms/learnwithai/discord) मा जुन 18 - 30 सेप्टेम्बर, 2025 सम्म हुनेछ। तपाईंले GitHub Copilot लाई डाटा साइन्सको लागि प्रयोग गर्ने टिप्स र ट्रिक्स पाउनुहुनेछ। -![AI सँग सिक्ने सिरिज](../../translated_images/ne/3.9b58fd8d6c373c20.png) +![AI सँग सिक्ने सिरिज](../../translated_images/ne/3.9b58fd8d6c373c20.webp) # Machine Learning for Beginners - एक पाठ्यक्रम @@ -80,7 +80,7 @@ Microsoft का Cloud Advocates हरूले 12 हप्ते, 26-पा केही पाठहरू छोटो रूपका भिडियोमा उपलब्ध छन्। यी सबै तपाईंलाई पाठहरू भित्रै देख्न सकिन्छ, वा [ML for Beginners प्लेलिष्टमा Microsoft Developer YouTube च्यानलमा](https://aka.ms/ml-beginners-videos) तलको तस्वीर क्लिक गरेर हेर्न सक्नुहुन्छ। -[![ML for beginners ब्यानर](../../translated_images/ne/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ब्यानर](../../translated_images/ne/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/nl/README.md b/translations/nl/README.md index e684c6e8a..08cd15cca 100644 --- a/translations/nl/README.md +++ b/translations/nl/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: We hebben een Discord Learn with AI-serie die doorgaat; lees meer en sluit je van 18 - 30 september 2025 bij ons aan op [Learn with AI-serie](https://aka.ms/learnwithai/discord). Je ontvangt tips en trucs voor het gebruik van GitHub Copilot voor Data Science. -![Learn with AI-serie](../../translated_images/nl/3.9b58fd8d6c373c20.png) +![Learn with AI-serie](../../translated_images/nl/3.9b58fd8d6c373c20.webp) # Machine Learning for Beginners - Een curriculum @@ -80,7 +80,7 @@ Volg deze stappen: Sommige van de lessen zijn beschikbaar als korte video's. Je kunt ze allemaal inline in de lessen vinden, of op de [ML for Beginners afspeellijst op het Microsoft Developer YouTube-kanaal](https://aka.ms/ml-beginners-videos) door op de afbeelding hieronder te klikken. -[![ML for beginners-banner](../../translated_images/nl/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners-banner](../../translated_images/nl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/no/README.md b/translations/no/README.md index 10ce276ac..8d76de645 100644 --- a/translations/no/README.md +++ b/translations/no/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har en pågående Discord-serie "Learn with AI". Lær mer og bli med oss på [Learn with AI-serien](https://aka.ms/learnwithai/discord) fra 18. til 30. september 2025. Du får tips og triks for å bruke GitHub Copilot for Data Science. -![Learn with AI-serien](../../translated_images/no/3.9b58fd8d6c373c20.png) +![Learn with AI-serien](../../translated_images/no/3.9b58fd8d6c373c20.webp) # Maskinlæring for nybegynnere - En læreplan @@ -80,7 +80,7 @@ Følg disse trinnene: Noen av leksjonene er tilgjengelige som kortform video. Du finner alle disse inne i leksjonene, eller på [ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) ved å klikke bildet nedenfor. -[![ML for nybegynnere-banner](../../translated_images/no/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for nybegynnere-banner](../../translated_images/no/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/pa/1-Introduction/README.md b/translations/pa/1-Introduction/README.md index 5b6285f18..7832865b7 100644 --- a/translations/pa/1-Introduction/README.md +++ b/translations/pa/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਭਾਗ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਧਾਰਨਾਵਾਂ, ਇਹ ਕੀ ਹੈ, ਇਸ ਦਾ ਇਤਿਹਾਸ ਅਤੇ ਉਹ ਤਕਨੀਕਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਖੋਜਕਰਤਾ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹਨ, ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ। ਆਓ, ਇਸ ਨਵੇਂ ML ਦੀ ਦੁਨੀਆ ਨੂੰ ਇਕੱਠੇ ਖੋਜੀਏ! -![globe](../../../translated_images/pa/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/pa/globe.59f26379ceb40428.webp) > ਫੋਟੋ ਬਿਲ ਆਕਸਫੋਰਡ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ ### ਪਾਠ diff --git a/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 51038a078..41be8a0fe 100644 --- a/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/pa/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
ਕਲਾ ਰਚਨਾ @allison_horst ਦੁਆਰਾ
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 8d32e14a9..93ec5a920 100644 --- a/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/pa/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
@allison_horst ਦੁਆਰਾ ਕਲਾ ਕਿਰਤੀ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
ਕਲਾ ਰਚਨਾ @allison_horst ਦੁਆਰਾ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ
\n", "\n", "\n", - "\n", + "\n", "\n", "ਇੱਕ *ਸਿਆਣੀ* ਕਹਾਵਤ ਹੈ ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਜਾਂਦੀ ਹੈ:\n", "\n", diff --git a/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index c42288b57..c1efa4a78 100644 --- a/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/pa/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
ਕਲਾ ਕਿਰਤੀ @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -456,7 +456,7 @@ "
ਕਲਾ @allison_horst ਦੁਆਰਾ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -570,7 +570,7 @@ "
ਦਸਾਨੀ ਮਦਿਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" diff --git a/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 2dcf9f96b..0225cbc49 100644 --- a/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/pa/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣਾ - ਪਾਠ 4\n", "\n", - "![ਲੌਜਿਸਟਿਕ ਅਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pa/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![ਲੌਜਿਸਟਿਕ ਅਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pa/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਵਾਲੀਆਂ ਹੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਹੀਂ ਦਿੰਦਾ। ਲੌਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਇੱਕ `ਬਾਈਨਰੀ ਸ਼੍ਰੇਣੀ` ('ਸੰਤਰੀ ਜਾਂ ਸੰਤਰੀ ਨਹੀਂ') ਬਾਰੇ ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ, ਜਦਕਿ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ `ਲਗਾਤਾਰ ਮੁੱਲਾਂ` ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੱਦੂ ਦੇ ਮੂਲ ਅਤੇ ਕੱਟਣ ਦੇ ਸਮੇਂ ਦੇ ਆਧਾਰ 'ਇਸ ਦੀ ਕੀਮਤ ਕਿੰਨੀ ਵਧੇਗੀ'।\n", "\n", - "![ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pa/pumpkin-classifier.562771f104ad5436.png)\n", + "![ਦਸਾਨੀ ਮਦੀਪੱਲੀ ਦੁਆਰਾ ਇਨਫੋਗ੍ਰਾਫਿਕ](../../../../../../translated_images/pa/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### ਹੋਰ ਵਰਗੀਕਰਨ\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ਆਰਡਿਨਲ**, ਜਿਸ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਸ਼੍ਰੇਣੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਜੋ ਸਾਡੇ ਨਤੀਜਿਆਂ ਨੂੰ ਤਰਤੀਬਵਾਰ ਲਗਾਉਣ ਲਈ ਲਾਭਦਾਇਕ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਾਡੇ ਕੱਦੂ, ਜੋ ਇੱਕ ਨਿਰਧਾਰਤ ਗਿਣਤੀ ਦੇ ਆਕਾਰਾਂ (ਮਿਨੀ, ਛੋਟਾ, ਦਰਮਿਆਨਾ, ਵੱਡਾ, ਬਹੁਤ ਵੱਡਾ, ਆਦਿ) ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤੇ ਗਏ ਹਨ।\n", "\n", - "![ਮਲਟੀਨੋਮਿਅਲ ਵਸ ਆਰਡਿਨਲ ਰਿਗ੍ਰੈਸ਼ਨ](../../../../../../translated_images/pa/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![ਮਲਟੀਨੋਮਿਅਲ ਵਸ ਆਰਡਿਨਲ ਰਿਗ੍ਰੈਸ਼ਨ](../../../../../../translated_images/pa/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **ਵੈਰੀਏਬਲਜ਼ ਦਾ ਆਪਸ ਵਿੱਚ ਸੰਬੰਧ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ**\n", "\n", diff --git a/translations/pa/2-Regression/README.md b/translations/pa/2-Regression/README.md index 30a323664..fba9e7f8f 100644 --- a/translations/pa/2-Regression/README.md +++ b/translations/pa/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: ਉੱਤਰੀ ਅਮਰੀਕਾ ਵਿੱਚ, ਕੱਦੂਆਂ ਨੂੰ ਅਕਸਰ ਹੈਲੋਵੀਨ ਲਈ ਡਰਾਉਣੇ ਚਿਹਰੇ ਬਣਾਉਣ ਲਈ ਕੱਟਿਆ ਜਾਂਦਾ ਹੈ। ਆਓ, ਇਨ੍ਹਾਂ ਦਿਲਚਸਪ ਸਬਜ਼ੀਆਂ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਵਾਂ! -![jack-o-lanterns](../../../translated_images/pa/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/pa/jack-o-lanterns.181c661a9212457d.webp) > ਫੋਟੋ ਬੈਥ ਟਿਊਚਮੈਨ ਵੱਲੋਂ ਅਨਸਪਲੈਸ਼ 'ਤੇ ## ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ diff --git a/translations/pa/3-Web-App/README.md b/translations/pa/3-Web-App/README.md index b597397cd..e40a9f438 100644 --- a/translations/pa/3-Web-App/README.md +++ b/translations/pa/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਇੱਕ ਲਾਗੂ ਕੀਤੀ ਗਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਸ਼ੇ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ: ਆਪਣੇ Scikit-learn ਮਾਡਲ ਨੂੰ ਇੱਕ ਫਾਈਲ ਵਜੋਂ ਕਿਵੇਂ ਸੇਵ ਕਰਨਾ ਹੈ ਜੋ ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਮਾਡਲ ਸੇਵ ਹੋ ਜਾਂਦਾ ਹੈ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਇਸਨੂੰ Flask ਵਿੱਚ ਬਣਾਈ ਗਈ ਵੈੱਬ ਐਪ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਬਣਾਓਗੇ ਜੋ UFO ਦੇ ਨਜ਼ਾਰਿਆਂ ਬਾਰੇ ਕੁਝ ਡਾਟਾ ਵਰਤਦਾ ਹੈ! ਫਿਰ, ਤੁਸੀਂ ਇੱਕ ਵੈੱਬ ਐਪ ਬਣਾਓਗੇ ਜੋ ਤੁਹਾਨੂੰ ਸਕਿੰਟਾਂ ਦੀ ਗਿਣਤੀ, ਲੈਟੀਟਿਊਡ ਅਤੇ ਲੌਂਗਿਟਿਊਡ ਦੀ ਮੁੱਲ ਦਾਖਲ ਕਰਨ ਦੀ ਆਗਿਆ ਦੇਵੇਗਾ ਤਾਂ ਜੋ ਇਹ ਅਨੁਮਾਨ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਸ ਦੇਸ਼ ਨੇ UFO ਦੇਖਣ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ। -![UFO Parking](../../../translated_images/pa/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/pa/ufo.9e787f5161da9d4d.webp) ਫੋਟੋ ਮਾਈਕਲ ਹੇਰਨ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ diff --git a/translations/pa/4-Classification/README.md b/translations/pa/4-Classification/README.md index 6edb600bf..1d3938166 100644 --- a/translations/pa/4-Classification/README.md +++ b/translations/pa/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ਏਸ਼ੀਆ ਅਤੇ ਭਾਰਤ ਵਿੱਚ, ਖਾਣੇ ਦੀਆਂ ਰਿਵਾਇਤਾਂ ਬਹੁਤ ਹੀ ਵੱਖ-ਵੱਖ ਅਤੇ ਸੁਆਦਿਸ਼ਟ ਹੁੰਦੀਆਂ ਹਨ! ਆਓ ਖੇਤਰੀ ਖਾਣਿਆਂ ਦੇ ਡਾਟਾ ਨੂੰ ਦੇਖੀਏ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਸਮੱਗਰੀ ਨੂੰ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਜਾ ਸਕੇ। -![ਥਾਈ ਖਾਣੇ ਵੇਚਣ ਵਾਲਾ](../../../translated_images/pa/thai-food.c47a7a7f9f05c218.jpg) +![ਥਾਈ ਖਾਣੇ ਵੇਚਣ ਵਾਲਾ](../../../translated_images/pa/thai-food.c47a7a7f9f05c218.webp) > ਫੋਟੋ ਲਿਸ਼ੇਂਗ ਚੈਂਗ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ ## ਤੁਸੀਂ ਕੀ ਸਿੱਖੋਗੇ diff --git a/translations/pa/5-Clustering/README.md b/translations/pa/5-Clustering/README.md index caa62ad42..d19ac5b38 100644 --- a/translations/pa/5-Clustering/README.md +++ b/translations/pa/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: ਨਾਈਜੀਰੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਦਰਸ਼ਕਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਹਨ। Spotify ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰਕੇ (ਇਸ ਲੇਖ ਤੋਂ ਪ੍ਰੇਰਿਤ [ਇਥੇ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ਆਓ ਨਾਈਜੀਰੀਆ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਕੁਝ ਸੰਗੀਤਾਂ ਨੂੰ ਵੇਖੀਏ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗੀਤਾਂ ਦੇ 'ਡਾਂਸੇਬਿਲਿਟੀ' ਸਕੋਰ, 'ਅਕੂਸਟਿਕਨੈਸ', ਲਾਊਡਨੈਸ, 'ਸਪੀਚੀਨੈਸ', ਪ੍ਰਸਿੱਧੀ ਅਤੇ ਊਰਜਾ ਬਾਰੇ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਡਾਟੇ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣਾ ਦਿਲਚਸਪ ਹੋਵੇਗਾ! -![ਇੱਕ ਟਰਨਟੇਬਲ](../../../translated_images/pa/turntable.f2b86b13c53302dc.jpg) +![ਇੱਕ ਟਰਨਟੇਬਲ](../../../translated_images/pa/turntable.f2b86b13c53302dc.webp) > ਫੋਟੋ ਮਾਰਸੇਲਾ ਲਾਸਕੋਸਕੀ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ diff --git a/translations/pa/6-NLP/README.md b/translations/pa/6-NLP/README.md index a4853e45e..3d6141e44 100644 --- a/translations/pa/6-NLP/README.md +++ b/translations/pa/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ ਅਸੀਂ NLP ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਿੱਖਾਂਗੇ, ਛੋਟੇ ਗੱਲਬਾਤੀ ਬੋਟ ਬਣਾਕੇ ਇਹ ਸਮਝਾਂਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਵੇਂ ਇਹ ਗੱਲਬਾਤਾਂ ਨੂੰ ਹੋਰ 'ਸਮਾਰਟ' ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਸਮੇਂ ਵਿੱਚ ਪਿੱਛੇ ਯਾਤਰਾ ਕਰੋਗੇ, ਜੇਨ ਆਸਟਿਨ ਦੇ ਕਲਾਸਿਕ ਨਾਵਲ, **ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ** (1813 ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ) ਦੇ ਐਲਿਜ਼ਬੇਥ ਬੈਨੇਟ ਅਤੇ ਮਿਸਟਰ ਡਾਰਸੀ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋਏ। ਫਿਰ, ਤੁਸੀਂ ਹੋਰ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰੋਗੇ ਯੂਰਪ ਦੇ ਹੋਟਲ ਰਿਵਿਊਜ਼ ਰਾਹੀਂ ਸੈਂਟੀਮੈਂਟ ਐਨਾਲਿਸਿਸ ਸਿੱਖ ਕੇ। -![ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ ਕਿਤਾਬ ਅਤੇ ਚਾਹ](../../../translated_images/pa/p&p.279f1c49ecd88941.jpg) +![ਪ੍ਰਾਈਡ ਐਂਡ ਪ੍ਰਿਜੂਡਿਸ ਕਿਤਾਬ ਅਤੇ ਚਾਹ](../../../translated_images/pa/p&p.279f1c49ecd88941.webp) > ਫੋਟੋ Elaine Howlin ਦੁਆਰਾ Unsplash 'ਤੇ ## ਪਾਠ diff --git a/translations/pa/7-TimeSeries/README.md b/translations/pa/7-TimeSeries/README.md index be9cf1dac..49efde674 100644 --- a/translations/pa/7-TimeSeries/README.md +++ b/translations/pa/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ਸਾਡਾ ਖੇਤਰੀ ਧਿਆਨ ਦੁਨੀਆ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ 'ਤੇ ਹੈ, ਜੋ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਲੋਡ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਖਣ ਲਈ ਇੱਕ ਦਿਲਚਸਪ ਡਾਟਾਸੈਟ ਹੈ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਫੋਰਕਾਸਟਿੰਗ ਕਾਰੋਬਾਰੀ ਮਾਹੌਲ ਵਿੱਚ ਕਿੰਨੀ ਮਦਦਗਾਰ ਹੋ ਸਕਦੀ ਹੈ। -![electric grid](../../../translated_images/pa/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/pa/electric-grid.0c21d5214db09ffa.webp) ਫੋਟੋ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ਵੱਲੋਂ, ਜੋ ਕਿ ਰਾਜਸਥਾਨ ਵਿੱਚ ਸੜਕ 'ਤੇ ਬਿਜਲੀ ਦੇ ਟਾਵਰਾਂ ਦੀ ਹੈ, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 'ਤੇ। diff --git a/translations/pa/8-Reinforcement/README.md b/translations/pa/8-Reinforcement/README.md index eceb24f6e..0d21e4850 100644 --- a/translations/pa/8-Reinforcement/README.md +++ b/translations/pa/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਨਕਲੀ ਵਾਤਾਵਰਣ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਟਾਕ ਮਾਰਕੀਟ। ਜੇ ਤੁਸੀਂ ਕੋਈ ਨਿਯਮ ਲਾਗੂ ਕਰਦੇ ਹੋ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ? ਕੀ ਇਸਦਾ ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਹੈ? ਜੇ ਕੁਝ ਨਕਾਰਾਤਮਕ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ _ਨਕਾਰਾਤਮਕ ਰੀਇਨਫੋਰਸਮੈਂਟ_ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਪਵੇਗਾ, ਇਸ ਤੋਂ ਸਿੱਖਣਾ ਪਵੇਗਾ ਅਤੇ ਦਿਸ਼ਾ ਬਦਲਣੀ ਪਵੇਗੀ। ਜੇ ਇਹ ਸਕਾਰਾਤਮਕ ਨਤੀਜਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ _ਸਕਾਰਾਤਮਕ ਰੀਇਨਫੋਰਸਮੈਂਟ_ 'ਤੇ ਅੱਗੇ ਵਧਣਾ ਪਵੇਗਾ। -![ਪੀਟਰ ਅਤੇ ਭੇੜੀਆ](../../../translated_images/pa/peter.779730f9ba3a8a8d.png) +![ਪੀਟਰ ਅਤੇ ਭੇੜੀਆ](../../../translated_images/pa/peter.779730f9ba3a8a8d.webp) > ਪੀਟਰ ਅਤੇ ਉਸਦੇ ਦੋਸਤਾਂ ਨੂੰ ਭੁੱਖੇ ਭੇੜੀਏ ਤੋਂ ਬਚਣਾ ਹੈ! ਚਿੱਤਰ [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper) ਵੱਲੋਂ। diff --git a/translations/pa/9-Real-World/README.md b/translations/pa/9-Real-World/README.md index 1763b8726..620ad89e6 100644 --- a/translations/pa/9-Real-World/README.md +++ b/translations/pa/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਕੁਝ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਲਾਗੂ ਹੋਣ ਵਾਲੇ ਉਦਾਹਰਣਾਂ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ। ਅਸੀਂ ਇੰਟਰਨੈਟ 'ਤੇ ਖੋਜ ਕੀਤੀ ਹੈ ਤਾਂ ਜੋ ਵਾਈਟਪੇਪਰ ਅਤੇ ਲੇਖ ਲੱਭੇ ਜਾ ਸਕਣ ਜੋ ਇਨ੍ਹਾਂ ਰਣਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਤਕ ਸੰਭਵ ਹੋਵੇ, ਨਿਊਰਲ ਨੈਟਵਰਕ, ਡੀਪ ਲਰਨਿੰਗ ਅਤੇ AI ਤੋਂ ਬਚਦੇ ਹੋਏ। ਸਿੱਖੋ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਵਪਾਰਕ ਪ੍ਰਣਾਲੀਆਂ, ਪਰਿਆਵਰਣਕ ਉਪਯੋਗ, ਵਿੱਤ, ਕਲਾ ਅਤੇ ਸਭਿਆਚਾਰ, ਅਤੇ ਹੋਰ ਕਈ ਖੇਤਰਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। -![chess](../../../translated_images/pa/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/pa/chess.e704a268781bdad8.webp) > ਫੋਟੋ Alexis Fauvet ਦੁਆਰਾ Unsplash 'ਤੇ diff --git a/translations/pa/README.md b/translations/pa/README.md index b510af3eb..72ff9fae7 100644 --- a/translations/pa/README.md +++ b/translations/pa/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: ਅਸੀਂ Discord 'ਤੇ ਇੱਕ "Learn with AI" ਸੀਰੀਜ਼ ਚਲਾ ਰਹੇ ਹਾਂ, ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਤੇ ਸਾਡੇ ਨਾਲ 18 - 30 ਸਤੰਬਰ, 2025 ਦੌਰਾਨ [Learn with AI Series](https://aka.ms/learnwithai/discord) 'ਤੇ ਜੁੜੋ। ਤੁਹਾਨੂੰ GitHub Copilot ਨੂੰ Data Science ਲਈ ਵਰਤਣੇ ਦੀਆਂ ਟਿੱਪਸ ਅਤੇ ਚਾਲਾਂ ਮਿਲਣਗੀਆਂ। -![Learn with AI ਸੈਰੀਜ਼](../../translated_images/pa/3.9b58fd8d6c373c20.png) +![Learn with AI ਸੈਰੀਜ਼](../../translated_images/pa/3.9b58fd8d6c373c20.webp) # ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਪਾਠਕ੍ਰਮ @@ -80,7 +80,7 @@ Microsoft ਦੇ Cloud Advocates ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12-ਹਫ਼ ਕੁਝ ਪਾਠ ਛੋਟੇ ਫਾਰਮ ਦੀ ਵੀਡੀਓ ਵਜੋਂ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਸਾਰੇ ਪਾਠਾਂ ਵਿੱਚ ਲਾਈਨ-ਅੰਦਰ ਪਾ ਸਕਦੇ ਹੋ, ਜਾਂ Microsoft Developer YouTube ਚੈਨਲ 'ਤੇ [ML for Beginners playlist](https://aka.ms/ml-beginners-videos) 'ਤੇ ਹੇਠ ਲਿਖੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਵੇਖ ਸਕਦੇ ਹੋ। -[![ML for beginners ਬੈਨਰ](../../translated_images/pa/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners ਬੈਨਰ](../../translated_images/pa/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/pl/1-Introduction/README.md b/translations/pl/1-Introduction/README.md index 69e1d7cc8..074afdf0a 100644 --- a/translations/pl/1-Introduction/README.md +++ b/translations/pl/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: W tej części programu nauczania zostaniesz wprowadzony w podstawowe pojęcia związane z dziedziną uczenia maszynowego, dowiesz się, czym ono jest, poznasz jego historię oraz techniki, które badacze wykorzystują w pracy z nim. Odkryjmy razem ten nowy świat ML! -![globe](../../../translated_images/pl/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/pl/globe.59f26379ceb40428.webp) > Zdjęcie autorstwa Bill Oxford na Unsplash ### Lekcje diff --git a/translations/pl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/pl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 45e49df8c..ce4bc090c 100644 --- a/translations/pl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/pl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Ilustracja autorstwa @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/pl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/pl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 16fa162eb..42d0d13b5 100644 --- a/translations/pl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/pl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -50,7 +50,7 @@ "
Ilustracja autorstwa @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -231,7 +231,7 @@ "
Grafika autorstwa @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -534,7 +534,7 @@ "
Infografika autorstwa Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "Istnieje *mądre* powiedzenie, które brzmi:\n", "\n", diff --git a/translations/pl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/pl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index b26a200b7..f23eff480 100644 --- a/translations/pl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/pl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Infografika autorstwa Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "#### Wprowadzenie\n", "\n", @@ -164,7 +164,7 @@ "
Grafika autorstwa @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -569,7 +569,7 @@ "
Infografika autorstwa Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -811,7 +811,7 @@ "
Infografika autorstwa Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/pl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/pl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 701544fc1..e136f8870 100644 --- a/translations/pl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/pl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Zbuduj model regresji logistycznej - Lekcja 4\n", "\n", - "![Infografika: regresja logistyczna vs. liniowa](../../../../../../translated_images/pl/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Infografika: regresja logistyczna vs. liniowa](../../../../../../translated_images/pl/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Quiz przed wykładem](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "Regresja logistyczna nie oferuje tych samych funkcji co regresja liniowa. Pierwsza z nich daje możliwość przewidywania `binarnych kategorii` (\"pomarańczowy lub nie pomarańczowy\"), podczas gdy druga pozwala przewidywać `wartości ciągłe`, na przykład na podstawie pochodzenia dyni i czasu zbioru, *o ile wzrośnie jej cena*.\n", "\n", - "![Infografika autorstwa Dasani Madipalli](../../../../../../translated_images/pl/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infografika autorstwa Dasani Madipalli](../../../../../../translated_images/pl/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Inne klasyfikacje\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Porządkowa**, która obejmuje uporządkowane kategorie, przydatne, jeśli chcemy uporządkować nasze wyniki logicznie, na przykład dynie według skończonej liczby rozmiarów (mini, mały, średni, duży, XL, XXL).\n", "\n", - "![Regresja wielomianowa vs porządkowa](../../../../../../translated_images/pl/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Regresja wielomianowa vs porządkowa](../../../../../../translated_images/pl/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **Zmienne NIE muszą być skorelowane**\n", "\n", diff --git a/translations/pl/2-Regression/README.md b/translations/pl/2-Regression/README.md index 3468f8afb..8995d43dd 100644 --- a/translations/pl/2-Regression/README.md +++ b/translations/pl/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: W Ameryce Północnej dynie często są rzeźbione w straszne twarze na Halloween. Odkryjmy więcej na temat tych fascynujących warzyw! -![jack-o-lanterns](../../../translated_images/pl/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/pl/jack-o-lanterns.181c661a9212457d.webp) > Zdjęcie autorstwa Beth Teutschmann na Unsplash ## Czego się nauczysz diff --git a/translations/pl/3-Web-App/README.md b/translations/pl/3-Web-App/README.md index 35b375805..aa268305e 100644 --- a/translations/pl/3-Web-App/README.md +++ b/translations/pl/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: W tej części programu nauczania zostaniesz wprowadzony w praktyczny temat związany z uczeniem maszynowym: jak zapisać model Scikit-learn jako plik, który może być używany do przewidywań w aplikacji webowej. Po zapisaniu modelu nauczysz się, jak wykorzystać go w aplikacji webowej zbudowanej w Flask. Najpierw stworzysz model, korzystając z danych dotyczących obserwacji UFO! Następnie zbudujesz aplikację webową, która pozwoli Ci wprowadzić liczbę sekund, szerokość geograficzną i długość geograficzną, aby przewidzieć, który kraj zgłosił obserwację UFO. -![UFO Parking](../../../translated_images/pl/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/pl/ufo.9e787f5161da9d4d.webp) Zdjęcie autorstwa Michaela Herrena na Unsplash diff --git a/translations/pl/4-Classification/README.md b/translations/pl/4-Classification/README.md index baa77636b..3dbf58875 100644 --- a/translations/pl/4-Classification/README.md +++ b/translations/pl/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: W Azji i Indiach tradycje kulinarne są niezwykle różnorodne i bardzo smaczne! Przyjrzyjmy się danym dotyczącym regionalnych kuchni, aby lepiej zrozumieć ich składniki. -![Sprzedawca tajskiego jedzenia](../../../translated_images/pl/thai-food.c47a7a7f9f05c218.jpg) +![Sprzedawca tajskiego jedzenia](../../../translated_images/pl/thai-food.c47a7a7f9f05c218.webp) > Zdjęcie autorstwa Lisheng Chang na Unsplash ## Czego się nauczysz diff --git a/translations/pl/5-Clustering/README.md b/translations/pl/5-Clustering/README.md index c76832ada..ff0b434e0 100644 --- a/translations/pl/5-Clustering/README.md +++ b/translations/pl/5-Clustering/README.md @@ -15,7 +15,7 @@ Klastrowanie to zadanie w uczeniu maszynowym, które polega na znajdowaniu obiek Różnorodna publiczność w Nigerii ma zróżnicowane gusta muzyczne. Korzystając z danych pobranych ze Spotify (zainspirowanych [tym artykułem](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), przyjrzyjmy się niektórym popularnym utworom w Nigerii. Ten zbiór danych zawiera informacje o takich cechach utworów jak: wskaźnik „taneczności”, „akustyczność”, głośność, „mowa”, popularność i energia. Odkrywanie wzorców w tych danych może być bardzo interesujące! -![Gramofon](../../../translated_images/pl/turntable.f2b86b13c53302dc.jpg) +![Gramofon](../../../translated_images/pl/turntable.f2b86b13c53302dc.webp) > Zdjęcie autorstwa Marcela Laskoski na Unsplash diff --git a/translations/pl/6-NLP/README.md b/translations/pl/6-NLP/README.md index b3233984e..8c787bfe6 100644 --- a/translations/pl/6-NLP/README.md +++ b/translations/pl/6-NLP/README.md @@ -17,7 +17,7 @@ W tej części programu nauczania zostaniesz wprowadzony do jednego z najbardzie W tych lekcjach poznamy podstawy NLP, budując małe boty konwersacyjne, aby dowiedzieć się, jak uczenie maszynowe pomaga w tworzeniu coraz bardziej „inteligentnych” rozmów. Cofniesz się w czasie, rozmawiając z Elizabeth Bennett i panem Darcym z klasycznej powieści Jane Austen, **Duma i uprzedzenie**, opublikowanej w 1813 roku. Następnie pogłębisz swoją wiedzę, ucząc się analizy sentymentu na podstawie recenzji hoteli w Europie. -![Książka Duma i uprzedzenie oraz herbata](../../../translated_images/pl/p&p.279f1c49ecd88941.jpg) +![Książka Duma i uprzedzenie oraz herbata](../../../translated_images/pl/p&p.279f1c49ecd88941.webp) > Zdjęcie autorstwa Elaine Howlin na Unsplash ## Lekcje diff --git a/translations/pl/7-TimeSeries/README.md b/translations/pl/7-TimeSeries/README.md index 649b5031d..552eb5f32 100644 --- a/translations/pl/7-TimeSeries/README.md +++ b/translations/pl/7-TimeSeries/README.md @@ -17,7 +17,7 @@ W tych dwóch lekcjach zostaniesz wprowadzony do prognozowania szeregów czasowy Naszym regionalnym tematem jest zużycie energii elektrycznej na świecie, interesujący zbiór danych, który pozwala nauczyć się prognozowania przyszłego zużycia energii na podstawie wzorców obciążenia z przeszłości. Możesz zobaczyć, jak tego rodzaju prognozowanie może być niezwykle pomocne w środowisku biznesowym. -![sieć elektryczna](../../../translated_images/pl/electric-grid.0c21d5214db09ffa.jpg) +![sieć elektryczna](../../../translated_images/pl/electric-grid.0c21d5214db09ffa.webp) Zdjęcie autorstwa [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) przedstawiające wieże elektryczne przy drodze w Radżastanie na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/pl/8-Reinforcement/README.md b/translations/pl/8-Reinforcement/README.md index 2aaa5d067..812070356 100644 --- a/translations/pl/8-Reinforcement/README.md +++ b/translations/pl/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Uczenie ze wzmocnieniem (RL) jest postrzegane jako jeden z podstawowych paradygm Wyobraź sobie, że masz symulowane środowisko, takie jak rynek akcji. Co się stanie, jeśli wprowadzisz określone regulacje? Czy będzie to miało pozytywny czy negatywny efekt? Jeśli wydarzy się coś negatywnego, musisz przyjąć tę _negatywną informację zwrotną_, nauczyć się z niej i zmienić kierunek działania. Jeśli wynik jest pozytywny, musisz budować na tej _pozytywnej informacji zwrotnej_. -![Piotruś i wilk](../../../translated_images/pl/peter.779730f9ba3a8a8d.png) +![Piotruś i wilk](../../../translated_images/pl/peter.779730f9ba3a8a8d.webp) > Piotruś i jego przyjaciele muszą uciec przed głodnym wilkiem! Obraz autorstwa [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/pl/9-Real-World/README.md b/translations/pl/9-Real-World/README.md index c6b5f0d53..50edfa1a7 100644 --- a/translations/pl/9-Real-World/README.md +++ b/translations/pl/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: W tej części programu nauczania zostaniesz zapoznany z rzeczywistymi zastosowaniami klasycznego uczenia maszynowego. Przeszukaliśmy internet, aby znaleźć artykuły naukowe i publikacje opisujące zastosowania wykorzystujące te strategie, unikając przy tym sieci neuronowych, głębokiego uczenia i sztucznej inteligencji w miarę możliwości. Dowiedz się, jak uczenie maszynowe jest wykorzystywane w systemach biznesowych, zastosowaniach ekologicznych, finansach, sztuce i kulturze oraz w wielu innych dziedzinach. -![chess](../../../translated_images/pl/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/pl/chess.e704a268781bdad8.webp) > Zdjęcie autorstwa Alexis Fauvet na Unsplash diff --git a/translations/pl/README.md b/translations/pl/README.md index 0c22b1c00..ca3cab6c1 100644 --- a/translations/pl/README.md +++ b/translations/pl/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Prowadzimy serię „Learn with AI” na Discordzie — dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot w analizie danych. -![Seria Learn with AI](../../translated_images/pl/3.9b58fd8d6c373c20.png) +![Seria Learn with AI](../../translated_images/pl/3.9b58fd8d6c373c20.webp) # Uczenie maszynowe dla początkujących - program nauczania @@ -80,7 +80,7 @@ Wykonaj następujące kroki: Niektóre lekcje są dostępne w formie krótkich filmów. Możesz je znaleźć w samych lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos) klikając obraz poniżej. -[![Baner ML dla początkujących](../../translated_images/pl/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Baner ML dla początkujących](../../translated_images/pl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/pt/1-Introduction/README.md b/translations/pt/1-Introduction/README.md index d828282b0..d749b6097 100644 --- a/translations/pt/1-Introduction/README.md +++ b/translations/pt/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nesta seção do currículo, será apresentada uma introdução aos conceitos básicos que fundamentam o campo do aprendizado de máquina, o que ele é, além de aprender sobre sua história e as técnicas que os pesquisadores utilizam para trabalhar com ele. Vamos explorar juntos este novo mundo do aprendizado de máquina! -![globo](../../../translated_images/pt/globe.59f26379ceb40428.jpg) +![globo](../../../translated_images/pt/globe.59f26379ceb40428.webp) > Foto por Bill Oxford no Unsplash ### Aulas diff --git a/translations/pt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/pt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 1011d5742..dc2a07a0a 100644 --- a/translations/pt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/pt/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Arte por @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/pt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/pt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 8a6b054bd..52cbdd064 100644 --- a/translations/pt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/pt/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -227,7 +227,7 @@ "
Ilustração por @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -529,7 +529,7 @@ "
Infografia por Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "Há um ditado *sábio* que diz o seguinte:\n", "\n", diff --git a/translations/pt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/pt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index d9300d4d2..28b731d6e 100644 --- a/translations/pt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/pt/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -162,7 +162,7 @@ "
Ilustração por @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -456,7 +456,7 @@ "
Arte por @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -570,7 +570,7 @@ "
Infográfico por Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -811,7 +811,7 @@ "
Infográfico por Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/pt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/pt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 58bd8e07a..d092b78dd 100644 --- a/translations/pt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/pt/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Construir um modelo de regressão logística - Aula 4\n", "\n", - "![Infográfico de regressão logística vs. regressão linear](../../../../../../translated_images/pt/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Infográfico de regressão logística vs. regressão linear](../../../../../../translated_images/pt/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Questionário pré-aula](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "A regressão logística não oferece as mesmas funcionalidades que a regressão linear. A primeira fornece uma previsão sobre uma `categoria binária` (\"laranja ou não laranja\"), enquanto a segunda é capaz de prever `valores contínuos`, por exemplo, dado a origem de uma abóbora e o momento da colheita, *quanto o seu preço irá aumentar*.\n", "\n", - "![Infográfico por Dasani Madipalli](../../../../../../translated_images/pt/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infográfico por Dasani Madipalli](../../../../../../translated_images/pt/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Outras classificações\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Ordinal**, que envolve categorias ordenadas, útil se quisermos organizar os resultados logicamente, como as nossas abóboras que são ordenadas por um número finito de tamanhos (mini,pequeno,médio,grande,xl,xxl).\n", "\n", - "![Regressão multinomial vs ordinal](../../../../../../translated_images/pt/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Regressão multinomial vs ordinal](../../../../../../translated_images/pt/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **As variáveis NÃO precisam estar correlacionadas**\n", "\n", diff --git a/translations/pt/2-Regression/README.md b/translations/pt/2-Regression/README.md index bb70c40de..001adf7cf 100644 --- a/translations/pt/2-Regression/README.md +++ b/translations/pt/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: Na América do Norte, as abóboras são frequentemente esculpidas em rostos assustadores para o Halloween. Vamos descobrir mais sobre estes vegetais fascinantes! -![jack-o-lanterns](../../../translated_images/pt/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/pt/jack-o-lanterns.181c661a9212457d.webp) > Foto por Beth Teutschmann no Unsplash ## O que irá aprender diff --git a/translations/pt/3-Web-App/README.md b/translations/pt/3-Web-App/README.md index 1460277ba..37befff5a 100644 --- a/translations/pt/3-Web-App/README.md +++ b/translations/pt/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nesta secção do currículo, será introduzido a um tópico aplicado de ML: como guardar o seu modelo Scikit-learn como um ficheiro que pode ser utilizado para fazer previsões dentro de uma aplicação web. Depois de guardar o modelo, aprenderá como utilizá-lo numa aplicação web construída em Flask. Primeiro, irá criar um modelo utilizando alguns dados relacionados com avistamentos de OVNIs! Em seguida, irá construir uma aplicação web que permitirá introduzir um número de segundos juntamente com valores de latitude e longitude para prever qual país relatou ter visto um OVNI. -![Estacionamento de OVNIs](../../../translated_images/pt/ufo.9e787f5161da9d4d.jpg) +![Estacionamento de OVNIs](../../../translated_images/pt/ufo.9e787f5161da9d4d.webp) Foto por Michael Herren em Unsplash diff --git a/translations/pt/4-Classification/README.md b/translations/pt/4-Classification/README.md index e48f51a1f..3cae9920c 100644 --- a/translations/pt/4-Classification/README.md +++ b/translations/pt/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Na Ásia e na Índia, as tradições culinárias são extremamente diversas e muito deliciosas! Vamos analisar dados sobre culinárias regionais para tentar entender os seus ingredientes. -![Vendedor de comida tailandesa](../../../translated_images/pt/thai-food.c47a7a7f9f05c218.jpg) +![Vendedor de comida tailandesa](../../../translated_images/pt/thai-food.c47a7a7f9f05c218.webp) > Foto por Lisheng Chang no Unsplash ## O que irá aprender diff --git a/translations/pt/5-Clustering/README.md b/translations/pt/5-Clustering/README.md index 7382a8761..351faa8fa 100644 --- a/translations/pt/5-Clustering/README.md +++ b/translations/pt/5-Clustering/README.md @@ -15,7 +15,7 @@ Clustering é uma tarefa de aprendizagem automática que procura encontrar objet O público diversificado da Nigéria tem gostos musicais igualmente variados. Usando dados extraídos do Spotify (inspirado por [este artigo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vamos analisar algumas músicas populares na Nigéria. Este conjunto de dados inclui informações sobre o 'danceability', 'acousticness', volume, 'speechiness', popularidade e energia de várias músicas. Será interessante descobrir padrões nesses dados! -![Um gira-discos](../../../translated_images/pt/turntable.f2b86b13c53302dc.jpg) +![Um gira-discos](../../../translated_images/pt/turntable.f2b86b13c53302dc.webp) > Foto de Marcela Laskoski no Unsplash diff --git a/translations/pt/6-NLP/README.md b/translations/pt/6-NLP/README.md index d89248fee..3f116b32a 100644 --- a/translations/pt/6-NLP/README.md +++ b/translations/pt/6-NLP/README.md @@ -17,7 +17,7 @@ Nesta seção do currículo, será introduzido um dos usos mais difundidos do ap Nestes módulos, aprenderemos os fundamentos do PLN construindo pequenos bots conversacionais para entender como o aprendizado de máquina ajuda a tornar essas conversas cada vez mais 'inteligentes'. Você viajará no tempo, conversando com Elizabeth Bennett e Mr. Darcy do clássico romance de Jane Austen, **Orgulho e Preconceito**, publicado em 1813. Depois, aprofundará seus conhecimentos aprendendo sobre análise de sentimentos através de avaliações de hotéis na Europa. -![Livro Orgulho e Preconceito e chá](../../../translated_images/pt/p&p.279f1c49ecd88941.jpg) +![Livro Orgulho e Preconceito e chá](../../../translated_images/pt/p&p.279f1c49ecd88941.webp) > Foto por Elaine Howlin no Unsplash ## Aulas diff --git a/translations/pt/7-TimeSeries/README.md b/translations/pt/7-TimeSeries/README.md index c5d28122d..bc22c92a0 100644 --- a/translations/pt/7-TimeSeries/README.md +++ b/translations/pt/7-TimeSeries/README.md @@ -17,7 +17,7 @@ Nestes dois módulos, será introduzido o conceito de previsão de séries tempo O nosso foco regional é o consumo de eletricidade no mundo, um conjunto de dados interessante para aprender a prever o consumo futuro de energia com base nos padrões de carga do passado. É possível perceber como este tipo de previsão pode ser extremamente útil em ambientes empresariais. -![rede elétrica](../../../translated_images/pt/electric-grid.0c21d5214db09ffa.jpg) +![rede elétrica](../../../translated_images/pt/electric-grid.0c21d5214db09ffa.webp) Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas numa estrada em Rajasthan no [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/pt/8-Reinforcement/README.md b/translations/pt/8-Reinforcement/README.md index 95b9cdb59..c98e74646 100644 --- a/translations/pt/8-Reinforcement/README.md +++ b/translations/pt/8-Reinforcement/README.md @@ -13,7 +13,7 @@ O aprendizado por reforço, RL, é considerado um dos paradigmas básicos de apr Imagine que você tem um ambiente simulado, como o mercado de ações. O que acontece se você impuser uma determinada regulamentação? Isso terá um efeito positivo ou negativo? Se algo negativo acontecer, você precisa aceitar esse _reforço negativo_, aprender com ele e mudar de rumo. Se o resultado for positivo, você deve construir sobre esse _reforço positivo_. -![peter e o lobo](../../../translated_images/pt/peter.779730f9ba3a8a8d.png) +![peter e o lobo](../../../translated_images/pt/peter.779730f9ba3a8a8d.webp) > Peter e seus amigos precisam escapar do lobo faminto! Imagem por [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/pt/9-Real-World/README.md b/translations/pt/9-Real-World/README.md index 555d4ee00..95c6abc58 100644 --- a/translations/pt/9-Real-World/README.md +++ b/translations/pt/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Nesta secção do currículo, será apresentado a algumas aplicações reais de aprendizagem automática clássica. Pesquisámos na internet para encontrar artigos e documentos técnicos sobre aplicações que utilizaram estas estratégias, evitando redes neuronais, aprendizagem profunda e IA tanto quanto possível. Descubra como a aprendizagem automática é utilizada em sistemas empresariais, aplicações ecológicas, finanças, artes e cultura, entre outros. -![chess](../../../translated_images/pt/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/pt/chess.e704a268781bdad8.webp) > Foto por Alexis Fauvet em Unsplash diff --git a/translations/pt/README.md b/translations/pt/README.md index 7325d7404..c665aeff6 100644 --- a/translations/pt/README.md +++ b/translations/pt/README.md @@ -78,7 +78,7 @@ Siga estes passos: Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrá-los embutidos nas lições ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo. -[![Banner ML para principiantes](../../translated_images/pt/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Banner ML para principiantes](../../translated_images/pt/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ro/README.md b/translations/ro/README.md index 096a149aa..c8b03d403 100644 --- a/translations/ro/README.md +++ b/translations/ro/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Avem în curs o serie Discord „Învață cu AI”, aflați mai multe și alăturați-vă la [Learn with AI Series](https://aka.ms/learnwithai/discord) între 18 - 30 septembrie, 2025. Veți primi sfaturi și trucuri privind utilizarea GitHub Copilot pentru Data Science. -![Seria Învață cu AI](../../translated_images/ro/3.9b58fd8d6c373c20.png) +![Seria Învață cu AI](../../translated_images/ro/3.9b58fd8d6c373c20.webp) # Machine Learning pentru începători - Un curriculum @@ -80,7 +80,7 @@ Urmați acești pași: Unele lecții sunt disponibile ca video scurt. Le puteți găsi incluse în lecții sau în [lista de redare ML for Beginners de pe canalul Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) făcând clic pe imaginea de mai jos. -[![Banner ML pentru începători](../../translated_images/ro/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Banner ML pentru începători](../../translated_images/ro/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ru/1-Introduction/README.md b/translations/ru/1-Introduction/README.md index 9584cf645..57249a244 100644 --- a/translations/ru/1-Introduction/README.md +++ b/translations/ru/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: В этом разделе учебной программы вы познакомитесь с основными концепциями, лежащими в основе машинного обучения, узнаете, что это такое, а также изучите его историю и методы, которые используют исследователи для работы в этой области. Давайте вместе исследуем этот новый мир машинного обучения! -![глобус](../../../translated_images/ru/globe.59f26379ceb40428.jpg) +![глобус](../../../translated_images/ru/globe.59f26379ceb40428.webp) > Фото сделано Биллом Оксфордом на Unsplash ### Уроки diff --git a/translations/ru/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ru/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index ebcdf573a..555fc61b1 100644 --- a/translations/ru/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ru/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Иллюстрация @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ru/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ru/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index ecd583e29..f7a6010f6 100644 --- a/translations/ru/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ru/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -227,7 +227,7 @@ "
Иллюстрация от @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,7 +531,7 @@ "
Инфографика от Дасани Мадипалли
\n", "\n", "\n", - "\n", + "\n", "\n", "Существует *мудрое* высказывание, которое звучит так:\n", "\n", diff --git a/translations/ru/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ru/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 71470c8b2..58886b610 100644 --- a/translations/ru/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ru/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Инфографика от Дасани Мадипалли
\n", "\n", "\n", - "\n", + "\n", "\n", "#### Введение\n", "\n", @@ -164,7 +164,7 @@ "
Иллюстрация @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -569,7 +569,7 @@ "
Инфографика от Дасани Мадипалли
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -810,7 +810,7 @@ "
Инфографика от Дасани Мадипалли
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ru/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ru/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 77aaf7827..b65a662d6 100644 --- a/translations/ru/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ru/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Построение модели логистической регрессии - Урок 4\n", "\n", - "![Инфографика: Логистическая vs. линейная регрессия](../../../../../../translated_images/ru/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Инфографика: Логистическая vs. линейная регрессия](../../../../../../translated_images/ru/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Тест перед лекцией](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "Логистическая регрессия не предлагает тех же возможностей, что и линейная регрессия. Первая предоставляет прогноз о `бинарной категории` («оранжевая или не оранжевая»), тогда как вторая способна предсказывать `непрерывные значения`, например, исходя из происхождения тыквы и времени сбора урожая, *насколько вырастет ее цена*.\n", "\n", - "![Инфографика от Dasani Madipalli](../../../../../../translated_images/ru/pumpkin-classifier.562771f104ad5436.png)\n", + "![Инфографика от Dasani Madipalli](../../../../../../translated_images/ru/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Другие классификации\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Порядковая**, которая включает упорядоченные категории, полезные, если мы хотим логически упорядочить наши результаты, например, тыквы, которые упорядочены по конечному числу размеров (мини, маленький, средний, большой, очень большой, гигантский).\n", "\n", - "![Мультиномиальная vs порядковая регрессия](../../../../../../translated_images/ru/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Мультиномиальная vs порядковая регрессия](../../../../../../translated_images/ru/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **Переменные НЕ обязаны коррелировать**\n", "\n", diff --git a/translations/ru/2-Regression/README.md b/translations/ru/2-Regression/README.md index 8be7b0ed3..2e3d1512b 100644 --- a/translations/ru/2-Regression/README.md +++ b/translations/ru/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: В Северной Америке тыквы часто вырезают в виде страшных лиц для Хэллоуина. Давайте узнаем больше об этих удивительных овощах! -![jack-o-lanterns](../../../translated_images/ru/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ru/jack-o-lanterns.181c661a9212457d.webp) > Фото от Beth Teutschmann на Unsplash ## Чему вы научитесь diff --git a/translations/ru/3-Web-App/README.md b/translations/ru/3-Web-App/README.md index 3624a2454..985d6052d 100644 --- a/translations/ru/3-Web-App/README.md +++ b/translations/ru/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: В этом разделе курса вы познакомитесь с прикладной темой машинного обучения: как сохранить вашу модель Scikit-learn в виде файла, который можно использовать для предсказаний в веб-приложении. После сохранения модели вы узнаете, как использовать её в веб-приложении, созданном на Flask. Сначала вы создадите модель, используя данные о наблюдениях НЛО! Затем вы разработаете веб-приложение, которое позволит вводить количество секунд, широту и долготу, чтобы предсказать, в какой стране сообщили о наблюдении НЛО. -![Парковка для НЛО](../../../translated_images/ru/ufo.9e787f5161da9d4d.jpg) +![Парковка для НЛО](../../../translated_images/ru/ufo.9e787f5161da9d4d.webp) Фото Michael Herren на Unsplash diff --git a/translations/ru/4-Classification/README.md b/translations/ru/4-Classification/README.md index 69257d7d3..f8f3c5079 100644 --- a/translations/ru/4-Classification/README.md +++ b/translations/ru/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: В Азии и Индии традиции приготовления еды невероятно разнообразны и очень вкусны! Давайте изучим данные о региональных кухнях, чтобы лучше понять их ингредиенты. -![Продавец тайской еды](../../../translated_images/ru/thai-food.c47a7a7f9f05c218.jpg) +![Продавец тайской еды](../../../translated_images/ru/thai-food.c47a7a7f9f05c218.webp) > Фото сделано Лишенгом Чангом на Unsplash ## Чему вы научитесь diff --git a/translations/ru/5-Clustering/README.md b/translations/ru/5-Clustering/README.md index 7e308631e..39f8f3d63 100644 --- a/translations/ru/5-Clustering/README.md +++ b/translations/ru/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: Разнообразная аудитория Нигерии имеет разнообразные музыкальные вкусы. Используя данные, собранные со Spotify (вдохновлено [этой статьей](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), давайте рассмотрим популярную музыку в Нигерии. Этот набор данных включает информацию о таких характеристиках песен, как уровень "танцевальности", "акустичности", громкость, "речевость", популярность и энергия. Будет интересно обнаружить закономерности в этих данных! -![Проигрыватель](../../../translated_images/ru/turntable.f2b86b13c53302dc.jpg) +![Проигрыватель](../../../translated_images/ru/turntable.f2b86b13c53302dc.webp) > Фото предоставлено Марселой Ласкоски на Unsplash diff --git a/translations/ru/6-NLP/README.md b/translations/ru/6-NLP/README.md index e6faf7d72..05a10861a 100644 --- a/translations/ru/6-NLP/README.md +++ b/translations/ru/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: На этих уроках мы изучим основы NLP, создавая небольших разговорных ботов, чтобы понять, как машинное обучение помогает делать эти разговоры все более "умными". Вы отправитесь в прошлое, общаясь с Элизабет Беннет и мистером Дарси из классического романа Джейн Остин **"Гордость и предубеждение"**, опубликованного в 1813 году. Затем вы углубите свои знания, изучая анализ настроений через отзывы о гостиницах в Европе. -![Книга "Гордость и предубеждение" и чай](../../../translated_images/ru/p&p.279f1c49ecd88941.jpg) +![Книга "Гордость и предубеждение" и чай](../../../translated_images/ru/p&p.279f1c49ecd88941.webp) > Фото Элейн Хоулин на Unsplash ## Уроки diff --git a/translations/ru/7-TimeSeries/README.md b/translations/ru/7-TimeSeries/README.md index 5a5f61e88..fcb8016b6 100644 --- a/translations/ru/7-TimeSeries/README.md +++ b/translations/ru/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: Наш региональный фокус — потребление электроэнергии в мире. Это интересный набор данных, который позволяет изучить прогнозирование будущего энергопотребления на основе прошлых нагрузок. Вы увидите, как такой вид прогнозирования может быть крайне полезным в бизнес-среде. -![электрическая сеть](../../../translated_images/ru/electric-grid.0c21d5214db09ffa.jpg) +![электрическая сеть](../../../translated_images/ru/electric-grid.0c21d5214db09ffa.webp) Фото [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) электрических вышек на дороге в Раджастане на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/ru/8-Reinforcement/README.md b/translations/ru/8-Reinforcement/README.md index ce743a7d8..2d26bf31d 100644 --- a/translations/ru/8-Reinforcement/README.md +++ b/translations/ru/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Представьте себе смоделированную среду, например, фондовый рынок. Что произойдет, если вы введете определенное регулирование? Будет ли это иметь положительный или отрицательный эффект? Если произойдет что-то негативное, вам нужно принять это _негативное подкрепление_, извлечь из него уроки и изменить курс. Если результат положительный, нужно развивать это _положительное подкрепление_. -![петя и волк](../../../translated_images/ru/peter.779730f9ba3a8a8d.png) +![петя и волк](../../../translated_images/ru/peter.779730f9ba3a8a8d.webp) > Петя и его друзья должны убежать от голодного волка! Иллюстрация [Джен Лупер](https://twitter.com/jenlooper) diff --git a/translations/ru/9-Real-World/README.md b/translations/ru/9-Real-World/README.md index bb7b89c9e..ff132507b 100644 --- a/translations/ru/9-Real-World/README.md +++ b/translations/ru/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: В этом разделе учебной программы вы познакомитесь с реальными примерами использования классического машинного обучения. Мы тщательно изучили интернет, чтобы найти статьи и научные работы, описывающие применение этих стратегий, стараясь избегать нейронных сетей, глубокого обучения и искусственного интеллекта. Узнайте, как машинное обучение используется в бизнес-системах, экологических проектах, финансах, искусстве и культуре, и не только. -![chess](../../../translated_images/ru/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ru/chess.e704a268781bdad8.webp) > Фото сделано Алексисом Фове на Unsplash diff --git a/translations/ru/README.md b/translations/ru/README.md index ce8e9f858..0d5a62d9f 100644 --- a/translations/ru/README.md +++ b/translations/ru/README.md @@ -1,172 +1,182 @@ -[![Лицензия GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![Контрибьюторы GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![Проблемы GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![Pull-запросы GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs приветствуются](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) +[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![Microsoft Foundry в Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 Поддержка нескольких языков +### 🌐 Многоязычная поддержка -#### Поддерживается через GitHub Action (автоматически и всегда актуально) +#### Поддерживается через GitHub Action (автоматизировано и всегда актуально) -[Арабский](../ar/README.md) | [Бенгальский](../bn/README.md) | [Болгарский](../bg/README.md) | [Бирманский (Мьянма)](../my/README.md) | [Китайский (упрощённый)](../zh/README.md) | [Китайский (традиционный, Гонконг)](../hk/README.md) | [Китайский (традиционный, Макао)](../mo/README.md) | [Китайский (традиционный, Тайвань)](../tw/README.md) | [Хорватский](../hr/README.md) | [Чешский](../cs/README.md) | [Датский](../da/README.md) | [Нидерландский](../nl/README.md) | [Эстонский](../et/README.md) | [Финский](../fi/README.md) | [Французский](../fr/README.md) | [Немецкий](../de/README.md) | [Греческий](../el/README.md) | [Иврит](../he/README.md) | [Хинди](../hi/README.md) | [Венгерский](../hu/README.md) | [Индонезийский](../id/README.md) | [Итальянский](../it/README.md) | [Японский](../ja/README.md) | [Каннада](../kn/README.md) | [Корейский](../ko/README.md) | [Литовский](../lt/README.md) | [Малайский](../ms/README.md) | [Малаялам](../ml/README.md) | [Маратхи](../mr/README.md) | [Непальский](../ne/README.md) | [Нигерийский пиджин](../pcm/README.md) | [Норвежский](../no/README.md) | [Персидский (фарси)](../fa/README.md) | [Польский](../pl/README.md) | [Португальский (Бразилия)](../br/README.md) | [Португальский (Португалия)](../pt/README.md) | [Пенджаби (гурмукхи)](../pa/README.md) | [Румынский](../ro/README.md) | [Русский](./README.md) | [Сербский (кириллица)](../sr/README.md) | [Словацкий](../sk/README.md) | [Словенский](../sl/README.md) | [Испанский](../es/README.md) | [Свахили](../sw/README.md) | [Шведский](../sv/README.md) | [Тагалог (филиппинский)](../tl/README.md) | [Тамильский](../ta/README.md) | [Телугу](../te/README.md) | [Тайский](../th/README.md) | [Турецкий](../tr/README.md) | [Украинский](../uk/README.md) | [Урду](../ur/README.md) | [Вьетнамский](../vi/README.md) +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](./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) + +> **Предпочитаете клонировать локально?** + +> В этом репозитории есть более 50 переводов на разные языки, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout: +> ```bash +> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git +> cd ML-For-Beginners +> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' +> ``` +> Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой. #### Присоединяйтесь к нашему сообществу -[![Microsoft Foundry в Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -У нас проходит серия мероприятий «Учимся с ИИ» в Discord — узнайте больше и присоединяйтесь к нам на [Серия "Учимся с ИИ"](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и приёмы по использованию GitHub Copilot для Data Science. +У нас продолжается серия в Discord "Учимся с AI", подробнее и присоединяйтесь на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и трюки по использованию GitHub Copilot для Data Science. -![Серия "Учимся с ИИ"](../../translated_images/ru/3.9b58fd8d6c373c20.png) +![Learn with AI series](../../../../translated_images/ru/3.9b58fd8d6c373c20.webp) -# Машинное обучение для начинающих — учебный курс +# Машинное обучение для начинающих - программа обучения -> 🌍 Путешествуйте по миру, изучая машинное обучение через культуры разных стран 🌍 +> 🌍 Путешествуйте по миру, исследуя машинное обучение через призму культур мира 🌍 -Cloud Advocates в Microsoft рады предложить 12‑недельный курс из 26 уроков, полностью посвящённых теме **машинного обучения**. В этом курсе вы изучите то, что иногда называют **классическим машинным обучением**, в основном с использованием библиотеки Scikit-learn и избегая глубокого обучения, которое рассматривается в нашем [курикулуме "AI for Beginners"](https://aka.ms/ai4beginners). Сопоставляйте эти уроки с нашим [курикулумом "Data Science for Beginners"](https://aka.ms/ds4beginners)! +Cloud Advocates в Microsoft рады предложить 12-недельную программу из 26 уроков, посвящённую **машинному обучению**. В этой программе вы узнаете о том, что иногда называют **классическим машинным обучением**, в основном используя библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе [AI for Beginners](https://aka.ms/ai4beginners). Совмещайте эти уроки с нашей программой ['Data Science for Beginners'](https://aka.ms/ds4beginners)! -Путешествуйте с нами по миру, применяя эти классические методы к данным из разных регионов. Каждый урок включает предварительную и итоговую викторины, письменные инструкции для выполнения задания, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет изучать, создавая проекты — проверенный способ, чтобы новые навыки «укоренялись». +Путешествуйте с нами по миру, применяя классические методы к данным из разных регионов. Каждый урок включает в себя опросы до и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектно-ориентированная педагогика позволяет учиться во время построения проектов — проверенный способ закрепления новых навыков. -**✍️ Огромная благодарность нашим авторам** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu и Amy Boyd +**✍️ Огромная благодарность нашим авторам** Джен Лупер, Стивен Хауэлл, Франческа Лазцери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Алтуньян, Рут Якубу и Эми Бойд -**🎨 Благодарности также нашим иллюстраторам** Tomomi Imura, Dasani Madipalli и Jen Looper +**🎨 Также благодарим наших иллюстраторов** Томоми Имура, Дасани Мадипалли и Джен Лупер -**🙏 Особая благодарность 🙏 нашим авторам, рецензентам и авторам контента из числа студенческих послов Microsoft**, особенно Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila и Snigdha Agarwal +**🙏 Особая благодарность нашим авторам, рецензентам и контрибьюторам из Microsoft Student Ambassador**, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуйлы и Снигдхе Агарвал -**🤩 Дополнительная благодарность студенческим послам Microsoft Eric Wanjau, Jasleen Sondhi и Vidushi Gupta за наши уроки на R!** +**🤩 Особая благодарность Microsoft Student Ambassadors Эрику Ванджау, Джаслину Сонди и Видуги Гупте за наши уроки на R!** # Начало работы Выполните следующие шаги: -1. **Сделайте форк репозитория**: нажмите кнопку "Fork" в правом верхнем углу этой страницы. +1. **Сделайте форк репозитория**: Нажмите кнопку «Fork» в правом верхнем углу этой страницы. 2. **Клонируйте репозиторий**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решений распространённых проблем с установкой, настройкой и запуском уроков. +> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения распространённых проблем с установкой, настройкой и запуском уроков. -**[Студенты](https://aka.ms/student-page)**, чтобы использовать этот курс, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе: +**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту программу, сделайте форк всего репозитория на свой собственный аккаунт GitHub и выполняйте упражнения самостоятельно или в группе: -- Начинайте с предварительной викторины перед лекцией. -- Читайте лекцию и выполняйте задания, останавливаясь и обдумывая каждый контрольный вопрос. -- Старайтесь создавать проекты, понимая уроки, а не просто запускаючи решение; однако код доступен в папках `/solution` в каждом проектно-ориентированном уроке. -- Пройдите итоговую викторину после лекции. -- Выполните челлендж. +- Начинайте с опроса перед лекцией. +- Читайте лекцию и выполняйте задания, делая паузы и размышляя на каждом этапе проверки знаний. +- Старайтесь создавать проекты, понимая уроки, а не просто запуская код решения; тем не менее, этот код доступен в папках `/solution` в каждом проектно-ориентированном уроке. +- Пройдите опрос после лекции. +- Выполните вызов. - Выполните задание. -- После завершения группы уроков посетите [Доску обсуждений](https://github.com/microsoft/ML-For-Beginners/discussions) и «учитесь вслух», заполнив соответствующую шкалу PAT. PAT — это инструмент оценки прогресса (Progress Assessment Tool), рубрика, которую вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе. +- По окончании группы уроков посетите [Дискуссионную доску](https://github.com/microsoft/ML-For-Beginners/discussions) и «учитесь вслух», заполняя соответствующий рубрикатор «PAT». «PAT» — это инструмент оценки прогресса, который вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы мы могли учиться вместе. -> Для дальнейшего обучения мы рекомендуем пройти эти модули и обучающие пути на [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> Для дальнейшего обучения мы рекомендуем пройти эти модули и учебные пути [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). -**Преподаватели**, мы включили [некоторые предложения](for-teachers.md) о том, как использовать этот курс. +**Учителя**, мы включили [некоторые рекомендации](for-teachers.md) по использованию этой программы. --- -## Видеопрохождения +## Видео-обзоры -Некоторые уроки доступны в формате коротких видео. Вы можете найти все их прямо в уроках или на [плейлисте "ML for Beginners" на канале Microsoft Developer в YouTube](https://aka.ms/ml-beginners-videos), нажав на изображение ниже. +Некоторые уроки доступны в формате коротких видео. Все они встроены непосредственно в уроки или доступны в [плейлисте ML for Beginners на канале Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos), кликнув на изображение ниже. -[![Баннер "ML for beginners"](../../translated_images/ru/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../../../translated_images/ru/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Встречайте команду +## Команда -[![Промо-видео](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Гиф от** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Гифки создал** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали! +> 🎥 Кликайте на изображение выше, чтобы посмотреть видео о проекте и его создателях! --- ## Педагогика -Мы выбрали два педагогических принципа при создании этого курса: сделать его практико-ориентированным (проектно-ориентированным) и включить частые контрольные вопросы. Кроме того, курс имеет общую **тематику**, придающую ему связность. +Мы выбрали два педагогических принципа при создании этой программы: обеспечить её практическую **проектно-ориентированную** направленность и включить **частые опросы**. Кроме того, эта программа имеет общую **тематику** для обеспечения целостности. -Гарантируя соответствие контента проектам, процесс обучения становится более увлекательным, а усвоение концепций усиливается. Низкопороговая викторина перед занятием настраивает студента на изучение темы, а вторая викторина после занятия обеспечивает дополнительное закрепление материала. Курс разработан так, чтобы быть гибким и интересным, и его можно пройти полностью или частично. Проекты начинаются с небольших и становятся всё более сложными к концу 12‑недельного цикла. В курс также включён послесловие о реальных применениях МО, которое можно использовать как дополнительную часть или основу для обсуждения. +Обеспечивая согласование контента с проектами, процесс обучения становится более увлекательным для студентов, а усвоение концепций усиливается. Также небольшой опрос перед занятием помогает настроить студента на изучение темы, а второй опрос после занятия способствует лучшему запоминанию. Программа разработана быть гибкой и увлекательной, её можно пройти целиком или частично. Проекты начинаются с простых задач и становятся всё сложнее к концу 12-недельного цикла. Программа также включает послесловие о реальных применениях машинного обучения, которое можно использовать как дополнительный материал или базу для обсуждения. -> Ознакомьтесь с нашим [Кодексом поведения](CODE_OF_CONDUCT.md), [Правилами участия](CONTRIBUTING.md), [Переводами](TRANSLATIONS.md) и [Руководством по устранению неполадок](TROUBLESHOOTING.md). Мы приветствуем вашу конструктивную обратную связь! +> Ознакомьтесь с нашими руководствами: [Кодекс поведения](CODE_OF_CONDUCT.md), [Вклад в проект](CONTRIBUTING.md), [Переводы](TRANSLATIONS.md) и [Устранение неполадок](TROUBLESHOOTING.md). Мы приветствуем ваши конструктивные отзывы! ## Каждый урок включает -- необязательная скетчнота +- необязательные скетчноуты - необязательное дополнительное видео -- видео‑разбор (только для некоторых уроков) -- [предварительная разминка перед лекцией (викторина)](https://ff-quizzes.netlify.app/en/ml/) -- письменный материал урока -- для проектных уроков — пошаговые руководства по созданию проекта +- видео-обзор (только некоторые уроки) +- [опрос для разогрева перед лекцией](https://ff-quizzes.netlify.app/en/ml/) +- письменный урок +- для проектно-ориентированных уроков — пошаговые инструкции по созданию проекта - проверки знаний -- челлендж -- дополнительные материалы для чтения +- вызов +- дополнительное чтение - задание -- [итоговая викторина](https://ff-quizzes.netlify.app/en/ml/) - -> **Пояснение про языки**: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что обозначает **R Markdown** — документ, который можно определить как встраивание `code chunks` (на R или других языках) и `YAML header` (который управляет форматированием вывода, например в PDF) внутри `Markdown document`. Таким образом, это служит отличной средой для создания материалов по Data Science, поскольку позволяет сочетать код, его вывод и ваши заметки, записанные в Markdown. Кроме того, документы R Markdown можно рендерить в форматы вывода, такие как PDF, HTML или Word. - -> **Пояснение про викторины**: Все викторины находятся в папке [Quiz App folder](../../quiz-app), всего 52 викторины по три вопроса в каждой. Они связаны из уроков, но приложение викторин можно запустить локально; следуйте инструкциям в папке `quiz-app`, чтобы развернуть локально или задеплоить в Azure. - -| Номер урока | Тема | Группа уроков | Цели обучения | Ссылка на урок | Автор | -| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | Введение в машинное обучение | [Введение](1-Introduction/README.md) | Изучите основные концепции машинного обучения | [Урок](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | История машинного обучения | [Введение](1-Introduction/README.md) | Узнайте историю, лежащую в основе этой области | [Урок](1-Introduction/2-history-of-ML/README.md) | Jen и Amy | -| 03 | Справедливость и машинное обучение | [Введение](1-Introduction/README.md) | Какие важные философские вопросы, связанные со справедливостью, должны учитывать студенты при создании и применении моделей машинного обучения? | [Урок](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Методы машинного обучения | [Введение](1-Introduction/README.md) | Какими методами пользуются исследователи машинного обучения для построения моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Chris и Jen | -| 05 | Введение в регрессию | [Регрессия](2-Regression/README.md) | Начните работу с Python и Scikit-learn для регрессионных моделей | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Визуализируйте и очистите данные в подготовке к ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Постройте линейные и полиномиальные регрессионные модели | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen и Dmitry • Eric Wanjau | -| 08 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Постройте модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Веб-приложение 🔌 | [Веб-приложение](3-Web-App/README.md) | Создайте веб-приложение для использования обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Введение в классификацию | [Классификация](4-Classification/README.md) | Очистите, подготовьте и визуализируйте данные; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen и Cassie • Eric Wanjau | -| 11 | Вкусные азиатские и индийские блюда 🍜 | [Классификация](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen и Cassie • Eric Wanjau | -| 12 | Вкусные азиатские и индийские блюда 🍜 | [Классификация](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen и Cassie • Eric Wanjau | -| 13 | Вкусные азиатские и индийские блюда 🍜 | [Классификация](4-Classification/README.md) | Создайте рекомендательное веб-приложение с использованием вашей модели | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Введение в кластеризацию | [Кластеризация](5-Clustering/README.md) | Очистите, подготовьте и визуализируйте данные; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Исследование музыкальных предпочтений Нигерии 🎧 | [Кластеризация](5-Clustering/README.md) | Изучите метод кластеризации K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Введение в обработку естественного языка ☕️ | [Обработка естественного языка](6-NLP/README.md) | Изучите основы NLP, создавая простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Типичные задачи NLP ☕️ | [Обработка естественного языка](6-NLP/README.md) | Углубите знания по NLP, изучив типичные задачи, возникающие при работе со структурами языка | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Перевод и анализ тональности ♥️ | [Обработка естественного языка](6-NLP/README.md) | Перевод и анализ тональности на примере Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ тональности на отзывах об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ тональности на отзывах об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Введение в прогнозирование временных рядов | [Временные ряды](7-TimeSeries/README.md) | Введение в прогнозирование временных рядов | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Потребление электроэнергии в мире ⚡️ - time series forecasting with ARIMA | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Потребление электроэнергии в мире ⚡️ - time series forecasting with SVR | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью регрессора опорных векторов (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Введение в обучение с подкреплением | [Обучение с подкреплением](8-Reinforcement/README.md) | Введение в обучение с подкреплением на примере Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Помогите Петру избежать волка! 🐺 | [Обучение с подкреплением](8-Reinforcement/README.md) | Обучение с подкреплением в Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Послесловие | Сценарии и приложения ML в реальном мире | [ML in the Wild](9-Real-World/README.md) | Интересные и показательные приложения классического ML в реальном мире | [Урок](9-Real-World/1-Applications/README.md) | Команда | -| Послесловие | Отладка моделей в ML с использованием RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения с использованием компонентов панели Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | +- [опрос после лекции](https://ff-quizzes.netlify.app/en/ml/) + +> **Примечание о языках**: Эти уроки главным образом написаны на Python, но многие доступны также на R. Чтобы выполнить урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что представляет собой **R Markdown** файл — по сути это внедрение `фрагментов кода` (на R или других языках) и `заголовка YAML` (который указывает, как форматировать выходные данные, например PDF) в документе `Markdown`. Таким образом, это служит отличной авторской платформой для анализа данных, поскольку позволяет объединять ваш код, его вывод и ваши заметки, записанные в формате Markdown. Более того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word. +> **Примечание о викторинах**: Все викторины находятся в папке [Quiz App](../../quiz-app), всего 52 викторины, каждая из трёх вопросов. Они связаны с уроками, но приложение викторины можно запускать локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или развертывания в Azure. + +| Номер урока | Тема | Группировка уроков | Цели обучения | Связанный урок | Автор | +| :---------: | :------------------------------------------------------------: | :----------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: | +| 01 | Введение в машинное обучение | [Введение](1-Introduction/README.md) | Изучить основные понятия машинного обучения | [Урок](1-Introduction/1-intro-to-ML/README.md) | Мухаммад | +| 02 | История машинного обучения | [Введение](1-Introduction/README.md) | Изучить историю, лежащую в основе этой области | [Урок](1-Introduction/2-history-of-ML/README.md) | Джен и Эми | +| 03 | Справедливость и машинное обучение | [Введение](1-Introduction/README.md) | Какие важные философские вопросы справедливости должны учитывать студенты при построении и применении моделей МЛ? | [Урок](1-Introduction/3-fairness/README.md) | Томоми | +| 04 | Методы машинного обучения | [Введение](1-Introduction/README.md) | Какие методы используют исследователи МЛ для построения моделей МЛ? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен | +| 05 | Введение в регрессию | [Регрессия](2-Regression/README.md) | Начать работу с Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Джен • Эрик Ванджау | +| 06 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Визуализировать и очистить данные в подготовке к МЛ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Джен • Эрик Ванджау | +| 07 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Построить модели линейной и полиномиальной регрессии | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Джен и Дмитрий • Эрик Ванджау | +| 08 | Цены на тыквы в Северной Amerике 🎃 | [Регрессия](2-Regression/README.md) | Построить модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Джен • Эрик Ванджау | +| 09 | Веб-приложение 🔌 | [Веб-приложение](3-Web-App/README.md) | Построить веб-приложение для использования обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Джен | +| 10 | Введение в классификацию | [Классификация](4-Classification/README.md) | Очистка, подготовка и визуализация данных; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Джен и Кэсси • Эрик Ванджау | +| 11 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Джен и Кэсси • Эрик Ванджау | +| 12 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Другие классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Джен и Кэсси • Эрик Ванджау | +| 13 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Построить рекомендательное веб-приложение с использованием модели | [Python](4-Classification/4-Applied/README.md) | Джен | +| 14 | Введение в кластеризацию | [Кластеризация](5-Clustering/README.md) | Очистка, подготовка и визуализация данных; Введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Джен • Эрик Ванджау | +| 15 | Изучение музыкальных вкусов Нигерии 🎧 | [Кластеризация](5-Clustering/README.md) | Изучить метод кластеризации K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Джен • Эрик Ванджау | +| 16 | Введение в обработку естественного языка ☕️ | [Обработка естественного языка](6-NLP/README.md) | Изучить основы NLP, создавая простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивен | +| 17 | Общие задачи NLP ☕️ | [Обработка естественного языка](6-NLP/README.md) | Углубить знания NLP, понимая общие задачи, необходимые при работе с языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Стивен | +| 18 | Перевод и анализ настроений ♥️ | [Обработка естественного языка](6-NLP/README.md) | Перевод и анализ настроений с Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен | +| 19 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен | +| 20 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен | +| 21 | Введение в прогнозирование временных рядов | [Временные ряды](7-TimeSeries/README.md) | Введение в прогнозирование временных рядов | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа | +| 22 | ⚡️ Мировое потребление энергии ⚡️ — прогнозирование с ARIMA | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа | +| 23 | ⚡️ Мировое потребление энергии ⚡️ — прогнозирование с SVR | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью метода опорных векторов (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан | +| 24 | Введение в обучение с подкреплением | [Обучение с подкреплением](8-Reinforcement/README.md) | Введение в обучение с подкреплением с помощью Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитрий | +| 25 | Помогите Петру избежать волка! 🐺 | [Обучение с подкреплением](8-Reinforcement/README.md) | Обучение с подкреплением Gym | [Python](8-Reinforcement/2-Gym/README.md) | Дмитрий | +| Постскрипт | Реальные сценарии использования МЛ | [ML в реальных задачах](9-Real-World/README.md) | Интересные и наглядные реальные применения классического МЛ | [Урок](9-Real-World/1-Applications/README.md) | Команда | +| Постскрипт | Отладка моделей МЛ с помощью дашборда RAI | [ML в реальных задачах](9-Real-World/README.md) | Отладка моделей машинного обучения с использованием компонентов дашборда Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Якобу | > [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -## Офлайн-доступ - -Вы можете запускать эту документацию офлайн, используя [Docsify](https://docsify.js.org/#/). Fork this repo, [установите Docsify](https://docsify.js.org/#/quickstart) на вашей локальной машине, и затем в корневой папке этого репозитория выполните `docsify serve`. Веб-сайт будет доступен на порту 3000 на вашем localhost: `localhost:3000`. +## Оффлайн-доступ -## PDF-файлы +Вы можете использовать эту документацию оффлайн с помощью [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашем компьютере, и затем в корневой папке этого репозитория выполните команду `docsify serve`. Сайт будет доступен на порту 3000 по адресу `localhost:3000`. -Найдите PDF учебной программы со ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +## PDF +Скачать PDF учебной программы с гиперссылками можно [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 Другие курсы +## 🎒 Другие курсы -Наша команда выпускает другие курсы! Ознакомьтесь: +Наша команда создаёт и другие курсы! Ознакомьтесь: ### LangChain -[![LangChain4j для начинающих](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 для начинающих](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) --- @@ -174,7 +184,7 @@ Cloud Advocates в Microsoft рады предложить 12‑недельны [![AZD для начинающих](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 для начинающих](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 для начинающих](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-агенты для начинающих](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 агенты для начинающих](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) --- @@ -189,7 +199,7 @@ Cloud Advocates в Microsoft рады предложить 12‑недельны ### Основное обучение [![Машинное обучение для начинающих](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) [![Наука о данных для начинающих](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) -[![Искусственный интеллект для начинающих](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) +[![ИИ для начинающих](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) [![Кибербезопасность для начинающих](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) [![Веб-разработка для начинающих](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) [![Интернет вещей для начинающих](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) @@ -205,17 +215,17 @@ Cloud Advocates в Microsoft рады предложить 12‑недельны ## Получение помощи -Если вы застряли или у вас есть вопросы о создании приложений с ИИ. Присоединяйтесь к другим учащимся и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются и знания свободно делятся. +Если вы застряли или у вас есть вопросы о создании приложений с ИИ. Присоединяйтесь к другим обучающимся и опытным разработчикам для обсуждений о MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся. -[![Discord Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) Если у вас есть отзывы о продукте или ошибки во время разработки, посетите: -[![Форум разработчиков Microsoft Foundry](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) +[![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) --- -**Отказ от ответственности**: -Этот документ был переведён с помощью сервиса автоматического перевода на базе ИИ [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный перевод, выполненный человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода. +**Отказ от ответственности**: +Этот документ был переведен с помощью службы автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы прилагаем усилия для обеспечения точности, просим учитывать, что машинный перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется воспользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода. \ No newline at end of file diff --git a/translations/sk/README.md b/translations/sk/README.md index 7a9afa4ff..cf31f57d4 100644 --- a/translations/sk/README.md +++ b/translations/sk/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Na Discorde prebieha séria Učte sa s AI — dozviete sa viac a pripojte sa k nám na [Séria Učte sa s AI](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Získate tipy a triky pri používaní GitHub Copilot pre Data Science. -![Séria Učte sa s AI](../../translated_images/sk/3.9b58fd8d6c373c20.png) +![Séria Učte sa s AI](../../translated_images/sk/3.9b58fd8d6c373c20.webp) # Strojové učenie pre začiatočníkov - učebný plán @@ -80,7 +80,7 @@ Postupujte podľa týchto krokov: Niektoré lekcie sú dostupné ako krátke videá. Nájdete ich vložené priamo v lekciách alebo na [playlistu ML for Beginners na kanáli Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kliknutím na obrázok nižšie. -[![Banner ML pre začiatočníkov](../../translated_images/sk/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Banner ML pre začiatočníkov](../../translated_images/sk/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/sl/README.md b/translations/sl/README.md index 21b8a2783..270bfaf62 100644 --- a/translations/sl/README.md +++ b/translations/sl/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Imamo serijo "Learn with AI" na Discordu, več izvejte in se nam pridružite na [Serija "Učenje z AI"](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Dobili boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost. -![Serija Učenja z AI](../../translated_images/sl/3.9b58fd8d6c373c20.png) +![Serija Učenja z AI](../../translated_images/sl/3.9b58fd8d6c373c20.webp) # Strojno učenje za začetnike - učni načrt @@ -80,7 +80,7 @@ Sledite tem korakom: Nekatere lekcije so na voljo kot kratki videi. Vse jih najdete v lekcijah ali na [predvajalnem seznamu ML for Beginners na YouTube kanalu Microsoft Developer](https://aka.ms/ml-beginners-videos) tako, da kliknete sliko spodaj. -[![Pasica ML za začetnike](../../translated_images/sl/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Pasica ML za začetnike](../../translated_images/sl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/sr/README.md b/translations/sr/README.md index 040716710..dd02e5f7f 100644 --- a/translations/sr/README.md +++ b/translations/sr/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Имамо покренуту Discord серију „Учите уз AI“, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. Добићете савете и трикове за коришћење GitHub Copilot-а за науку о подацима. -![Серија 'Учите уз AI'](../../translated_images/sr/3.9b58fd8d6c373c20.png) +![Серија 'Учите уз AI'](../../translated_images/sr/3.9b58fd8d6c373c20.webp) # Машинско учење за почетнике - Наставни програм @@ -80,7 +80,7 @@ Cloud Advocates у компанији Microsoft са задовољством н Неке од лекција доступне су у кратком видео формату. Све их можете наћи у оквиру лекција или на [плејлисту ML for Beginners на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод. -[![Банер ML for beginners](../../translated_images/sr/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Банер ML for beginners](../../translated_images/sr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/sv/README.md b/translations/sv/README.md index abca45e25..b24ad6fb7 100644 --- a/translations/sv/README.md +++ b/translations/sv/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: Vi har en pågående Discord-serie Learn with AI — läs mer och gå med oss på [Learn with AI Series](https://aka.ms/learnwithai/discord) mellan 18–30 september 2025. Du får tips och knep för att använda GitHub Copilot för Data Science. -![Learn with AI-serien](../../translated_images/sv/3.9b58fd8d6c373c20.png) +![Learn with AI-serien](../../translated_images/sv/3.9b58fd8d6c373c20.webp) # Maskininlärning för nybörjare - En kursplan @@ -78,7 +78,7 @@ Följ dessa steg: Vissa av lektionerna finns som korta videor. Du kan hitta alla dessa i lektionerna, eller på [ML for Beginners-playlistan på Microsoft Developer YouTube-kanalen](https://aka.ms/ml-beginners-videos) genom att klicka på bilden nedan. -[![ML för nybörjare-banner](../../translated_images/sv/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML för nybörjare-banner](../../translated_images/sv/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/sw/README.md b/translations/sw/README.md index 08e613dfc..18bc6d996 100644 --- a/translations/sw/README.md +++ b/translations/sw/README.md @@ -33,7 +33,7 @@ CO_OP_TRANSLATOR_METADATA: Tunayo mfululizo wa kujifunza kupitia Discord kuhusu AI unaoendelea; jifunze zaidi na ujiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapata vidokezo na mbinu za kutumia GitHub Copilot kwa Data Science. -![Mfululizo wa Kujifunza na AI](../../translated_images/sw/3.9b58fd8d6c373c20.png) +![Mfululizo wa Kujifunza na AI](../../translated_images/sw/3.9b58fd8d6c373c20.webp) # Kujifunza kwa Mashine kwa Waanzilishi - Mtaala @@ -81,7 +81,7 @@ Fuata hatua hizi: Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata hizi zote zinazoonyeshwa ndani ya masomo, au kwenye [orodha ya nyimbo ya ML for Beginners kwenye kituo cha Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kwa kubonyeza picha hapa chini. -[![Bango la ML kwa Waanzilishi](../../translated_images/sw/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Bango la ML kwa Waanzilishi](../../translated_images/sw/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ta/1-Introduction/1-intro-to-ML/README.md b/translations/ta/1-Introduction/1-intro-to-ML/README.md index 47aaae0c5..e2b46557e 100644 --- a/translations/ta/1-Introduction/1-intro-to-ML/README.md +++ b/translations/ta/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## பரபரப்பான வளைவு -![ml hype curve](../../../../translated_images/ta/hype.07183d711a17aafe.png) +![ml hype curve](../../../../translated_images/ta/hype.07183d711a17aafe.webp) > 'இயந்திரக் கற்றல்' என்ற சொல் சமீபத்திய 'பரபரப்பான வளைவை' Google Trends காட்டுகிறது @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## AI, ML, ஆழமான கற்றல் -![AI, ML, deep learning, data science](../../../../translated_images/ta/ai-ml-ds.537ea441b124ebf6.png) +![AI, ML, deep learning, data science](../../../../translated_images/ta/ai-ml-ds.537ea441b124ebf6.webp) > AI, ML, ஆழமான கற்றல் மற்றும் தரவியல் விஞ்ஞானம் ஆகியவற்றின் தொடர்புகளை காட்டும் ஒரு வரைபடம். [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம், [இந்த வரைபடத்தால்](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) ஊக்கமளிக்கப்பட்டது. diff --git a/translations/ta/1-Introduction/2-history-of-ML/README.md b/translations/ta/1-Introduction/2-history-of-ML/README.md index 8f8310a94..7bb7820fc 100644 --- a/translations/ta/1-Introduction/2-history-of-ML/README.md +++ b/translations/ta/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # இயந்திரக் கற்றலின் வரலாறு -![இயந்திரக் கற்றலின் வரலாற்றின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ta/ml-history.a1bdfd4ce1f464d9.png) +![இயந்திரக் கற்றலின் வரலாற்றின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ta/ml-history.a1bdfd4ce1f464d9.webp) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [முன்-பாடம் வினாடி வினா](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ Alan Turing, 2019-ல் [பொது மக்களால்](https://wikiped * [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), 'நுண்ணறிவுடன்' பணிகளைச் செய்ய முடிவு செய்யும் திறன் கொண்டது. - ![Shakey, ஒரு நுண்ணறிவு ரோபோ](../../../../translated_images/ta/shakey.4dc17819c447c05b.jpg) + ![Shakey, ஒரு நுண்ணறிவு ரோபோ](../../../../translated_images/ta/shakey.4dc17819c447c05b.webp) > Shakey 1972-ல் --- * Eliza, ஒரு ஆரம்ப 'chatterbot', மக்களுடன் உரையாட முடியும் மற்றும் ஒரு ஆரம்ப 'மனநல மருத்துவர்' ஆக செயல்பட முடியும். NLP பாடங்களில் Eliza பற்றி மேலும் அறியலாம். - ![Eliza, ஒரு bot](../../../../translated_images/ta/eliza.84397454cda9559b.png) + ![Eliza, ஒரு bot](../../../../translated_images/ta/eliza.84397454cda9559b.webp) > Eliza, ஒரு chatbot-இன் ஒரு பதிப்பு --- diff --git a/translations/ta/1-Introduction/3-fairness/README.md b/translations/ta/1-Introduction/3-fairness/README.md index 3c237997f..5ee98dd52 100644 --- a/translations/ta/1-Introduction/3-fairness/README.md +++ b/translations/ta/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # பொறுப்பான AI மூலம் இயந்திரக் கற்றல் தீர்வுகளை உருவாக்குதல் -![இயந்திரக் கற்றலில் பொறுப்பான AI-யின் சுருக்கம்](../../../../translated_images/ta/ml-fairness.ef296ebec6afc98a.png) +![இயந்திரக் கற்றலில் பொறுப்பான AI-யின் சுருக்கம்](../../../../translated_images/ta/ml-fairness.ef296ebec6afc98a.webp) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ml/) @@ -51,10 +51,10 @@ AI அமைப்புகள் அனைவரையும் நியாய - **Over- or under-representation**: ஒரு குறிப்பிட்ட குழு ஒரு குறிப்பிட்ட தொழிலில் காணப்படாதது, மற்றும் எந்த சேவையோ அல்லது செயல்பாடோ அதை தொடர்ந்து ஊக்குவிக்கிறது என்றால் அது பாதிப்பை ஏற்படுத்துகிறது. - **Stereotyping**: ஒரு குறிப்பிட்ட குழுவை முன்கூட்டியே ஒதுக்கப்பட்ட பண்புகளுடன் தொடர்புபடுத்துதல். உதாரணமாக, ஆங்கிலம் மற்றும் துருக்கி மொழி இடையேயான மொழிபெயர்ப்பு அமைப்பு பாலினத்துடன் தொடர்புடைய வார்த்தைகளில் தவறுகள் ஏற்படலாம். -![துருக்கி மொழிக்கு மொழிபெயர்ப்பு](../../../../translated_images/ta/gender-bias-translate-en-tr.f185fd8822c2d437.png) +![துருக்கி மொழிக்கு மொழிபெயர்ப்பு](../../../../translated_images/ta/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > துருக்கி மொழிக்கு மொழிபெயர்ப்பு -![ஆங்கிலத்திற்கு மீண்டும் மொழிபெயர்ப்பு](../../../../translated_images/ta/gender-bias-translate-tr-en.4eee7e3cecb8c70e.png) +![ஆங்கிலத்திற்கு மீண்டும் மொழிபெயர்ப்பு](../../../../translated_images/ta/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) > ஆங்கிலத்திற்கு மீண்டும் மொழிபெயர்ப்பு AI அமைப்புகளை வடிவமைக்கும் மற்றும் சோதிக்கும் போது, AI நியாயமாக இருக்க வேண்டும் மற்றும் மனிதர்களுக்கு தடை செய்யப்பட்ட பாகுபாடான அல்லது பாகுபாடான முடிவுகளை எடுக்காமல் இருக்க வேண்டும் என்பதை உறுதிப்படுத்த வேண்டும். AI மற்றும் இயந்திரக் கற்றலில் நியாயத்தை உறுதிப்படுத்துவது ஒரு சிக்கலான சமூக-தொழில்நுட்ப சவாலாகவே உள்ளது. @@ -97,7 +97,7 @@ AI அமைப்புகள் புரிந்துகொள்ளக் AI அமைப்புகளை வடிவமைக்கும் மற்றும் செயல்படுத்தும் மக்கள், அவர்களின் அமைப்புகள் எவ்வாறு செயல்படுகின்றன என்பதற்கான பொறுப்பை ஏற்க வேண்டும். முகம் அடையாளம் காணும் போன்ற நுண்ணறிவு தொழில்நுட்பங்களுடன் பொறுப்புணர்வு மிகவும் முக்கியமானது. சமீபத்தில், முகம் அடையாளம் காணும் தொழில்நுட்பத்திற்கான தேவை அதிகரித்துள்ளது, குறிப்பாக காணாமல் போன குழந்தைகளை கண்டறிதல் போன்ற பயன்பாடுகளில் தொழில்நுட்பத்தின் சாத்தியத்தைப் பார்க்கும் சட்ட அமலாக்க அமைப்புகளிடமிருந்து. இருப்பினும், இந்த தொழில்நுட்பங்கள் ஒரு அரசாங்கத்தால் அதன் குடிமக்களின் அடிப்படை சுதந்திரங்களை ஆபத்தில் ஆழ்த்துவதற்காக, உதாரணமாக, குறிப்பிட்ட நபர்களின் தொடர்ச்சியான கண்காணிப்பை இயக்குவதற்காக பயன்படுத்தப்படலாம். எனவே, AI அமைப்பு தனிநபர்கள் அல்லது சமுதாயத்தை எவ்வாறு பாதிக்கிறது என்பதற்கான பொறுப்பை தரவியல் விஞ்ஞானிகள் மற்றும் அமைப்புகள் ஏற்க வேண்டும். -[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/ta/accountability.41d8c0f4b85b6231.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![Leading AI Researcher Warns of Mass Surveillance Through Facial Recognition](../../../../translated_images/ta/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") > 🎥 மேலே உள்ள படத்தை கிளிக் செய்து வீடியோவைப் பாருங்கள்: முகம் அடையாளம் காணுதல் மூலம் பெருமளவு கண்காணிப்பு பற்றிய எச்சரிக்கை diff --git a/translations/ta/1-Introduction/4-techniques-of-ML/README.md b/translations/ta/1-Introduction/4-techniques-of-ML/README.md index 32fc7fdfe..177ec837b 100644 --- a/translations/ta/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/ta/1-Introduction/4-techniques-of-ML/README.md @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: 🎓 **குறைவான பொருத்தம்** மற்றும் **அதிக பொருத்தம்** ஆகியவை மாதிரியின் தரத்தை குறைக்கும் பொதுவான பிரச்சினைகள், ஏனெனில் மாதிரி போதுமான அளவு பொருந்தவில்லை அல்லது மிகவும் பொருந்துகிறது. இது மாதிரியை அதன் பயிற்சி தரவுகளுடன் மிகவும் நெருக்கமாக அல்லது மிகவும் தளர்வாக இணைக்கச் செய்கிறது. ஒரு அதிக பொருத்தமான மாதிரி, பயிற்சி தரவுகளை மிகவும் நன்றாக கணிக்கிறது, ஏனெனில் அது தரவின் விவரங்கள் மற்றும் சத்தத்தை மிகவும் நன்றாக கற்றுக்கொண்டுள்ளது. ஒரு குறைவான பொருத்தமான மாதிரி, அதன் பயிற்சி தரவுகளை அல்லது அது 'கண்டறியாத' தரவுகளை சரியாகப் பகுப்பாய்வு செய்ய முடியாது. -![அதிக பொருத்தமான மாதிரி](../../../../translated_images/ta/overfitting.1c132d92bfd93cb6.png) +![அதிக பொருத்தமான மாதிரி](../../../../translated_images/ta/overfitting.1c132d92bfd93cb6.webp) > [ஜென் லூப்பர்](https://twitter.com/jenlooper) உருவாக்கிய தகவல் வரைபடம் ## அளவுரு அமைத்தல் diff --git a/translations/ta/1-Introduction/README.md b/translations/ta/1-Introduction/README.md index a5165c8b5..d6c16429e 100644 --- a/translations/ta/1-Introduction/README.md +++ b/translations/ta/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடத்திட்டத்தின் இந்த பகுதியில், இயந்திரக் கற்றல் துறையின் அடிப்படை கருத்துக்கள், அது என்ன, அதன் வரலாறு மற்றும் அதில் ஆராய்ச்சியாளர்கள் பயன்படுத்தும் நுட்பங்களைப் பற்றி அறிந்து கொள்ளுவீர்கள். ML என்ற புதிய உலகத்தை ஒன்றாக ஆராய்வோம்! -![globe](../../../translated_images/ta/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ta/globe.59f26379ceb40428.webp) > புகைப்படம் Bill Oxford மூலம் Unsplash இல் ### பாடங்கள் diff --git a/translations/ta/2-Regression/1-Tools/README.md b/translations/ta/2-Regression/1-Tools/README.md index cd9149cce..40612a929 100644 --- a/translations/ta/2-Regression/1-Tools/README.md +++ b/translations/ta/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Python மற்றும் Scikit-learn மூலம் Regression மாடல்களை உருவாக்க தொடங்குங்கள் -![Regression மாடல்களின் சுருக்கம் sketchnote வடிவில்](../../../../translated_images/ta/ml-regression.4e4f70e3b3ed446e.png) +![Regression மாடல்களின் சுருக்கம் sketchnote வடிவில்](../../../../translated_images/ta/ml-regression.4e4f70e3b3ed446e.webp) > Sketchnote: [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -81,7 +81,7 @@ Notebooks என்பது ஒரு தொடர்பு சூழல் ஆ hello notebook ``` -![VS Code-இல் notebook திறக்கப்பட்டுள்ள screenshot](../../../../translated_images/ta/notebook.4a3ee31f396b8832.jpg) +![VS Code-இல் notebook திறக்கப்பட்டுள்ள screenshot](../../../../translated_images/ta/notebook.4a3ee31f396b8832.webp) உங்கள் குறியீட்டுடன் குறிப்புகளை இணைத்து notebook-ஐ சுய ஆவணமாக்கலாம். @@ -211,7 +211,7 @@ Scikit-learn-இல் உள்ள [diabetes dataset](https://scikit-learn.org/ plt.show() ``` - ![Diabetes பற்றிய datapoints-ஐ காட்டும் scatterplot](../../../../translated_images/ta/scatterplot.ad8b356bcbb33be6.png) + ![Diabetes பற்றிய datapoints-ஐ காட்டும் scatterplot](../../../../translated_images/ta/scatterplot.ad8b356bcbb33be6.webp) ✅ இங்கே என்ன நடக்கிறது என்பதைப் பற்றி சிறிது யோசிக்கவும். ஒரு நேர்கோடு பல சிறிய தரவுப் புள்ளிகளின் வழியாக ஓடுகிறது, ஆனால் அது உண்மையில் என்ன செய்கிறது? புதிய, பார்க்கப்படாத தரவுப் புள்ளி ஒரு வரைபடத்தின் y அச்சுடன் தொடர்புடைய இடத்தில் பொருந்த வேண்டும் என்பதை நீங்கள் எப்படி கணிக்க முடியும் என்பதைப் பார்க்க முடியுமா? இந்த மாதிரியின் நடைமுறை பயன்பாட்டை வார்த்தைகளில் விளக்க முயற்சிக்கவும். வாழ்த்துக்கள், நீங்கள் உங்கள் முதல் நேரியல் மடங்கல் மாதிரியை உருவாக்கி, அதைப் பயன்படுத்தி ஒரு கணிப்பு செய்து, அதை ஒரு வரைபடத்தில் காட்டியுள்ளீர்கள்! diff --git a/translations/ta/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ta/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index e9a242456..ff2e029f1 100644 --- a/translations/ta/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ta/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,7 +46,7 @@ "அதனால், இந்த பணியைத் தொடங்குவோம்!\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], diff --git a/translations/ta/2-Regression/2-Data/README.md b/translations/ta/2-Regression/2-Data/README.md index 672e93cde..336946034 100644 --- a/translations/ta/2-Regression/2-Data/README.md +++ b/translations/ta/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn பயன்படுத்தி ஒரு ரிக்ரஷன் மாடல் உருவாக்குதல்: தரவுகளை தயாரித்து காட்சிப்படுத்துதல் -![தரவு காட்சிப்படுத்தல் தகவல் வரைபடம்](../../../../translated_images/ta/data-visualization.54e56dded7c1a804.png) +![தரவு காட்சிப்படுத்தல் தகவல் வரைபடம்](../../../../translated_images/ta/data-visualization.54e56dded7c1a804.webp) தகவல் வரைபடம்: [Dasani Madipalli](https://twitter.com/dasani_decoded) @@ -183,7 +183,7 @@ Jupyter notebooks-ல் நன்றாக வேலை செய்யும plt.show() ``` - ![மாதத்திற்கான விலை உறவைக் காட்டும் scatterplot](../../../../translated_images/ta/scatterplot.b6868f44cbd2051c.png) + ![மாதத்திற்கான விலை உறவைக் காட்டும் scatterplot](../../../../translated_images/ta/scatterplot.b6868f44cbd2051c.webp) இது ஒரு பயனுள்ள பிளாட் ஆகும்? இதைப் பற்றி உங்களுக்கு ஏதேனும் ஆச்சரியம் இருக்கிறதா? @@ -200,7 +200,7 @@ Jupyter notebooks-ல் நன்றாக வேலை செய்யும plt.ylabel("Pumpkin Price") ``` - ![மாதத்திற்கான விலை உறவைக் காட்டும் பட்டை வரைபடம்](../../../../translated_images/ta/barchart.a833ea9194346d76.png) + ![மாதத்திற்கான விலை உறவைக் காட்டும் பட்டை வரைபடம்](../../../../translated_images/ta/barchart.a833ea9194346d76.webp) இது ஒரு பயனுள்ள தரவுக் காட்சிப்படுத்தல்! பூசணிக்காய்களின் மிக உயர்ந்த விலை செப்டம்பர் மற்றும் அக்டோபரில் உள்ளது என்று தோன்றுகிறது. இது உங்கள் எதிர்பார்ப்பை பூர்த்தி செய்கிறதா? ஏன் அல்லது ஏன் இல்லை? diff --git a/translations/ta/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ta/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 4deaf90f2..60c36907e 100644 --- a/translations/ta/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ta/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -45,7 +45,7 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], @@ -223,12 +223,12 @@ "## 3. Dplyr: தரவுகளை மாற்றுவதற்கான ஒரு இலக்கணம்\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் படைப்பு
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -528,12 +528,12 @@ "## 4. ggplot2 மூலம் தரவுகளின் காட்சிப்படுத்தல்\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", "\n", - "\n", + "\n", "\n", "ஒரு *புத்திசாலி* சொலவடை இவ்வாறு கூறுகிறது:\n", "\n", diff --git a/translations/ta/2-Regression/3-Linear/README.md b/translations/ta/2-Regression/3-Linear/README.md index ec0e9b30c..0b037c7d7 100644 --- a/translations/ta/2-Regression/3-Linear/README.md +++ b/translations/ta/2-Regression/3-Linear/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn பயன்படுத்தி ஒரு ரிக்ரஷன் மாடல் உருவாக்குதல்: நான்கு விதமான ரிக்ரஷன் -![நேரியல் மற்றும் பாலினோமியல் ரிக்ரஷன் தகவல் வரைபடம்](../../../../translated_images/ta/linear-polynomial.5523c7cb6576ccab.png) +![நேரியல் மற்றும் பாலினோமியல் ரிக்ரஷன் தகவல் வரைபடம்](../../../../translated_images/ta/linear-polynomial.5523c7cb6576ccab.webp) > தகவல் வரைபடம்: [Dasani Madipalli](https://twitter.com/dasani_decoded) ## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ml/) @@ -66,13 +66,13 @@ Lesson 1-இல் நீங்கள் கற்றுக்கொண்டத > > `X` என்பது 'விளக்க மாறிலி'. `Y` என்பது 'சார்ந்த மாறிலி'. கோட்டின் சாய்வு `b` மற்றும் `a` என்பது y-இன்டர்செப்ட், இது `X = 0` என்ற போது `Y` இன் மதிப்பை குறிக்கிறது. > ->![சாய்வை கணக்கிடுங்கள்](../../../../translated_images/ta/slope.f3c9d5910ddbfcf9.png) +>![சாய்வை கணக்கிடுங்கள்](../../../../translated_images/ta/slope.f3c9d5910ddbfcf9.webp) > > முதலில், சாய்வு `b` ஐ கணக்கிடுங்கள். தகவல் வரைபடம்: [Jen Looper](https://twitter.com/jenlooper) > > வேறு வார்த்தைகளில், மற்றும் கம்பளி தரவின் அசல் கேள்வியைப் பார்க்கும்போது: "மாதத்தின் அடிப்படையில் புஷெல் ஒன்றுக்கு கம்பளி விலையை கணிக்க", `X` விலையை குறிக்கிறது மற்றும் `Y` விற்பனை மாதத்தை குறிக்கிறது. > ->![சமன்பாட்டை முடிக்கவும்](../../../../translated_images/ta/calculation.a209813050a1ddb1.png) +>![சமன்பாட்டை முடிக்கவும்](../../../../translated_images/ta/calculation.a209813050a1ddb1.webp) > > `Y` இன் மதிப்பை கணக்கிடுங்கள். நீங்கள் சுமார் $4 செலுத்துகிறீர்கள் என்றால், அது ஏப்ரல் மாதம்! தகவல் வரைபடம்: [Jen Looper](https://twitter.com/jenlooper) > @@ -114,11 +114,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt. முந்தைய பாடத்தில் நீங்கள் பார்த்திருப்பீர்கள், வெவ்வேறு மாதங்களுக்கான சராசரி விலை இவ்வாறு தோன்றுகிறது: -மாதத்திற்கான சராசரி விலை +மாதத்திற்கான சராசரி விலை இது தொடர்பு இருக்க வேண்டும் என்று பரிந்துரைக்கிறது, மேலும் `Month` மற்றும் `Price` அல்லது `DayOfYear` மற்றும் `Price` இடையேயான உறவுகளை கணிக்க ஒரு நேரியல் ரிக்ரஷன் மாடலை பயிற்சி செய்ய முயற்சிக்கலாம். இதோ பின்வரும் உறவைக் காட்டும் ஸ்காட்டர்ப்ளாட்: -Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் +Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் `corr` செயல்பாட்டைப் பயன்படுத்தி தொடர்பு இருக்கிறதா என்பதைப் பார்ப்போம்: @@ -137,7 +137,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் +Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் எங்கள் விசாரணை, விற்பனை தேதியை விட வகை மொத்த விலைக்கு அதிக தாக்கத்தை ஏற்படுத்துகிறது என்பதை பரிந்துரைக்கிறது. இதை ஒரு பட்டை வரைபடத்தில் காணலாம்: @@ -145,7 +145,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -வகைக்கு எதிராக விலை பட்டை வரைபடம் +வகைக்கு எதிராக விலை பட்டை வரைபடம் இப்போது 'pie type' என்ற ஒரு கம்பளி வகையை மட்டும் கவனித்து, தேதியின் விலைக்கு என்ன தாக்கம் உள்ளது என்பதைப் பார்ப்போம்: @@ -153,7 +153,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் +Day of Year-க்கு எதிராக விலை ஸ்காட்டர்ப்ளாட் இப்போது `corr` செயல்பாட்டைப் பயன்படுத்தி `Price` மற்றும் `DayOfYear` இடையேயான தொடர்பை கணக்கிடினால், `-0.27` போன்ற ஒன்றைப் பெறுவோம் - இது ஒரு கணிப்பீட்டு மாடலை பயிற்சி செய்வது பொருத்தமாக உள்ளது என்று பொருள். @@ -221,7 +221,7 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -நேரியல் ரெக்ரஷன் +நேரியல் ரெக்ரஷன் ## பாலினோமியல் ரெக்ரஷன் @@ -250,7 +250,7 @@ pipeline.fit(X_train,y_train) Pipeline ஐ `LinearRegression` பொருளைப் போலவே பயன்படுத்தலாம், அதாவது, pipeline ஐ `fit` செய்து, பின்னர் `predict` ஐப் பயன்படுத்தி கணிப்பு முடிவுகளைப் பெறலாம். சோதனை தரவுகள் மற்றும் அணுகுமுறை வளைவை காட்டும் வரைபடம் இங்கே உள்ளது: -பாலினோமியல் ரெக்ரஷன் +பாலினோமியல் ரெக்ரஷன் பாலினோமியல் ரெக்ரஷனைப் பயன்படுத்தி, நாம் சற்று குறைந்த MSE மற்றும் அதிக தீர்மானத்தைப் பெற முடியும், ஆனால் குறிப்பிடத்தக்க அளவில் அல்ல. மற்ற அம்சங்களைப் பின்பற்ற வேண்டும்! @@ -268,7 +268,7 @@ Pipeline ஐ `LinearRegression` பொருளைப் போலவே பய இங்கே நீங்கள் வகை அடிப்படையில் சராசரி விலை எப்படி மாறுகிறது என்பதைப் பார்க்கலாம்: -வகை அடிப்படையில் சராசரி விலை +வகை அடிப்படையில் சராசரி விலை வகையை கணக்கில் எடுக்க, முதலில் அதை எண்ணியல் வடிவத்திற்கு மாற்ற வேண்டும், அல்லது **encode** செய்ய வேண்டும். இதைச் செய்ய பல வழிகள் உள்ளன: diff --git a/translations/ta/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ta/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index ea8001026..5e93176f4 100644 --- a/translations/ta/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ta/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -37,12 +37,12 @@ "source": [ "## கதிரிக்காய் விலை நிர்ணயத்திற்கு நேரியல் மற்றும் பாலினோமியல் ரிக்ரஷன் - பாடம் 3\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", "\n", - "\n", + "\n", "\n", "#### அறிமுகம்\n", "\n", @@ -161,12 +161,12 @@ "## **2. தரவுடன் ஒரு நடனம்: மாதிரியாக்கத்திற்கு பயன்படுத்தப்படும் ஒரு டேட்டா ஃப்ரேமை உருவாக்குதல்**\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -455,7 +455,7 @@ "அதற்காக, உங்களுக்கு மேலும் இரண்டு செயல் வார்த்தைகள் தேவைப்படும்: `prep()` மற்றும் `bake()`. எப்போதும் போல, [`Allison Horst`](https://github.com/allisonhorst/stats-illustrations) அவர்களின் சிறிய R நண்பர்கள் உங்களுக்கு இதை மேலும் விளக்க உதவுகிறார்கள்!\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], @@ -566,12 +566,12 @@ "## 4. ஒரு நேரியல் மடக்கீட்டு மாதிரியை உருவாக்குங்கள்\n", "\n", "

\n", - " \n", "

தசானி மதிபள்ளி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -807,12 +807,12 @@ "## 5. ஒரு பாலினோமியல் ரெக்ரஷன் மாடலை உருவாக்குங்கள்\n", "\n", "

\n", - " \n", "

தசானி மதிபள்ளி உருவாக்கிய தகவல்படம்
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ta/2-Regression/4-Logistic/README.md b/translations/ta/2-Regression/4-Logistic/README.md index a002b6556..70b668046 100644 --- a/translations/ta/2-Regression/4-Logistic/README.md +++ b/translations/ta/2-Regression/4-Logistic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # வகைகளை கணிக்க Logistic Regression -![Logistic vs. linear regression infographic](../../../../translated_images/ta/linear-vs-logistic.ba180bf95e7ee667.png) +![Logistic vs. linear regression infographic](../../../../translated_images/ta/linear-vs-logistic.ba180bf95e7ee667.webp) ## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ml/) @@ -52,7 +52,7 @@ Linear regression-ஐ நீங்கள் முன்பு கற்று Logistic regression linear regression போன்ற அம்சங்களை வழங்காது. முன்னதாக "white or not white" போன்ற binary வகையைப் பற்றிய கணிப்பை வழங்குகிறது, ஆனால் பின்னதாக தொடர்ச்சியான மதிப்புகளை கணிக்க முடியும், உதாரணமாக pumpkin-இன் தோற்றம் மற்றும் அறுவடை நேரத்தைப் பொருத்து, _அதன் விலை எவ்வளவு உயரும்_. -![Pumpkin classification Model](../../../../translated_images/ta/pumpkin-classifier.562771f104ad5436.png) +![Pumpkin classification Model](../../../../translated_images/ta/pumpkin-classifier.562771f104ad5436.webp) > Infographic by [Dasani Madipalli](https://twitter.com/dasani_decoded) ### பிற வகைப்படுத்தல்கள் @@ -62,7 +62,7 @@ Logistic regression-இன் பிற வகைகள் உள்ளன, அ - **Multinomial**, இது ஒரு வகையை விட அதிகமானவற்றைக் கொண்டுள்ளது - "Orange, White, மற்றும் Striped". - **Ordinal**, இது வரிசைப்படுத்தப்பட்ட வகைகளை உள்ளடக்கியது, நமது முடிவுகளை தரவுகளின் வரிசைப்படுத்தப்பட்ட அளவுகளால் (mini, sm, med, lg, xl, xxl) வரிசைப்படுத்த விரும்பினால் பயனுள்ளதாக இருக்கும். -![Multinomial vs ordinal regression](../../../../translated_images/ta/multinomial-vs-ordinal.36701b4850e37d86.png) +![Multinomial vs ordinal regression](../../../../translated_images/ta/multinomial-vs-ordinal.36701b4850e37d86.webp) ### மாறிகள் தொடர்புடையதாக இருக்க வேண்டிய அவசியமில்லை @@ -120,7 +120,7 @@ Seaborn உங்கள் தரவுகளை காட்சிப்பட ) ``` - ![A grid of visualized data](../../../../translated_images/ta/pumpkins_catplot_1.c55c409b71fea2ec.png) + ![A grid of visualized data](../../../../translated_images/ta/pumpkins_catplot_1.c55c409b71fea2ec.webp) தரவுகளைப் பார்வையிடுவதன் மூலம், `Color` தரவு `Variety` உடன் எப்படி தொடர்புடையது என்பதை நீங்கள் காணலாம். @@ -199,7 +199,7 @@ Features மற்றும் label-ஐ encode செய்த பிறகு, g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6)) g.set_titles(row_template="{row_name}") ``` -![A catplot of visualized data](../../../../translated_images/ta/pumpkins_catplot_2.87a354447880b388.png) +![A catplot of visualized data](../../../../translated_images/ta/pumpkins_catplot_2.87a354447880b388.webp) ### Swarm plot பயன்படுத்தவும் @@ -217,7 +217,7 @@ Seaborn plots-ஐப் பயன்படுத்தி மாறிகளை sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette) ``` - ![A swarm of visualized data](../../../../translated_images/ta/swarm_2.efeacfca536c2b57.png) + ![A swarm of visualized data](../../../../translated_images/ta/swarm_2.efeacfca536c2b57.webp) **கவனமாக இருங்கள்**: மேலே உள்ள குறியீடு ஒரு எச்சரிக்கையை உருவாக்கக்கூடும், ஏனெனில் seaborn இவ்வளவு அளவிலான datapoints-ஐ ஒரு swarm plot-இல் பிரதிநிதித்துவம் செய்ய முடியாது. ஒரு சாத்தியமான தீர்வு marker-இன் அளவைக் குறைப்பது, 'size' அளவுருவைப் பயன்படுத்துவதன் மூலம். இருப்பினும், இது plot-இன் வாசிப்புத்திறனை பாதிக்கிறது என்பதை கவனத்தில் கொள்ளுங்கள். @@ -225,7 +225,7 @@ Seaborn plots-ஐப் பயன்படுத்தி மாறிகளை > > Logistic regression 'maximum likelihood' என்ற கருத்தை [sigmoid functions](https://wikipedia.org/wiki/Sigmoid_function) பயன்படுத்தி நம்புகிறது. ஒரு 'Sigmoid Function' plot-இல் 'S' வடிவமாக தெரிகிறது. இது ஒரு மதிப்பை எடுத்து 0 மற்றும் 1 இடையே எங்காவது map செய்கிறது. அதன் curve-ஐ 'logistic curve' என்றும் அழைக்கப்படுகிறது. அதன் formula இவ்வாறு தெரிகிறது: > -> ![logistic function](../../../../translated_images/ta/sigmoid.8b7ba9d095c789cf.png) +> ![logistic function](../../../../translated_images/ta/sigmoid.8b7ba9d095c789cf.webp) > > sigmoid-இன் midpoint x-இன் 0 புள்ளியில் காணப்படுகிறது, L curve-இன் அதிகபட்ச மதிப்பு, மற்றும் k curve-இன் steepness ஆகும். function-இன் முடிவு 0.5-ஐ விட அதிகமாக இருந்தால், label-இன் binary தேர்வின் '1' வகை வழங்கப்படும். இல்லையெனில், அது '0' ஆக வகைப்படுத்தப்படும். @@ -374,7 +374,7 @@ plt.show() Matplotlib பயன்படுத்தி, மாடலின் [Receiving Operating Characteristic](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) அல்லது ROC ஐ வரைபடமாக்குங்கள். ROC வளைவுகள் பொதுவாக ஒரு வகைப்பாட்டாளரின் வெளியீட்டை அதன் உண்மையான மற்றும் தவறான நேர்மையான அடிப்படையில் பார்ப்பதற்காக பயன்படுத்தப்படுகின்றன. "ROC வளைவுகள் பொதுவாக Y அச்சில் உண்மையான நேர்மையான விகிதத்தையும், X அச்சில் தவறான நேர்மையான விகிதத்தையும் கொண்டிருக்கும்." எனவே, வளைவின் சரிவும் நடுப்புள்ளி கோடு மற்றும் வளைவின் இடையே உள்ள இடமும் முக்கியம்: வளைவு விரைவாக மேலே மற்றும் கோட்டிற்கு மேல் செல்ல வேண்டும். எங்கள் நிலைமையில், ஆரம்பத்தில் சில தவறான நேர்மைகள் உள்ளன, பின்னர் கோடு மேலே மற்றும் சரியாக செல்கிறது: -![ROC](../../../../translated_images/ta/ROC_2.777f20cdfc4988ca.png) +![ROC](../../../../translated_images/ta/ROC_2.777f20cdfc4988ca.webp) இறுதியாக, Scikit-learn இன் [`roc_auc_score` API](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) ஐப் பயன்படுத்தி உண்மையான 'வளைவின் கீழ் பகுதி' (AUC) ஐ கணக்கிடுங்கள்: diff --git a/translations/ta/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ta/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index dd02245b5..43459a5d2 100644 --- a/translations/ta/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ta/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## லாஜிஸ்டிக் ரிக்ரஷன் மாடல் உருவாக்குதல் - பாடம் 4\n", "\n", - "![லாஜிஸ்டிக் மற்றும் லினியர் ரிக்ரஷன் தகவல் வரைபடம்](../../../../../../translated_images/ta/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![லாஜிஸ்டிக் மற்றும் லினியர் ரிக்ரஷன் தகவல் வரைபடம்](../../../../../../translated_images/ta/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[பாடத்திற்கு முன் வினாடி வினா](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "லாஜிஸ்டிக் ரிக்ரஷன், லினியர் ரிக்ரஷனின் போன்று அதே அம்சங்களை வழங்காது. முன்னதாக, `இரும வகை` (\"ஆரஞ்சு அல்லது ஆரஞ்சு அல்ல\") பற்றிய ஒரு கணிப்பை வழங்குகிறது, ஆனால் பின்னதாக, `தொடர்ச்சியான மதிப்புகளை` கணிக்க முடியும், உதாரணமாக பூசணிக்காயின் மூலமும் அறுவடை நேரமும் கொடுக்கப்பட்டால், *அதன் விலை எவ்வளவு உயரும்*.\n", "\n", - "![தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்](../../../../../../translated_images/ta/pumpkin-classifier.562771f104ad5436.png)\n", + "![தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்](../../../../../../translated_images/ta/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### பிற வகைப்பாடுகள்\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ஆர்டினல்**, இது வரிசைப்படுத்தப்பட்ட வகைகளை உள்ளடக்கியது, இது எங்கள் முடிவுகளை தரவுத்தொகுப்பில் தரவுகளின் அளவுகளின் அடிப்படையில் (mini, sm, med, lg, xl, xxl) வரிசைப்படுத்த உதவியாக இருக்கும்.\n", "\n", - "![மல்டினோமியல் vs ஆர்டினல் ரிக்ரஷன்](../../../../../../translated_images/ta/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![மல்டினோமியல் vs ஆர்டினல் ரிக்ரஷன்](../../../../../../translated_images/ta/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **மாறிகள் தொடர்புடையதாக இருக்க வேண்டிய அவசியமில்லை**\n", "\n", diff --git a/translations/ta/2-Regression/README.md b/translations/ta/2-Regression/README.md index 6b43dd423..b96e2d51b 100644 --- a/translations/ta/2-Regression/README.md +++ b/translations/ta/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: வட அமெரிக்காவில், ஹாலோவீனுக்காக பூசணிக்காய்களை பயங்கரமான முகங்களாக செதுக்குவது வழக்கம். இந்த ஆச்சரியமான காய்கறிகள் பற்றி மேலும் அறிந்து கொள்வோம்! -![jack-o-lanterns](../../../translated_images/ta/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ta/jack-o-lanterns.181c661a9212457d.webp) > புகைப்படம் பெத் டாய்ட்ஸ்மேன் மூலம் அன்ஸ்ப்ளாஷ் இல் ## நீங்கள் என்ன கற்றுக்கொள்வீர்கள் diff --git a/translations/ta/3-Web-App/README.md b/translations/ta/3-Web-App/README.md index 3a57c1ad5..ea3d914c3 100644 --- a/translations/ta/3-Web-App/README.md +++ b/translations/ta/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடத்திட்டத்தின் இந்த பகுதியில், ஒரு நடைமுறை எம்.எல் தலைப்பை அறிமுகப்படுத்துகிறோம்: உங்கள் Scikit-learn மாடலை ஒரு கோப்பாக சேமித்து, அதை ஒரு வலை பயன்பாட்டில் கணிப்புகளை செய்ய பயன்படுத்துவது எப்படி என்பதைப் பற்றி. மாடல் சேமிக்கப்பட்ட பிறகு, Flask-ல் உருவாக்கப்பட்ட ஒரு வலை பயன்பாட்டில் அதை எப்படி பயன்படுத்துவது என்பதை நீங்கள் கற்றுக்கொள்வீர்கள். முதலில், யு.எஃப்.ஓ (UFO) காட்சிகள் பற்றிய தரவுகளைப் பயன்படுத்தி ஒரு மாடலை உருவாக்குவீர்கள்! அதன் பிறகு, ஒரு வலை பயன்பாட்டை உருவாக்குவீர்கள், இது ஒரு இடர்பாடு மற்றும் நீளவட்ட மதிப்புடன் சில விநாடிகளை உள்ளிடுவதன் மூலம் எந்த நாடு யு.எஃப்.ஓவை கண்டதாகக் கூறியது என்பதை கணிக்க அனுமதிக்கும். -![UFO நிறுத்தம்](../../../translated_images/ta/ufo.9e787f5161da9d4d.jpg) +![UFO நிறுத்தம்](../../../translated_images/ta/ufo.9e787f5161da9d4d.webp) புகைப்படம் மைக்கேல் ஹெர்ரென் மூலம் அன்ஸ்பிளாஷ் இல் இருந்து பெறப்பட்டது. diff --git a/translations/ta/4-Classification/1-Introduction/README.md b/translations/ta/4-Classification/1-Introduction/README.md index 80791e154..d3ba59d00 100644 --- a/translations/ta/4-Classification/1-Introduction/README.md +++ b/translations/ta/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த நான்கு பாடங்களில், நீங்கள் பாரம்பரிய இயந்திரக் கற்றலின் முக்கியமான அம்சமான _வகைப்பாட்டை_ ஆராய்வீர்கள். ஆசியா மற்றும் இந்தியாவின் அற்புதமான சமையல்களைப் பற்றிய தரவுத்தொகுப்புடன் பல வகைப்பாட்டு الگorithம்களைப் பயன்படுத்துவது பற்றி நாம் கற்றுக்கொள்வோம். உங்களுக்குப் பசிக்கிறதா? -![சிறிது சுவை!](../../../../translated_images/ta/pinch.1b035ec9ba7e0d40.png) +![சிறிது சுவை!](../../../../translated_images/ta/pinch.1b035ec9ba7e0d40.webp) > இந்த பாடங்களில் பான்-ஆசிய சமையல்களை கொண்டாடுங்கள்! படம்: [Jen Looper](https://twitter.com/jenlooper) @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த செயல்முறையை அறிவியல் முறையில் கூறுவதற்கு, உங்கள் வகைப்பாட்டு முறை உள்தொகை மாறிலிகளுக்கும் வெளிப்புற மாறிலிகளுக்கும் இடையிலான உறவுகளை வரைபடமாக்க அனுமதிக்கும் ஒரு முன்னறிவிப்பு மாதிரியை உருவாக்குகிறது. -![இரட்டை மற்றும் பலவகை வகைப்பாடு](../../../../translated_images/ta/binary-multiclass.b56d0c86c81105a6.png) +![இரட்டை மற்றும் பலவகை வகைப்பாடு](../../../../translated_images/ta/binary-multiclass.b56d0c86c81105a6.webp) > வகைப்பாட்டு الگorithம்கள் கையாள வேண்டிய இரட்டை மற்றும் பலவகை பிரச்சினைகள். தகவல்படம்: [Jen Looper](https://twitter.com/jenlooper) @@ -134,7 +134,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு df.cuisine.value_counts().plot.barh() ``` - ![சமையல் தரவின் விநியோகம்](../../../../translated_images/ta/cuisine-dist.d0cc2d551abe5c25.png) + ![சமையல் தரவின் விநியோகம்](../../../../translated_images/ta/cuisine-dist.d0cc2d551abe5c25.webp) சமையல்களின் எண்ணிக்கை முடிவுறுத்தப்பட்டுள்ளன, ஆனால் தரவின் விநியோகம் சமமாக இல்லை. அதை சரிசெய்யலாம்! அதைச் செய்வதற்கு முன், மேலும் ஆராயுங்கள். @@ -188,7 +188,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு thai_ingredient_df.head(10).plot.barh() ``` - ![thai](../../../../translated_images/ta/thai.0269dbab2e78bd38.png) + ![thai](../../../../translated_images/ta/thai.0269dbab2e78bd38.webp) 1. ஜப்பானிய தரவுகளுக்கு இதையே செய்யுங்கள்: @@ -197,7 +197,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு japanese_ingredient_df.head(10).plot.barh() ``` - ![japanese](../../../../translated_images/ta/japanese.30260486f2a05c46.png) + ![japanese](../../../../translated_images/ta/japanese.30260486f2a05c46.webp) 1. இப்போது சீன பொருட்களுக்கு: @@ -206,7 +206,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/ta/chinese.e62cafa5309f111a.png) + ![chinese](../../../../translated_images/ta/chinese.e62cafa5309f111a.webp) 1. இந்திய பொருட்களை வரைபடம்: @@ -215,7 +215,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/ta/indian.2c4292002af1a1f9.png) + ![indian](../../../../translated_images/ta/indian.2c4292002af1a1f9.webp) 1. இறுதியாக, கொரிய பொருட்களை வரைபடம்: @@ -224,7 +224,7 @@ Scikit-learn பல்வேறு الگorithம்களை வழங்கு korean_ingredient_df.head(10).plot.barh() ``` - ![korean](../../../../translated_images/ta/korean.4a4f0274f3d9805a.png) + ![korean](../../../../translated_images/ta/korean.4a4f0274f3d9805a.webp) 1. இப்போது, `drop()` ஐ அழைப்பதன் மூலம் தனித்துவமான சமையல்களுக்கு இடையே குழப்பத்தை உருவாக்கும் பொதுவான பொருட்களை நீக்குங்கள்: diff --git a/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 3e4e47cd3..daa1f13e4 100644 --- a/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/ta/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "இந்த நான்கு பாடங்களில், பாரம்பரிய இயந்திரக் கற்றலின் அடிப்படை அம்சமான *வகைப்பாட்டை* நீங்கள் ஆராய்வீர்கள். ஆசியா மற்றும் இந்தியாவின் அனைத்து அற்புதமான சமையல்களையும் பற்றிய தரவுத்தொகுப்புடன் பல்வேறு வகைப்பாட்டு அல்காரிதங்களைப் பயன்படுத்தி நாம் பயணிக்கப் போகிறோம். உங்களுக்குப் பசிக்கிறது என்று நம்புகிறேன்!\n", "\n", "

\n", - " \n", "

இந்த பாடங்களில் பான்-ஆசிய சமையல்களை கொண்டாடுங்கள்! படம்: ஜென் லூப்பர்
\n", "\n", @@ -62,7 +62,7 @@ "இந்த செயல்முறையை ஒரு விஞ்ஞான ரீதியாக கூறுவதானால், உங்கள் வகைப்பாட்டு முறை ஒரு கணிப்புப் மாதிரியை உருவாக்குகிறது, இது உள்ளீட்டு மாறிலிகளுக்கும் வெளியீட்டு மாறிலிகளுக்கும் இடையிலான தொடர்பை வரைபடமாக்க உதவுகிறது.\n", "\n", "

\n", - " \n", "

வகைப்பாட்டு அல்காரிதங்களுக்கு கையாள இரட்டை மற்றும் பலவகை பிரச்சினைகள். இன்ஃபோகிராபிக்: ஜென் லூப்பர்
\n", "\n", @@ -222,7 +222,7 @@ "> ஒரு [tibble](https://tibble.tidyverse.org/) என்பது நவீன தரவுப் பட்டியல் ஆகும்.\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் படைப்புகள்
\n" ], @@ -512,7 +512,7 @@ "## தரவுகளை முன்கூட்டியே செயலாக்கம் செய்வது - சமநிலையற்ற தரவுகளை கையாளுதல் ⚖️\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n", "\n", @@ -707,7 +707,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) மற்றும் [Jen Looper](https://www.twitter.com/jenlooper) இந்த தொகுதியின் அசல் Python பதிப்பை உருவாக்கியதற்காக ♥️\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], diff --git a/translations/ta/4-Classification/2-Classifiers-1/README.md b/translations/ta/4-Classification/2-Classifiers-1/README.md index c4fe8d92d..ca9f1e2fb 100644 --- a/translations/ta/4-Classification/2-Classifiers-1/README.md +++ b/translations/ta/4-Classification/2-Classifiers-1/README.md @@ -106,7 +106,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ அப்படியென்றால், எந்த வகைப்படுத்தியை நீங்கள் தேர்ந்தெடுக்க வேண்டும்? பலவற்றைச் சோதித்து நல்ல முடிவைத் தேடுவது ஒரு வழியாக இருக்கலாம். Scikit-learn ஒரு [பக்கமொத்த ஒப்பீட்டை](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) வழங்குகிறது, KNeighbors, SVC இரண்டு வழிகள், GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB மற்றும் QuadraticDiscrinationAnalysis ஆகியவற்றை ஒப்பிட்டு, முடிவுகளை காட்சிப்படுத்துகிறது: -![வகைப்படுத்திகளின் ஒப்பீடு](../../../../translated_images/ta/comparison.edfab56193a85e7f.png) +![வகைப்படுத்திகளின் ஒப்பீடு](../../../../translated_images/ta/comparison.edfab56193a85e7f.webp) > Scikit-learn ஆவணங்களில் உருவாக்கப்பட்ட வரைபடங்கள் > AutoML இந்தப் பிரச்சினையை எளிதாகத் தீர்க்கிறது, இந்த ஒப்பீடுகளை மேகத்தில் இயக்கி, உங்கள் தரவுக்கான சிறந்த ஆல்கொரிதத்தைத் தேர்ந்தெடுக்க அனுமதிக்கிறது. [இங்கே முயற்சிக்கவும்](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) @@ -115,7 +115,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ குறிப்பிட்ட ஆல்கொரிதத்தைத் தேர்ந்தெடுப்பதற்கான ஒரு சிறந்த வழி, இந்த பதிவிறக்கக்கூடிய [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ஐப் பின்பற்றுவது. இங்கே, நமது multiclass பிரச்சினைக்கான சில தேர்வுகளை காணலாம்: -![multiclass பிரச்சினைகளுக்கான cheat sheet](../../../../translated_images/ta/cheatsheet.07a475ea444d2223.png) +![multiclass பிரச்சினைகளுக்கான cheat sheet](../../../../translated_images/ta/cheatsheet.07a475ea444d2223.webp) > Microsoft's Algorithm Cheat Sheet இன் ஒரு பகுதி, multiclass வகைப்படுத்தல் விருப்பங்களை விவரிக்கிறது ✅ இந்த cheat sheet ஐ பதிவிறக்கி, அச்சிட்டு, உங்கள் சுவரில் தொங்கவிடுங்கள்! @@ -146,7 +146,7 @@ Scikit-learn வகைப்படுத்தலை Supervised Learning கீ Scikit-learn இந்த அட்டவணையை வழங்குகிறது, solvers வெவ்வேறு தரவுத்தொகுப்புகளால் ஏற்படும் சவால்களை எவ்வாறு கையாளுகின்றன என்பதை விளக்க: -![solvers](../../../../translated_images/ta/solvers.5fc648618529e627.png) +![solvers](../../../../translated_images/ta/solvers.5fc648618529e627.webp) ## பயிற்சி - தரவுகளைப் பிரிக்க diff --git a/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index eb1d17f90..137a5b47b 100644 --- a/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/ta/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. உங்கள் வகைப்பாட்டாளரை தேர்வு செய்வது\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ], @@ -607,7 +607,7 @@ "அதற்கான சிறந்த வழி, wild guessing செய்வதற்குப் பதிலாக, இந்த பதிவிறக்கக்கூடிய [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) ஐப் பின்பற்றுவது. இங்கே, எங்கள் மல்டிகிளாஸ் பிரச்சினைக்கு சில தேர்வுகள் உள்ளன என்பதை கண்டறிகிறோம்:\n", "\n", "

\n", - " \n", "

Microsoft-இன் அல்காரிதம் Cheat Sheet-இன் ஒரு பகுதி, மல்டிகிளாஸ் வகைப்பாட்டிற்கான விருப்பங்களை விவரிக்கிறது
\n" ], diff --git a/translations/ta/4-Classification/3-Classifiers-2/README.md b/translations/ta/4-Classification/3-Classifiers-2/README.md index 5133bc673..f9642ee39 100644 --- a/translations/ta/4-Classification/3-Classifiers-2/README.md +++ b/translations/ta/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: முந்தைய பாடத்தில், Microsoft-இன் சாட் ஷீட்டை பயன்படுத்தி தரவுகளை வகைப்படுத்துவதற்கான பல விருப்பங்களைப் பற்றி நீங்கள் கற்றுக்கொண்டீர்கள். Scikit-learn இதே போன்ற, ஆனால் மேலும் விரிவான சாட் ஷீட்டை வழங்குகிறது, இது உங்கள் வகைப்படுத்திகளை (வகைப்படுத்திகள் என்ற மற்றொரு சொல்) குறைக்க உதவுகிறது: -![Scikit-learn-இன் ML வரைபடம்](../../../../translated_images/ta/map.e963a6a51349425a.png) +![Scikit-learn-இன் ML வரைபடம்](../../../../translated_images/ta/map.e963a6a51349425a.webp) > குறிப்புகள்: [இந்த வரைபடத்தை ஆன்லைனில் பாருங்கள்](https://scikit-learn.org/stable/tutorial/machine_learning_map/) மற்றும் பாதையில் கிளிக் செய்து ஆவணங்களைப் படிக்கவும். ### திட்டம் diff --git a/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index dc7fd3230..1f5c6bb56 100644 --- a/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/ta/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "முந்தையதாக, தரவுகளை வகைப்படுத்த Microsoft-இன் சிட் ஷீட்டை பயன்படுத்துவதற்கான பல்வேறு விருப்பங்களைப் பற்றி நாம் கற்றுக்கொண்டோம். Python-இன் இயந்திரக் கற்றல் கட்டமைப்பு, Scikit-learn, இதே போன்ற ஆனால் மேலும் விரிவான சிட் ஷீட்டை வழங்குகிறது, இது உங்கள் எஸ்டிமேட்டர்களை (வகைப்பாட்டாளர்களுக்கான மற்றொரு சொல்) மேலும் குறைக்க உதவுகிறது:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "வகைப்பாட்டின் சூழலில், `ஆதரவு வெக்டார் இயந்திரங்கள்` என்பது வகைகளை \"சிறந்த\" முறையில் பிரிக்கும் ஒரு *ஹைப்பர்பிளேன்* கண்டுபிடிக்க முயற்சிக்கும் ஒரு இயந்திரக் கற்றல் தொழில்நுட்பமாகும். ஒரு எளிய உதாரணத்தைப் பார்ப்போம்:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -638,7 +638,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

@allison_horst அவர்களின் கலைப்பணி
\n" ] diff --git a/translations/ta/4-Classification/4-Applied/README.md b/translations/ta/4-Classification/4-Applied/README.md index b127f5207..574037f47 100644 --- a/translations/ta/4-Classification/4-Applied/README.md +++ b/translations/ta/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx மாதிரிகள் Visual Studio Code இல் மிகவும் தெளிவாக இல்லை, ஆனால் பல ஆராய்ச்சியாளர்கள் மாதிரியை சரியாக உருவாக்கப்பட்டுள்ளதா என்பதை உறுதிப்படுத்த பார்க்க பயன்படுத்தும் ஒரு நல்ல இலவச மென்பொருள் உள்ளது. [Netron](https://github.com/lutzroeder/Netron) ஐ பதிவிறக்கம் செய்து உங்கள் model.onnx கோப்பைத் திறக்கவும். 380 உள்ளீடுகள் மற்றும் வகைப்படுத்தல் பட்டியலுடன் உங்கள் எளிய மாதிரி காட்சிப்படுத்தப்பட்டிருப்பதை நீங்கள் காணலாம்: -![Netron காட்சி](../../../../translated_images/ta/netron.a05f39410211915e.png) +![Netron காட்சி](../../../../translated_images/ta/netron.a05f39410211915e.webp) Netron உங்கள் மாதிரிகளைப் பார்வையிட உதவும் ஒரு பயனுள்ள கருவியாகும். @@ -301,7 +301,7 @@ Netron உங்கள் மாதிரிகளைப் பார்வை Visual Studio Code இல் உங்கள் index.html கோப்பு இருக்கும் கோப்பகத்தில் ஒரு டெர்மினல் அமர்வைத் திறக்கவும். [http-server](https://www.npmjs.com/package/http-server) உலகளவில் நிறுவப்பட்டுள்ளதா என்பதை உறுதிப்படுத்தி, உத்தரவிடும் இடத்தில் `http-server` என தட்டச்சு செய்யவும். ஒரு localhost திறக்க வேண்டும், மேலும் உங்கள் வலை பயன்பாட்டைப் பார்க்கலாம். பல பொருட்களின் அடிப்படையில் பரிந்துரைக்கப்படும் சமையல் வகையைச் சரிபார்க்கவும்: -![பொருள் வலை பயன்பாடு](../../../../translated_images/ta/web-app.4c76450cabe20036.png) +![பொருள் வலை பயன்பாடு](../../../../translated_images/ta/web-app.4c76450cabe20036.webp) வாழ்த்துக்கள், நீங்கள் சில புலங்களுடன் ஒரு 'பரிந்துரை' வலை பயன்பாட்டை உருவாக்கியுள்ளீர்கள். இந்த அமைப்பை உருவாக்குவதற்கு சில நேரம் செலவிடுங்கள்! ## 🚀சவால் diff --git a/translations/ta/4-Classification/README.md b/translations/ta/4-Classification/README.md index dbb1179ed..16071163f 100644 --- a/translations/ta/4-Classification/README.md +++ b/translations/ta/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ஆசியா மற்றும் இந்தியாவில், உணவுப் பாரம்பரியங்கள் மிகவும் பல்வகைமிக்கவை மற்றும் மிகவும் சுவையானவை! அவற்றின் பொருட்களைப் புரிந்துகொள்ள பிராந்திய உணவுகள் பற்றிய தரவுகளைப் பார்ப்போம். -![தாய் உணவு விற்பனையாளர்](../../../translated_images/ta/thai-food.c47a7a7f9f05c218.jpg) +![தாய் உணவு விற்பனையாளர்](../../../translated_images/ta/thai-food.c47a7a7f9f05c218.webp) > புகைப்படம் லிஷெங் சாங் மூலம் Unsplash இல் ## நீங்கள் என்ன கற்றுக்கொள்வீர்கள் diff --git a/translations/ta/5-Clustering/1-Visualize/README.md b/translations/ta/5-Clustering/1-Visualize/README.md index dc4860819..387720f7e 100644 --- a/translations/ta/5-Clustering/1-Visualize/README.md +++ b/translations/ta/5-Clustering/1-Visualize/README.md @@ -70,7 +70,7 @@ CO_OP_TRANSLATOR_METADATA: > >'Flat' இந்த சூழலில் Euclidean geometry (இதில் சில 'plane' geometry எனக் கற்பிக்கப்படுகிறது) மற்றும் non-flat non-Euclidean geometry-யை குறிக்கிறது. கணிதவியல் மற்றும் மெஷின் லெர்னிங் ஆகிய இரு துறைகள் கணிதவியல் அடிப்படையில் உள்ளதால், கிளஸ்டர்களில் புள்ளிகளுக்கிடையிலான தூரத்தை அளவிட ஒரு பொதுவான வழி இருக்க வேண்டும், மேலும் தரவின் தன்மையைப் பொறுத்து அதை 'flat' அல்லது 'non-flat' முறையில் செய்யலாம். [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) என்பது இரண்டு புள்ளிகளுக்கிடையிலான கோடு பகுதியின் நீளமாக அளவிடப்படுகிறது. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ஒரு வளைவின் sepanjang அளவிடப்படுகிறது. உங்கள் தரவுகள், காட்சிப்படுத்தப்பட்டவை, ஒரு தளத்தில் இல்லை என்று தோன்றினால், அதைச் சமாளிக்க ஒரு சிறப்பு الگாரிதத்தைப் பயன்படுத்த வேண்டும். > -![Flat vs Nonflat Geometry Infographic](../../../../translated_images/ta/flat-nonflat.d1c8c6e2a96110c1.png) +![Flat vs Nonflat Geometry Infographic](../../../../translated_images/ta/flat-nonflat.d1c8c6e2a96110c1.webp) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் > > 🎓 ['Distances'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -93,12 +93,12 @@ CO_OP_TRANSLATOR_METADATA: - **Hierarchical clustering**. ஒரு பொருள் அருகிலுள்ள பொருளுக்கு அதன் அருகாமையை அடிப்படையாகக் கொண்டு வகைப்படுத்தப்பட்டால், கிளஸ்டர்கள் அதன் உறுப்பினர்களின் தூரத்தை அடிப்படையாகக் கொண்டு உருவாக்கப்படுகின்றன. Scikit-learn-இன் agglomerative clustering hierarchical ஆகும். - ![Hierarchical clustering Infographic](../../../../translated_images/ta/hierarchical.bf59403aa43c8c47.png) + ![Hierarchical clustering Infographic](../../../../translated_images/ta/hierarchical.bf59403aa43c8c47.webp) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் - **Centroid clustering**. இந்த பிரபல الگாரிதம் 'k', அல்லது உருவாக்க வேண்டிய கிளஸ்டர்களின் எண்ணிக்கையைத் தேர்ந்தெடுக்க வேண்டும், அதன் பிறகு الگாரிதம் ஒரு கிளஸ்டரின் மைய புள்ளியைத் தீர்மானித்து அந்த புள்ளியைச் சுற்றி தரவுகளைச் சேர்க்கிறது. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) என்பது centroid clustering-இன் பிரபலமான பதிப்பு. மையம் அருகிலுள்ள சராசரியால் தீர்மானிக்கப்படுகிறது, எனவே பெயர். கிளஸ்டரிலிருந்து சதுர தூரம் குறைக்கப்படுகிறது. - ![Centroid clustering Infographic](../../../../translated_images/ta/centroid.097fde836cf6c918.png) + ![Centroid clustering Infographic](../../../../translated_images/ta/centroid.097fde836cf6c918.webp) > [Dasani Madipalli](https://twitter.com/dasani_decoded) உருவாக்கிய தகவல்படம் - **Distribution-based clustering**. புள்ளி ஒரு கிளஸ்டருக்கு சொந்தமான சாத்தியக்கூறுகளைத் தீர்மானிக்க மற்றும் அதற்கேற்ப ஒதுக்குவதில் மையமாக இருக்கும் புள்ளிவிவர மாடலிங் அடிப்படையில் உள்ளது. Gaussian mixture முறைகள் இந்த வகையைச் சேர்ந்தவை. @@ -234,7 +234,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/ta/popular.9c48d84b3386705f.png) + ![most popular](../../../../translated_images/ta/popular.9c48d84b3386705f.webp) ✅ மேலும் அதிக மதிப்புகளைப் பார்க்க விரும்பினால், `[:5]` ஐ பெரிய மதிப்பாக மாற்றவும் அல்லது அனைத்தையும் பார்க்க அதை நீக்கவும். @@ -253,7 +253,7 @@ CO_OP_TRANSLATOR_METADATA: இப்போது இசை வகைகளை மீண்டும் சரிபார்க்கவும்: - ![most popular](../../../../translated_images/ta/all-genres.1d56ef06cefbfcd6.png) + ![most popular](../../../../translated_images/ta/all-genres.1d56ef06cefbfcd6.webp) 1. இந்த தரவுத்தொகுப்பில் மூன்று முக்கியமான இசை வகைகள் அதிகளவில் உள்ளது. `afro dancehall`, `afropop`, மற்றும் `nigerian pop` ஆகியவற்றில் கவனம் செலுத்துவோம், மேலும் 0 `popularity` மதிப்புடன் உள்ளவற்றை நீக்குவோம் (அதாவது தரவுத்தொகுப்பில் பிரபலத்துடன் வகைப்படுத்தப்படவில்லை, எனவே நமது நோக்கங்களுக்கு இது சத்தமாகக் கருதலாம்): @@ -275,7 +275,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/ta/correlation.a9356bb798f5eea5.png) + ![correlations](../../../../translated_images/ta/correlation.a9356bb798f5eea5.webp) `energy` மற்றும் `loudness` இடையே மட்டுமே வலுவான தொடர்பு உள்ளது, இது ஆச்சரியமாக இல்லை, ஏனெனில் சத்தமான இசை பொதுவாக மிகவும் ஆற்றல்மிக்கதாக இருக்கும். இல்லையெனில், தொடர்புகள் ஒப்பீட்டளவில் பலவீனமாக உள்ளன. இந்த தரவிலிருந்து க்ளஸ்டரிங் அல்காரிதம் என்ன கண்டறிய முடியும் என்பதைப் பார்க்க ஆர்வமாக உள்ளது. @@ -307,7 +307,7 @@ CO_OP_TRANSLATOR_METADATA: பொதுவாக, மூன்று இசை வகைகள் `popularity` மற்றும் `danceability` அடிப்படையில் சற்றே ஒருமித்தமாக இணைகின்றன. இந்த சற்றே இணைந்த தரவுகளில் க்ளஸ்டர்களைத் தீர்மானிப்பது ஒரு சவாலாக இருக்கும்: - ![distribution](../../../../translated_images/ta/distribution.9be11df42356ca95.png) + ![distribution](../../../../translated_images/ta/distribution.9be11df42356ca95.webp) 1. ஒரு scatter plot உருவாக்கவும்: @@ -319,7 +319,7 @@ CO_OP_TRANSLATOR_METADATA: அதே அச்சுகளின் scatterplot ஒரே மாதிரியான ஒருமித்த முறைமையை காட்டுகிறது - ![Facetgrid](../../../../translated_images/ta/facetgrid.9b2e65ce707eba1f.png) + ![Facetgrid](../../../../translated_images/ta/facetgrid.9b2e65ce707eba1f.webp) பொதுவாக, க்ளஸ்டரிங் செய்ய, தரவுக் க்ளஸ்டர்களைக் காட்ட scatterplots பயன்படுத்தலாம், எனவே இந்த வகை காட்சியமைப்பை கையாள்வதில் நிபுணத்துவம் பெறுவது மிகவும் பயனுள்ளதாக இருக்கும். அடுத்த பாடத்தில், இந்த வடிகட்டப்பட்ட தரவுகளை எடுத்து, k-means clustering பயன்படுத்தி, இந்த தரவுகளில் ஒருமித்தமான முறையில் ஒட்டுமொத்தமாக உள்ள interesting குரூப்புகளை கண்டறிவோம். diff --git a/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 9d20fd1a4..6bb04bf0f 100644 --- a/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/ta/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> 'Flat' என்பது இங்கு Euclidean geometry (இதில் சில 'plane' geometry எனக் கற்பிக்கப்படுகிறது) மற்றும் 'non-flat' என்பது non-Euclidean geometry. கணிதவியல் மற்றும் இயந்திர கற்றல் என்ன தொடர்பு? கணிதவியல் அடிப்படையில் இரு துறைகளாக, க்ளஸ்டர்களில் புள்ளிகளுக்கிடையிலான தூரத்தை அளவிட ஒரு பொதுவான வழி இருக்க வேண்டும், மேலும் தரவின் தன்மையைப் பொறுத்து அதை 'flat' அல்லது 'non-flat' முறையில் செய்யலாம். [Euclidean distances](https://wikipedia.org/wiki/Euclidean_distance) என்பது இரண்டு புள்ளிகளுக்கிடையிலான கோடு பகுதியின் நீளமாக அளவிடப்படுகிறது. [Non-Euclidean distances](https://wikipedia.org/wiki/Non-Euclidean_geometry) ஒரு வளைவின் வழியாக அளவிடப்படுகிறது. உங்கள் தரவுகள், காட்சிப்படுத்தப்பட்டவுடன், ஒரு தளத்தில் இல்லை என்று தோன்றினால், அதை கையாள ஒரு சிறப்பு الگாரிதத்தைப் பயன்படுத்த வேண்டும்.\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -72,7 +72,7 @@ "\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -81,7 +81,7 @@ "- **Centroid clustering**. இந்த பிரபல الگாரிதம் 'k', அல்லது உருவாக்க வேண்டிய க்ளஸ்டர்களின் எண்ணிக்கையைத் தேர்ந்தெடுக்க வேண்டும், அதன் பிறகு الگாரிதம் ஒரு க்ளஸ்டரின் மைய புள்ளியைத் தீர்மானித்து, அந்த புள்ளியைச் சுற்றி தரவுகளைச் சேர்க்கிறது. [K-means clustering](https://wikipedia.org/wiki/K-means_clustering) என்பது Centroid clustering இன் பிரபலமான பதிப்பு, இது ஒரு தரவுத்தொகுப்பை முன்பே வரையறுக்கப்பட்ட K குழுக்களாகப் பிரிக்கிறது. மையம் அருகிலுள்ள சராசரியால் தீர்மானிக்கப்படுகிறது, எனவே பெயர். க்ளஸ்டரிலிருந்து சதுர தூரம் குறைக்கப்படுகிறது.\n", "\n", "

\n", - " \n", "

தசானி மடிபல்லி உருவாக்கிய தகவல் வரைபடம்
\n", "\n", diff --git a/translations/ta/5-Clustering/2-K-Means/README.md b/translations/ta/5-Clustering/2-K-Means/README.md index e03040da0..c30bff099 100644 --- a/translations/ta/5-Clustering/2-K-Means/README.md +++ b/translations/ta/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: குழுமங்களை [Voronoi diagrams](https://wikipedia.org/wiki/Voronoi_diagram) போல காட்சிப்படுத்தலாம், இதில் ஒரு புள்ளி (அல்லது 'seed') மற்றும் அதற்குரிய பகுதி அடங்கும். -![voronoi diagram](../../../../translated_images/ta/voronoi.1dc1613fb0439b95.png) +![voronoi diagram](../../../../translated_images/ta/voronoi.1dc1613fb0439b95.webp) > [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல் வரைபடம் @@ -91,7 +91,7 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு இந்த தரவு கொஞ்சம் சத்தமாக உள்ளது: ஒவ்வொரு நெடுவரிசையையும் பாக்ஸ் பிளாட்டாகக் கவனிப்பதன் மூலம், நீங்கள் வெளிப்புற மதிப்புகளை காணலாம். - ![outliers](../../../../translated_images/ta/boxplots.8228c29dabd0f292.png) + ![outliers](../../../../translated_images/ta/boxplots.8228c29dabd0f292.webp) நீங்கள் தரவுத்தொகுப்பைச் சென்று இந்த வெளிப்புற மதிப்புகளை அகற்றலாம், ஆனால் அது தரவுகளை மிகவும் குறைவாக்கும். @@ -187,7 +187,7 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு நீங்கள் முந்தைய படியில் உருவாக்கிய `wcss` மாறியைப் பயன்படுத்தி ஒரு வரைபடத்தை உருவாக்கவும், இதில் 'elbow' இல் உள்ள வளைவு எங்கு உள்ளது என்பதை காட்டுகிறது, இது குழுமங்களின் சரியான எண்ணிக்கையை குறிக்கிறது. அது **மூன்று** இருக்கலாம்! - ![elbow method](../../../../translated_images/ta/elbow.72676169eed744ff.png) + ![elbow method](../../../../translated_images/ta/elbow.72676169eed744ff.webp) ## பயிற்சி - குழுமங்களை காட்சிப்படுத்தவும் @@ -218,13 +218,13 @@ K-Means பயன்படுத்துவதற்கான ஒரு கு இந்த மாதிரியின் துல்லியம் மிகவும் நல்லதல்ல, மேலும் குழுமங்களின் வடிவம் ஏன் என்பதை உங்களுக்கு ஒரு குறிப்பைக் கொடுக்கிறது. - ![clusters](../../../../translated_images/ta/clusters.b635354640d8e4fd.png) + ![clusters](../../../../translated_images/ta/clusters.b635354640d8e4fd.webp) இந்த தரவு மிகவும் சமநிலையற்றது, மிகவும் குறைவாக தொடர்புடையது மற்றும் நெடுவரிசை மதிப்புகளுக்கு இடையிலான வேறுபாடு மிகவும் அதிகமாக உள்ளது, குழுமம் நன்றாக செயல்படுவதற்கு. உண்மையில், உருவாகும் குழுமங்கள் மேலே வரையறுக்கப்பட்ட மூன்று வகை பிரிவுகளால் மிகவும் பாதிக்கப்படுகின்றன அல்லது சாய்ந்திருக்கின்றன. அது ஒரு கற்றல் செயல்முறை! Scikit-learn இன் ஆவணங்களில், இந்த மாதிரி, குழுமங்கள் மிகவும் நன்றாக வரையறுக்கப்படாதது, 'variance' பிரச்சனை கொண்டுள்ளது: - ![problem models](../../../../translated_images/ta/problems.f7fb539ccd80608e.png) + ![problem models](../../../../translated_images/ta/problems.f7fb539ccd80608e.webp) > Scikit-learn இன் தகவல் வரைபடம் ## Variance diff --git a/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index 8aeb1d07d..202162c30 100644 --- a/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/ta/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "இந்த க்ளஸ்டர்களை [Voronoi diagrams](https://wikipedia.org/wiki/Voronoi_diagram) போல காட்சிப்படுத்தலாம், இதில் ஒரு புள்ளி (அல்லது 'விதை') மற்றும் அதனுடன் தொடர்புடைய பகுதி அடங்கும்.\n", "\n", "

\n", - " \n", "

ஜென் லூப்பர் உருவாக்கிய தகவல் வரைபடம்
\n", "\n", @@ -570,7 +570,7 @@ "Scikit-learn-இன் ஆவணங்களில், இந்த மாதிரி போன்ற ஒரு மாடல், களவுகள் தெளிவாக வரையறுக்கப்படாத நிலையில், 'variance' பிரச்சினை உள்ளது என்பதை நீங்கள் காணலாம்:\n", "\n", "

\n", - " \n", "

Scikit-learn-இன் தகவல் வரைபடம்
\n", "\n", @@ -623,7 +623,7 @@ "[Eric](https://twitter.com/ericntay), Gold Microsoft Learn Student Ambassador.\n", "\n", "

\n", - " \n", "

@allison_horst உருவாக்கிய கலை
\n" ] diff --git a/translations/ta/5-Clustering/README.md b/translations/ta/5-Clustering/README.md index 912604f97..89fcd71b9 100644 --- a/translations/ta/5-Clustering/README.md +++ b/translations/ta/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: நைஜீரியாவின் பல்வகை பார்வையாளர்களுக்கு பல்வகை இசை விருப்பங்கள் உள்ளன. [இந்த கட்டுரையால்](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) ஊக்கமடைந்து Spotify-இல் இருந்து சேகரிக்கப்பட்ட தரவுகளைப் பயன்படுத்தி, நைஜீரியாவில் பிரபலமான சில இசைகளைப் பார்ப்போம். இந்த தரவுத்தொகுப்பில் பாடல்களின் 'danceability' மதிப்பெண், 'acousticness', ஒலியளவு, 'speechiness', பிரபலத்தன்மை மற்றும் ஆற்றல் பற்றிய தகவல்கள் அடங்கும். இந்த தரவுகளில் முறைமைகள் கண்டறிவது 흥மையாக இருக்கும்! -![ஒரு டர்ன்டேபிள்](../../../translated_images/ta/turntable.f2b86b13c53302dc.jpg) +![ஒரு டர்ன்டேபிள்](../../../translated_images/ta/turntable.f2b86b13c53302dc.webp) > புகைப்படம் Marcela Laskoski மூலம் Unsplash இல் diff --git a/translations/ta/6-NLP/1-Introduction-to-NLP/README.md b/translations/ta/6-NLP/1-Introduction-to-NLP/README.md index c08324aec..d8502b483 100644 --- a/translations/ta/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/ta/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP (இயற்கை மொழி செயலாக்கம்) என் நீங்கள் ஒருபோதும் உங்கள் தொலைபேசியில் டைப் செய்வதற்குப் பதிலாக диктировать செய்திருந்தால் அல்லது ஒரு மெய்நிகர் உதவியாளரிடம் கேள்வி கேட்டிருந்தால், உங்கள் பேச்சு உரை வடிவமாக மாற்றப்பட்டு, பின்னர் நீங்கள் பேசிய மொழியில் இருந்து செயலாக்கப்பட்டது அல்லது *பாகுபடுத்தப்பட்டது*. கண்டறியப்பட்ட முக்கிய வார்த்தைகள் பின்னர் தொலைபேசி அல்லது உதவியாளர் புரிந்து கொண்டு செயல்படக்கூடிய வடிவமாக மாற்றப்பட்டன. -![புரிதல்](../../../../translated_images/ta/comprehension.619708fc5959b0f6.png) +![புரிதல்](../../../../translated_images/ta/comprehension.619708fc5959b0f6.webp) > உண்மையான மொழியியல் புரிதல் கடினம்! படம்: [Jen Looper](https://twitter.com/jenlooper) ### இந்த தொழில்நுட்பம் எப்படி சாத்தியமாகிறது? diff --git a/translations/ta/6-NLP/2-Tasks/README.md b/translations/ta/6-NLP/2-Tasks/README.md index aaeed134a..fb383cacb 100644 --- a/translations/ta/6-NLP/2-Tasks/README.md +++ b/translations/ta/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: மிகவும் முதலில், பெரும்பாலான NLP ஆல்கொரிதங்கள் செய்ய வேண்டியது உரையை டோக்கன்கள் அல்லது சொற்களாகப் பிரிப்பது. இது எளிதாகத் தோன்றினாலும், குறியீடுகள் மற்றும் பல மொழிகளின் சொல் மற்றும் வாக்கிய எல்லைகளை கணக்கில் எடுத்துக்கொள்ள வேண்டிய அவசியம் இதை சிக்கலாக்குகிறது. நீங்கள் எல்லைகளைத் தீர்மானிக்க பல்வேறு முறைகளைப் பயன்படுத்த வேண்டியிருக்கலாம். -![டோக்கனேஷன்](../../../../translated_images/ta/tokenization.1641a160c66cd2d9.png) +![டோக்கனேஷன்](../../../../translated_images/ta/tokenization.1641a160c66cd2d9.webp) > **Pride and Prejudice**-இன் ஒரு வாக்கியத்தை டோக்கனேஷன் செய்கிறது. [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் ### எம்பெடிங்ஸ் [சொல் எம்பெடிங்ஸ்](https://wikipedia.org/wiki/Word_embedding) என்பது உங்கள் உரைத் தரவுகளை எண் வடிவமாக மாற்றும் ஒரு வழியாகும். எம்பெடிங்ஸ், ஒரே பொருள் கொண்ட சொற்கள் அல்லது ஒன்றாகப் பயன்படுத்தப்படும் சொற்கள் ஒன்றாகக் குழுவாக அமைக்கப்படும் வகையில் செய்யப்படுகிறது. -![சொல் எம்பெடிங்ஸ்](../../../../translated_images/ta/embedding.2cf8953c4b3101d1.png) +![சொல் எம்பெடிங்ஸ்](../../../../translated_images/ta/embedding.2cf8953c4b3101d1.webp) > "I have the highest respect for your nerves, they are my old friends." - **Pride and Prejudice**-இன் ஒரு வாக்கியத்திற்கான சொல் எம்பெடிங்ஸ். [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் ✅ [இந்த 흥미로운 கருவியை](https://projector.tensorflow.org/) முயற்சிக்கவும். ஒரு சொல் மீது கிளிக் செய்வது 유사மான சொற்களின் குழுக்களை காட்டுகிறது: 'toy' 'disney', 'lego', 'playstation', மற்றும் 'console' உடன் குழுவாக உள்ளது. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: டோக்கனேஷன் செய்யப்பட்ட ஒவ்வொரு சொல் ஒரு பாகம்-ஆஃப்-ஸ்பீச் ஆக டேக் செய்யப்படலாம் - ஒரு பெயர்ச்சொல், வினைச்சொல், அல்லது பெயரடை. `the quick red fox jumped over the lazy brown dog` என்ற வாக்கியம் fox = noun, jumped = verb என POS டேக் செய்யப்படலாம். -![பார்சிங்](../../../../translated_images/ta/parse.d0c5bbe1106eae8f.png) +![பார்சிங்](../../../../translated_images/ta/parse.d0c5bbe1106eae8f.webp) > **Pride and Prejudice**-இன் ஒரு வாக்கியத்தை பார்சிங் செய்கிறது. [Jen Looper](https://twitter.com/jenlooper) உருவாக்கிய தகவல்படம் diff --git a/translations/ta/6-NLP/3-Translation-Sentiment/README.md b/translations/ta/6-NLP/3-Translation-Sentiment/README.md index 40a0cbeb0..be93f33fa 100644 --- a/translations/ta/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/ta/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: உதாரணமாக, `I have no money` என்ற ஆங்கில சொற்றொடர் பிரெஞ்சுக்கு சொற்தொகுப்பாக மொழிபெயர்க்கப்படும் போது, அது `Je n'ai pas de monnaie` ஆக மாறலாம். "Monnaie" என்பது ஒரு சிக்கலான பிரெஞ்சு 'தவறான ஒத்தசொல்', ஏனெனில் 'money' மற்றும் 'monnaie' ஒரே அர்த்தம் கொண்டவை அல்ல. ஒரு மனிதன் செய்யக்கூடிய சிறந்த மொழிபெயர்ப்பு `Je n'ai pas d'argent` ஆக இருக்கும், ஏனெனில் இது உங்களிடம் பணம் இல்லை என்பதைச் சரியாக வெளிப்படுத்துகிறது (அல்லது 'சில்லறை' என்பதை அல்ல, இது 'monnaie' என்பதன் அர்த்தம்). -![monnaie](../../../../translated_images/ta/monnaie.606c5fa8369d5c3b.png) +![monnaie](../../../../translated_images/ta/monnaie.606c5fa8369d5c3b.webp) > படம்: [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/ta/6-NLP/README.md b/translations/ta/6-NLP/README.md index fcc1781cb..21c565b4a 100644 --- a/translations/ta/6-NLP/README.md +++ b/translations/ta/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடங்களில், சிறிய உரையாடல் பாட்டுகளை உருவாக்குவதன் மூலம் NLP இன் அடிப்படைகளை கற்றுக்கொள்வோம், இந்த உரையாடல்களை மேலும் 'சிறந்த'தாக மாற்ற இயந்திரக் கற்றல் எப்படி உதவுகிறது என்பதைப் புரிந்துகொள்வோம். நீங்கள் காலத்தை மீண்டும் பயணம் செய்து, ஜேன் ஆஸ்டனின் 1813-ல் வெளியிடப்பட்ட **Pride and Prejudice** என்ற புகழ்பெற்ற நாவலின் எலிசபெத் பென்னட் மற்றும் திரு. டார்சி உடன் உரையாடுவீர்கள். பின்னர், ஐரோப்பிய ஹோட்டல் விமர்சனங்கள் மூலம் உணர்வு பகுப்பாய்வு பற்றி கற்றுக்கொள்வதன் மூலம் உங்கள் அறிவை மேம்படுத்துவீர்கள். -![Pride and Prejudice புத்தகம் மற்றும் தேநீர்](../../../translated_images/ta/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice புத்தகம் மற்றும் தேநீர்](../../../translated_images/ta/p&p.279f1c49ecd88941.webp) > புகைப்படம் Elaine Howlin மூலம் Unsplash இல் ## பாடங்கள் diff --git a/translations/ta/7-TimeSeries/1-Introduction/README.md b/translations/ta/7-TimeSeries/1-Introduction/README.md index dfac01311..60d0650b8 100644 --- a/translations/ta/7-TimeSeries/1-Introduction/README.md +++ b/translations/ta/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # கால வரிசை முன்னறிவிப்பு அறிமுகம் -![கால வரிசையின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ta/ml-timeseries.fb98d25f1013fc0c.png) +![கால வரிசையின் சுருக்கம் ஒரு ஸ்கெட்ச் நோட்டில்](../../../../translated_images/ta/ml-timeseries.fb98d25f1013fc0c.webp) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ [இந்த மாதிரி கால வரிசை வரைபடத்தை](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) பாருங்கள், இது சில ஆண்டுகளாக தினசரி விளையாட்டு நாணய செலவுகளை காட்டுகிறது. இந்த தரவுகளில் மேலே பட்டியலிடப்பட்ட பண்புகளில் ஏதேனும் ஒன்றை நீங்கள் அடையாளம் காண முடியுமா? -![விளையாட்டு நாணய செலவுகள்](../../../../translated_images/ta/currency.e7429812bfc8c608.png) +![விளையாட்டு நாணய செலவுகள்](../../../../translated_images/ta/currency.e7429812bfc8c608.webp) ## பயிற்சி - மின்சார பயன்பாட்டு தரவுடன் தொடங்குதல் @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![மின்சார வரைபடம்](../../../../translated_images/ta/energy-plot.5fdac3f397a910bc.png) + ![மின்சார வரைபடம்](../../../../translated_images/ta/energy-plot.5fdac3f397a910bc.webp) 4. இப்போது, 2014 ஜூலை மாதத்தின் முதல் வாரத்தை வரைபடமாக்கவும், அதை `[from date]: [to date]` வடிவத்தில் `energy` க்கு உள்ளீடாக வழங்கவும்: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![ஜூலை](../../../../translated_images/ta/july-2014.9e1f7c318ec6d5b3.png) + ![ஜூலை](../../../../translated_images/ta/july-2014.9e1f7c318ec6d5b3.webp) அழகான ஒரு வரைபடம்! இந்த வரைபடங்களைப் பாருங்கள் மற்றும் மேலே பட்டியலிடப்பட்ட பண்புகளில் ஏதேனும் ஒன்றை இந்த தரவுகளில் இருந்து நீங்கள் கண்டறிய முடியுமா என்பதை பாருங்கள். தரவுகளை காட்சிப்படுத்துவதன் மூலம் நாம் என்ன முடிவு செய்ய முடியும்? diff --git a/translations/ta/7-TimeSeries/2-ARIMA/README.md b/translations/ta/7-TimeSeries/2-ARIMA/README.md index 64c5fad23..38793b2f8 100644 --- a/translations/ta/7-TimeSeries/2-ARIMA/README.md +++ b/translations/ta/7-TimeSeries/2-ARIMA/README.md @@ -91,7 +91,7 @@ ARIMA-யுடன் வேலை செய்ய, சில முக்கி plt.show() ``` - ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/ta/train-test.8928d14e5b91fc94.png) + ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/ta/train-test.8928d14e5b91fc94.webp) எனவே, தரவுகளை பயிற்சி செய்ய ஒரு சிறிய கால சாளரத்தைப் பயன்படுத்துவது போதுமானதாக இருக்கும். @@ -134,11 +134,11 @@ ARIMA-யுடன் வேலை செய்ய, சில முக்கி plt.show() ``` - ![அசல்](../../../../translated_images/ta/original.b2b15efe0ce92b87.png) + ![அசல்](../../../../translated_images/ta/original.b2b15efe0ce92b87.webp) > அசல் தரவுகள் - ![அளவீடு செய்யப்பட்ட](../../../../translated_images/ta/scaled.e35258ca5cd3d43f.png) + ![அளவீடு செய்யப்பட்ட](../../../../translated_images/ta/scaled.e35258ca5cd3d43f.webp) > அளவீடு செய்யப்பட்ட தரவுகள் @@ -298,7 +298,7 @@ Walk-forward validation நேர்முக மாதிரி மதிப் > **🧮 கணிதத்தை காட்டவும்** > -> ![MAPE](../../../../translated_images/ta/mape.fd87bbaf4d346846.png) +> ![MAPE](../../../../translated_images/ta/mape.fd87bbaf4d346846.webp) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) என்பது மேலே கொடுக்கப்பட்ட சமன்பாட்டின் மூலம் வரையறுக்கப்பட்ட விகிதமாக கணிப்பு துல்லியத்தை காட்ட பயன்படுத்தப்படுகிறது. உண்மையானt மற்றும் கணிக்கப்பட்டt இடையேயான வேறுபாடு உண்மையானt மூலம் வகுக்கப்படுகிறது. "இந்த கணக்கீட்டில் உள்ள முழு மதிப்பு ஒவ்வொரு கணிக்கப்பட்ட நேர புள்ளிக்கும் சேர்க்கப்பட்டு, பொருத்தப்பட்ட புள்ளிகளின் எண்ணிக்கையால் n வகுக்கப்படுகிறது." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -358,7 +358,7 @@ Walk-forward validation நேர்முக மாதிரி மதிப் plt.show() ``` - ![ஒரு நேர வரிசை மாதிரி](../../../../translated_images/ta/accuracy.2c47fe1bf15f44b3.png) + ![ஒரு நேர வரிசை மாதிரி](../../../../translated_images/ta/accuracy.2c47fe1bf15f44b3.webp) 🏆 ஒரு மிக அழகான வரைபடம், நல்ல துல்லியத்துடன் ஒரு மாதிரியை காட்டுகிறது. நல்ல வேலை! diff --git a/translations/ta/7-TimeSeries/3-SVR/README.md b/translations/ta/7-TimeSeries/3-SVR/README.md index eb77fc1ac..ae3366690 100644 --- a/translations/ta/7-TimeSeries/3-SVR/README.md +++ b/translations/ta/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![முழு தரவு](../../../../translated_images/ta/full-data.a82ec9957e580e97.png) + ![முழு தரவு](../../../../translated_images/ta/full-data.a82ec9957e580e97.webp) இப்போது, உங்கள் SVR மாதிரியை உருவாக்குவோம். @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/ta/train-test.ead0cecbfc341921.png) + ![பயிற்சி மற்றும் சோதனை தரவுகள்](../../../../translated_images/ta/train-test.ead0cecbfc341921.webp) ### பயிற்சிக்கான தரவுகளை தயாரிக்கவும் @@ -273,7 +273,7 @@ plt.title("Training data prediction") plt.show() ``` -![பயிற்சி தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/train-data-predict.3c4ef4e78553104f.png) +![பயிற்சி தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/train-data-predict.3c4ef4e78553104f.webp) பயிற்சி தரவுகளுக்கான MAPE அச்சிடவும் @@ -296,7 +296,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![சோதனை தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/test-data-predict.8afc47ee7e52874f.png) +![சோதனை தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/test-data-predict.8afc47ee7e52874f.webp) சோதனை தரவுகளுக்கான MAPE அச்சிடவும் @@ -352,7 +352,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![முழு தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/full-data-predict.4f0fed16a131c8f3.png) +![முழு தரவுகளின் முன்னறிவிப்பு](../../../../translated_images/ta/full-data-predict.4f0fed16a131c8f3.webp) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/ta/7-TimeSeries/README.md b/translations/ta/7-TimeSeries/README.md index ade76d880..c58159ad2 100644 --- a/translations/ta/7-TimeSeries/README.md +++ b/translations/ta/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: நாம் கவனம் செலுத்தும் பிராந்தியப் பகுதி உலகின் மின்சார பயன்பாடு ஆகும், இது கடந்த கால சுமை (load) முறைமைகளின் அடிப்படையில் எதிர்கால மின்சார பயன்பாட்டை முன்னறிவிக்க கற்றுக்கொள்ள ஒரு சுவாரஸ்யமான தரவுத்தொகுப்பாகும். இந்த மாதிரியான முன்னறிவிப்பு வணிக சூழலில் மிகவும் பயனுள்ளதாக இருக்க முடியும் என்பதை நீங்கள் காணலாம். -![மின்சார வலை](../../../translated_images/ta/electric-grid.0c21d5214db09ffa.jpg) +![மின்சார வலை](../../../translated_images/ta/electric-grid.0c21d5214db09ffa.webp) இந்தியாவின் ராஜஸ்தானில் சாலையில் மின்சார கோபுரங்களைப் பற்றிய [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) எடுத்த புகைப்படம் [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) மூலம். diff --git a/translations/ta/8-Reinforcement/1-QLearning/README.md b/translations/ta/8-Reinforcement/1-QLearning/README.md index 9d3845f23..a1b85b340 100644 --- a/translations/ta/8-Reinforcement/1-QLearning/README.md +++ b/translations/ta/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # ரீன்போர்ஸ்மென்ட் லெர்னிங் மற்றும் Q-லெர்னிங் அறிமுகம் -![மெஷின் லெர்னிங்கில் ரீன்போர்ஸ்மென்ட் பற்றிய சுருக்கம்](../../../../translated_images/ta/ml-reinforcement.94024374d63348db.png) +![மெஷின் லெர்னிங்கில் ரீன்போர்ஸ்மென்ட் பற்றிய சுருக்கம்](../../../../translated_images/ta/ml-reinforcement.94024374d63348db.webp) > ஸ்கெட்ச் நோட்: [Tomomi Imura](https://www.twitter.com/girlie_mac) ரீன்போர்ஸ்மென்ட் லெர்னிங்கில் மூன்று முக்கியமான கருத்துகள் உள்ளன: ஏஜென்ட், சில நிலைகள், மற்றும் ஒவ்வொரு நிலைக்கும் ஒரு செயல்களின் தொகுப்பு. குறிப்பிட்ட நிலையில் ஒரு செயலைச் செயல்படுத்துவதன் மூலம், ஏஜென்டுக்கு ஒரு பரிசு வழங்கப்படும். மீண்டும் Super Mario என்ற கணினி விளையாட்டை நினைவில் கொள்ளுங்கள். நீங்கள் Mario, நீங்கள் ஒரு விளையாட்டு நிலைமையில், ஒரு பாறையின் விளிம்புக்கு அருகில் நிற்கிறீர்கள். உங்களுக்குப் மேலே ஒரு நாணயம் உள்ளது. நீங்கள் Mario, ஒரு விளையாட்டு நிலைமையில், ஒரு குறிப்பிட்ட இடத்தில்... அதுதான் உங்கள் நிலை. வலதுபுறம் ஒரு படி நகர்வது (ஒரு செயல்) உங்களை விளிம்புக்கு மேலே கொண்டு செல்லும், இது உங்களுக்கு குறைந்த எண் மதிப்பை வழங்கும். ஆனால், ஜம்ப் பொத்தானை அழுத்துவது உங்களுக்கு ஒரு புள்ளியைப் பெற அனுமதிக்கும் மற்றும் நீங்கள் உயிருடன் இருப்பீர்கள். இது ஒரு நேர்மறை முடிவாகும், இது உங்களுக்கு ஒரு நேர்மறை எண் மதிப்பை வழங்க வேண்டும். @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: எளிமைக்காக, Peter-ன் உலகத்தை `width` x `height` அளவுடைய ஒரு சதுர பலகையாகக் கருதுவோம், இது இவ்வாறு இருக்கும்: -![Peter-ன் சூழல்](../../../../translated_images/ta/environment.40ba3cb66256c93f.png) +![Peter-ன் சூழல்](../../../../translated_images/ta/environment.40ba3cb66256c93f.webp) இந்த பலகையின் ஒவ்வொரு செல்: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) Q-டேபிளின் அனைத்து மதிப்புகளையும் சமமான மதிப்புடன் ஆரம்பிக்கிறோம், எங்கள் வழக்கில் - 0.25. இது "சீரற்ற நடை" கொள்கைக்கு இணங்கும், ஏனெனில் ஒவ்வொரு நிலையிலும் அனைத்து நகர்வுகளும் சமமாக நல்லவை. `m.plot(Q)` என்ற செயல்பாட்டிற்கு Q-டேபிளை அனுப்பி, பலகையில் டேபிளை காட்சிப்படுத்தலாம். -![Peter-ன் சூழல்](../../../../translated_images/ta/env_init.04e8f26d2d60089e.png) +![Peter-ன் சூழல்](../../../../translated_images/ta/env_init.04e8f26d2d60089e.webp) ஒவ்வொரு செல் மையத்திலும், நகர்வின் விருப்பமான திசையை குறிக்கும் ஒரு "அம்பு" உள்ளது. அனைத்து திசைகளும் சமமாக இருப்பதால், ஒரு புள்ளி காட்டப்படுகிறது. @@ -195,7 +195,7 @@ Q-டேபிளின் அனைத்து மதிப்புகளை இது *s* நிலையில் *a* செயலுக்கான Q-டேபிள் மதிப்பை கணக்கிட **Bellman சமன்பாட்டை** வழங்குகிறது: - + இங்கே γ என்பது **discount factor** என்று அழைக்கப்படுகிறது, இது தற்போதைய பரிசை எதிர்கால பரிசுக்கு முன்னுரிமை கொடுக்க வேண்டும் என்பதைத் தீர்மானிக்கிறது. @@ -267,7 +267,7 @@ Q-டேபிளின் அனைத்து மதிப்புகளை இந்த அல்காரிதத்தை செயல்படுத்திய பிறகு, Q-டேபிள் ஒவ்வொரு நிலையிலும் ஒவ்வொரு செயலின் "ஆக்ரமத்துவத்தை" வரையறுக்கும் மதிப்புகளுடன் புதுப்பிக்கப்படும். Q-டேபிளை காட்சிப்படுத்த முயற்சிக்கலாம், ஒவ்வொரு செல்லிலும் நகர்வின் விருப்பமான திசையை குறிக்கும் ஒரு வெகுஜனத்தை வரைந்து. எளிமைக்காக, அம்பு தலைவிடமாற்றாக ஒரு சிறிய வட்டத்தை வரைகிறோம். - + ## கொள்கையைச் சரிபார > நீங்கள் மேலே கொடுத்துள்ள குறியீட்டை பல முறை முயற்சித்தால், சில நேரங்களில் அது "நிறுத்தி விடும்" என்பதை கவனிக்கலாம், மேலும் அதை நிறுத்த நொட்புக்-இல் STOP பொத்தானை அழுத்த வேண்டும். இது நிகழ்வதற்கான காரணம், சில நேரங்களில் இரண்டு நிலைகள் ஒருவருக்கொருவர் சிறந்த Q-Value அடிப்படையில் "சுட்டிக்காட்டும்" சூழ்நிலைகள் இருக்கலாம், அப்போது முகவர் அந்த நிலைகளுக்கு இடையில் முடிவில்லாமல் நகர்ந்து கொண்டிருப்பார். @@ -298,7 +298,7 @@ print_statistics(qpolicy) நாம் கூறியபடி, கற்றல் செயல்முறை என்பது சுரண்டல் மற்றும் பிரச்சனை இடத்தின் அமைப்பைப் பற்றிய அறிவைப் பயன்படுத்துவதற்கான சமநிலையாகும். கற்றலின் முடிவுகள் (குறிக்கோளுக்கான குறுகிய பாதையை முகவருக்கு கண்டுபிடிக்க உதவுவதற்கான திறன்) மேம்பட்டுள்ளது என்பதை நாம் பார்த்துள்ளோம், ஆனால் கற்றல் செயல்முறையின் போது சராசரி பாதை நீளம் எப்படி நடக்கிறது என்பதை கவனிப்பது 흥미கரமாக உள்ளது: - + கற்றலின் முக்கிய அம்சங்கள்: diff --git a/translations/ta/8-Reinforcement/2-Gym/README.md b/translations/ta/8-Reinforcement/2-Gym/README.md index 1a52786d6..086c39705 100644 --- a/translations/ta/8-Reinforcement/2-Gym/README.md +++ b/translations/ta/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **பிரச்சினை**: பீட்டர் ஓநாயிடம் இருந்து தப்பிக்க விரும்பினால், அவர் வேகமாக நகர முடியும் திறன் பெற வேண்டும். பீட்டர் ஸ்கேட் செய்ய கற்றுக்கொள்வது, குறிப்பாக சமநிலையை பராமரிப்பது எப்படி என்பதை நாம் காண்போம். -![பெரிய தப்பிப்பு!](../../../../translated_images/ta/escape.18862db9930337e3.png) +![பெரிய தப்பிப்பு!](../../../../translated_images/ta/escape.18862db9930337e3.webp) > பீட்டர் மற்றும் அவரது நண்பர்கள் ஓநாயிடம் இருந்து தப்பிக்க சிருஷ்டிப்பாக செயல்படுகிறார்கள்! படம்: [ஜென் லூப்பர்](https://twitter.com/jenlooper) நாம் **CartPole** பிரச்சினை என அறியப்படும் சமநிலையை பராமரிக்கும் ஒரு எளிமையான பதிப்பைப் பயன்படுத்துவோம். கார்ட்போல் உலகில், இடது அல்லது வலது நோக்கி நகரக்கூடிய ஒரு தூரிகை உள்ளது, மேலும் நோக்கம் தூரிகையின் மேல் உள்ள செங்குத்து கம்பத்தை சமநிலைப்படுத்துவது. -ஒரு கார்ட்போல் +ஒரு கார்ட்போல் ## முன்னோட்டம் @@ -285,7 +285,7 @@ Q-Learning இல், ஒவ்வொரு நிலையிலும் எ plt.plot(rewards) ``` -![raw progress](../../../../translated_images/ta/train_progress_raw.2adfdf2daea09c59.png) +![raw progress](../../../../translated_images/ta/train_progress_raw.2adfdf2daea09c59.webp) இந்த graph-இல் எதையும் சொல்ல முடியாது, ஏனெனில் stochastic training செயல்முறையின் இயல்பால் பயிற்சி அமர்வுகளின் நீளம் மிகவும் மாறுபடுகிறது. இந்த graph-ஐ மேலும் அர்த்தமுள்ளதாக்க, 100 போன்ற ஒரு சோதனைகளின் **running average**-ஐ கணக்கிடலாம். இது `np.convolve`-ஐ பயன்படுத்தி வசதியாக செய்யலாம்: (குறியீட்டு தொகுதி 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/ta/train_progress_runav.c71694a8fa9ab359.png) +![training progress](../../../../translated_images/ta/train_progress_runav.c71694a8fa9ab359.webp) ## hyperparameters-ஐ மாறுதல் செய்ய diff --git a/translations/ta/8-Reinforcement/2-Gym/assignment.md b/translations/ta/8-Reinforcement/2-Gym/assignment.md index 27bae7537..f88895ac1 100644 --- a/translations/ta/8-Reinforcement/2-Gym/assignment.md +++ b/translations/ta/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [மலை கார் சூழல்](https://gym.openai.com/envs/MountainCar-v0/) ஒரு பள்ளத்தாக்கில் சிக்கியுள்ள காரை கொண்டுள்ளது: - + பள்ளத்தாக்கிலிருந்து வெளியேறி கொடியை பிடிக்க வேண்டும், இதற்காக ஒவ்வொரு படியிலும் பின்வரும் செயல்களில் ஒன்றை செய்ய வேண்டும்: diff --git a/translations/ta/8-Reinforcement/README.md b/translations/ta/8-Reinforcement/README.md index 6c4fa8fba..b7d45a569 100644 --- a/translations/ta/8-Reinforcement/README.md +++ b/translations/ta/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: உங்கள் கற்பனைக்கு ஒரு சோதனைச் சூழல், உதாரணமாக பங்கு சந்தை உள்ளது என்று நினைக்கவும். நீங்கள் ஒரு குறிப்பிட்ட விதிமுறையை விதிக்கும்போது என்ன நடக்கும்? இது நேர்மறையான அல்லது எதிர்மறையான விளைவுகளை ஏற்படுத்துமா? ஏதேனும் எதிர்மறையானது நிகழ்ந்தால், நீங்கள் அந்த _எதிர்மறை பலகூறு_யை எடுத்துக்கொண்டு, அதிலிருந்து கற்றுக்கொண்டு, பாதையை மாற்ற வேண்டும். இது ஒரு நேர்மறை விளைவாக இருந்தால், நீங்கள் அந்த _நேர்மறை பலகூறு_யை மேம்படுத்த வேண்டும். -![பீட்டர் மற்றும் ஓநாய்](../../../translated_images/ta/peter.779730f9ba3a8a8d.png) +![பீட்டர் மற்றும் ஓநாய்](../../../translated_images/ta/peter.779730f9ba3a8a8d.webp) > பீட்டர் மற்றும் அவரது நண்பர்கள் பசிக்கொண்டு இருக்கும் ஓநாயைத் தப்பிக்க வேண்டும்! படம்: [ஜென் லூப்பர்](https://twitter.com/jenlooper) diff --git a/translations/ta/9-Real-World/1-Applications/README.md b/translations/ta/9-Real-World/1-Applications/README.md index d25bc97a3..69f7a3628 100644 --- a/translations/ta/9-Real-World/1-Applications/README.md +++ b/translations/ta/9-Real-World/1-Applications/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Postscript: இயல்புநிலை உலகில் இயந்திரக் கற்றல் -![Sketchnote: இயல்புநிலை உலகில் இயந்திரக் கற்றலின் சுருக்கம்](../../../../translated_images/ta/ml-realworld.26ee274671615577.png) +![Sketchnote: இயல்புநிலை உலகில் இயந்திரக் கற்றலின் சுருக்கம்](../../../../translated_images/ta/ml-realworld.26ee274671615577.webp) > Sketchnote: [Tomomi Imura](https://www.twitter.com/girlie_mac) உருவாக்கியது இந்த பாடத்திட்டத்தில், தரவுகளை பயிற்சிக்கத் தயார்படுத்தவும், இயந்திரக் கற்றல் மாதிரிகளை உருவாக்கவும் பல வழிகளை நீங்கள் கற்றுக்கொண்டீர்கள். நீங்கள் பாரம்பரிய ரிக்ரஷன், கிளஸ்டரிங், வகைப்படுத்தல், இயற்கை மொழி செயலாக்கம் மற்றும் நேரம் வரிசை மாதிரிகளை உருவாக்கினீர்கள். வாழ்த்துக்கள்! இப்போது, இதற்கெல்லாம் என்ன பயன் என்று நீங்கள் கேட்கலாம்... இந்த மாதிரிகளின் இயல்புநிலை பயன்பாடுகள் என்ன? diff --git a/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md b/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md index bc38f88ce..1d6bcfaf1 100644 --- a/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/ta/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: பாரம்பரிய மாடல் செயல்திறன் அளவுகோள்கள் துல்லியத்தை அளவிட பயன்படுத்தப்படுகின்றன, அவை பெரும்பாலும் சரியான மற்றும் தவறான கணிப்புகளின் அடிப்படையில் கணக்கீடுகள். உதாரணமாக, ஒரு மாடல் 89% துல்லியமாக உள்ளது மற்றும் 0.001 பிழை இழப்புடன் உள்ளது என்று தீர்மானித்தல் நல்ல செயல்திறனாகக் கருதப்படலாம். பிழைகள் உங்கள் அடிப்படை தரவுத்தொகுப்பில் ஒரே மாதிரியான முறையில் பகிரப்படவில்லை. நீங்கள் 89% மாடல் துல்லிய மதிப்பெண் பெறலாம், ஆனால் மாடல் 42% நேரத்தில் தோல்வியடையும் உங்கள் தரவின் பல பகுதிகளை கண்டறியலாம். குறிப்பிட்ட தரவுக் குழுக்களுடன் இந்த தோல்வி முறைமைகளின் விளைவுகள் நியாயம் அல்லது நம்பகத்தன்மை பிரச்சினைகளை உருவாக்கலாம். மாடல் எங்கு நன்றாக செயல்படுகிறது அல்லது இல்லை என்பதைப் புரிந்து கொள்வது அவசியம். உங்கள் மாடலில் அதிக தவறுகள் உள்ள தரவுப் பகுதிகள் முக்கியமான தரவுக் குழுவாக இருக்கலாம். -![மாடல் பிழைகளை பகுப்பாய்வு மற்றும் சரிசெய்தல்](../../../../translated_images/ta/ea-error-distribution.117452e1177c1dd8.png) +![மாடல் பிழைகளை பகுப்பாய்வு மற்றும் சரிசெய்தல்](../../../../translated_images/ta/ea-error-distribution.117452e1177c1dd8.webp) RAI டாஷ்போர்டில் உள்ள பிழை பகுப்பாய்வு கூறு மாடல் தோல்வி பல்வேறு குழுக்களுக்கிடையே எவ்வாறு பகிரப்பட்டுள்ளது என்பதை மரக்காட்சி மூலம் விளக்குகிறது. இது உங்கள் தரவுத்தொகுப்பில் அதிக பிழை விகிதம் உள்ள அம்சங்கள் அல்லது பகுதிகளை அடையாளம் காண உதவுகிறது. மாடலின் தவறான கணிப்புகள் எங்கு அதிகமாக உள்ளன என்பதைப் பார்த்து, நீங்கள் அடிப்படை காரணத்தை ஆராயத் தொடங்கலாம். மேலும், தரவுக் குழுக்களை உருவாக்கி அவற்றில் பகுப்பாய்வு செய்யலாம். இந்த தரவுக் குழுக்கள் பிழை சரிசெய்தல் செயல்முறையில் உதவுகின்றன, ஏனெனில் ஒரு குழுவில் மாடல் செயல்திறன் நல்லது, ஆனால் மற்றொன்றில் தவறாக உள்ளது என்பதை தீர்மானிக்க உதவுகின்றன. -![பிழை பகுப்பாய்வு](../../../../translated_images/ta/ea-error-cohort.6886209ea5d438c4.png) +![பிழை பகுப்பாய்வு](../../../../translated_images/ta/ea-error-cohort.6886209ea5d438c4.webp) மரக்காட்சியில் உள்ள காட்சி குறியீடுகள் பிரச்சினை பகுதிகளை விரைவாக அடையாளம் காண உதவுகின்றன. உதாரணமாக, மரக்கிளை ஒரு ஆழமான சிவப்பு நிறத்துடன் இருந்தால், பிழை விகிதம் அதிகமாக இருக்கும். ஹீட் மேப் என்பது மற்றொரு காட்சி செயல்பாடு, இது ஒரு அல்லது இரண்டு அம்சங்களைப் பயன்படுத்தி பிழை விகிதத்தை ஆராய்ந்து, மாடல் பிழைகளுக்கு காரணமாக இருக்கும் அம்சங்களை முழு தரவுத்தொகுப்பில் அல்லது குழுக்களில் கண்டறிய உதவுகிறது. -![பிழை பகுப்பாய்வு ஹீட் மேப்](../../../../translated_images/ta/ea-heatmap.8d27185e28cee383.png) +![பிழை பகுப்பாய்வு ஹீட் மேப்](../../../../translated_images/ta/ea-heatmap.8d27185e28cee383.webp) பிழை பகுப்பாய்வை நீங்கள் பயன்படுத்த வேண்டிய சூழல்கள்: @@ -57,11 +57,11 @@ RAI டாஷ்போர்டில் உள்ள பிழை பகுப RAI டாஷ்போர்டின் மாடல் மேற்பார்வை கூறு, தரவுக் குழுக்களில் மாடலின் நடத்தை ஒப்பிடுவதற்கான திறனைக் கொடுப்பதுடன், குழுவில் தரவின் பிரதிநிதித்துவத்தின் செயல்திறன் அளவுகோள்களை பகுப்பாய்வு செய்ய உதவுகிறது. -![டாஷ்போர்டில் மாடல் மேற்பார்வை - தரவுக் குழுக்கள்](../../../../translated_images/ta/model-overview-dataset-cohorts.dfa463fb527a35a0.png) +![டாஷ்போர்டில் மாடல் மேற்பார்வை - தரவுக் குழுக்கள்](../../../../translated_images/ta/model-overview-dataset-cohorts.dfa463fb527a35a0.webp) கூறின் அம்ச அடிப்படையிலான பகுப்பாய்வு செயல்பாடு, குறிப்பிட்ட அம்சத்தில் உள்ள தரவின் துணைக்குழுக்களை குறுகிய அளவில் அடையாளம் காண உதவுகிறது. உதாரணமாக, டாஷ்போர்டில் உள்ள உள்ளமை intelligence, பயனர் தேர்ந்தெடுத்த அம்சத்திற்கான குழுக்களை தானாக உருவாக்குகிறது (உதாரணமாக, *"time_in_hospital < 3"* அல்லது *"time_in_hospital >= 7"*). இது ஒரு பயனருக்கு பெரிய தரவுக் குழுவிலிருந்து ஒரு குறிப்பிட்ட அம்சத்தை தனிமைப்படுத்தி, மாடலின் தவறான முடிவுகளின் முக்கியமான தாக்கம் உள்ளதா என்பதைப் பார்க்க உதவுகிறது. -![டாஷ்போர்டில் மாடல் மேற்பார்வை - அம்சக் குழுக்கள்](../../../../translated_images/ta/model-overview-feature-cohorts.c5104d575ffd0c80.png) +![டாஷ்போர்டில் மாடல் மேற்பார்வை - அம்சக் குழுக்கள்](../../../../translated_images/ta/model-overview-feature-cohorts.c5104d575ffd0c80.webp) மாடல் மேற்பார்வை கூறு இரண்டு வகையான வேறுபாடு அளவுகோள்களை ஆதரிக்கிறது: @@ -85,7 +85,7 @@ RAI டாஷ்போர்டின் மாடல் மேற்பார RAI டாஷ்போர்டில் உள்ள தரவு பகுப்பாய்வு கூறு, தரவுத்தொகுப்பில் அதிக மற்றும் குறைவான பிரதிநிதித்துவம் உள்ள பகுதிகளை அடையாளம் காண உதவுகிறது. இது தரவின் சமநிலையற்ற தன்மை அல்லது குறிப்பிட்ட தரவுக் குழுவின் பிரதிநிதித்துவம் இல்லாமை காரணமாக பிழைகள் மற்றும் நியாய பிரச்சினைகளை அறிய உதவுகிறது. இது பயனர்களுக்கு கணிப்பிடப்பட்ட மற்றும் உண்மையான முடிவுகள், பிழை குழுக்கள் மற்றும் குறிப்பிட்ட அம்சங்களை அடிப்படையாகக் கொண்ட தரவுத்தொகுப்புகளை காட்சிப்படுத்தும் திறனை வழங்குகிறது. சில நேரங்களில் குறைவாக பிரதிநிதித்துவம் செய்யப்பட்ட தரவுக் குழுவை கண்டறிதல், மாடல் நன்றாக கற்றுக்கொள்ளவில்லை என்பதை வெளிப்படுத்தலாம், இதனால் அதிக தவறுகள் ஏற்படுகின்றன. தரவுப் பாகுபாடு கொண்ட மாடல் என்பது ஒரு நியாய பிரச்சினை மட்டுமல்ல, மாடல் உள்ளடக்கமானது அல்லது நம்பகமானது அல்ல என்பதை காட்டுகிறது. -![RAI டாஷ்போர்டில் தரவு பகுப்பாய்வு கூறு](../../../../translated_images/ta/dataanalysis-cover.8d6d0683a70a5c1e.png) +![RAI டாஷ்போர்டில் தரவு பகுப்பாய்வு கூறு](../../../../translated_images/ta/dataanalysis-cover.8d6d0683a70a5c1e.webp) தரவு பகுப்பாய்வை நீங்கள் பயன்படுத்த வேண்டிய சூழல்கள்: diff --git a/translations/ta/9-Real-World/README.md b/translations/ta/9-Real-World/README.md index 43ca05f28..53668de5b 100644 --- a/translations/ta/9-Real-World/README.md +++ b/translations/ta/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: இந்த பாடத்திட்டத்தின் இந்த பகுதியில், பாரம்பரிய ML-இன் சில நிஜ உலக பயன்பாடுகளை நீங்கள் அறிந்து கொள்ளுவீர்கள். நாங்கள் இணையத்தில் தேடிப்பார்த்து, நரம்பியல் வலைகள், ஆழமான கற்றல் மற்றும் AI-ஐ ככלவியளவு தவிர்த்து, இந்த உத்திகளை பயன்படுத்திய பயன்பாடுகள் பற்றிய வெள்ளை ஆவணங்கள் மற்றும் கட்டுரைகளை கண்டுபிடித்துள்ளோம். ML வணிக அமைப்புகள், சுற்றுச்சூழல் பயன்பாடுகள், நிதி, கலை மற்றும் கலாச்சாரம் மற்றும் பலவற்றில் எப்படி பயன்படுத்தப்படுகிறது என்பதை அறிக. -![chess](../../../translated_images/ta/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ta/chess.e704a268781bdad8.webp) > புகைப்படம் Alexis Fauvet மூலம் Unsplash இல் diff --git a/translations/ta/README.md b/translations/ta/README.md index df5017e29..136fcd5e7 100644 --- a/translations/ta/README.md +++ b/translations/ta/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: நாங்கள் ஒரு Discord "Learn with AI" தொடர் நடத்தி வருகிறோம், மேலும் விவரங்களுக்காக மற்றும் 18 - 30 செப்டம்பர், 2025 அன்று நடைபெறும் நிகழ்ச்சியில் கலந்து கொள்ள [Learn with AI Series](https://aka.ms/learnwithai/discord) என்ற இணைப்பில் சேரவும். Data Science க்கான GitHub Copilot பயன்படுத்துவதற்கான குறிப்புகள் மற்றும் முறைகள் கிடைக்கும். -![AI உடன் கற்றல் தொடர்](../../translated_images/ta/3.9b58fd8d6c373c20.png) +![AI உடன் கற்றல் தொடர்](../../translated_images/ta/3.9b58fd8d6c373c20.webp) # துவக்கர்களுக்கான மெஷின் லெர்னிங் - ஒரு பாடத்திட்டம் @@ -80,7 +80,7 @@ Microsoft இல் உள்ள Cloud Advocates குழு 12 வாரங் சில பாடங்கள் குறுகிய வடிவ வீடியோவாக கிடைக்கின்றன. இவைகளைப் பாடங்களில் நேரடியாக காணலாம், அல்லது கீழ் படத்தை கிளிக் செய்து [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) இல் காணலாம். -[![ML for beginners பேனர்](../../translated_images/ta/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners பேனர்](../../translated_images/ta/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/te/1-Introduction/1-intro-to-ML/README.md b/translations/te/1-Introduction/1-intro-to-ML/README.md index 25e0f5f71..8b641578b 100644 --- a/translations/te/1-Introduction/1-intro-to-ML/README.md +++ b/translations/te/1-Introduction/1-intro-to-ML/README.md @@ -42,7 +42,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## హైప్ కర్వ్ -![ml hype curve](../../../../translated_images/te/hype.07183d711a17aafe.png) +![ml hype curve](../../../../translated_images/te/hype.07183d711a17aafe.webp) > గూగుల్ ట్రెండ్స్ 'మెషీన్ లెర్నింగ్' పదం యొక్క తాజా 'హైప్ కర్వ్' ను చూపిస్తుంది @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: --- ## AI, ML, డీప్ లెర్నింగ్ -![AI, ML, deep learning, data science](../../../../translated_images/te/ai-ml-ds.537ea441b124ebf6.png) +![AI, ML, deep learning, data science](../../../../translated_images/te/ai-ml-ds.537ea441b124ebf6.webp) > AI, ML, డీప్ లెర్నింగ్ మరియు డేటా సైన్స్ మధ్య సంబంధాలను చూపించే డయాగ్రామ్. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా, ఈ గ్రాఫిక్ ఆధారంగా [ఇది](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) diff --git a/translations/te/1-Introduction/2-history-of-ML/README.md b/translations/te/1-Introduction/2-history-of-ML/README.md index 90c4cd69a..e788d1a0c 100644 --- a/translations/te/1-Introduction/2-history-of-ML/README.md +++ b/translations/te/1-Introduction/2-history-of-ML/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # మెషీన్ లెర్నింగ్ చరిత్ర -![మెషీన్ లెర్నింగ్ చరిత్ర యొక్క సారాంశం స్కెచ్ నోట్‌లో](../../../../translated_images/te/ml-history.a1bdfd4ce1f464d9.png) +![మెషీన్ లెర్నింగ్ చరిత్ర యొక్క సారాంశం స్కెచ్ నోట్‌లో](../../../../translated_images/te/ml-history.a1bdfd4ce1f464d9.webp) > స్కెచ్ నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా ## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -71,14 +71,14 @@ CO_OP_TRANSLATOR_METADATA: * [షేకీ రోబోట్](https://wikipedia.org/wiki/Shakey_the_robot), ఇది చురుకైన విధంగా పనులు చేయగలదు మరియు నిర్ణయాలు తీసుకోగలదు. - ![షేకీ, ఒక తెలివైన రోబోట్](../../../../translated_images/te/shakey.4dc17819c447c05b.jpg) + ![షేకీ, ఒక తెలివైన రోబోట్](../../../../translated_images/te/shakey.4dc17819c447c05b.webp) > 1972లో షేకీ --- * ఎలిజా, ఒక ప్రారంభ 'చాటర్‌బాట్', ప్రజలతో సంభాషించగలదు మరియు ప్రాథమిక 'థెరపిస్ట్'గా పనిచేయగలదు. మీరు NLP పాఠాలలో ఎలిజా గురించి మరింత తెలుసుకుంటారు. - ![ఎలిజా, ఒక బాట్](../../../../translated_images/te/eliza.84397454cda9559b.png) + ![ఎలిజా, ఒక బాట్](../../../../translated_images/te/eliza.84397454cda9559b.webp) > ఎలిజా యొక్క ఒక వెర్షన్, ఒక చాట్‌బాట్ --- diff --git a/translations/te/1-Introduction/3-fairness/README.md b/translations/te/1-Introduction/3-fairness/README.md index 06a5bcce2..10043be6c 100644 --- a/translations/te/1-Introduction/3-fairness/README.md +++ b/translations/te/1-Introduction/3-fairness/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # బాధ్యతాయుత AIతో మెషీన్ లెర్నింగ్ పరిష్కారాలను నిర్మించడం -![మెషీన్ లెర్నింగ్‌లో బాధ్యతాయుత AI యొక్క సారాంశం స్కెచ్ నోట్](../../../../translated_images/te/ml-fairness.ef296ebec6afc98a.png) +![మెషీన్ లెర్నింగ్‌లో బాధ్యతాయుత AI యొక్క సారాంశం స్కెచ్ నోట్](../../../../translated_images/te/ml-fairness.ef296ebec6afc98a.webp) > స్కెచ్ నోట్: [Tomomi Imura](https://www.twitter.com/girlie_mac) ## [పూర్వ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -51,10 +51,10 @@ AI వ్యవస్థలు అందరితో సమానంగా వ - **అధిక లేదా తక్కువ ప్రాతినిధ్యం**. ఒక నిర్దిష్ట గుంపు ఒక నిర్దిష్ట వృత్తిలో కనిపించకపోవడం, మరియు ఆ సేవ లేదా ఫంక్షన్ ఆ గుంపును ప్రోత్సహించడం హానికరంగా మారడం. - **స్టీరియోటైపింగ్**. ఒక గుంపును ముందుగా కేటాయించిన లక్షణాలతో అనుసంధానం చేయడం. ఉదాహరణకు, ఆంగ్లం మరియు టర్కిష్ మధ్య భాషా అనువాద వ్యవస్థలో లింగానికి సంబంధించిన స్టీరియోటైపికల్ పదాల కారణంగా తప్పులు ఉండవచ్చు. -![translation to Turkish](../../../../translated_images/te/gender-bias-translate-en-tr.f185fd8822c2d437.png) +![translation to Turkish](../../../../translated_images/te/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > టర్కిష్‌కు అనువాదం -![translation back to English](../../../../translated_images/te/gender-bias-translate-tr-en.4eee7e3cecb8c70e.png) +![translation back to English](../../../../translated_images/te/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) > ఇంగ్లీష్‌కు తిరిగి అనువాదం AI వ్యవస్థలను రూపకల్పన మరియు పరీక్షల సమయంలో, AI న్యాయసమ్మతమైనదిగా ఉండాలని మరియు పక్షపాత లేదా వివక్షాత్మక నిర్ణయాలు తీసుకోకుండా ప్రోగ్రామ్ చేయబడకూడదని నిర్ధారించాలి, ఇవి మానవులు కూడా చేయకూడదు. AI మరియు మెషీన్ లెర్నింగ్‌లో న్యాయసమ్మతతను హామీ చేయడం ఒక క్లిష్టమైన సామాజిక సాంకేతిక సవాలు. @@ -97,7 +97,7 @@ AI వ్యవస్థలు అర్థమయ్యే విధంగా AI వ్యవస్థలను రూపకల్పన మరియు అమలు చేసే వారు వారి వ్యవస్థలు ఎలా పనిచేస్తాయో బాధ్యత వహించాలి. ముఖచిత్ర గుర్తింపు వంటి సున్నితమైన సాంకేతికతలతో బాధ్యత అవసరం మరింత కీలకం. ఇటీవల, ముఖచిత్ర గుర్తింపు సాంకేతికతకు పెరుగుతున్న డిమాండ్ ఉంది, ముఖ్యంగా మిస్సింగ్ పిల్లలను కనుగొనడంలో ఈ సాంకేతికత ఉపయోగపడుతుందని భావించే చట్ట అమలాదారుల నుండి. అయితే, ఈ సాంకేతికతలు ప్రభుత్వాలు తమ పౌరుల ప్రాథమిక స్వేచ్ఛలను ప్రమాదంలో పెట్టడానికి ఉపయోగించవచ్చు, ఉదాహరణకు నిర్దిష్ట వ్యక్తులపై నిరంతర పర్యవేక్షణను సులభతరం చేయడం. అందువల్ల, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు వారి AI వ్యవస్థ వ్యక్తులు లేదా సమాజంపై ఎలా ప్రభావం చూపుతుందో బాధ్యత వహించాలి. -[![ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణపై ప్రముఖ AI పరిశోధకుడు హెచ్చరిస్తున్నారు](../../../../translated_images/te/accountability.41d8c0f4b85b6231.png)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణపై ప్రముఖ AI పరిశోధకుడు హెచ్చరిస్తున్నారు](../../../../translated_images/te/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") > 🎥 వీడియో కోసం పై చిత్రాన్ని క్లిక్ చేయండి: ముఖచిత్ర గుర్తింపు ద్వారా భారీ పర్యవేక్షణ హెచ్చరికలు diff --git a/translations/te/1-Introduction/4-techniques-of-ML/README.md b/translations/te/1-Introduction/4-techniques-of-ML/README.md index 9b1ce9cab..835fcbc77 100644 --- a/translations/te/1-Introduction/4-techniques-of-ML/README.md +++ b/translations/te/1-Introduction/4-techniques-of-ML/README.md @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: 🎓 **అండర్‌ఫిట్టింగ్** మరియు **ఓవర్‌ఫిట్టింగ్** సాధారణ సమస్యలు, ఇవి మోడల్ నాణ్యతను తగ్గిస్తాయి, ఎందుకంటే మోడల్ సరైన రీతిలో సరిపోలడం లేదా ఎక్కువగా సరిపోలడం లేదు. ఓవర్‌ఫిట్ మోడల్ శిక్షణ డేటాను చాలా బాగా పూర్వానుమానిస్తుంది, ఎందుకంటే అది డేటా వివరాలు మరియు శబ్దాన్ని బాగా నేర్చుకుంది. అండర్‌ఫిట్ మోడల్ ఖచ్చితంగా లేదు, ఎందుకంటే అది తన శిక్షణ డేటాను లేదా ఇప్పటి వరకు 'చూసిన' డేటాను సరిగ్గా విశ్లేషించలేకపోతుంది. -![overfitting model](../../../../translated_images/te/overfitting.1c132d92bfd93cb6.png) +![overfitting model](../../../../translated_images/te/overfitting.1c132d92bfd93cb6.webp) > ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా ## పారామీటర్ ట్యూనింగ్ diff --git a/translations/te/1-Introduction/README.md b/translations/te/1-Introduction/README.md index 645d78e9f..60aa27670 100644 --- a/translations/te/1-Introduction/README.md +++ b/translations/te/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు మెషీన్ లెర్నింగ్ రంగానికి ఆధారమైన మూల భావనలను, అది ఏమిటి, మరియు పరిశోధకులు దీని తో పని చేయడానికి ఉపయోగించే చరిత్ర మరియు సాంకేతికతలను తెలుసుకుంటారు. ఈ కొత్త ML ప్రపంచాన్ని కలిసి అన్వేషిద్దాం! -![globe](../../../translated_images/te/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/te/globe.59f26379ceb40428.webp) > ఫోటో బిల్ ఆక్స్ఫర్డ్ ద్వారా అన్స్ప్లాష్ ### పాఠాలు diff --git a/translations/te/2-Regression/1-Tools/README.md b/translations/te/2-Regression/1-Tools/README.md index 7e317d60f..47e010358 100644 --- a/translations/te/2-Regression/1-Tools/README.md +++ b/translations/te/2-Regression/1-Tools/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # రిగ్రెషన్ మోడల్స్ కోసం Python మరియు Scikit-learn తో ప్రారంభించండి -![Summary of regressions in a sketchnote](../../../../translated_images/te/ml-regression.4e4f70e3b3ed446e.png) +![Summary of regressions in a sketchnote](../../../../translated_images/te/ml-regression.4e4f70e3b3ed446e.webp) > Sketchnote by [Tomomi Imura](https://www.twitter.com/girlie_mac) @@ -81,7 +81,7 @@ CO_OP_TRANSLATOR_METADATA: hello notebook ``` -![VS Code with a notebook open](../../../../translated_images/te/notebook.4a3ee31f396b8832.jpg) +![VS Code with a notebook open](../../../../translated_images/te/notebook.4a3ee31f396b8832.webp) మీరు మీ కోడ్‌ను వ్యాఖ్యలతో కలిపి నోట్బుక్‌ను స్వయంగా డాక్యుమెంట్ చేయవచ్చు. @@ -212,7 +212,7 @@ Scikit-learn మోడల్స్ నిర్మించడం మరియ plt.show() ``` - ![a scatterplot showing datapoints around diabetes](../../../../translated_images/te/scatterplot.ad8b356bcbb33be6.png) + ![a scatterplot showing datapoints around diabetes](../../../../translated_images/te/scatterplot.ad8b356bcbb33be6.webp) ✅ ఇక్కడ ఏమి జరుగుతుందో కొంచెం ఆలోచించండి. ఒక సరళ రేఖ అనేక చిన్న డాటా బిందువుల ద్వారా నడుస్తోంది, కానీ అది నిజంగా ఏమి చేస్తోంది? మీరు ఈ రేఖను ఉపయోగించి కొత్త, చూడని డాటా పాయింట్ ప్లాట్ యొక్క y అక్షానికి సంబంధించి ఎక్కడ సరిపోతుందో ఎలా అంచనా వేయాలో చూడగలరా? ఈ మోడల్ యొక్క ప్రాక్టికల్ ఉపయోగాన్ని పదాలలో వ్యక్తం చేయడానికి ప్రయత్నించండి. అభినందనలు, మీరు మీ మొదటి లీనియర్ రిగ్రెషన్ మోడల్‌ను నిర్మించారు, దానితో ఒక అంచనాను సృష్టించారు, మరియు దాన్ని ఒక ప్లాట్‌లో ప్రదర్శించారు! diff --git a/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index cf7bc06a4..6da4429fe 100644 --- a/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/te/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -46,11 +46,11 @@ "అందువల్ల, ఈ పనిని ప్రారంభిద్దాం!\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/te/2-Regression/2-Data/README.md b/translations/te/2-Regression/2-Data/README.md index 5a0e4d513..22003f6d9 100644 --- a/translations/te/2-Regression/2-Data/README.md +++ b/translations/te/2-Regression/2-Data/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ఉపయోగించి రిగ్రెషన్ మోడల్ నిర్మించండి: డేటాను సిద్ధం చేయండి మరియు విజువలైజ్ చేయండి -![డేటా విజువలైజేషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/data-visualization.54e56dded7c1a804.png) +![డేటా విజువలైజేషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/data-visualization.54e56dded7c1a804.webp) ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా @@ -183,7 +183,7 @@ Jupyter నోట్బుక్స్‌లో బాగా పనిచేస plt.show() ``` - ![ధర మరియు నెల సంబంధాన్ని చూపించే స్కాటర్‌ప్లాట్](../../../../translated_images/te/scatterplot.b6868f44cbd2051c.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే స్కాటర్‌ప్లాట్](../../../../translated_images/te/scatterplot.b6868f44cbd2051c.webp) ఇది ఉపయోగకరమైన ప్లాట్నా? ఇందులో ఏదైనా ఆశ్చర్యకరమైనది ఉందా? @@ -200,7 +200,7 @@ Jupyter నోట్బుక్స్‌లో బాగా పనిచేస plt.ylabel("Pumpkin Price") ``` - ![ధర మరియు నెల సంబంధాన్ని చూపించే బార్ చార్ట్](../../../../translated_images/te/barchart.a833ea9194346d76.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే బార్ చార్ట్](../../../../translated_images/te/barchart.a833ea9194346d76.webp) ఇది మరింత ఉపయోగకరమైన డేటా విజువలైజేషన్! ఇది పంప్కిన్ ధర సెప్టెంబర్ మరియు అక్టోబర్‌లో అత్యధికంగా ఉంటుందని సూచిస్తుంది. ఇది మీ అంచనాకు సరిపోతుందా? ఎందుకు లేదా ఎందుకు కాదు? diff --git a/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 26a52807f..f834b13a5 100644 --- a/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/te/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -45,7 +45,7 @@ "\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst
\n" ], @@ -224,12 +224,12 @@ "\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -531,12 +531,12 @@ "## 4. ggplot2 తో డేటా విజువలైజేషన్\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n", + "\n", "\n", "ఇలా ఒక *జ్ఞానవంతమైన* మాట ఉంది:\n", "\n", diff --git a/translations/te/2-Regression/3-Linear/README.md b/translations/te/2-Regression/3-Linear/README.md index a8ce59e26..3f4de0822 100644 --- a/translations/te/2-Regression/3-Linear/README.md +++ b/translations/te/2-Regression/3-Linear/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # Scikit-learn ఉపయోగించి రిగ్రెషన్ మోడల్ నిర్మించండి: రిగ్రెషన్ నాలుగు విధానాలు -![లీనియర్ vs పాలినోమియల్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-polynomial.5523c7cb6576ccab.png) +![లీనియర్ vs పాలినోమియల్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-polynomial.5523c7cb6576ccab.webp) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -66,13 +66,13 @@ CO_OP_TRANSLATOR_METADATA: > > `X` అనేది 'వివరణాత్మక వేరియబుల్'. `Y` అనేది 'ఆధారిత వేరియబుల్'. లైన్ యొక్క స్లోప్ `b` మరియు `a` y-ఇంటర్సెప్ట్, అంటే `X = 0` ఉన్నప్పుడు `Y` విలువ. > ->![స్లోప్ లెక్కించండి](../../../../translated_images/te/slope.f3c9d5910ddbfcf9.png) +>![స్లోప్ లెక్కించండి](../../../../translated_images/te/slope.f3c9d5910ddbfcf9.webp) > > మొదట, స్లోప్ `b` లెక్కించండి. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా > > మరొక మాటలో చెప్పాలంటే, మా పంప్కిన్ డేటా యొక్క అసలు ప్రశ్నకు సంబంధించి: "నెల వారీగా పంప్కిన్ ధర అంచనా వేయండి", `X` ధరకు సూచిస్తుంది మరియు `Y` అమ్మకాల నెలకు సూచిస్తుంది. > ->![సమీకరణ పూర్తి చేయండి](../../../../translated_images/te/calculation.a209813050a1ddb1.png) +>![సమీకరణ పూర్తి చేయండి](../../../../translated_images/te/calculation.a209813050a1ddb1.webp) > > Y విలువ లెక్కించండి. మీరు సుమారు $4 చెల్లిస్తుంటే, అది ఏప్రిల్ కావాలి! ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా > @@ -114,11 +114,11 @@ day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt. మునుపటి పాఠం నుండి మీరు చూసినట్లయితే, వివిధ నెలల సగటు ధర ఇలా ఉంటుంది: -నెల వారీ సగటు ధర +నెల వారీ సగటు ధర ఇది కొంత సహసంబంధం ఉండాలని సూచిస్తుంది, మరియు మేము `నెల` మరియు `ధర` మధ్య లేదా `DayOfYear` మరియు `ధర` మధ్య సంబంధాన్ని అంచనా వేయడానికి లీనియర్ రిగ్రెషన్ మోడల్ శిక్షణ ఇవ్వవచ్చు. క్రింది స్కాటర్ ప్లాట్ ఆ తర్వాత సంబంధాన్ని చూపిస్తుంది: -ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ `corr` ఫంక్షన్ ఉపయోగించి సహసంబంధం ఉందా చూద్దాం: @@ -137,7 +137,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` -ధర vs. సంవత్సరం లో రోజు రంగు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు రంగు స్కాటర్ ప్లాట్ మా పరిశీలన ప్రకారం, రకం అమ్మకాల తేదీ కంటే మొత్తం ధరపై ఎక్కువ ప్రభావం చూపుతుంది. దీన్ని బార్ గ్రాఫ్‌తో చూడవచ్చు: @@ -145,7 +145,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` -ధర vs రకం బార్ గ్రాఫ్ +ధర vs రకం బార్ గ్రాఫ్ ఇప్పుడు మనం కేవలం ఒక పంప్కిన్ రకం, 'పై టైప్' పై దృష్టి పెట్టి, తేదీ ధరపై ఎలాంటి ప్రభావం చూపుతుందో చూద్దాం: @@ -153,7 +153,7 @@ new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ +ధర vs. సంవత్సరం లో రోజు స్కాటర్ ప్లాట్ ఇప్పుడు `corr` ఫంక్షన్ ఉపయోగించి `ధర` మరియు `DayOfYear` మధ్య సహసంబంధం లెక్కిస్తే, సుమారు `-0.27` వస్తుంది - అంటే అంచనా వేయగల మోడల్ శిక్షణ ఇవ్వడం అర్థం. @@ -228,7 +228,7 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -Linear regression +Linear regression ## పాలినోమియల్ రిగ్రెషన్ @@ -257,7 +257,7 @@ pipeline.fit(X_train,y_train) Pipelines ను అసలు `LinearRegression` ఆబ్జెక్ట్ లాగా ఉపయోగించవచ్చు, అంటే మేము pipeline ను `fit` చేసి, ఆపై `predict` ఉపయోగించి అంచనా ఫలితాలు పొందవచ్చు. ఇక్కడ టెస్ట్ డేటా మరియు సన్నిహిత వక్రీకరణ వక్రాన్ని చూపించే గ్రాఫ్ ఉంది: -Polynomial regression +Polynomial regression పాలినోమియల్ రిగ్రెషన్ ఉపయోగించి, మేము కొంచెం తక్కువ MSE మరియు ఎక్కువ నిర్ణయ సహగుణం పొందవచ్చు, కానీ గణనీయంగా కాదు. మేము ఇతర ఫీచర్లను కూడా పరిగణలోకి తీసుకోవాలి! @@ -275,7 +275,7 @@ Pipelines ను అసలు `LinearRegression` ఆబ్జెక్ట్ ల ఇక్కడ మీరు వేరియటీపై సగటు ధర ఎలా ఆధారపడి ఉందో చూడవచ్చు: -Average price by variety +Average price by variety వేరియటీని పరిగణలోకి తీసుకోవడానికి, ముందుగా దాన్ని సంఖ్యాత్మక రూపంలోకి మార్చాలి, లేదా **ఎంకోడ్** చేయాలి. దీని కోసం కొన్ని మార్గాలు ఉన్నాయి: diff --git a/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 342348791..ab84e9685 100644 --- a/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/te/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -37,12 +37,12 @@ "source": [ "## Linear and Polynomial Regression for Pumpkin Pricing - పాఠం 3\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n", + "\n", "\n", "#### పరిచయం\n", "\n", @@ -161,12 +161,12 @@ "## **2. డేటాతో నృత్యం: మోడలింగ్ కోసం ఉపయోగించే డేటా ఫ్రేమ్ సృష్టించడం**\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -455,7 +455,7 @@ "దానికి, మీరు రెండు మరిన్ని క్రియలు అవసరం: `prep()` మరియు `bake()` మరియు ఎప్పుడూ లాగా, మన చిన్న R స్నేహితులు [`Allison Horst`](https://github.com/allisonhorst/stats-illustrations) మీకు దీన్ని బాగా అర్థం చేసుకోవడంలో సహాయపడతారు!\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], @@ -566,12 +566,12 @@ "## 4. లీనియర్ రిగ్రెషన్ మోడల్ నిర్మించండి\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దసాని మడిపల్లి
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -808,7 +808,7 @@ "## 5. పాలినోమియల్ రిగ్రెషన్ మోడల్‌ను నిర్మించండి\n", "\n", "

\n", - " \n", "

దాసాని మడిపల్లి ద్వారా ఇన్ఫోగ్రాఫిక్
\n" ], diff --git a/translations/te/2-Regression/4-Logistic/README.md b/translations/te/2-Regression/4-Logistic/README.md index 730a5994f..ae15731ec 100644 --- a/translations/te/2-Regression/4-Logistic/README.md +++ b/translations/te/2-Regression/4-Logistic/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # వర్గాలను అంచనా వేయడానికి లాజిస్టిక్ రిగ్రెషన్ -![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.png) +![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.webp) ## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ml/) @@ -52,7 +52,7 @@ CO_OP_TRANSLATOR_METADATA: లాజిస్టిక్ రిగ్రెషన్ లీనియర్ రిగ్రెషన్ లాంటి లక్షణాలను అందించదు. మొదటిది ద్విభాగ వర్గం గురించి అంచనా ఇస్తుంది ("వైట్ లేదా వైట్ కాదు") కానీ రెండవది నిరంతర విలువలను అంచనా వేయగలదు, ఉదాహరణకు పంప్కిన్ మూలం మరియు పంట కోత సమయం ఇచ్చినప్పుడు, _దాని ధర ఎంత పెరుగుతుందో_. -![Pumpkin classification Model](../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.png) +![Pumpkin classification Model](../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.webp) > ఇన్ఫోగ్రాఫిక్: [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ### ఇతర వర్గీకరణలు @@ -62,7 +62,7 @@ CO_OP_TRANSLATOR_METADATA: - **మల్టినోమియల్**, అంటే ఒక కంటే ఎక్కువ వర్గాలు ఉండటం - "ఆరెంజ్, వైట్, మరియు స్ట్రైప్డ్". - **ఆర్డినల్**, అంటే క్రమబద్ధమైన వర్గాలు, ఉదాహరణకు మన పంప్కిన్లు పరిమాణాల క్రమంలో (మినీ, చిన్న, మధ్య, పెద్ద, ఎక్స్ ఎల్, డబుల్ ఎక్స్ ఎల్) ఉంటే ఉపయోగపడుతుంది. -![మల్టినోమియల్ vs ఆర్డినల్ రిగ్రెషన్](../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.png) +![మల్టినోమియల్ vs ఆర్డినల్ రిగ్రెషన్](../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.webp) ### వేరియబుల్స్ తప్పనిసరిగా సంబంధం ఉండాల్సిన అవసరం లేదు @@ -120,7 +120,7 @@ Seaborn మీ డేటాను విజువలైజ్ చేయడాన ) ``` - ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/te/pumpkins_catplot_1.c55c409b71fea2ec.png) + ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/te/pumpkins_catplot_1.c55c409b71fea2ec.webp) డేటాను పరిశీలించి, మీరు Color డేటా Variety తో ఎలా సంబంధం ఉన్నదో చూడవచ్చు. @@ -199,7 +199,7 @@ Seaborn మీ డేటాను విజువలైజ్ చేయడాన g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6)) g.set_titles(row_template="{row_name}") ``` -![విజువలైజ్ చేసిన డేటా క్యాట్‌ప్లాట్](../../../../translated_images/te/pumpkins_catplot_2.87a354447880b388.png) +![విజువలైజ్ చేసిన డేటా క్యాట్‌ప్లాట్](../../../../translated_images/te/pumpkins_catplot_2.87a354447880b388.webp) ### స్వార్మ్ ప్లాట్ ఉపయోగించండి @@ -217,7 +217,7 @@ Seaborn ప్లాట్లతో వేరియబుల్స్ ను ప sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette) ``` - ![విజువలైజ్ చేసిన డేటా స్వార్మ్](../../../../translated_images/te/swarm_2.efeacfca536c2b57.png) + ![విజువలైజ్ చేసిన డేటా స్వార్మ్](../../../../translated_images/te/swarm_2.efeacfca536c2b57.webp) **జాగ్రత్త**: పై కోడ్ ఒక హెచ్చరికను ఉత్పత్తి చేయవచ్చు, ఎందుకంటే seaborn ఇంత పెద్ద డేటా పాయింట్లను స్వార్మ్ ప్లాట్ లో చూపించలేకపోవచ్చు. ఒక పరిష్కారం 'size' పారామీటర్ ఉపయోగించి మార్కర్ పరిమాణం తగ్గించడం. అయితే, ఇది ప్లాట్ చదవడాన్ని ప్రభావితం చేస్తుంది. @@ -225,7 +225,7 @@ Seaborn ప్లాట్లతో వేరియబుల్స్ ను ప > > లాజిస్టిక్ రిగ్రెషన్ 'మాక్సిమమ్ లైక్లిహుడ్' సూత్రంపై ఆధారపడి ఉంటుంది, [సిగ్మాయిడ్ ఫంక్షన్లు](https://wikipedia.org/wiki/Sigmoid_function) ఉపయోగించి. ఒక 'సిగ్మాయిడ్ ఫంక్షన్' ప్లాట్ లో 'S' ఆకారంలో ఉంటుంది. ఇది ఒక విలువ తీసుకుని 0 మరియు 1 మధ్య ఎక్కడో మ్యాప్ చేస్తుంది. దీని వక్రరేఖను 'లాజిస్టిక్ వక్రరేఖ' అంటారు. దీని సూత్రం ఇలా ఉంటుంది: > -> ![లాజిస్టిక్ ఫంక్షన్](../../../../translated_images/te/sigmoid.8b7ba9d095c789cf.png) +> ![లాజిస్టిక్ ఫంక్షన్](../../../../translated_images/te/sigmoid.8b7ba9d095c789cf.webp) > > ఇక్కడ సిగ్మాయిడ్ మధ్యబిందువు x యొక్క 0 పాయింట్ వద్ద ఉంటుంది, L వక్రరేఖ గరిష్ట విలువ, k వక్రత యొక్క తీవ్రత. ఫంక్షన్ ఫలితం 0.5 కంటే ఎక్కువ అయితే, ఆ లేబుల్ '1' అనే ద్విభాగ ఎంపికకు ఇవ్వబడుతుంది. లేకపోతే, '0' గా వర్గీకరించబడుతుంది. @@ -374,7 +374,7 @@ plt.show() Matplotlib ఉపయోగించి, మోడల్ యొక్క [Receiving Operating Characteristic](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) లేదా ROC ను ప్లాట్ చేయండి. ROC వక్రాలు తరచుగా క్లాసిఫయర్ అవుట్పుట్ ను నిజమైన మరియు తప్పు పాజిటివ్స్ పరంగా చూడటానికి ఉపయోగిస్తారు. "ROC వక్రాలు సాధారణంగా Y అక్షంపై నిజమైన పాజిటివ్ రేటును, X అక్షంపై తప్పు పాజిటివ్ రేటును చూపిస్తాయి." కాబట్టి వక్రం యొక్క తిప్పట మరియు మధ్య రేఖ మరియు వక్రం మధ్య ఉన్న స్థలం ముఖ్యం: మీరు త్వరగా పైకి వెళ్లి రేఖను దాటే వక్రం కావాలి. మన కేసులో, మొదట కొన్ని తప్పు పాజిటివ్స్ ఉన్నాయి, ఆ తర్వాత రేఖ సరిగ్గా పైకి వెళ్లి దాటుతుంది: -![ROC](../../../../translated_images/te/ROC_2.777f20cdfc4988ca.png) +![ROC](../../../../translated_images/te/ROC_2.777f20cdfc4988ca.webp) చివరగా, Scikit-learn యొక్క [`roc_auc_score` API](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) ఉపయోగించి వాస్తవ 'Area Under the Curve' (AUC) ను లెక్కించండి: diff --git a/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index cf864a0d2..4c5dc547b 100644 --- a/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/te/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## లాజిస్టిక్ రిగ్రెషన్ మోడల్ నిర్మాణం - పాఠం 4\n", "\n", - "![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[పూర్వ-ఉపన్యాస క్విజ్](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "లాజిస్టిక్ రిగ్రెషన్ లీనియర్ రిగ్రెషన్ వంటి లక్షణాలను అందించదు. ముందటి ఒక `బైనరీ వర్గం` (\"ఆరెంజ్ లేదా ఆరెంజ్ కాదు\") గురించి అంచనాను అందిస్తుంది, అయితే తర్వాతి `కొనసాగుతున్న విలువలను` అంచనా వేయగలదు, ఉదాహరణకు పండ్ల ఉత్పత్తి ప్రాంతం మరియు కోత సమయం ఇచ్చినప్పుడు, *దాని ధర ఎంత పెరుగుతుంది*.\n", "\n", - "![Infographic by Dasani Madipalli](../../../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### ఇతర వర్గీకరణలు\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **ఆర్డినల్**, ఇది క్రమబద్ధమైన వర్గాలను కలిగి ఉంటుంది, మన ఫలితాలను తార్కికంగా క్రమబద్ధీకరించాలనుకుంటే ఉపయోగపడుతుంది, ఉదాహరణకు మన పండ్లు పరిమాణాల పరిమిత సంఖ్య (మినీ, చిన్న, మధ్య, పెద్ద, ఎక్స్ ఎల్, ఎక్స్ ఎక్స్ ఎల్) ద్వారా క్రమబద్ధీకరించబడ్డాయి.\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **వేరియబుల్స్ అనుసంధానం అవసరం లేదు**\n", "\n", diff --git a/translations/te/2-Regression/README.md b/translations/te/2-Regression/README.md index 3b28fe668..406741694 100644 --- a/translations/te/2-Regression/README.md +++ b/translations/te/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: ఉత్తర అమెరికాలో, హాలోవీన్ కోసం పంప్కిన్లను తరచుగా భయంకరమైన ముఖాలుగా కోసి తయారు చేస్తారు. ఈ ఆకర్షణీయమైన కూరగాయల గురించి మరింత తెలుసుకుందాం! -![jack-o-lanterns](../../../translated_images/te/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/te/jack-o-lanterns.181c661a9212457d.webp) > ఫోటో బెత్ ట్యూట్ష్మాన్ ద్వారా అన్స్ప్లాష్ లో ## మీరు నేర్చుకునేది diff --git a/translations/te/3-Web-App/README.md b/translations/te/3-Web-App/README.md index af1b83bfb..3ab7497cc 100644 --- a/translations/te/3-Web-App/README.md +++ b/translations/te/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు ఒక అన్వయించిన ML అంశాన్ని పరిచయం చేయబడతారు: మీ Scikit-learn మోడల్‌ను ఫైల్‌గా ఎలా సేవ్ చేయాలో, అది వెబ్ అప్లికేషన్‌లో అంచనాలు చేయడానికి ఉపయోగించవచ్చు. మోడల్ సేవ్ అయిన తర్వాత, మీరు దాన్ని Flaskలో నిర్మించిన వెబ్ యాప్‌లో ఎలా ఉపయోగించాలో నేర్చుకుంటారు. మీరు మొదట UFO సాక్ష్యాల గురించి ఉన్న కొన్ని డేటాతో ఒక మోడల్‌ను సృష్టిస్తారు! ఆ తర్వాత, మీరు సెకన్ల సంఖ్య, అక్షాంశం మరియు రేఖాంశం విలువలను ఇన్‌పుట్‌గా ఇచ్చి ఏ దేశం UFO చూసిందని అంచనా వేయగల వెబ్ యాప్‌ను నిర్మిస్తారు. -![UFO Parking](../../../translated_images/te/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/te/ufo.9e787f5161da9d4d.webp) ఫోటో Michael Herren ద్వారా Unsplash diff --git a/translations/te/4-Classification/1-Introduction/README.md b/translations/te/4-Classification/1-Introduction/README.md index 4af301aeb..2097219c6 100644 --- a/translations/te/4-Classification/1-Introduction/README.md +++ b/translations/te/4-Classification/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ నాలుగు పాఠాలలో, మీరు క్లాసిక్ మెషీన్ లెర్నింగ్ యొక్క ఒక ప్రాథమిక దృష్టి - _వర్గీకరణ_ ను అన్వేషించబోతున్నారు. ఆసియా మరియు భారతదేశంలోని అన్ని అద్భుతమైన వంటకాల గురించి డేటాసెట్‌తో వివిధ వర్గీకరణ అల్గోరిథమ్స్ ఉపయోగించడం ద్వారా మనం నడవబోతున్నాము. మీరు ఆకలిగా ఉన్నారని ఆశిస్తున్నాము! -![just a pinch!](../../../../translated_images/te/pinch.1b035ec9ba7e0d40.png) +![just a pinch!](../../../../translated_images/te/pinch.1b035ec9ba7e0d40.webp) > ఈ పాఠాలలో పాన్-ఆసియన్ వంటకాలను జరుపుకోండి! చిత్రం [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా @@ -38,7 +38,7 @@ CO_OP_TRANSLATOR_METADATA: ప్రక్రియను మరింత శాస్త్రీయంగా చెప్పాలంటే, మీ వర్గీకరణ పద్ధతి ఇన్‌పుట్ వేరియబుల్స్ మరియు అవుట్‌పుట్ వేరియబుల్స్ మధ్య సంబంధాన్ని మ్యాప్ చేయగల ఒక అంచనా మోడల్‌ను సృష్టిస్తుంది. -![binary vs. multiclass classification](../../../../translated_images/te/binary-multiclass.b56d0c86c81105a6.png) +![binary vs. multiclass classification](../../../../translated_images/te/binary-multiclass.b56d0c86c81105a6.webp) > వర్గీకరణ అల్గోరిథమ్స్ నిర్వహించాల్సిన బైనరీ మరియు బహుళ వర్గ సమస్యలు. ఇన్ఫోగ్రాఫిక్ [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా @@ -134,7 +134,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది df.cuisine.value_counts().plot.barh() ``` - ![cuisine data distribution](../../../../translated_images/te/cuisine-dist.d0cc2d551abe5c25.png) + ![cuisine data distribution](../../../../translated_images/te/cuisine-dist.d0cc2d551abe5c25.webp) వంటకాల సంఖ్య పరిమితి ఉన్నప్పటికీ, డేటా పంపిణీ అసమానంగా ఉంది. మీరు దీన్ని సరిచేయవచ్చు! ముందుగా, మరింత అన్వేషించండి. @@ -188,7 +188,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది thai_ingredient_df.head(10).plot.barh() ``` - ![thai](../../../../translated_images/te/thai.0269dbab2e78bd38.png) + ![thai](../../../../translated_images/te/thai.0269dbab2e78bd38.webp) 1. జపనీస్ డేటా కోసం అదే చేయండి: @@ -197,7 +197,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది japanese_ingredient_df.head(10).plot.barh() ``` - ![japanese](../../../../translated_images/te/japanese.30260486f2a05c46.png) + ![japanese](../../../../translated_images/te/japanese.30260486f2a05c46.webp) 1. ఇప్పుడు చైనీస్ పదార్థాల కోసం: @@ -206,7 +206,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/te/chinese.e62cafa5309f111a.png) + ![chinese](../../../../translated_images/te/chinese.e62cafa5309f111a.webp) 1. ఇండియన్ పదార్థాలను ప్లాట్ చేయండి: @@ -215,7 +215,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/te/indian.2c4292002af1a1f9.png) + ![indian](../../../../translated_images/te/indian.2c4292002af1a1f9.webp) 1. చివరగా, కొరియన్ పదార్థాలను ప్లాట్ చేయండి: @@ -224,7 +224,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది korean_ingredient_df.head(10).plot.barh() ``` - ![korean](../../../../translated_images/te/korean.4a4f0274f3d9805a.png) + ![korean](../../../../translated_images/te/korean.4a4f0274f3d9805a.webp) 1. ఇప్పుడు, వేర్వేరు వంటకాల మధ్య గందరగోళం సృష్టించే అత్యంత సాధారణ పదార్థాలను `drop()` పిలిచి తొలగించండి: diff --git a/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 14dc7ea0b..398b014c4 100644 --- a/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/te/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -39,7 +39,7 @@ "ఈ నాలుగు పాఠాలలో, మీరు క్లాసిక్ మెషీన్ లెర్నింగ్ యొక్క ఒక ప్రాథమిక దృష్టిని అన్వేషించబోతున్నారు - *వర్గీకరణ*. ఆసియా మరియు భారతదేశంలోని అన్ని అద్భుతమైన వంటకాల గురించి ఒక డేటాసెట్‌తో వివిధ వర్గీకరణ అల్గోరిథమ్స్ ఉపయోగించడం ద్వారా మనం నడవబోతున్నాము. మీరు ఆకలిగా ఉన్నారని ఆశిస్తున్నాము!\n", "\n", "

\n", - " \n", "

ఈ పాఠాలలో పాన్-ఆసియన్ వంటకాలను జరుపుకోండి! చిత్రం జెన్ లూపర్ ద్వారా
\n", "\n", @@ -65,7 +65,7 @@ "ప్రక్రియను మరింత శాస్త్రీయంగా చెప్పాలంటే, మీ వర్గీకరణ పద్ధతి ఒక అంచనా మోడల్‌ను సృష్టిస్తుంది, ఇది ఇన్‌పుట్ వేరియబుల్స్ మరియు అవుట్‌పుట్ వేరియబుల్స్ మధ్య సంబంధాన్ని మ్యాప్ చేయడానికి సహాయపడుతుంది.\n", "\n", "

\n", - " \n", "

వర్గీకరణ అల్గోరిథమ్స్ నిర్వహించాల్సిన బైనరీ మరియు బహుళ వర్గ సమస్యలు. ఇన్ఫోగ్రాఫిక్ జెన్ లూపర్ ద్వారా
\n", "\n", @@ -227,7 +227,7 @@ "> ఒక [టిబుల్](https://tibble.tidyverse.org/) అనేది ఆధునిక డేటా ఫ్రేమ్.\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst ద్వారా
\n" ], @@ -517,7 +517,7 @@ "## రెసిపీలను ఉపయోగించి డేటాను ప్రీప్రాసెస్ చేయడం 👩‍🍳👨‍🍳 - అసమతుల్య డేటాతో వ్యవహరించడం ⚖️\n", "\n", "

\n", - " \n", "

కళాకృతి @allison_horst
\n", "\n", @@ -713,7 +713,7 @@ "[Cassie Breviu](https://www.twitter.com/cassieview) మరియు [Jen Looper](https://www.twitter.com/jenlooper) కు ఈ మాడ్యూల్ యొక్క అసలు Python సంస్కరణను సృష్టించినందుకు ♥️\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ], diff --git a/translations/te/4-Classification/2-Classifiers-1/README.md b/translations/te/4-Classification/2-Classifiers-1/README.md index 2e14e3239..19cf0e245 100644 --- a/translations/te/4-Classification/2-Classifiers-1/README.md +++ b/translations/te/4-Classification/2-Classifiers-1/README.md @@ -107,7 +107,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ అయితే, మీరు ఏ వర్గీకరణకర్తను ఎంచుకోవాలి? తరచుగా, అనేక వర్గీకరణకర్తలను పరీక్షించి మంచి ఫలితాన్ని చూసే విధానం ఒక పరీక్షా మార్గం. Scikit-learn ఒక [పక్కపక్కన పోలిక](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html)ను సృష్టించిన డేటాసెట్‌పై అందిస్తుంది, ఇందులో KNeighbors, SVC రెండు విధాలుగా, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB మరియు QuadraticDiscrinationAnalysis పోల్చబడతాయి, ఫలితాలు విజువలైజ్ చేయబడ్డాయి: -![వర్గీకరణకర్తల పోలిక](../../../../translated_images/te/comparison.edfab56193a85e7f.png) +![వర్గీకరణకర్తల పోలిక](../../../../translated_images/te/comparison.edfab56193a85e7f.webp) > Scikit-learn డాక్యుమెంటేషన్‌లో రూపొందించిన ప్లాట్లు > AutoML ఈ సమస్యను క్లౌడ్‌లో ఈ పోలికలను నడిపించి, మీ డేటాకు ఉత్తమ అల్గోరిథం ఎంచుకునే అవకాశం ఇస్తూ సులభంగా పరిష్కరిస్తుంది. దీన్ని [ఇక్కడ](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ప్రయత్నించండి @@ -116,7 +116,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ అనుమానించకుండా అంచనా వేయడం కంటే మెరుగైన మార్గం, ఈ డౌన్లోడ్ చేసుకునే [ML చీట్ షీట్](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott)లోని ఆలోచనలను అనుసరించడం. ఇక్కడ, మన మల్టిక్లాస్ సమస్య కోసం కొన్ని ఎంపికలు ఉన్నాయి: -![మల్టిక్లాస్ సమస్యల కోసం చీట్ షీట్](../../../../translated_images/te/cheatsheet.07a475ea444d2223.png) +![మల్టిక్లాస్ సమస్యల కోసం చీట్ షీట్](../../../../translated_images/te/cheatsheet.07a475ea444d2223.webp) > మైక్రోసాఫ్ట్ యొక్క అల్గోరిథం చీట్ షీట్‌లోని ఒక భాగం, మల్టిక్లాస్ వర్గీకరణ ఎంపికలను వివరించడం ✅ ఈ చీట్ షీట్‌ను డౌన్లోడ్ చేసుకుని, ప్రింట్ చేసి, మీ గోడపై పెట్టుకోండి! @@ -147,7 +147,7 @@ Scikit-learn వర్గీకరణను సూపర్వైజ్డ్ Scikit-learn ఈ పట్టికను అందిస్తుంది, వివిధ డేటా నిర్మాణాల సవాళ్లను solverలు ఎలా నిర్వహిస్తాయో వివరించడానికి: -![solverలు](../../../../translated_images/te/solvers.5fc648618529e627.png) +![solverలు](../../../../translated_images/te/solvers.5fc648618529e627.webp) ## వ్యాయామం - డేటాను విభజించండి diff --git a/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb b/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb index 954ff6389..841805799 100644 --- a/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb +++ b/translations/te/4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb @@ -564,7 +564,7 @@ "## 3. మీ క్లాసిఫైయర్‌ను ఎంచుకోవడం\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n" ], @@ -618,7 +618,7 @@ "అనుమానంగా ఊహించడంకంటే మెరుగైన మార్గం, ఈ డౌన్లోడ్ చేసుకునే [ML చీట్ షీట్](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott)లోని ఆలోచనలను అనుసరించడం. ఇక్కడ, మన మల్టిక్లాస్ సమస్య కోసం మనకు కొన్ని ఎంపికలు ఉన్నాయి:\n", "\n", "

\n", - " \n", "

మైక్రోసాఫ్ట్ యొక్క అల్గోరిథమ్ చీట్ షీట్‌లోని ఒక భాగం, మల్టిక్లాస్ వర్గీకరణ ఎంపికలను వివరించడం
\n" ], diff --git a/translations/te/4-Classification/3-Classifiers-2/README.md b/translations/te/4-Classification/3-Classifiers-2/README.md index 36caff54a..0714ecef9 100644 --- a/translations/te/4-Classification/3-Classifiers-2/README.md +++ b/translations/te/4-Classification/3-Classifiers-2/README.md @@ -25,7 +25,7 @@ CO_OP_TRANSLATOR_METADATA: ముందుగా, మీరు మైక్రోసాఫ్ట్ యొక్క చీట్ షీట్ ఉపయోగించి డేటాను వర్గీకరించేటప్పుడు మీకు ఉన్న వివిధ ఎంపికల గురించి తెలుసుకున్నారు. Scikit-learn ఒక సమానమైన, కానీ మరింత సూక్ష్మమైన చీట్ షీట్ అందిస్తుంది, ఇది మీ అంచనాదారులను (ఇంకో పేరు వర్గీకర్తలు) మరింత సన్నిహితంగా తగ్గించడంలో సహాయపడుతుంది: -![ML Map from Scikit-learn](../../../../translated_images/te/map.e963a6a51349425a.png) +![ML Map from Scikit-learn](../../../../translated_images/te/map.e963a6a51349425a.webp) > సూచన: [ఈ మ్యాప్‌ను ఆన్‌లైన్‌లో సందర్శించండి](https://scikit-learn.org/stable/tutorial/machine_learning_map/) మరియు దారిలో క్లిక్ చేసి డాక్యుమెంటేషన్ చదవండి. ### ప్రణాళిక diff --git a/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb b/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb index acae9638d..b9659ea0f 100644 --- a/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb +++ b/translations/te/4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb @@ -90,7 +90,7 @@ "మునుపటి పాఠంలో, మైక్రోసాఫ్ట్ యొక్క చీట్ షీట్ ఉపయోగించి డేటాను వర్గీకరించేటప్పుడు మీకు ఉన్న వివిధ ఎంపికల గురించి నేర్చుకున్నాము. పైథాన్ యొక్క మెషీన్ లెర్నింగ్ ఫ్రేమ్‌వర్క్, స్కైకిట్-లెర్న్, ఒక సమానమైన కానీ మరింత సూక్ష్మమైన చీట్ షీట్‌ను అందిస్తుంది, ఇది మీ అంచనాదారులను (మరొక పదం వర్గీకరణకర్తలకు) మరింత సన్నిహితంగా తగ్గించడంలో సహాయపడుతుంది:\n", "\n", "

\n", - " \n", "

\n" ] @@ -233,7 +233,7 @@ "వర్గీకరణ సందర్భంలో, `సపోర్ట్ వెక్టర్ మెషీన్లు` అనేది ఒక మెషీన్ లెర్నింగ్ సాంకేతికత, ఇది తరగతులను \"మంచిగా\" వేరు చేసే *హైపర్ప్లేన్* ను కనుగొనడానికి ప్రయత్నిస్తుంది. ఒక సులభమైన ఉదాహరణను చూద్దాం:\n", "\n", "

\n", - " \n", "

https://commons.wikimedia.org/w/index.php?curid=22877598
\n" ] @@ -639,7 +639,7 @@ "[Eric](https://twitter.com/ericntay), గోల్డ్ మైక్రోసాఫ్ట్ లెర్న్ స్టూడెంట్ అంబాసిడర్.\n", "\n", "

\n", - " \n", "

Artwork by @allison_horst
\n" ] diff --git a/translations/te/4-Classification/4-Applied/README.md b/translations/te/4-Classification/4-Applied/README.md index c03f18153..e3b9c7293 100644 --- a/translations/te/4-Classification/4-Applied/README.md +++ b/translations/te/4-Classification/4-Applied/README.md @@ -152,7 +152,7 @@ CO_OP_TRANSLATOR_METADATA: Onnx మోడల్స్ Visual Studio కోడ్‌లో చాలా స్పష్టంగా కనిపించవు, కానీ చాలా పరిశోధకులు ఉపయోగించే ఒక మంచి ఉచిత సాఫ్ట్‌వేర్ ఉంది, ఇది మోడల్ సరిగ్గా నిర్మించబడిందో లేదో చూడటానికి ఉపయోగపడుతుంది. [Netron](https://github.com/lutzroeder/Netron) డౌన్లోడ్ చేసి మీ model.onnx ఫైల్‌ను తెరవండి. మీరు మీ సాదారణ మోడల్‌ను దాని 380 ఇన్‌పుట్లు మరియు వర్గీకరణతో చూడవచ్చు: -![Netron visual](../../../../translated_images/te/netron.a05f39410211915e.png) +![Netron visual](../../../../translated_images/te/netron.a05f39410211915e.webp) Netron మీ మోడల్స్‌ను వీక్షించడానికి సహాయక సాధనం. @@ -301,7 +301,7 @@ Netron మీ మోడల్స్‌ను వీక్షించడాన Visual Studio Codeలో మీ index.html ఫైల్ ఉన్న ఫోల్డర్‌లో టెర్మినల్ సెషన్‌ను తెరవండి. మీరు [http-server](https://www.npmjs.com/package/http-server) ను గ్లోబల్‌గా ఇన్‌స్టాల్ చేసుకున్నారని నిర్ధారించుకుని, ప్రాంప్ట్ వద్ద `http-server` టైప్ చేయండి. ఒక localhost తెరుచుకుంటుంది మరియు మీరు మీ వెబ్ యాప్‌ను వీక్షించవచ్చు. వివిధ పదార్థాల ఆధారంగా ఏ వంటకం సిఫార్సు అవుతుందో తనిఖీ చేయండి: -![ingredient web app](../../../../translated_images/te/web-app.4c76450cabe20036.png) +![ingredient web app](../../../../translated_images/te/web-app.4c76450cabe20036.webp) అభినందనలు, మీరు కొన్ని ఫీల్డ్స్‌తో 'సిఫార్సు' వెబ్ యాప్‌ను సృష్టించారు. ఈ వ్యవస్థను మరింత అభివృద్ధి చేసేందుకు కొంత సమయం కేటాయించండి! diff --git a/translations/te/4-Classification/README.md b/translations/te/4-Classification/README.md index c9b708d86..5eda1e03e 100644 --- a/translations/te/4-Classification/README.md +++ b/translations/te/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ఆసియా మరియు భారతదేశంలో, ఆహార సంప్రదాయాలు చాలా వైవిధ్యంగా ఉంటాయి, మరియు చాలా రుచికరంగా ఉంటాయి! వారి పదార్థాలను అర్థం చేసుకోవడానికి ప్రాంతీయ వంటకాల గురించి డేటాను చూద్దాం. -![Thai food seller](../../../translated_images/te/thai-food.c47a7a7f9f05c218.jpg) +![Thai food seller](../../../translated_images/te/thai-food.c47a7a7f9f05c218.webp) > ఫోటో లిషెంగ్ చాంగ్ ద్వారా అన్స్ప్లాష్లో ## మీరు నేర్చుకునేది diff --git a/translations/te/5-Clustering/1-Visualize/README.md b/translations/te/5-Clustering/1-Visualize/README.md index d7c090033..e9b97afa8 100644 --- a/translations/te/5-Clustering/1-Visualize/README.md +++ b/translations/te/5-Clustering/1-Visualize/README.md @@ -69,7 +69,7 @@ CO_OP_TRANSLATOR_METADATA: > >'ఫ్లాట్' ఈ సందర్భంలో యూక్లిడియన్ జ్యామితిని సూచిస్తుంది (దాని భాగాలు 'ప్లేన్' జ్యామితిగా బోధించబడతాయి), మరియు నాన్-ఫ్లాట్ అనేది నాన్-యూక్లిడియన్ జ్యామితి. జ్యామితి మెషీన్ లెర్నింగ్‌కు ఏమి సంబంధం? గణితంలో ఆధారపడిన రెండు రంగాలుగా, క్లస్టర్లలో పాయింట్ల మధ్య దూరాలను కొలవడానికి సాధారణ మార్గం ఉండాలి, అది 'ఫ్లాట్' లేదా 'నాన్-ఫ్లాట్' విధంగా చేయవచ్చు, డేటా స్వభావం ఆధారంగా. [యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Euclidean_distance) రెండు పాయింట్ల మధ్య రేఖా భాగం పొడవుగా కొలవబడతాయి. [నాన్-యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Non-Euclidean_geometry) వక్రరేఖపై కొలవబడతాయి. మీ డేటా, దృశ్యరూపంలో, ఒక సమతలంపై లేనట్టుగా కనిపిస్తే, మీరు దానిని నిర్వహించడానికి ప్రత్యేక అల్గోరిథం అవసరం కావచ్చు. > -![ఫ్లాట్ vs నాన్-ఫ్లాట్ జ్యామితి ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/flat-nonflat.d1c8c6e2a96110c1.png) +![ఫ్లాట్ vs నాన్-ఫ్లాట్ జ్యామితి ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/flat-nonflat.d1c8c6e2a96110c1.webp) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా > > 🎓 ['దూరాలు'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf) @@ -92,12 +92,12 @@ CO_OP_TRANSLATOR_METADATA: - **హైరార్కికల్ క్లస్టరింగ్**. ఒక వస్తువు దాని సమీప వస్తువుతో సమీపత ఆధారంగా వర్గీకరించబడితే, దూరం ఆధారంగా క్లస్టర్లు ఏర్పడతాయి. Scikit-learn యొక్క అగ్లోమెరేటివ్ క్లస్టరింగ్ హైరార్కికల్. - ![హైరార్కికల్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/hierarchical.bf59403aa43c8c47.png) + ![హైరార్కికల్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/hierarchical.bf59403aa43c8c47.webp) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా - **సెంట్రాయిడ్ క్లస్టరింగ్**. ఈ ప్రాచుర్యం పొందిన అల్గోరిథం 'k' లేదా ఏర్పరచాల్సిన క్లస్టర్ల సంఖ్యను ఎంచుకోవాలి, ఆ తర్వాత అల్గోరిథం క్లస్టర్ కేంద్ర పాయింట్‌ను నిర్ణయించి ఆ పాయింట్ చుట్టూ డేటాను సేకరిస్తుంది. [K-means క్లస్టరింగ్](https://wikipedia.org/wiki/K-means_clustering) సెంట్రాయిడ్ క్లస్టరింగ్ యొక్క ప్రాచుర్యం పొందిన వెర్షన్. కేంద్రం సమీప సగటు ద్వారా నిర్ణయించబడుతుంది, అందుకే పేరు. క్లస్టర్ నుండి చతురస్ర దూరం తగ్గించబడుతుంది. - ![సెంట్రాయిడ్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/centroid.097fde836cf6c918.png) + ![సెంట్రాయిడ్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/centroid.097fde836cf6c918.webp) > ఇన్ఫోగ్రాఫిక్ [దాసాని మడిపల్లి](https://twitter.com/dasani_decoded) ద్వారా - **వితరణ ఆధారిత క్లస్టరింగ్**. గణాంక నమూనాలపై ఆధారపడి, వితరణ ఆధారిత క్లస్టరింగ్ ఒక డేటా పాయింట్ ఒక క్లస్టర్‌కు చెందే సంభావ్యతను నిర్ణయించి, దానికి అనుగుణంగా కేటాయిస్తుంది. గౌసియన్ మిశ్రమ పద్ధతులు ఈ రకానికి చెందుతాయి. @@ -233,7 +233,7 @@ CO_OP_TRANSLATOR_METADATA: plt.title('Top genres',color = 'blue') ``` - ![most popular](../../../../translated_images/te/popular.9c48d84b3386705f.png) + ![most popular](../../../../translated_images/te/popular.9c48d84b3386705f.webp) ✅ మీరు ఎక్కువ టాప్ విలువలు చూడాలనుకుంటే, టాప్ `[:5]` ను పెద్ద విలువగా మార్చండి లేదా అన్ని చూడటానికి తీసివేయండి. @@ -252,7 +252,7 @@ CO_OP_TRANSLATOR_METADATA: ఇప్పుడు జానర్లను మళ్లీ తనిఖీ చేయండి: - ![most popular](../../../../translated_images/te/all-genres.1d56ef06cefbfcd6.png) + ![most popular](../../../../translated_images/te/all-genres.1d56ef06cefbfcd6.webp) 1. ఇప్పటి వరకు, టాప్ మూడు జానర్లు ఈ డేటాసెట్‌ను ఆధిపత్యం చేస్తాయి. `afro dancehall`, `afropop`, మరియు `nigerian pop` పై దృష్టి పెట్టండి, అదనంగా 0 ప్రాచుర్యం విలువ ఉన్న ఏదైనా డేటాను తీసివేయండి (అంటే డేటాసెట్‌లో ప్రాచుర్యం తో వర్గీకరించబడలేదు మరియు మన ప్రయోజనాలకు శబ్దం గా పరిగణించవచ్చు): @@ -274,7 +274,7 @@ CO_OP_TRANSLATOR_METADATA: sns.heatmap(corrmat, vmax=.8, square=True) ``` - ![correlations](../../../../translated_images/te/correlation.a9356bb798f5eea5.png) + ![correlations](../../../../translated_images/te/correlation.a9356bb798f5eea5.webp) ఒకే బలమైన సంబంధం `energy` మరియు `loudness` మధ్య ఉంది, ఇది ఆశ్చర్యకరం కాదు, ఎందుకంటే శబ్దమైన సంగీతం సాధారణంగా చాలా శక్తివంతంగా ఉంటుంది. మిగతా సంబంధాలు తక్కువ బలంగా ఉన్నాయి. ఈ డేటాను క్లస్టరింగ్ అల్గోరిథం ఎలా ఉపయోగిస్తుందో చూడటం ఆసక్తికరం. @@ -306,7 +306,7 @@ CO_OP_TRANSLATOR_METADATA: సాధారణంగా, ఈ మూడు జానర్లు వారి ప్రాచుర్యం మరియు డ్యాన్సబిలిటీ పరంగా సడలిన సరిపోలికలో ఉంటాయి. ఈ సడలిన సరిపోలిక డేటాలో క్లస్టర్లను నిర్ణయించడం ఒక సవాలు: - ![distribution](../../../../translated_images/te/distribution.9be11df42356ca95.png) + ![distribution](../../../../translated_images/te/distribution.9be11df42356ca95.webp) 1. ఒక స్కాటర్ ప్లాట్ సృష్టించండి: @@ -318,7 +318,7 @@ CO_OP_TRANSLATOR_METADATA: అదే అక్షాల స్కాటర్‌ప్లాట్ ఒక సమానమైన సమీకరణ నమూనాను చూపిస్తుంది - ![Facetgrid](../../../../translated_images/te/facetgrid.9b2e65ce707eba1f.png) + ![Facetgrid](../../../../translated_images/te/facetgrid.9b2e65ce707eba1f.webp) సాధారణంగా, క్లస్టరింగ్ కోసం, మీరు డేటా క్లస్టర్లను చూపించడానికి స్కాటర్‌ప్లాట్లను ఉపయోగించవచ్చు, కాబట్టి ఈ రకమైన విజువలైజేషన్‌ను నేర్చుకోవడం చాలా ఉపయోగకరం. తదుపరి పాఠంలో, మనం ఈ ఫిల్టర్ చేసిన డేటాను తీసుకుని k-means క్లస్టరింగ్ ఉపయోగించి ఈ డేటాలో ఆసక్తికరమైన రీతిలో ఓవర్‌ల్యాప్ అయ్యే గ్రూపులను కనుగొంటాము. diff --git a/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb b/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb index 1aa0fe8de..2d6fd8c9c 100644 --- a/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb +++ b/translations/te/5-Clustering/1-Visualize/solution/R/lesson_14-R.ipynb @@ -42,7 +42,7 @@ "> ఇక్కడ 'ఫ్లాట్' అనగా యూక్లిడియన్ జ్యామితి (దాని భాగాలు 'ప్లేన్' జ్యామితిగా బోధించబడతాయి), మరియు నాన్-ఫ్లాట్ అనగా నాన్-యూక్లిడియన్ జ్యామితి. జ్యామితి కి మెషీన్ లెర్నింగ్ తో సంబంధం ఏమిటి? గణిత శాస్త్రంలో ఆధారపడిన రెండు రంగాలుగా, క్లస్టర్లలో పాయింట్ల మధ్య దూరాలను కొలవడానికి ఒక సాధారణ మార్గం ఉండాలి, అది 'ఫ్లాట్' లేదా 'నాన్-ఫ్లాట్' విధంగా చేయవచ్చు, డేటా స్వభావం ఆధారంగా. [యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Euclidean_distance) రెండు పాయింట్ల మధ్య రేఖా భాగం పొడవుగా కొలవబడతాయి. [నాన్-యూక్లిడియన్ దూరాలు](https://wikipedia.org/wiki/Non-Euclidean_geometry) వక్రరేఖపై కొలవబడతాయి. మీ డేటా, దృశ్యరూపంలో, ఒక ప్లేన్ పై లేనట్టుగా కనిపిస్తే, మీరు దాన్ని నిర్వహించడానికి ప్రత్యేక అల్గోరిథం అవసరం కావచ్చు.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", @@ -72,7 +72,7 @@ "\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", @@ -81,7 +81,7 @@ "- **సెంట్రాయిడ్ క్లస్టరింగ్**. ఈ ప్రాచుర్యం పొందిన అల్గోరిథం 'k' అనే క్లస్టర్ల సంఖ్యను ఎంచుకోవాలి, ఆ తర్వాత అల్గోరిథం ఒక క్లస్టర్ కేంద్ర పాయింట్‌ను నిర్ణయించి ఆ పాయింట్ చుట్టూ డేటాను సేకరిస్తుంది. [K-means క్లస్టరింగ్](https://wikipedia.org/wiki/K-means_clustering) సెంట్రాయిడ్ క్లస్టరింగ్ యొక్క ఒక ప్రాచుర్యం పొందిన వెర్షన్, ఇది డేటా సెట్‌ను ముందుగా నిర్వచించిన K గుంపులుగా విడగొడుతుంది. కేంద్రం సమీప సగటు ద్వారా నిర్ణయించబడుతుంది, అందుకే పేరు. క్లస్టర్ నుండి చతురస్ర దూరం తగ్గించబడుతుంది.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ - దాసాని మడిపల్లి
\n", "\n", diff --git a/translations/te/5-Clustering/2-K-Means/README.md b/translations/te/5-Clustering/2-K-Means/README.md index 28d0ce14b..5c89aaedf 100644 --- a/translations/te/5-Clustering/2-K-Means/README.md +++ b/translations/te/5-Clustering/2-K-Means/README.md @@ -26,7 +26,7 @@ CO_OP_TRANSLATOR_METADATA: క్లస్టర్లు [Voronoi డయాగ్రామ్స్](https://wikipedia.org/wiki/Voronoi_diagram) గా దృశ్యమానమవుతాయి, ఇవి ఒక బిందువు (లేదా 'సీడ్') మరియు దాని సంబంధిత ప్రాంతాన్ని కలిగి ఉంటాయి. -![voronoi diagram](../../../../translated_images/te/voronoi.1dc1613fb0439b95.png) +![voronoi diagram](../../../../translated_images/te/voronoi.1dc1613fb0439b95.webp) > ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా @@ -91,7 +91,7 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం ఈ డేటా కొంత శబ్దంగా ఉంది: ప్రతి కాలమ్‌ను బాక్స్‌ప్లాట్‌గా పరిశీలించడం ద్వారా మీరు అవుట్లయర్స్‌ను చూడవచ్చు. - ![outliers](../../../../translated_images/te/boxplots.8228c29dabd0f292.png) + ![outliers](../../../../translated_images/te/boxplots.8228c29dabd0f292.webp) మీరు డేటాసెట్‌ను పరిశీలించి అవుట్లయర్స్‌ను తొలగించవచ్చు, కానీ అది డేటాను చాలా తక్కువగా చేస్తుంది. @@ -187,7 +187,7 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం మీరు గత దశలో నిర్మించిన `wcss` వేరియబుల్ ఉపయోగించి ఒక చార్ట్ సృష్టించండి, ఇందులో ఎల్బోలో 'వంక' ఎక్కడ ఉందో చూపిస్తుంది, ఇది ఉత్తమ క్లస్టర్ సంఖ్యను సూచిస్తుంది. కావచ్చు అది **3**నే! - ![elbow method](../../../../translated_images/te/elbow.72676169eed744ff.png) + ![elbow method](../../../../translated_images/te/elbow.72676169eed744ff.webp) ## వ్యాయామం - క్లస్టర్లను ప్రదర్శించండి @@ -218,13 +218,13 @@ K-Means ఉపయోగించడంలో ఒక లోపం ఏమిటం ఈ మోడల్ యొక్క ఖచ్చితత్వం చాలా మంచిది కాదు, మరియు క్లస్టర్ల ఆకారం మీకు కారణాన్ని సూచిస్తుంది. - ![clusters](../../../../translated_images/te/clusters.b635354640d8e4fd.png) + ![clusters](../../../../translated_images/te/clusters.b635354640d8e4fd.webp) ఈ డేటా చాలా అసమతుల్యంగా ఉంది, తక్కువ సంబంధం కలిగి ఉంది మరియు కాలమ్ విలువల మధ్య చాలా వైవిధ్యం ఉంది కాబట్టి బాగా క్లస్టర్ చేయడం కష్టం. వాస్తవానికి, ఏర్పడిన క్లస్టర్లు పై పేర్కొన్న మూడు జానర్ వర్గాల ప్రభావంతో లేదా వక్రీకృతమై ఉండవచ్చు. అది ఒక నేర్చుకునే ప్రక్రియ! Scikit-learn డాక్యుమెంటేషన్‌లో, మీరు ఇలాంటి మోడల్, అంటే క్లస్టర్లు బాగా వేరుగా లేని మోడల్, 'వైవిధ్యం' సమస్యను కలిగి ఉందని చూడవచ్చు: - ![problem models](../../../../translated_images/te/problems.f7fb539ccd80608e.png) + ![problem models](../../../../translated_images/te/problems.f7fb539ccd80608e.webp) > Scikit-learn నుండి ఇన్ఫోగ్రాఫిక్ ## వైవిధ్యం diff --git a/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb b/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb index a7e13870f..5cda17f10 100644 --- a/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb +++ b/translations/te/5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb @@ -59,7 +59,7 @@ "క్లస్టర్లు [Voronoi డయాగ్రామ్స్](https://wikipedia.org/wiki/Voronoi_diagram) గా దృశ్యమానమవుతాయి, ఇవి ఒక పాయింట్ (లేదా 'సీడ్') మరియు దాని సంబంధిత ప్రాంతాన్ని కలిగి ఉంటాయి.\n", "\n", "

\n", - " \n", "

ఇన్ఫోగ్రాఫిక్ జెన్ లూపర్ ద్వారా
\n", "\n", @@ -573,7 +573,7 @@ "Scikit-learn డాక్యుమెంటేషన్‌లో, మీరు ఇలాంటి మోడల్, క్లస్టర్లు బాగా వేరుగా లేని, 'వేరియన్స్' సమస్యను కలిగి ఉంటుందని చూడవచ్చు:\n", "\n", "

\n", - " \n", "

Scikit-learn నుండి ఇన్ఫోగ్రాఫిక్
\n", "\n", @@ -626,7 +626,7 @@ "[ఎరిక్](https://twitter.com/ericntay), గోల్డ్ మైక్రోసాఫ్ట్ లెర్న్ స్టూడెంట్ అంబాసిడర్.\n", "\n", "

\n", - " \n", "

@allison_horst చేత కళాకృతి
\n" ] diff --git a/translations/te/5-Clustering/README.md b/translations/te/5-Clustering/README.md index b1e5fb0bd..f25571b2c 100644 --- a/translations/te/5-Clustering/README.md +++ b/translations/te/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: నైజీరియాలోని విభిన్న ప్రేక్షకులు విభిన్న సంగీత రుచులు కలిగి ఉన్నారు. Spotify నుండి సేకరించిన డేటాను ఉపయోగించి ([ఈ ఆర్టికల్](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) నుండి ప్రేరణ పొందిన), నైజీరియాలో ప్రాచుర్యం పొందిన కొన్ని సంగీతాలను చూద్దాం. ఈ డేటాసెట్‌లో వివిధ పాటల 'డాన్స్‌బిలిటీ' స్కోరు, 'అకౌస్టిక్‌నెస్', లౌడ్నెస్, 'స్పీచినెస్', ప్రాచుర్యం మరియు ఎనర్జీ గురించి డేటా ఉంది. ఈ డేటాలో నమూనాలను కనుగొనడం ఆసక్తికరం! -![A turntable](../../../translated_images/te/turntable.f2b86b13c53302dc.jpg) +![A turntable](../../../translated_images/te/turntable.f2b86b13c53302dc.webp) > ఫోటో మార్సెలా లాస్కోస్కి ద్వారా అన్స్ప్లాష్లో diff --git a/translations/te/6-NLP/1-Introduction-to-NLP/README.md b/translations/te/6-NLP/1-Introduction-to-NLP/README.md index 6c6595821..a6be51e2b 100644 --- a/translations/te/6-NLP/1-Introduction-to-NLP/README.md +++ b/translations/te/6-NLP/1-Introduction-to-NLP/README.md @@ -32,7 +32,7 @@ NLP, సాధారణంగా పిలవబడేది, యంత్ర మీరు ఎప్పుడైనా టైప్ చేయకుండా మీ ఫోన్‌కు డిక్టేట్ చేసినట్లయితే లేదా వర్చువల్ అసిస్టెంట్‌కు ప్రశ్న అడిగితే, మీ మాటలను టెక్స్ట్ రూపంలోకి మార్చి, మీరు మాట్లాడిన భాష నుండి ప్రాసెస్ లేదా *పార్స్* చేయబడింది. గుర్తించిన కీలకపదాలు ఫోన్ లేదా అసిస్టెంట్ అర్థం చేసుకుని చర్య తీసుకునే ఫార్మాట్‌లో ప్రాసెస్ చేయబడ్డాయి. -![comprehension](../../../../translated_images/te/comprehension.619708fc5959b0f6.png) +![comprehension](../../../../translated_images/te/comprehension.619708fc5959b0f6.webp) > నిజమైన భాషా అవగాహన కష్టం! చిత్రం [జెన్ లూపర్](https://twitter.com/jenlooper) ద్వారా ### ఈ సాంకేతికత ఎలా సాధ్యమైంది? diff --git a/translations/te/6-NLP/2-Tasks/README.md b/translations/te/6-NLP/2-Tasks/README.md index 1b1f3f29f..fcd98790b 100644 --- a/translations/te/6-NLP/2-Tasks/README.md +++ b/translations/te/6-NLP/2-Tasks/README.md @@ -23,14 +23,14 @@ CO_OP_TRANSLATOR_METADATA: బహుశా చాలా NLP అల్గోరిథమ్స్ మొదట చేయవలసిన పని టెక్స్ట్‌ను టోకెన్స్ లేదా పదాలుగా విభజించడం. ఇది సులభంగా అనిపించినప్పటికీ, విరామ చిహ్నాలు మరియు వివిధ భాషల పదాలు, వాక్య విభజనలను పరిగణలోకి తీసుకోవడం కష్టంగా ఉంటుంది. మీరు విభజనలను నిర్ణయించడానికి వివిధ పద్ధతులు ఉపయోగించవలసి ఉంటుంది. -![tokenization](../../../../translated_images/te/tokenization.1641a160c66cd2d9.png) +![tokenization](../../../../translated_images/te/tokenization.1641a160c66cd2d9.webp) > **Pride and Prejudice** నుండి ఒక వాక్యాన్ని టోకనైజ్ చేయడం. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా ### ఎంబెడ్డింగ్స్ [పద ఎంబెడ్డింగ్స్](https://wikipedia.org/wiki/Word_embedding) అనేవి మీ టెక్స్ట్ డేటాను సంఖ్యలుగా మార్చే ఒక విధానం. ఎంబెడ్డింగ్స్ అలా చేయబడతాయి, అర్థం సమానమైన లేదా కలిసి ఉపయోగించే పదాలు సమీపంగా క్లస్టర్ అవుతాయి. -![word embeddings](../../../../translated_images/te/embedding.2cf8953c4b3101d1.png) +![word embeddings](../../../../translated_images/te/embedding.2cf8953c4b3101d1.webp) > "నేను మీ నర్వ్స్‌కు అత్యంత గౌరవం కలిగి ఉన్నాను, అవి నా పాత స్నేహితులు." - **Pride and Prejudice** లో ఒక వాక్యానికి పద ఎంబెడ్డింగ్స్. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా ✅ పద ఎంబెడ్డింగ్స్‌తో ప్రయోగించడానికి [ఈ ఆసక్తికరమైన టూల్](https://projector.tensorflow.org/) ను ప్రయత్నించండి. ఒక పదాన్ని క్లిక్ చేస్తే సమానమైన పదాల క్లస్టర్లు చూపబడతాయి: 'toy' క్లస్టర్‌లో 'disney', 'lego', 'playstation', మరియు 'console' ఉన్నాయి. @@ -39,7 +39,7 @@ CO_OP_TRANSLATOR_METADATA: ప్రతి టోకనైజ్ చేసిన పదాన్ని భాగంగా ట్యాగ్ చేయవచ్చు - నామవాచకం, క్రియ, లేదా విశేషణం. వాక్యం `the quick red fox jumped over the lazy brown dog` లో fox = నామవాచకం, jumped = క్రియ అని POS ట్యాగ్ చేయవచ్చు. -![parsing](../../../../translated_images/te/parse.d0c5bbe1106eae8f.png) +![parsing](../../../../translated_images/te/parse.d0c5bbe1106eae8f.webp) > **Pride and Prejudice** నుండి ఒక వాక్యాన్ని పార్స్ చేయడం. ఇన్ఫోగ్రాఫిక్ [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/6-NLP/3-Translation-Sentiment/README.md b/translations/te/6-NLP/3-Translation-Sentiment/README.md index 846ed98e3..661eaee13 100644 --- a/translations/te/6-NLP/3-Translation-Sentiment/README.md +++ b/translations/te/6-NLP/3-Translation-Sentiment/README.md @@ -56,7 +56,7 @@ CO_OP_TRANSLATOR_METADATA: ఉదాహరణకు, ఇంగ్లీష్ పదబంధం `I have no money` ను ఫ్రెంచ్‌కు నేరుగా అనువదిస్తే, అది `Je n'ai pas de monnaie` అవుతుంది. "Monnaie" అనేది ఒక క్లిష్టమైన ఫ్రెంచ్ 'తప్పు సారూప్యం' (false cognate), ఎందుకంటే 'money' మరియు 'monnaie' సమానార్థకాలు కావు. మానవుడు చేసే మంచి అనువాదం `Je n'ai pas d'argent` అవుతుంది, ఎందుకంటే ఇది మీరు డబ్బు లేనట్టుగా అర్థం చెప్పడంలో మెరుగ్గా ఉంటుంది (మరియు 'monnaie' అర్థం 'చిన్న నాణేలు'). -![monnaie](../../../../translated_images/te/monnaie.606c5fa8369d5c3b.png) +![monnaie](../../../../translated_images/te/monnaie.606c5fa8369d5c3b.webp) > చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/6-NLP/README.md b/translations/te/6-NLP/README.md index c837479a7..0463be1bb 100644 --- a/translations/te/6-NLP/README.md +++ b/translations/te/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠాలలో మనం NLP యొక్క ప్రాథమికాలను చిన్న సంభాషణ బాట్లను నిర్మించడం ద్వారా నేర్చుకుంటాము, యంత్ర అభ్యాసం ఈ సంభాషణలను మరింత 'స్మార్ట్' గా చేయడంలో ఎలా సహాయపడుతుందో తెలుసుకుంటాము. మీరు జేన్ ఆస్టెన్ యొక్క క్లాసిక్ నవల **ప్రైడ్ అండ్ ప్రెజుడిస్**, 1813లో ప్రచురించబడిన ఎలిజబెత్ బెన్నెట్ మరియు మిస్టర్ డార్సీతో చర్చిస్తూ కాలంలో వెనక్కి ప్రయాణిస్తారు. ఆ తర్వాత, మీరు యూరోపియన్ హోటల్ సమీక్షల ద్వారా భావ విశ్లేషణ గురించి మరింత తెలుసుకుంటారు. -![Pride and Prejudice book and tea](../../../translated_images/te/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice book and tea](../../../translated_images/te/p&p.279f1c49ecd88941.webp) > ఫోటో ఎలైన్ హౌలిన్ ద్వారా అన్స్ప్లాష్లో ## పాఠాలు diff --git a/translations/te/7-TimeSeries/1-Introduction/README.md b/translations/te/7-TimeSeries/1-Introduction/README.md index 96c3c6c2c..1e5ab4d0c 100644 --- a/translations/te/7-TimeSeries/1-Introduction/README.md +++ b/translations/te/7-TimeSeries/1-Introduction/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # టైమ్ సిరీస్ ఫోర్కాస్టింగ్ పరిచయం -![స్కెచ్ నోట్‌లో టైమ్ సిరీస్ సారాంశం](../../../../translated_images/te/ml-timeseries.fb98d25f1013fc0c.png) +![స్కెచ్ నోట్‌లో టైమ్ సిరీస్ సారాంశం](../../../../translated_images/te/ml-timeseries.fb98d25f1013fc0c.webp) > స్కెచ్ నోట్ [Tomomi Imura](https://www.twitter.com/girlie_mac) ద్వారా @@ -112,7 +112,7 @@ CO_OP_TRANSLATOR_METADATA: ✅ ఇది ఒక [నమూనా టైమ్ సిరీస్ ప్లాట్](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python), ఇది కొన్ని సంవత్సరాల పాటు రోజువారీ గేమ్ కరెన్సీ ఖర్చును చూపిస్తుంది. మీరు పై పేర్కొన్న లక్షణాలలో ఏవైనా ఈ డేటాలో గుర్తించగలరా? -![ఇన్-గేమ్ కరెన్సీ ఖర్చు](../../../../translated_images/te/currency.e7429812bfc8c608.png) +![ఇన్-గేమ్ కరెన్సీ ఖర్చు](../../../../translated_images/te/currency.e7429812bfc8c608.webp) ## వ్యాయామం - విద్యుత్ వినియోగ డేటాతో ప్రారంభం @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/te/energy-plot.5fdac3f397a910bc.png) + ![energy plot](../../../../translated_images/te/energy-plot.5fdac3f397a910bc.webp) 4. ఇప్పుడు, 2014 జూలై మొదటి వారాన్ని `[from date]: [to date]` నమూనాలో `energy`కి ఇన్‌పుట్‌గా అందించి ప్లాట్ చేయండి: @@ -171,7 +171,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![july](../../../../translated_images/te/july-2014.9e1f7c318ec6d5b3.png) + ![july](../../../../translated_images/te/july-2014.9e1f7c318ec6d5b3.webp) ఒక అందమైన ప్లాట్! ఈ ప్లాట్లను పరిశీలించి పై పేర్కొన్న లక్షణాలలో ఏవైనా మీరు గుర్తించగలరా? డేటాను దృశ్యీకరించడం ద్వారా మనం ఏమి అర్థం చేసుకోవచ్చు? diff --git a/translations/te/7-TimeSeries/2-ARIMA/README.md b/translations/te/7-TimeSeries/2-ARIMA/README.md index 7f1f09757..50e6fd09b 100644 --- a/translations/te/7-TimeSeries/2-ARIMA/README.md +++ b/translations/te/7-TimeSeries/2-ARIMA/README.md @@ -114,7 +114,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![training and testing data](../../../../translated_images/te/train-test.8928d14e5b91fc94.png) + ![training and testing data](../../../../translated_images/te/train-test.8928d14e5b91fc94.webp) కాబట్టి, ట్రైనింగ్ కోసం తక్కువ సమయ విండో ఉపయోగించడం సరిపోతుంది. @@ -157,11 +157,11 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![original](../../../../translated_images/te/original.b2b15efe0ce92b87.png) + ![original](../../../../translated_images/te/original.b2b15efe0ce92b87.webp) > ఒరిజినల్ డేటా - ![scaled](../../../../translated_images/te/scaled.e35258ca5cd3d43f.png) + ![scaled](../../../../translated_images/te/scaled.e35258ca5cd3d43f.webp) > స్కేల్ చేసిన డేటా @@ -321,7 +321,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది > **🧮 గణితం చూపించండి** > -> ![MAPE](../../../../translated_images/te/mape.fd87bbaf4d346846.png) +> ![MAPE](../../../../translated_images/te/mape.fd87bbaf4d346846.webp) > > [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) ను పై సూత్రం ద్వారా నిర్వచించబడిన నిష్పత్తిగా అంచనా ఖచ్చితత్వాన్ని చూపడానికి ఉపయోగిస్తారు. actualt మరియు predictedt మధ్య తేడా actualt తో భాగించబడుతుంది. "ఈ లెక్కింపులో పరమాన్న విలువ ప్రతి అంచనా వేయబడిన సమయ బిందువు కోసం సమీకరించబడుతుంది మరియు సరిపోయిన బిందువుల సంఖ్య n తో భాగించబడుతుంది." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) @@ -381,7 +381,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![a time series model](../../../../translated_images/te/accuracy.2c47fe1bf15f44b3.png) + ![a time series model](../../../../translated_images/te/accuracy.2c47fe1bf15f44b3.webp) 🏆 చాలా మంచి ప్లాట్, మంచి ఖచ్చితత్వం ఉన్న మోడల్‌ను చూపిస్తోంది. బాగుంది! diff --git a/translations/te/7-TimeSeries/3-SVR/README.md b/translations/te/7-TimeSeries/3-SVR/README.md index ed75e3465..89dd8d8f4 100644 --- a/translations/te/7-TimeSeries/3-SVR/README.md +++ b/translations/te/7-TimeSeries/3-SVR/README.md @@ -71,7 +71,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![full data](../../../../translated_images/te/full-data.a82ec9957e580e97.png) + ![full data](../../../../translated_images/te/full-data.a82ec9957e580e97.webp) ఇప్పుడు, మన SVR మోడల్‌ను నిర్మిద్దాం. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![training and testing data](../../../../translated_images/te/train-test.ead0cecbfc341921.png) + ![training and testing data](../../../../translated_images/te/train-test.ead0cecbfc341921.webp) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![training data prediction](../../../../translated_images/te/train-data-predict.3c4ef4e78553104f.png) +![training data prediction](../../../../translated_images/te/train-data-predict.3c4ef4e78553104f.webp) శిక్షణ డేటా కోసం MAPE ముద్రించండి @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testing data prediction](../../../../translated_images/te/test-data-predict.8afc47ee7e52874f.png) +![testing data prediction](../../../../translated_images/te/test-data-predict.8afc47ee7e52874f.webp) పరీక్ష డేటా కోసం MAPE ముద్రించండి @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![full data prediction](../../../../translated_images/te/full-data-predict.4f0fed16a131c8f3.png) +![full data prediction](../../../../translated_images/te/full-data-predict.4f0fed16a131c8f3.webp) ```python print('MAPE: ', mape(Y_pred, Y)*100, '%') diff --git a/translations/te/7-TimeSeries/README.md b/translations/te/7-TimeSeries/README.md index 77927d4e8..887375e8e 100644 --- a/translations/te/7-TimeSeries/README.md +++ b/translations/te/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: మా ప్రాంతీయ దృష్టి ప్రపంచంలో విద్యుత్ వినియోగం మీద ఉంది, ఇది గత లోడ్ నమూనాల ఆధారంగా భవిష్యత్తు విద్యుత్ వినియోగాన్ని అంచనా వేయడాన్ని నేర్చుకోవడానికి ఆసక్తికరమైన డేటాసెట్. ఈ రకమైన ఫోర్కాస్టింగ్ వ్యాపార వాతావరణంలో ఎంతగానో సహాయకరమవుతుందో మీరు చూడవచ్చు. -![electric grid](../../../translated_images/te/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/te/electric-grid.0c21d5214db09ffa.webp) ఫోటో [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ద్వారా రాజస్థాన్‌లో రోడ్డుపై ఉన్న విద్యుత్ టవర్స్ యొక్క [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/te/8-Reinforcement/1-QLearning/README.md b/translations/te/8-Reinforcement/1-QLearning/README.md index d8605fcc3..69fb90cc1 100644 --- a/translations/te/8-Reinforcement/1-QLearning/README.md +++ b/translations/te/8-Reinforcement/1-QLearning/README.md @@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA: --> # రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ మరియు క్యూ-లెర్నింగ్ పరిచయం -![మిషన్ లెర్నింగ్‌లో రీన్ఫోర్స్‌మెంట్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-reinforcement.94024374d63348db.png) +![మిషన్ లెర్నింగ్‌లో రీన్ఫోర్స్‌మెంట్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-reinforcement.94024374d63348db.webp) > స్కెచ్‌నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా రీన్ఫోర్స్‌మెంట్ లెర్నింగ్ మూడు ముఖ్యమైన భావనలను కలిగి ఉంటుంది: ఏజెంట్, కొన్ని స్టేట్స్, మరియు ప్రతి స్టేట్‌కు చర్యల సమూహం. ఒక నిర్దిష్ట స్టేట్‌లో చర్యను అమలు చేయడం ద్వారా, ఏజెంట్‌కు రివార్డు ఇవ్వబడుతుంది. మళ్లీ కంప్యూటర్ గేమ్ సూపర్ మారియోని ఊహించండి. మీరు మారియో, మీరు ఒక గేమ్ లెవెల్లో ఉన్నారు, ఒక క్లిఫ్ ఎడ్జ్ పక్కన నిలబడి ఉన్నారు. మీ పై ఒక నాణెం ఉంది. మీరు మారియోగా, ఒక గేమ్ లెవెల్లో, ఒక నిర్దిష్ట స్థితిలో ఉన్నారు ... అది మీ స్టేట్. కుడి వైపు ఒక అడుగు కదలడం (చర్య) మీను ఎడ్జ్ మీదకు తీసుకెళ్తుంది, మరియు అది తక్కువ సంఖ్యా స్కోర్ ఇస్తుంది. అయితే, జంప్ బటన్ నొక్కడం ద్వారా మీరు ఒక పాయింట్ పొందగలరు మరియు మీరు బతుకుతారు. అది ఒక సానుకూల ఫలితం మరియు అది మీకు సానుకూల సంఖ్యా స్కోర్ ఇవ్వాలి. @@ -40,7 +40,7 @@ CO_OP_TRANSLATOR_METADATA: సరళత కోసం, మనం పీటర్ ప్రపంచాన్ని `width` x `height` పరిమాణం గల చతురస్ర బోర్డు అని పరిగణిద్దాం, ఇలా: -![పీటర్ పరిసరం](../../../../translated_images/te/environment.40ba3cb66256c93f.png) +![పీటర్ పరిసరం](../../../../translated_images/te/environment.40ba3cb66256c93f.webp) ఈ బోర్డు లో ప్రతి సెల్: @@ -177,7 +177,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) గమనించండి, మనం Q-టేబుల్ యొక్క అన్ని విలువలను సమాన విలువతో ప్రారంభిస్తాము, మన సందర్భంలో - 0.25. ఇది "రాండమ్ వాక్" పాలసీకి సరిపోతుంది, ఎందుకంటే ప్రతి స్టేట్‌లో అన్ని కదలికలు సమానంగా మంచివి. మనం Q-టేబుల్‌ను `plot` ఫంక్షన్‌కు పంపించి బోర్డుపై పట్టికను విజువలైజ్ చేయవచ్చు: `m.plot(Q)`. -![పీటర్ పరిసరం](../../../../translated_images/te/env_init.04e8f26d2d60089e.png) +![పీటర్ పరిసరం](../../../../translated_images/te/env_init.04e8f26d2d60089e.webp) ప్రతి సెల్ మధ్యలో ఒక "అర్రో" ఉంటుంది, ఇది ప్రాధాన్యత ఉన్న కదలిక దిశను సూచిస్తుంది. అన్ని దిశలు సమానంగా ఉన్నప్పుడు, ఒక బిందువు ప్రదర్శించబడుతుంది. @@ -195,7 +195,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ఇది స్టేట్ *s* లో చర్య *a* కోసం Q-టేబుల్ విలువను లెక్కించే **బెల్మన్ సూత్రం**: - + ఇక్కడ γ అనేది **డిస్కౌంట్ ఫ్యాక్టర్**, ఇది మీరు ప్రస్తుత రివార్డును భవిష్యత్ రివార్డుపై ఎంత ప్రాధాన్యం ఇవ్వాలో నిర్ణయిస్తుంది. @@ -267,7 +267,7 @@ Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) ఈ అల్గోరిథం అమలు చేసిన తర్వాత, Q-టేబుల్ విలువలు నవీకరించబడతాయి, ఇవి ప్రతి దశలో వివిధ చర్యల ఆకర్షణను నిర్వచిస్తాయి. మనం Q-టేబుల్‌ను విజువలైజ్ చేయడానికి ప్రతి సెల్‌లో ఒక వెక్టర్ డ్రా చేయవచ్చు, ఇది కదలిక యొక్క ఇష్టమైన దిశను సూచిస్తుంది. సరళత కోసం, మనం అర్రో హెడ్ స్థానంలో చిన్న వృత్తాన్ని డ్రా చేస్తాము. - + ## పాలసీ తనిఖీ @@ -311,7 +311,7 @@ print_statistics(qpolicy) మనం చెప్పినట్లుగా, అభ్యాస ప్రక్రియ అన్వేషణ మరియు సేకరించిన జ్ఞానాన్ని అన్వేషణ మధ్య సమతుల్యత. అభ్యాస ఫలితాలు (ఏజెంట్‌కు లక్ష్యానికి చిన్న మార్గం కనుగొనడంలో సహాయం చేసే సామర్థ్యం) మెరుగుపడినట్లు మనం చూశాము, కానీ అభ్యాస ప్రక్రియలో సగటు మార్గ పొడవు ఎలా ప్రవర్తిస్తుందో గమనించడం కూడా ఆసక్తికరం: - + అభ్యాసాలను సారాంశం చేయవచ్చు: diff --git a/translations/te/8-Reinforcement/2-Gym/README.md b/translations/te/8-Reinforcement/2-Gym/README.md index d195a6720..70df668d8 100644 --- a/translations/te/8-Reinforcement/2-Gym/README.md +++ b/translations/te/8-Reinforcement/2-Gym/README.md @@ -19,13 +19,13 @@ CO_OP_TRANSLATOR_METADATA: > **సమస్య**: పీటర్ నక్క నుండి తప్పించుకోవాలంటే, అతను వేగంగా కదలగలగాలి. పీటర్ ఎలా స్కేట్ చేయాలో, ముఖ్యంగా, సమతుల్యతను ఎలా ఉంచాలో Q-లెర్నింగ్ ఉపయోగించి నేర్చుకోవడం ఎలా అనేది మేము చూడబోతున్నాము. -![The great escape!](../../../../translated_images/te/escape.18862db9930337e3.png) +![The great escape!](../../../../translated_images/te/escape.18862db9930337e3.webp) > పీటర్ మరియు అతని స్నేహితులు నక్క నుండి తప్పించుకోవడానికి సృజనాత్మకత చూపుతున్నారు! చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా మేము సమతుల్యతను సాధించడానికి సులభీకరించిన వెర్షన్ అయిన **కార్ట్‌పోల్** సమస్యను ఉపయోగిస్తాము. కార్ట్‌పోల్ ప్రపంచంలో, మాకు ఎడమ లేదా కుడి వైపు కదలగల ఒక ఆడంబరమైన స్లైడర్ ఉంటుంది, మరియు లక్ష్యం స్లైడర్ పై ఒక నిలువెత్తు కాండాన్ని సమతుల్యం చేయడం. -a cartpole +a cartpole ## ముందస్తు అవగాహన @@ -285,7 +285,7 @@ Q-లెర్నింగ్‌లో, ప్రతి స్థితిలో plt.plot(rewards) ``` -![raw progress](../../../../translated_images/te/train_progress_raw.2adfdf2daea09c59.png) +![raw progress](../../../../translated_images/te/train_progress_raw.2adfdf2daea09c59.webp) ఈ గ్రాఫ్ నుండి ఏమీ చెప్పలేము, ఎందుకంటే యాదృచ్ఛిక శిక్షణ ప్రక్రియ స్వభావం వల్ల శిక్షణ సెషన్ల పొడవు చాలా మారుతుంది. ఈ గ్రాఫ్‌కు అర్థం చేసుకోవడానికి, మేము అనేక ప్రయోగాలపై, ఉదా: 100, **రన్నింగ్ సగటు** లెక్కించవచ్చు. ఇది `np.convolve` ఉపయోగించి సులభంగా చేయవచ్చు: (కోడ్ బ్లాక్ 12) @@ -296,7 +296,7 @@ def running_average(x,window): plt.plot(running_average(rewards,100)) ``` -![training progress](../../../../translated_images/te/train_progress_runav.c71694a8fa9ab359.png) +![training progress](../../../../translated_images/te/train_progress_runav.c71694a8fa9ab359.webp) ## హైపర్‌పారామీటర్ల మార్పులు diff --git a/translations/te/8-Reinforcement/2-Gym/assignment.md b/translations/te/8-Reinforcement/2-Gym/assignment.md index 6fa54ec5c..07a9ce7e8 100644 --- a/translations/te/8-Reinforcement/2-Gym/assignment.md +++ b/translations/te/8-Reinforcement/2-Gym/assignment.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: [మౌంటైన్ కార్ వాతావరణం](https://gym.openai.com/envs/MountainCar-v0/) లో ఒక కారు ఒక లోయలో చిక్కుకుంది: - + ప్రతి దశలో క్రింది చర్యలలో ఒకదాన్ని చేయడం ద్వారా లోయ నుండి బయటకు వచ్చి జెండాను పట్టుకోవడం లక్ష్యం: diff --git a/translations/te/8-Reinforcement/README.md b/translations/te/8-Reinforcement/README.md index de043e6f8..0382a7ff8 100644 --- a/translations/te/8-Reinforcement/README.md +++ b/translations/te/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: మీకు స్టాక్ మార్కెట్ వంటి అనుకరణాత్మక వాతావరణం ఉందని ఊహించుకోండి. మీరు ఒక నిర్దిష్ట నియంత్రణను విధిస్తే ఏమవుతుంది? అది సానుకూల లేదా ప్రతికూల ప్రభావం కలిగిస్తుందా? ఏదైనా ప్రతికూలం జరిగితే, మీరు ఆ _ప్రతికూల రీన్ఫోర్స్‌మెంట్_ తీసుకుని, దానినుండి నేర్చుకుని, మార్గాన్ని మార్చుకోవాలి. అది సానుకూల ఫలితం అయితే, మీరు ఆ _సానుకూల రీన్ఫోర్స్‌మెంట్_ పై ఆధారపడి నిర్మించుకోవాలి. -![peter and the wolf](../../../translated_images/te/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/te/peter.779730f9ba3a8a8d.webp) > పీటర్ మరియు అతని స్నేహితులు ఆకలితో ఉన్న నక్క నుండి తప్పించుకోవాలి! చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా diff --git a/translations/te/9-Real-World/1-Applications/README.md b/translations/te/9-Real-World/1-Applications/README.md index 5391d550b..f13018ceb 100644 --- a/translations/te/9-Real-World/1-Applications/README.md +++ b/translations/te/9-Real-World/1-Applications/README.md @@ -10,7 +10,7 @@ CO_OP_TRANSLATOR_METADATA: # పోస్ట్‌స్క్రిప్ట్: వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ -![వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-realworld.26ee274671615577.png) +![వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-realworld.26ee274671615577.webp) > స్కెచ్‌నోట్ [టోమోమీ ఇమురా](https://www.twitter.com/girlie_mac) ద్వారా ఈ పాఠ్యक्रमంలో, మీరు శిక్షణ కోసం డేటాను సిద్ధం చేయడం మరియు మెషీన్ లెర్నింగ్ మోడల్స్ సృష్టించడానికి అనేక మార్గాలను నేర్చుకున్నారు. మీరు క్లాసిక్ రిగ్రెషన్, క్లస్టరింగ్, వర్గీకరణ, సహజ భాషా ప్రాసెసింగ్, మరియు టైమ్ సిరీస్ మోడల్స్ సిరీస్‌ను నిర్మించారు. అభినందనలు! ఇప్పుడు, మీరు ఆలోచిస్తున్నారా ఇది అంతా ఏం కోసం... ఈ మోడల్స్‌కు వాస్తవ ప్రపంచంలో ఏవైనా అనువర్తనాలు ఏమిటి? diff --git a/translations/te/9-Real-World/2-Debugging-ML-Models/README.md b/translations/te/9-Real-World/2-Debugging-ML-Models/README.md index 694b6ee6b..5efafedb4 100644 --- a/translations/te/9-Real-World/2-Debugging-ML-Models/README.md +++ b/translations/te/9-Real-World/2-Debugging-ML-Models/README.md @@ -34,17 +34,17 @@ CO_OP_TRANSLATOR_METADATA: ఖచ్చితత్వాన్ని కొలవడానికి ఉపయోగించే సాంప్రదాయ మోడల్ పనితీరు మెట్రిక్స్ ఎక్కువగా సరైన మరియు తప్పు అంచనాల ఆధారంగా లెక్కింపులు. ఉదాహరణకు, ఒక మోడల్ 89% సార్లు ఖచ్చితంగా ఉందని, లోపం నష్టం 0.001 అని నిర్ణయించడం మంచి పనితీరు అని పరిగణించవచ్చు. లోపాలు సాధారణంగా మీ ప్రాథమిక డేటాసెట్‌లో సమానంగా పంపిణీ కావు. మీరు 89% మోడల్ ఖచ్చితత్వ స్కోరు పొందవచ్చు కానీ మోడల్ 42% సార్లు విఫలమవుతున్న డేటా ప్రాంతాలు వేరుగా ఉండవచ్చు. ఈ విఫలత నమూనాలు కొన్ని డేటా గుంపులతో న్యాయం లేదా నమ్మకదగినత సమస్యలకు దారితీస్తాయి. మోడల్ బాగా పనిచేస్తున్న లేదా చేయని ప్రాంతాలను అర్థం చేసుకోవడం అవసరం. మోడల్‌లో ఎక్కువ లోపాలు ఉన్న డేటా ప్రాంతాలు ముఖ్యమైన డేటా జనాభా కావచ్చు. -![మోడల్ లోపాలను విశ్లేషించండి మరియు డీబగ్ చేయండి](../../../../translated_images/te/ea-error-distribution.117452e1177c1dd8.png) +![మోడల్ లోపాలను విశ్లేషించండి మరియు డీబగ్ చేయండి](../../../../translated_images/te/ea-error-distribution.117452e1177c1dd8.webp) RAI డాష్‌బోర్డ్‌లో లోపాల విశ్లేషణ భాగం వివిధ కోహార్ట్లలో మోడల్ విఫలత ఎలా పంపిణీ అయిందో చెట్టు విజువలైజేషన్ ద్వారా చూపిస్తుంది. ఇది మీ డేటాసెట్‌లో ఎక్కువ లోపాలున్న లక్షణాలు లేదా ప్రాంతాలను గుర్తించడంలో ఉపయోగపడుతుంది. మోడల్ లోపాల ఎక్కువగా ఎక్కడ నుండి వస్తున్నాయో చూసి, మీరు మూల కారణాన్ని పరిశీలించవచ్చు. మీరు విశ్లేషణ కోసం డేటా కోహార్ట్లను కూడా సృష్టించవచ్చు. ఈ డేటా కోహార్ట్లు డీబగ్గింగ్ ప్రక్రియలో సహాయపడతాయి, ఎందుకు ఒక కోహార్ట్‌లో మోడల్ పనితీరు మంచిది కానీ మరొకదిలో లోపభూయిష్టమో తెలుసుకోవడానికి. -![లోపాల విశ్లేషణ](../../../../translated_images/te/ea-error-cohort.6886209ea5d438c4.png) +![లోపాల విశ్లేషణ](../../../../translated_images/te/ea-error-cohort.6886209ea5d438c4.webp) చెట్టు మ్యాప్‌పై విజువల్ సూచికలు సమస్య ప్రాంతాలను త్వరగా గుర్తించడంలో సహాయపడతాయి. ఉదాహరణకు, చెట్టు నోడ్ యొక్క ఎరుపు రంగు గాఢత ఎక్కువైతే, లోపాల రేటు ఎక్కువగా ఉంటుంది. హీట్ మ్యాప్ మరో విజువలైజేషన్ ఫంక్షనాలిటీ, ఇది ఒకటి లేదా రెండు లక్షణాలను ఉపయోగించి లోపాల రేటును పరిశీలించడానికి ఉపయోగపడుతుంది, మొత్తం డేటాసెట్ లేదా కోహార్ట్లలో మోడల్ లోపాలకు కారణం కనుగొనడానికి. -![లోపాల విశ్లేషణ హీట్‌మ్యాప్](../../../../translated_images/te/ea-heatmap.8d27185e28cee383.png) +![లోపాల విశ్లేషణ హీట్‌మ్యాప్](../../../../translated_images/te/ea-heatmap.8d27185e28cee383.webp) లోపాల విశ్లేషణను ఉపయోగించండి, మీరు: @@ -57,11 +57,11 @@ RAI డాష్‌బోర్డ్‌లో లోపాల విశ్ల RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం భాగం కేవలం కోహార్ట్‌లో డేటా ప్రాతినిధ్యం పనితీరు మెట్రిక్స్‌ను విశ్లేషించడంలో మాత్రమే కాకుండా, వాడుకదారులకు వివిధ కోహార్ట్లలో మోడల్ ప్రవర్తనను తులనాత్మకంగా చూడటానికి అవకాశం ఇస్తుంది. -![డేటాసెట్ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-dataset-cohorts.dfa463fb527a35a0.png) +![డేటాసెట్ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-dataset-cohorts.dfa463fb527a35a0.webp) ఈ భాగం లక్షణాల ఆధారిత విశ్లేషణ ఫంక్షనాలిటీ వాడుకదారులకు ఒక నిర్దిష్ట లక్షణంలో డేటా ఉపగుంపులను కుదించడానికి సహాయపడుతుంది, తద్వారా సూక్ష్మ స్థాయిలో అసాధారణతలను గుర్తించవచ్చు. ఉదాహరణకు, డాష్‌బోర్డ్‌లో ఒక వాడుకదారు ఎంచుకున్న లక్షణం కోసం ఆటోమేటిక్‌గా కోహార్ట్లను సృష్టించే ఇంటెలిజెన్స్ ఉంది (ఉదా: *"time_in_hospital < 3"* లేదా *"time_in_hospital >= 7"*). ఇది పెద్ద డేటా గుంపులోని ఒక లక్షణాన్ని వేరుచేసి, అది మోడల్ లోపాలపై కీలక ప్రభావం చూపుతున్నదా అని చూడటానికి సహాయపడుతుంది. -![లక్షణ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-feature-cohorts.c5104d575ffd0c80.png) +![లక్షణ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-feature-cohorts.c5104d575ffd0c80.webp) మోడల్ అవలోకనం భాగం రెండు తరహా వ్యత్యాస మెట్రిక్స్‌ను మద్దతు ఇస్తుంది: @@ -85,7 +85,7 @@ RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోక RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం డేటాసెట్‌లో అధిక మరియు తక్కువ ప్రాతినిధ్యం ఉన్న ప్రాంతాలను గుర్తించడంలో సహాయపడుతుంది. ఇది వాడుకదారులకు డేటా అసమతుల్యతల వల్ల లేదా నిర్దిష్ట డేటా గుంపు ప్రాతినిధ్యం లేకపోవడం వల్ల ఏర్పడిన లోపాలు మరియు న్యాయ సమస్యల మూల కారణాన్ని నిర్ధారించడంలో సహాయపడుతుంది. ఇది వాడుకదారులకు అంచనా మరియు వాస్తవ ఫలితాల, లోపాల గుంపులు, మరియు నిర్దిష్ట లక్షణాల ఆధారంగా డేటాసెట్లను విజువలైజ్ చేయడానికి అవకాశం ఇస్తుంది. కొన్నిసార్లు తక్కువ ప్రాతినిధ్యం ఉన్న డేటా గుంపును కనుగొనడం మోడల్ బాగా నేర్చుకోలేదని కూడా వెల్లడించవచ్చు, అందువల్ల ఎక్కువ లోపాలు ఉంటాయి. డేటా పక్షపాతం ఉన్న మోడల్ కేవలం న్యాయ సమస్య మాత్రమే కాకుండా, మోడల్ సమగ్రత లేదా నమ్మకదగినత లేని దాన్ని సూచిస్తుంది. -![RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం](../../../../translated_images/te/dataanalysis-cover.8d6d0683a70a5c1e.png) +![RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం](../../../../translated_images/te/dataanalysis-cover.8d6d0683a70a5c1e.webp) డేటా విశ్లేషణను ఉపయోగించండి, మీరు: @@ -104,14 +104,14 @@ RAI డాష్‌బోర్డ్‌లో డేటా విశ్లే RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం మోడల్ డీబగ్గింగ్ మరియు మోడల్ అంచనాలు ఎలా జరుగుతున్నాయో సమగ్రంగా అర్థం చేసుకోవడంలో సహాయపడుతుంది. ఇది మెషీన్ లెర్నింగ్ నిపుణులు మరియు నిర్ణయ తీసుకునే వారు మోడల్ ప్రవర్తనను ప్రభావితం చేసే లక్షణాలను వివరించడానికి మరియు నియంత్రణ అనుగుణత కోసం సాక్ష్యాలు చూపడానికి ఉపయోగపడే టూల్. తరువాత, వాడుకదారులు గ్లోబల్ మరియు లోకల్ వివరణలను అన్వేషించి ఏ లక్షణాలు మోడల్ అంచనాలను ప్రభావితం చేస్తున్నాయో ధృవీకరించవచ్చు. గ్లోబల్ వివరణలు మోడల్ మొత్తం అంచనాపై ప్రభావం చూపిన టాప్ లక్షణాలను చూపిస్తాయి. లోకల్ వివరణలు వ్యక్తిగత కేసు కోసం మోడల్ అంచనాకు కారణమైన లక్షణాలను చూపిస్తాయి. లోకల్ వివరణలను అంచనా వేయడం ఒక నిర్దిష్ట కేసును డీబగ్ చేయడంలో లేదా ఆడిట్ చేయడంలో సహాయపడుతుంది, ఎందుకు మోడల్ ఖచ్చితమైన లేదా తప్పు అంచనాను ఇచ్చిందో అర్థం చేసుకోవడానికి. -![RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం](../../../../translated_images/te/9-feature-importance.cd3193b4bba3fd4b.png) +![RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం](../../../../translated_images/te/9-feature-importance.cd3193b4bba3fd4b.webp) * గ్లోబల్ వివరణలు: ఉదాహరణకు, మధుమేహ ఆసుపత్రి తిరిగి చేరే మోడల్ మొత్తం ప్రవర్తనను ఏ లక్షణాలు ప్రభావితం చేస్తున్నాయి? * లోకల్ వివరణలు: ఉదాహరణకు, 60 సంవత్సరాల పైబడిన మధుమేహ రోగి గత ఆసుపత్రి చేర్పులతో 30 రోజుల్లో తిరిగి చేరే లేదా చేరని అంచనాకు కారణమైనది ఏమిటి? వివిధ కోహార్ట్లలో మోడల్ పనితీరును పరిశీలించే డీబగ్గింగ్ ప్రక్రియలో, లక్షణ ప్రాముఖ్యత కోహార్ట్లలో లక్షణం ఎంత ప్రభావం చూపుతుందో చూపిస్తుంది. ఇది మోడల్ లోపభూయిష్ట అంచనాలను ప్రభావితం చేస్తున్న లక్షణం ప్రభావం స్థాయిలను పోల్చేటప్పుడు అసాధారణతలను వెలుగులోకి తీసుకువస్తుంది. లక్షణ ప్రాముఖ్యత భాగం ఒక లక్షణంలోని విలువలు మోడల్ ఫలితాన్ని సానుకూలంగా లేదా ప్రతికూలంగా ప్రభావితం చేశాయో చూపిస్తుంది. ఉదాహరణకు, ఒక మోడల్ తప్పు అంచనాను ఇచ్చినప్పుడు, ఈ భాగం మీరు లోతుగా వెళ్ళి ఏ లక్షణాలు లేదా లక్షణ విలువలు అంచనాను ప్రభావితం చేశాయో గుర్తించడానికి అవకాశం ఇస్తుంది. ఈ స్థాయి వివరాలు కేవలం డీబగ్గింగ్‌లో కాకుండా ఆడిట్ పరిస్థితుల్లో పారదర్శకత మరియు బాధ్యతను అందిస్తాయి. చివరగా, ఈ భాగం న్యాయ సమస్యలను గుర్తించడంలో సహాయపడుతుంది. ఉదాహరణకు, జాతి లేదా లింగం వంటి సున్నిత లక్షణం మోడల్ అంచనాను ఎక్కువగా ప్రభావితం చేస్తే, ఇది మోడల్‌లో జాతి లేదా లింగ పక్షపాతం సూచన కావచ్చు. -![లక్షణ ప్రాముఖ్యత](../../../../translated_images/te/9-features-influence.3ead3d3f68a84029.png) +![లక్షణ ప్రాముఖ్యత](../../../../translated_images/te/9-features-influence.3ead3d3f68a84029.webp) వివరణాత్మకతను ఉపయోగించండి, మీరు: diff --git a/translations/te/9-Real-World/README.md b/translations/te/9-Real-World/README.md index f578117c9..534fccabf 100644 --- a/translations/te/9-Real-World/README.md +++ b/translations/te/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: ఈ పాఠ్యాంశంలో, మీరు క్లాసికల్ ML యొక్క కొన్ని వాస్తవ ప్రపంచ అనువర్తనాలను పరిచయం చేయబడతారు. మేము న్యూరల్ నెట్‌వర్క్స్, డీప్ లెర్నింగ్ మరియు AI ను సాధ్యమైనంత వరకు తప్పించి, ఈ వ్యూహాలను ఉపయోగించిన అనువర్తనాల గురించి వైట్‌పేపర్లు మరియు వ్యాసాలను వెతికాము. వ్యాపార వ్యవస్థలు, పర్యావరణ అనువర్తనాలు, ఆర్థిక, కళలు మరియు సంస్కృతి మరియు మరిన్ని విషయాలలో ML ఎలా ఉపయోగించబడుతున్నదో తెలుసుకోండి. -![chess](../../../translated_images/te/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/te/chess.e704a268781bdad8.webp) > ఫోటో Alexis Fauvet ద్వారా Unsplash diff --git a/translations/te/README.md b/translations/te/README.md index 3ba8a0885..7c1659ca3 100644 --- a/translations/te/README.md +++ b/translations/te/README.md @@ -27,7 +27,7 @@ CO_OP_TRANSLATOR_METADATA: We have a Discord learn with AI series ongoing, learn more and join us at [Learn with AI Series](https://aka.ms/learnwithai/discord) from 18 - 30 September, 2025. You will get tips and tricks of using GitHub Copilot for Data Science. -![AI తో నేర్చుకునే సిరీస్](../../translated_images/te/3.9b58fd8d6c373c20.png) +![AI తో నేర్చుకునే సిరీస్](../../translated_images/te/3.9b58fd8d6c373c20.webp) # ప్రారంభికుల కోసం మెషిన్ లెర్నింగ్ - ఒక పాఠ్యక్రమం @@ -76,7 +76,7 @@ Microsoft లోని క్లౌడ్ అడ్వొకేట్స్ ఒ కొన్ని పాఠాలు షార్ట్ ఫార్మ్ వీడియోలుగా అందుబాటులో ఉన్నాయి. మీరు ఇవన్ని పాఠాలలో inlineగా కనుగొనవచ్చు, లేదా దిగువ చిత్రం పై క్లిక్ చేయడం ద్వారా [Microsoft Developer YouTube చానల్上的 ML for Beginners ప్లేలిస్ట్](https://aka.ms/ml-beginners-videos) లో పొందవచ్చు. -[![ప్రారంభుల కోసం ML బ్యానర్](../../translated_images/te/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ప్రారంభుల కోసం ML బ్యానర్](../../translated_images/te/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/th/README.md b/translations/th/README.md index bb511bdd2..4059b31d1 100644 --- a/translations/th/README.md +++ b/translations/th/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: เรามีซีรีส์ Learn with AI บน Discord กำลังดำเนินการ เรียนรู้เพิ่มเติมและเข้าร่วมกับเราที่ [Learn with AI Series](https://aka.ms/learnwithai/discord) ระหว่างวันที่ 18 - 30 กันยายน 2025 คุณจะได้รับเคล็ดลับและทริคในการใช้ GitHub Copilot สำหรับ Data Science -![ชุดการเรียนรู้ด้วย AI](../../translated_images/th/3.9b58fd8d6c373c20.png) +![ชุดการเรียนรู้ด้วย AI](../../translated_images/th/3.9b58fd8d6c373c20.webp) # การเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น - หลักสูตร @@ -80,7 +80,7 @@ Cloud Advocates ที่ Microsoft ยินดีนำเสนอหลั บทเรียนบางบทมีให้เป็นวิดีโอสั้น ๆ คุณสามารถหาได้ในบทเรียนโดยตรง หรือบน [เพลย์ลิสต์ ML for Beginners บนช่อง Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) โดยคลิกที่รูปด้านล่าง -[![แบนเนอร์ ML สำหรับผู้เริ่มต้น](../../translated_images/th/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![แบนเนอร์ ML สำหรับผู้เริ่มต้น](../../translated_images/th/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tl/1-Introduction/README.md b/translations/tl/1-Introduction/README.md index 2e0612488..820efbcc1 100644 --- a/translations/tl/1-Introduction/README.md +++ b/translations/tl/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa seksyong ito ng kurikulum, ipapakilala sa iyo ang mga pangunahing konsepto na bumubuo sa larangan ng machine learning, kung ano ito, at matutunan ang tungkol sa kasaysayan nito at ang mga teknik na ginagamit ng mga mananaliksik upang magtrabaho dito. Tuklasin natin ang bagong mundo ng ML nang magkasama! -![globe](../../../translated_images/tl/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/tl/globe.59f26379ceb40428.webp) > Larawan ni Bill Oxford sa Unsplash ### Mga Aralin diff --git a/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 66b47a00f..b4b283ec1 100644 --- a/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/tl/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
Likha ni @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index ac15af73e..76cdb4a3a 100644 --- a/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/tl/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
Likha ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
Likha ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "May isang *matalinong* kasabihan na ganito ang sinasabi:\n", "\n", diff --git a/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index fa92d5a0f..0a0bfc332 100644 --- a/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/tl/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "#### Panimula\n", "\n", @@ -164,7 +164,7 @@ "
Sining ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -458,7 +458,7 @@ "
Artwork ni @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -572,7 +572,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -813,7 +813,7 @@ "
Infographic ni Dasani Madipalli
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index f41b92e41..85e3c81ae 100644 --- a/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/tl/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## Gumawa ng logistic regression model - Aralin 4\n", "\n", - "![Infographic ng Logistic vs. Linear Regression](../../../../../../translated_images/tl/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![Infographic ng Logistic vs. Linear Regression](../../../../../../translated_images/tl/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[Pre-lecture quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "Ang logistic regression ay hindi nag-aalok ng parehong mga tampok tulad ng linear regression. Ang una ay nagbibigay ng prediksyon tungkol sa isang `binary category` (\"orange o hindi orange\") samantalang ang huli ay may kakayahang mag-predict ng `continual values`, halimbawa, batay sa pinanggalingan ng kalabasa at oras ng pag-ani, *kung gaano tataas ang presyo nito*.\n", "\n", - "![Infographic ni Dasani Madipalli](../../../../../../translated_images/tl/pumpkin-classifier.562771f104ad5436.png)\n", + "![Infographic ni Dasani Madipalli](../../../../../../translated_images/tl/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### Iba pang mga klasipikasyon\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **Ordinal**, na may mga ordered categories, kapaki-pakinabang kung nais nating ayusin ang ating mga resulta nang lohikal, tulad ng mga kalabasa na nakaayos ayon sa tiyak na bilang ng mga sukat (mini, sm, med, lg, xl, xxl).\n", "\n", - "![Multinomial vs ordinal regression](../../../../../../translated_images/tl/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/tl/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **Hindi kailangang magkaugnay ang mga variable**\n", "\n", diff --git a/translations/tl/2-Regression/README.md b/translations/tl/2-Regression/README.md index 491fb6246..c7db05249 100644 --- a/translations/tl/2-Regression/README.md +++ b/translations/tl/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: Sa Hilagang Amerika, madalas na inukit ang mga kalabasa upang maging nakakatakot na mukha para sa Halloween. Tuklasin natin ang higit pa tungkol sa mga kamangha-manghang gulay na ito! -![jack-o-lanterns](../../../translated_images/tl/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/tl/jack-o-lanterns.181c661a9212457d.webp) > Larawan ni Beth Teutschmann sa Unsplash ## Ano ang Matututunan Mo diff --git a/translations/tl/3-Web-App/README.md b/translations/tl/3-Web-App/README.md index 9f0e2675e..e5802ce4b 100644 --- a/translations/tl/3-Web-App/README.md +++ b/translations/tl/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa seksyong ito ng kurikulum, ipapakilala sa iyo ang isang praktikal na paksa sa ML: kung paano i-save ang iyong Scikit-learn model bilang isang file na magagamit para gumawa ng mga prediksyon sa loob ng isang web application. Kapag na-save na ang model, matutunan mo kung paano ito gamitin sa isang web app na ginawa gamit ang Flask. Una, gagawa ka ng model gamit ang ilang data na may kaugnayan sa mga sightings ng UFO! Pagkatapos, gagawa ka ng isang web app na magbibigay-daan sa iyo na mag-input ng bilang ng mga segundo kasama ang latitude at longitude value upang hulaan kung aling bansa ang nag-ulat ng pag-sighting ng UFO. -![UFO Parking](../../../translated_images/tl/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/tl/ufo.9e787f5161da9d4d.webp) Larawan ni Michael Herren sa Unsplash diff --git a/translations/tl/4-Classification/README.md b/translations/tl/4-Classification/README.md index a468ca9c8..6f92ad658 100644 --- a/translations/tl/4-Classification/README.md +++ b/translations/tl/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: Sa Asya at India, ang mga tradisyon sa pagkain ay napaka-diverse at napakasarap! Tingnan natin ang datos tungkol sa mga lutuing rehiyonal upang maunawaan ang kanilang mga sangkap. -![Nagbebenta ng pagkaing Thai](../../../translated_images/tl/thai-food.c47a7a7f9f05c218.jpg) +![Nagbebenta ng pagkaing Thai](../../../translated_images/tl/thai-food.c47a7a7f9f05c218.webp) > Larawan ni Lisheng Chang sa Unsplash ## Ano ang iyong matututuhan diff --git a/translations/tl/5-Clustering/README.md b/translations/tl/5-Clustering/README.md index 176580a3d..9d5c322b8 100644 --- a/translations/tl/5-Clustering/README.md +++ b/translations/tl/5-Clustering/README.md @@ -15,7 +15,7 @@ Ang clustering ay isang gawain sa machine learning kung saan sinusubukan nitong Ang iba't ibang audience sa Nigeria ay may iba't ibang panlasa sa musika. Gamit ang datos na nakuha mula sa Spotify (inspirado ng [artikulong ito](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), tingnan natin ang ilang musikang sikat sa Nigeria. Ang dataset na ito ay naglalaman ng impormasyon tungkol sa iba't ibang kanta tulad ng 'danceability' score, 'acousticness', lakas ng tunog (loudness), 'speechiness', kasikatan (popularity), at enerhiya. Magiging interesante ang pagtuklas ng mga pattern sa datos na ito! -![Isang turntable](../../../translated_images/tl/turntable.f2b86b13c53302dc.jpg) +![Isang turntable](../../../translated_images/tl/turntable.f2b86b13c53302dc.webp) > Larawan ni Marcela Laskoski sa Unsplash diff --git a/translations/tl/6-NLP/README.md b/translations/tl/6-NLP/README.md index beb6c1348..c3e0076a7 100644 --- a/translations/tl/6-NLP/README.md +++ b/translations/tl/6-NLP/README.md @@ -17,7 +17,7 @@ Sa bahaging ito ng kurikulum, ipakikilala sa iyo ang isa sa mga pinakalaganap na Sa mga araling ito, matututuhan natin ang mga pangunahing kaalaman sa NLP sa pamamagitan ng paggawa ng maliliit na conversational bots upang matutunan kung paano nakakatulong ang machine learning sa paggawa ng mga pag-uusap na mas 'matalino'. Maglalakbay ka pabalik sa nakaraan, makikipag-usap kina Elizabeth Bennett at Mr. Darcy mula sa klasikong nobela ni Jane Austen, **Pride and Prejudice**, na inilathala noong 1813. Pagkatapos, palalalimin mo pa ang iyong kaalaman sa pamamagitan ng pag-aaral tungkol sa sentiment analysis gamit ang mga review ng hotel sa Europa. -![Aklat ng Pride and Prejudice at tsaa](../../../translated_images/tl/p&p.279f1c49ecd88941.jpg) +![Aklat ng Pride and Prejudice at tsaa](../../../translated_images/tl/p&p.279f1c49ecd88941.webp) > Larawan ni Elaine Howlin sa Unsplash ## Mga Aralin diff --git a/translations/tl/7-TimeSeries/README.md b/translations/tl/7-TimeSeries/README.md index 714e35f2e..d94714a6e 100644 --- a/translations/tl/7-TimeSeries/README.md +++ b/translations/tl/7-TimeSeries/README.md @@ -17,7 +17,7 @@ Sa dalawang araling ito, ipakikilala sa iyo ang pag-forecast ng time series, isa Ang ating pokus na rehiyon ay ang paggamit ng kuryente sa buong mundo, isang kawili-wiling dataset upang matutunan ang pag-forecast ng hinaharap na paggamit ng kuryente batay sa mga pattern ng nakaraang load. Makikita mo kung paano ang ganitong uri ng pag-forecast ay maaaring maging lubos na kapaki-pakinabang sa isang kapaligiran ng negosyo. -![electric grid](../../../translated_images/tl/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/tl/electric-grid.0c21d5214db09ffa.webp) Larawan ni [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ng mga electrical tower sa isang kalsada sa Rajasthan sa [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/tl/8-Reinforcement/README.md b/translations/tl/8-Reinforcement/README.md index e9c23a2b8..c020d71e5 100644 --- a/translations/tl/8-Reinforcement/README.md +++ b/translations/tl/8-Reinforcement/README.md @@ -13,7 +13,7 @@ Ang reinforcement learning, RL, ay itinuturing bilang isa sa mga pangunahing par Isipin mo na mayroon kang isang simulated na kapaligiran tulad ng stock market. Ano ang mangyayari kung magpataw ka ng isang partikular na regulasyon? Magkakaroon ba ito ng positibo o negatibong epekto? Kung may negatibong mangyari, kailangan mong tanggapin ang _negative reinforcement_, matuto mula rito, at baguhin ang direksyon. Kung positibo ang resulta, kailangan mong palakasin ang _positive reinforcement_. -![peter and the wolf](../../../translated_images/tl/peter.779730f9ba3a8a8d.png) +![peter and the wolf](../../../translated_images/tl/peter.779730f9ba3a8a8d.webp) > Si Peter at ang kanyang mga kaibigan ay kailangang tumakas mula sa gutom na lobo! Larawan ni [Jen Looper](https://twitter.com/jenlooper) diff --git a/translations/tl/9-Real-World/README.md b/translations/tl/9-Real-World/README.md index bc3e658e5..30208d9b2 100644 --- a/translations/tl/9-Real-World/README.md +++ b/translations/tl/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: Sa bahaging ito ng kurikulum, ipakikilala sa iyo ang ilang totoong aplikasyon ng klasikong ML. Nagsaliksik kami sa internet upang makahanap ng mga whitepaper at artikulo tungkol sa mga aplikasyon na gumamit ng mga estratehiyang ito, iniiwasan hangga't maaari ang neural networks, deep learning, at AI. Alamin kung paano ginagamit ang ML sa mga sistema ng negosyo, mga aplikasyon sa ekolohiya, pananalapi, sining at kultura, at marami pang iba. -![chess](../../../translated_images/tl/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/tl/chess.e704a268781bdad8.webp) > Larawan ni Alexis Fauvet sa Unsplash diff --git a/translations/tl/README.md b/translations/tl/README.md index ddad9f6a9..f1365dc50 100644 --- a/translations/tl/README.md +++ b/translations/tl/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Mayroon kaming serye sa Discord na "Learn with AI" na nagpapatuloy—alamin pa at sumali sa amin sa [Learn with AI Series](https://aka.ms/learnwithai/discord) mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science. -![Serye ng Learn with AI](../../translated_images/tl/3.9b58fd8d6c373c20.png) +![Serye ng Learn with AI](../../translated_images/tl/3.9b58fd8d6c373c20.webp) # Machine Learning para sa mga Nagsisimula - Isang Kurikulum @@ -80,7 +80,7 @@ Sundin ang mga hakbang na ito: Ang ilan sa mga leksyon ay available bilang maikling anyo ng video. Makikita mo ang lahat ng ito sa loob mismo ng mga leksyon, o sa [ML for Beginners playlist on the Microsoft Developer YouTube channel](https://aka.ms/ml-beginners-videos) sa pamamagitan ng pag-click sa larawan sa ibaba. -[![ML for beginners banner](../../translated_images/tl/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/tl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tr/README.md b/translations/tr/README.md index 459e9a7ad..320cce742 100644 --- a/translations/tr/README.md +++ b/translations/tr/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Discord üzerinde devam eden bir AI ile öğrenme serimiz var; daha fazlasını öğrenin ve 18 - 30 September, 2025 tarihlerinde bize katılın: [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord). Veri Bilimi için GitHub Copilot kullanımıyla ilgili ipuçları ve püf noktaları alacaksınız. -![AI ile Öğrenme serisi](../../translated_images/tr/3.9b58fd8d6c373c20.png) +![AI ile Öğrenme serisi](../../translated_images/tr/3.9b58fd8d6c373c20.webp) # Başlangıç İçin Makine Öğrenimi - Bir Müfredat @@ -80,7 +80,7 @@ Bu adımları izleyin: Bazı dersler kısa format video olarak mevcuttur. Bunların tamamını derslerin içinde bulabilirsiniz ya da aşağıdaki görseli tıklayarak [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) izleyebilirsiniz. -[![ML için başlangıç afişi](../../translated_images/tr/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML için başlangıç afişi](../../translated_images/tr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tw/1-Introduction/README.md b/translations/tw/1-Introduction/README.md index 20ad6d7e0..bc7ae3af0 100644 --- a/translations/tw/1-Introduction/README.md +++ b/translations/tw/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分中，您將了解機器學習領域的基本概念、它的定義，並學習它的歷史以及研究人員使用的相關技術。讓我們一起探索這個嶄新的機器學習世界吧！ -![globe](../../../translated_images/tw/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/tw/globe.59f26379ceb40428.webp) > 照片由 Bill Oxford 提供，來自 Unsplash ### 課程 diff --git a/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index 54322339c..dd33fa62d 100644 --- a/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/tw/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
插畫作者：@allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 87bf24b8f..88b5bf4d0 100644 --- a/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/tw/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
資訊圖表由 Dasani Madipalli 製作
\n", "\n", "\n", - "\n", + "\n", "\n", "有一句*智慧*的名言是這樣說的：\n", "\n", diff --git a/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index ee7c2e13d..e85c027f6 100644 --- a/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/tw/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -40,7 +40,7 @@ "
Dasani Madipalli 的資訊圖表
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 簡介\n", "\n", @@ -164,7 +164,7 @@ "
插圖作者：@allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -458,7 +458,7 @@ "
插圖由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "KEiO0v7kuC9O" @@ -572,7 +572,7 @@ "
由 Dasani Madipalli 製作的資訊圖表
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -813,7 +813,7 @@ "
資訊圖表由 Dasani Madipalli 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index fba74834a..3f9080907 100644 --- a/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/tw/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 建立邏輯迴歸模型 - 第四課\n", "\n", - "![邏輯迴歸與線性迴歸資訊圖](../../../../../../translated_images/tw/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![邏輯迴歸與線性迴歸資訊圖](../../../../../../translated_images/tw/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[課前測驗](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "邏輯回歸不提供與線性回歸相同的功能。前者提供對「二元類別」（例如「橙色或非橙色」）的預測，而後者則能預測「連續值」，例如根據南瓜的來源和收穫時間，*價格將上漲多少*。\n", "\n", - "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/tw/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/tw/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### 其他分類方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **序列式**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情況，例如南瓜按有限的尺寸（迷你、小、中、大、特大、超大）排序。\n", "\n", - "![多項式 vs 序列式回歸](../../../../../../translated_images/tw/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![多項式 vs 序列式回歸](../../../../../../translated_images/tw/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **變數不必相關**\n", "\n", diff --git a/translations/tw/2-Regression/README.md b/translations/tw/2-Regression/README.md index 6b73796cf..a5292f635 100644 --- a/translations/tw/2-Regression/README.md +++ b/translations/tw/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 在北美，南瓜常被雕刻成恐怖的臉孔以慶祝萬聖節。讓我們一起探索這些迷人的蔬菜吧！ -![jack-o-lanterns](../../../translated_images/tw/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/tw/jack-o-lanterns.181c661a9212457d.webp) > 照片由 Beth Teutschmann 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/tw/3-Web-App/README.md b/translations/tw/3-Web-App/README.md index b120d7da9..2b4190f07 100644 --- a/translations/tw/3-Web-App/README.md +++ b/translations/tw/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，您將學習一個應用機器學習的主題：如何將您的 Scikit-learn 模型保存為一個文件，並在網頁應用程式中使用它進行預測。一旦模型保存完成，您將學習如何在使用 Flask 建立的網頁應用程式中使用它。首先，您將使用一些關於 UFO 目擊事件的數據來建立模型！接著，您將建立一個網頁應用程式，允許您輸入秒數、緯度和經度值，來預測哪個國家報告了看到 UFO。 -![UFO 停車場](../../../translated_images/tw/ufo.9e787f5161da9d4d.jpg) +![UFO 停車場](../../../translated_images/tw/ufo.9e787f5161da9d4d.webp) 照片由 Michael Herren 提供，來自 Unsplash diff --git a/translations/tw/4-Classification/README.md b/translations/tw/4-Classification/README.md index 7a2df68d1..4f96f7e29 100644 --- a/translations/tw/4-Classification/README.md +++ b/translations/tw/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 在亞洲和印度，飲食文化非常多樣化，而且非常美味！讓我們來看看有關地區料理的數據，試著了解它們的食材。 -![泰國街頭小吃](../../../translated_images/tw/thai-food.c47a7a7f9f05c218.jpg) +![泰國街頭小吃](../../../translated_images/tw/thai-food.c47a7a7f9f05c218.webp) > 照片由 Lisheng Chang 提供，來自 Unsplash ## 你將學到什麼 diff --git a/translations/tw/5-Clustering/README.md b/translations/tw/5-Clustering/README.md index e774f1386..24447dba6 100644 --- a/translations/tw/5-Clustering/README.md +++ b/translations/tw/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亞的多元化觀眾擁有多樣化的音樂品味。使用從 Spotify 擷取的數據（靈感來自[這篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），讓我們來看看一些在尼日利亞流行的音樂。這個數據集包含了各種歌曲的「舞蹈性」分數、「聲學性」、音量、「語音性」、流行度和能量等數據。探索這些數據中的模式將會非常有趣！ -![唱盤](../../../translated_images/tw/turntable.f2b86b13c53302dc.jpg) +![唱盤](../../../translated_images/tw/turntable.f2b86b13c53302dc.webp) > 照片由 Marcela Laskoski 提供，來自 Unsplash diff --git a/translations/tw/6-NLP/README.md b/translations/tw/6-NLP/README.md index 4777d4b0d..d64707e6b 100644 --- a/translations/tw/6-NLP/README.md +++ b/translations/tw/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在這些課程中，我們將通過構建小型對話機器人來學習 NLP 的基礎知識，了解機器學習如何幫助使這些對話變得越來越「智能」。您將穿越時光，與珍·奧斯汀 1813 年出版的經典小說《傲慢與偏見》中的伊麗莎白·班內特和達西先生進行對話。接著，您將進一步學習如何通過分析歐洲酒店評論來了解情感分析。 -![傲慢與偏見書籍與茶](../../../translated_images/tw/p&p.279f1c49ecd88941.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/tw/p&p.279f1c49ecd88941.webp) > 圖片由 Elaine Howlin 提供，來自 Unsplash ## 課程 diff --git a/translations/tw/7-TimeSeries/README.md b/translations/tw/7-TimeSeries/README.md index af586eba3..b994c549d 100644 --- a/translations/tw/7-TimeSeries/README.md +++ b/translations/tw/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我們的地區重點是全球的電力使用，這是一個有趣的數據集，可以用來學習如何根據過去的負載模式預測未來的電力使用。您可以看到這種預測在商業環境中是多麼有幫助。 -![電力網](../../../translated_images/tw/electric-grid.0c21d5214db09ffa.jpg) +![電力網](../../../translated_images/tw/electric-grid.0c21d5214db09ffa.webp) 照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 拍攝，展示了拉賈斯坦邦道路上的電力塔，來自 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/tw/8-Reinforcement/README.md b/translations/tw/8-Reinforcement/README.md index 6fa5b36a0..2604512cd 100644 --- a/translations/tw/8-Reinforcement/README.md +++ b/translations/tw/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想像你有一個模擬環境，例如股票市場。如果你施加某項規定，會發生什麼？它會產生正面還是負面的影響？如果發生負面影響，你需要接受這種_負面強化_，從中學習並改變方向。如果是正面結果，你需要基於這種_正面強化_進一步發展。 -![彼得與狼](../../../translated_images/tw/peter.779730f9ba3a8a8d.png) +![彼得與狼](../../../translated_images/tw/peter.779730f9ba3a8a8d.webp) > 彼得和他的朋友們需要逃離飢餓的狼！圖片由 [Jen Looper](https://twitter.com/jenlooper) 提供 diff --git a/translations/tw/9-Real-World/README.md b/translations/tw/9-Real-World/README.md index c7c98580c..7dd3987cc 100644 --- a/translations/tw/9-Real-World/README.md +++ b/translations/tw/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本課程的這一部分，您將了解一些經典機器學習在現實世界中的應用。我們在網路上搜尋了許多白皮書和文章，介紹使用這些策略的應用，並儘量避免涉及神經網絡、深度學習和人工智慧。了解機器學習如何應用於商業系統、生態環境、金融、藝術與文化等領域。 -![chess](../../../translated_images/tw/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/tw/chess.e704a268781bdad8.webp) > 照片由 Alexis Fauvet 提供，來源於 Unsplash diff --git a/translations/tw/README.md b/translations/tw/README.md index 415291348..9e592cfdb 100644 --- a/translations/tw/README.md +++ b/translations/tw/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: 我們有一系列在 Discord 上進行的「與 AI 一起學習」活動，活動期間為 2025 年 9 月 18 日至 30 日。想了解更多並加入我們，請至 [與 AI 一起學習 系列](https://aka.ms/learnwithai/discord)。您將獲得使用 GitHub Copilot 進行資料科學的提示與技巧。 -![與 AI 系列](../../translated_images/tw/3.9b58fd8d6c373c20.png) +![與 AI 系列](../../translated_images/tw/3.9b58fd8d6c373c20.webp) # 初學者機器學習課程 @@ -80,7 +80,7 @@ Cloud Advocates at Microsoft 很高興提供一個為期 12 週、共 26 課的 部分課程提供短片形式的影片。您可以在課程內容中內嵌觀看，或在 [Microsoft 開發者 YouTube 頻道上的 ML for Beginners 播放清單](https://aka.ms/ml-beginners-videos) 中觀看，點擊下方圖片即可。 -[![ML 入門 橫幅](../../translated_images/tw/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![ML 入門 橫幅](../../translated_images/tw/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/uk/README.md b/translations/uk/README.md index 39e562e92..63bdd6cb5 100644 --- a/translations/uk/README.md +++ b/translations/uk/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: У нас триває серія заходів у Discord під назвою "Навчайся зі ШІ", дізнайтеся більше та приєднуйтесь до нас на [Серія «Навчання зі ШІ»](https://aka.ms/learnwithai/discord) з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science. -![Серія «Навчання зі ШІ»](../../translated_images/uk/3.9b58fd8d6c373c20.png) +![Серія «Навчання зі ШІ»](../../translated_images/uk/3.9b58fd8d6c373c20.webp) # Машинне навчання для початківців - навчальна програма @@ -80,7 +80,7 @@ Cloud Advocates у Microsoft раді запропонувати 12-тижнев Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх вбудованими в уроки або в [плейлисті ML for Beginners на каналі Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos), натиснувши на зображення нижче. -[![Банер «ML для початківців»](../../translated_images/uk/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Банер «ML для початківців»](../../translated_images/uk/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ur/1-Introduction/README.md b/translations/ur/1-Introduction/README.md index b179d6166..0de53f75f 100644 --- a/translations/ur/1-Introduction/README.md +++ b/translations/ur/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: اس نصاب کے اس حصے میں، آپ کو مشین لرننگ کے میدان کے بنیادی تصورات، یہ کیا ہے، اس کی تاریخ، اور وہ تکنیکیں جنہیں محققین اس کے ساتھ کام کرنے کے لیے استعمال کرتے ہیں، سے متعارف کرایا جائے گا۔ آئیے مل کر مشین لرننگ کی اس نئی دنیا کو دریافت کرتے ہیں! -![globe](../../../translated_images/ur/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/ur/globe.59f26379ceb40428.webp) > تصویر بل آکسفورڈ کی جانب سے Unsplash پر ### اسباق diff --git a/translations/ur/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/ur/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index e55996e5c..3ad92ca2f 100644 --- a/translations/ur/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/ur/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -50,7 +50,7 @@ " width=\"630\"/>\n", "
آرٹ ورک: @allison_horst
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/ur/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/ur/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index e038eaf73..02c46f930 100644 --- a/translations/ur/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/ur/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -227,7 +227,7 @@ "
آرٹ ورک از @allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -530,7 +530,7 @@ "
انفوگرافک: داسانی مڈیپالی
\n", "\n", "\n", - "\n", + "\n", "\n", "ایک *عقل مند* کہاوت ہے جو کچھ یوں ہے:\n", "\n", diff --git a/translations/ur/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/ur/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 78958b0d1..8baaa8b7c 100644 --- a/translations/ur/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/ur/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -804,7 +804,7 @@ "
ڈیزائن: داسانی مڈیپالی
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/ur/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/ur/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 8f2fffd77..094534bd8 100644 --- a/translations/ur/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/ur/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## لاجسٹک ریگریشن ماڈل بنائیں - سبق 4\n", "\n", - "![لاجسٹک بمقابلہ لینیئر ریگریشن انفوگرافک](../../../../../../translated_images/ur/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![لاجسٹک بمقابلہ لینیئر ریگریشن انفوگرافک](../../../../../../translated_images/ur/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[لیکچر سے پہلے کا کوئز](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "لاجسٹک ریگریشن وہی خصوصیات پیش نہیں کرتا جو لینیئر ریگریشن کرتا ہے۔ پہلا ایک `بائنری کیٹیگری` (\"نارنجی یا غیر نارنجی\") کے بارے میں پیش گوئی کرتا ہے جبکہ دوسرا `مسلسل ویلیوز` کی پیش گوئی کرنے کی صلاحیت رکھتا ہے، جیسے کہ کدو کی اصل اور فصل کے وقت کے حساب سے *اس کی قیمت کتنی بڑھے گی*۔\n", "\n", - "![Dasani Madipalli کی انفوگرافک](../../../../../../translated_images/ur/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli کی انفوگرافک](../../../../../../translated_images/ur/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### دیگر کلاسیفیکیشنز\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **آرڈینل**، جس میں ترتیب شدہ کیٹیگریز شامل ہوتی ہیں، جو اس وقت مفید ہوتی ہیں جب ہم اپنے نتائج کو منطقی طور پر ترتیب دینا چاہتے ہیں، جیسے ہمارے کدو جو ایک محدود تعداد کے سائز (mini, sm, med, lg, xl, xxl) کے حساب سے ترتیب دیے گئے ہیں۔\n", "\n", - "![ملٹی نومیئل بمقابلہ آرڈینل ریگریشن](../../../../../../translated_images/ur/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![ملٹی نومیئل بمقابلہ آرڈینل ریگریشن](../../../../../../translated_images/ur/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **ویریبلز کا آپس میں تعلق ہونا ضروری نہیں**\n", "\n", diff --git a/translations/ur/2-Regression/README.md b/translations/ur/2-Regression/README.md index 81dde55dd..ce57d4bd0 100644 --- a/translations/ur/2-Regression/README.md +++ b/translations/ur/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: شمالی امریکہ میں، کدو اکثر ہالووین کے لیے خوفناک چہروں میں تراشے جاتے ہیں۔ آئیے ان دلچسپ سبزیوں کے بارے میں مزید جانتے ہیں! -![jack-o-lanterns](../../../translated_images/ur/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/ur/jack-o-lanterns.181c661a9212457d.webp) > تصویر از Beth Teutschmann on Unsplash ## آپ کیا سیکھیں گے diff --git a/translations/ur/3-Web-App/README.md b/translations/ur/3-Web-App/README.md index 160a3ba5f..7f49ffaba 100644 --- a/translations/ur/3-Web-App/README.md +++ b/translations/ur/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: اس نصاب کے اس حصے میں، آپ کو ایک عملی مشین لرننگ موضوع سے متعارف کرایا جائے گا: اپنے Scikit-learn ماڈل کو ایک فائل کے طور پر محفوظ کرنے کا طریقہ جو ویب ایپلیکیشن کے اندر پیش گوئی کرنے کے لیے استعمال کی جا سکتی ہے۔ جب ماڈل محفوظ ہو جائے گا، تو آپ سیکھیں گے کہ اسے Flask میں بنائی گئی ویب ایپ میں کیسے استعمال کریں۔ آپ پہلے کچھ ڈیٹا کا استعمال کرتے ہوئے ایک ماڈل بنائیں گے جو UFO دیکھنے کے بارے میں ہے! پھر، آپ ایک ویب ایپ بنائیں گے جو آپ کو سیکنڈز کی تعداد، عرض بلد اور طول بلد کی قدر درج کرنے کی اجازت دے گی تاکہ یہ پیش گوئی کی جا سکے کہ کس ملک نے UFO دیکھنے کی اطلاع دی۔ -![UFO Parking](../../../translated_images/ur/ufo.9e787f5161da9d4d.jpg) +![UFO Parking](../../../translated_images/ur/ufo.9e787f5161da9d4d.webp) تصویر از مائیکل ہیرن پر Unsplash diff --git a/translations/ur/4-Classification/README.md b/translations/ur/4-Classification/README.md index 0f56c1bdc..0b0bf8584 100644 --- a/translations/ur/4-Classification/README.md +++ b/translations/ur/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: ایشیا اور بھارت میں کھانے کی روایات بے حد متنوع اور بہت مزیدار ہیں! آئیے علاقائی کھانوں کے بارے میں ڈیٹا دیکھتے ہیں تاکہ ان کے اجزاء کو سمجھنے کی کوشش کریں۔ -![تھائی کھانے بیچنے والا](../../../translated_images/ur/thai-food.c47a7a7f9f05c218.jpg) +![تھائی کھانے بیچنے والا](../../../translated_images/ur/thai-food.c47a7a7f9f05c218.webp) > تصویر از لی شینگ چانگ، Unsplash پر ## آپ کیا سیکھیں گے diff --git a/translations/ur/5-Clustering/README.md b/translations/ur/5-Clustering/README.md index 9252916ea..929e2525d 100644 --- a/translations/ur/5-Clustering/README.md +++ b/translations/ur/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: نائجیریا کے متنوع سامعین کے موسیقی کے ذوق بھی متنوع ہیں۔ اس سلسلے میں، Spotify سے حاصل کردہ ڈیٹا کا استعمال کرتے ہوئے (جیسا کہ [اس مضمون](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) سے متاثر ہو کر)، آئیے نائجیریا میں مقبول موسیقی پر نظر ڈالیں۔ اس ڈیٹا سیٹ میں مختلف گانوں کے 'ڈانس ایبلٹی' اسکور، 'اکوسٹکنیس'، آواز کی بلندی، 'اسپیچنیس'، مقبولیت اور توانائی کے بارے میں معلومات شامل ہیں۔ اس ڈیٹا میں پیٹرنز دریافت کرنا دلچسپ ہوگا! -![ایک ٹرن ٹیبل](../../../translated_images/ur/turntable.f2b86b13c53302dc.jpg) +![ایک ٹرن ٹیبل](../../../translated_images/ur/turntable.f2b86b13c53302dc.webp) > تصویر از مارسیلا لاسکوسکی، Unsplash پر diff --git a/translations/ur/6-NLP/README.md b/translations/ur/6-NLP/README.md index bc9b53baa..c1f8f498b 100644 --- a/translations/ur/6-NLP/README.md +++ b/translations/ur/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ان اسباق میں ہم NLP کی بنیادی باتیں سیکھیں گے، چھوٹے گفتگو کرنے والے بوٹس بنا کر یہ جانیں گے کہ مشین لرننگ ان گفتگو کو زیادہ سے زیادہ 'سمارٹ' بنانے میں کیسے مدد کرتی ہے۔ آپ وقت میں پیچھے جائیں گے، جین آسٹن کے کلاسک ناول **Pride and Prejudice** کے کردار الزبتھ بینٹ اور مسٹر ڈارسی کے ساتھ گفتگو کریں گے، جو 1813 میں شائع ہوا تھا۔ پھر، آپ اپنی معلومات کو مزید بڑھائیں گے، یورپ کے ہوٹل کے جائزوں کے ذریعے جذباتی تجزیہ کے بارے میں سیکھ کر۔ -![Pride and Prejudice کتاب اور چائے](../../../translated_images/ur/p&p.279f1c49ecd88941.jpg) +![Pride and Prejudice کتاب اور چائے](../../../translated_images/ur/p&p.279f1c49ecd88941.webp) > تصویر Elaine Howlin کی جانب سے Unsplash پر ## اسباق diff --git a/translations/ur/7-TimeSeries/README.md b/translations/ur/7-TimeSeries/README.md index cd4d4df09..6bf31a919 100644 --- a/translations/ur/7-TimeSeries/README.md +++ b/translations/ur/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: ہمارا علاقائی فوکس دنیا میں بجلی کے استعمال پر ہے، ایک دلچسپ ڈیٹا سیٹ جو ماضی کے لوڈ کے نمونوں کی بنیاد پر مستقبل کی بجلی کی کھپت کی پیش گوئی کرنے کے بارے میں سیکھنے کے لیے ہے۔ آپ دیکھ سکتے ہیں کہ اس قسم کی پیش گوئی کاروباری ماحول میں کتنی مددگار ثابت ہو سکتی ہے۔ -![electric grid](../../../translated_images/ur/electric-grid.0c21d5214db09ffa.jpg) +![electric grid](../../../translated_images/ur/electric-grid.0c21d5214db09ffa.webp) تصویر [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) کی، جو راجستھان کی ایک سڑک پر بجلی کے ٹاورز کی ہے، [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) پر۔ diff --git a/translations/ur/8-Reinforcement/README.md b/translations/ur/8-Reinforcement/README.md index 7031c0e8e..7767bad70 100644 --- a/translations/ur/8-Reinforcement/README.md +++ b/translations/ur/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: تصور کریں کہ آپ کے پاس ایک تخیلاتی ماحول ہے جیسے اسٹاک مارکیٹ۔ اگر آپ کوئی خاص قانون نافذ کریں تو کیا ہوتا ہے؟ کیا اس کا مثبت یا منفی اثر ہوتا ہے؟ اگر کچھ منفی ہوتا ہے، تو آپ کو اس _منفی ری انفورسمنٹ_ کو لینا، اس سے سیکھنا، اور راستہ بدلنا ہوگا۔ اگر نتیجہ مثبت ہو، تو آپ کو اس _مثبت ری انفورسمنٹ_ پر کام کرنا ہوگا۔ -![پیٹر اور بھیڑیا](../../../translated_images/ur/peter.779730f9ba3a8a8d.png) +![پیٹر اور بھیڑیا](../../../translated_images/ur/peter.779730f9ba3a8a8d.webp) > پیٹر اور اس کے دوستوں کو بھوکے بھیڑیے سے بچنا ہے! تصویر [Jen Looper](https://twitter.com/jenlooper) کی جانب سے diff --git a/translations/ur/9-Real-World/README.md b/translations/ur/9-Real-World/README.md index be075f929..b3b51cd93 100644 --- a/translations/ur/9-Real-World/README.md +++ b/translations/ur/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: اس نصاب کے اس حصے میں، آپ کو کلاسیکل مشین لرننگ کے حقیقی دنیا میں استعمالات سے متعارف کرایا جائے گا۔ ہم نے انٹرنیٹ پر تحقیق کی ہے تاکہ ایسے وائٹ پیپرز اور مضامین تلاش کیے جا سکیں جو ان حکمت عملیوں کو استعمال کرتے ہیں، اور جہاں تک ممکن ہو نیورل نیٹ ورکس، ڈیپ لرننگ اور اے آئی سے گریز کیا گیا ہو۔ جانیں کہ مشین لرننگ کو کاروباری نظاموں، ماحولیاتی استعمالات، مالیات، فنون اور ثقافت، اور دیگر شعبوں میں کیسے استعمال کیا جاتا ہے۔ -![chess](../../../translated_images/ur/chess.e704a268781bdad8.jpg) +![chess](../../../translated_images/ur/chess.e704a268781bdad8.webp) > تصویر از الیکسس فوویٹ، Unsplash پر diff --git a/translations/ur/README.md b/translations/ur/README.md index 81bcc468d..1b2e22228 100644 --- a/translations/ur/README.md +++ b/translations/ur/README.md @@ -29,7 +29,7 @@ CO_OP_TRANSLATOR_METADATA: ہماری طرف سے ایک Discord "Learn with AI" سیریز جاری ہے، مزید جاننے اور ہمارے ساتھ شامل ہونے کے لیے [Learn with AI Series](https://aka.ms/learnwithai/discord) پر 18 - 30 ستمبر، 2025 کے درمیان تشریف لائیں۔ آپ کو GitHub Copilot کو ڈیٹا سائنس کے لیے استعمال کرنے کے متعلق تجاویز اور طریقے ملیں گے۔ -![AI کے ساتھ سیکھنے کی سیریز](../../translated_images/ur/3.9b58fd8d6c373c20.png) +![AI کے ساتھ سیکھنے کی سیریز](../../translated_images/ur/3.9b58fd8d6c373c20.webp) # مشین لرننگ برائے مبتدی - نصاب @@ -77,7 +77,7 @@ Microsoft کے کلاؤڈ ایڈووکیٹس خوش ہیں کہ وہ 12 ہفتو کچھ اسباق مختصر ویڈیو کے طور پر دستیاب ہیں۔ آپ انہیں اسباق کے اندر ہی دیکھ سکتے ہیں، یا نیچے موجود تصویر پر کلک کر کے [Microsoft Developer YouTube چینل پر ML for Beginners پلے لسٹ](https://aka.ms/ml-beginners-videos) پر جا سکتے ہیں۔ -[![مشین لرننگ برائے مبتدی بینر](../../translated_images/ur/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![مشین لرننگ برائے مبتدی بینر](../../translated_images/ur/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/vi/README.md b/translations/vi/README.md index 1826c5cce..10727c070 100644 --- a/translations/vi/README.md +++ b/translations/vi/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: Chúng tôi có một chuỗi Discord Learn with AI đang diễn ra, tìm hiểu thêm và tham gia cùng chúng tôi tại [Chuỗi Learn with AI](https://aka.ms/learnwithai/discord) từ ngày 18 - 30 tháng 9, 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot cho Data Science. -![Chuỗi Learn with AI](../../translated_images/vi/3.9b58fd8d6c373c20.png) +![Chuỗi Learn with AI](../../translated_images/vi/3.9b58fd8d6c373c20.webp) # Học Máy cho Người Mới Bắt Đầu - Một Chương trình giảng dạy @@ -80,7 +80,7 @@ Thực hiện các bước sau: Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm tất cả những video này nhúng trong các bài học, hoặc trên [danh sách phát ML for Beginners trên kênh Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) bằng cách nhấp vào hình ảnh bên dưới. -[![Biểu ngữ ML cho Người Mới Bắt Đầu](../../translated_images/vi/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![Biểu ngữ ML cho Người Mới Bắt Đầu](../../translated_images/vi/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/zh/1-Introduction/README.md b/translations/zh/1-Introduction/README.md index 8e54150b0..e5e85b447 100644 --- a/translations/zh/1-Introduction/README.md +++ b/translations/zh/1-Introduction/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本课程部分中，您将了解机器学习领域的基本概念、它的定义，并学习它的历史以及研究人员使用的相关技术。让我们一起探索这个机器学习的新世界吧！ -![globe](../../../translated_images/zh/globe.59f26379ceb40428.jpg) +![globe](../../../translated_images/zh/globe.59f26379ceb40428.webp) > 图片由 Bill Oxford 提供，来自 Unsplash ### 课程 diff --git a/translations/zh/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb b/translations/zh/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb index c743ad734..2a387cb42 100644 --- a/translations/zh/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb +++ b/translations/zh/2-Regression/1-Tools/solution/R/lesson_1-R.ipynb @@ -48,7 +48,7 @@ " width=\"630\"/>\n", "
由 @allison_horst 创作的艺术作品
\n", "\n", - "\n" + "\n" ], "metadata": { "id": "LWNNzfqd6feZ" diff --git a/translations/zh/2-Regression/2-Data/solution/R/lesson_2-R.ipynb b/translations/zh/2-Regression/2-Data/solution/R/lesson_2-R.ipynb index 2fb112e86..6a64f3b3a 100644 --- a/translations/zh/2-Regression/2-Data/solution/R/lesson_2-R.ipynb +++ b/translations/zh/2-Regression/2-Data/solution/R/lesson_2-R.ipynb @@ -49,7 +49,7 @@ "
艺术作品由 @allison_horst 提供
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "Pg5aexcOPqAZ" @@ -230,7 +230,7 @@ "
插图作者：@allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "o4jLY5-VZO2C" @@ -533,7 +533,7 @@ "
信息图表作者：Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "有一句*智慧*的名言是这样说的：\n", "\n", diff --git a/translations/zh/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb b/translations/zh/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb index 1d012ed55..c4f53f278 100644 --- a/translations/zh/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb +++ b/translations/zh/2-Regression/3-Linear/solution/R/lesson_3-R.ipynb @@ -42,7 +42,7 @@ "
信息图作者：Dasani Madipalli
\n", "\n", "\n", - "\n", + "\n", "\n", "#### 介绍\n", "\n", @@ -166,7 +166,7 @@ "
插画作者：@allison_horst
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "WdUKXk7Bs8-V" @@ -571,7 +571,7 @@ "
Dasani Madipalli 制作的信息图
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "YqXjLuWavNxW" @@ -812,7 +812,7 @@ "
信息图由 Dasani Madipalli 制作
\n", "\n", "\n", - "\n" + "\n" ], "metadata": { "id": "HOCqJXLTwtWI" diff --git a/translations/zh/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb b/translations/zh/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb index 1c9afbd2e..ea68389e0 100644 --- a/translations/zh/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb +++ b/translations/zh/2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb @@ -6,7 +6,7 @@ "source": [ "## 构建逻辑回归模型 - 第4课\n", "\n", - "![逻辑回归与线性回归信息图](../../../../../../translated_images/zh/linear-vs-logistic.ba180bf95e7ee667.png)\n", + "![逻辑回归与线性回归信息图](../../../../../../translated_images/zh/linear-vs-logistic.ba180bf95e7ee667.webp)\n", "\n", "#### **[课前测验](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", @@ -78,7 +78,7 @@ "\n", "逻辑回归不具备线性回归的相同功能。前者提供关于`二元类别`（例如“橙色或非橙色”）的预测，而后者能够预测`连续值`，例如根据南瓜的产地和收获时间，*预测其价格将上涨多少*。\n", "\n", - "![Dasani Madipalli制作的信息图](../../../../../../translated_images/zh/pumpkin-classifier.562771f104ad5436.png)\n", + "![Dasani Madipalli制作的信息图](../../../../../../translated_images/zh/pumpkin-classifier.562771f104ad5436.webp)\n", "\n", "### 其他分类方式\n", "\n", @@ -88,7 +88,7 @@ "\n", "- **有序分类**，涉及有序的类别，这在我们需要逻辑地排列结果时很有用，例如按南瓜的有限尺寸（迷你、小、中、大、特大、超大）进行排序。\n", "\n", - "![多项式分类 vs 有序分类](../../../../../../translated_images/zh/multinomial-vs-ordinal.36701b4850e37d86.png)\n", + "![多项式分类 vs 有序分类](../../../../../../translated_images/zh/multinomial-vs-ordinal.36701b4850e37d86.webp)\n", "\n", "#### **变量不需要相关**\n", "\n", diff --git a/translations/zh/2-Regression/README.md b/translations/zh/2-Regression/README.md index 3dbe41063..651999fb1 100644 --- a/translations/zh/2-Regression/README.md +++ b/translations/zh/2-Regression/README.md @@ -12,7 +12,7 @@ CO_OP_TRANSLATOR_METADATA: 在北美，南瓜常被雕刻成恐怖的面孔用于庆祝万圣节。让我们一起来探索这些迷人的蔬菜吧！ -![jack-o-lanterns](../../../translated_images/zh/jack-o-lanterns.181c661a9212457d.jpg) +![jack-o-lanterns](../../../translated_images/zh/jack-o-lanterns.181c661a9212457d.webp) > 图片由 Beth Teutschmann 提供，来自 Unsplash ## 你将学到什么 diff --git a/translations/zh/3-Web-App/README.md b/translations/zh/3-Web-App/README.md index 8bcc32a36..a0fa5bd9a 100644 --- a/translations/zh/3-Web-App/README.md +++ b/translations/zh/3-Web-App/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本课程的这一部分，您将学习一个应用型的机器学习主题：如何将您的 Scikit-learn 模型保存为一个文件，以便在网页应用中进行预测。一旦模型保存完成，您将学习如何在使用 Flask 构建的网页应用中使用它。您将首先使用一些关于 UFO 目击事件的数据创建一个模型！然后，您将构建一个网页应用，允许用户输入持续时间（秒数）、纬度和经度值，以预测哪个国家报告了看到 UFO。 -![UFO 停车场](../../../translated_images/zh/ufo.9e787f5161da9d4d.jpg) +![UFO 停车场](../../../translated_images/zh/ufo.9e787f5161da9d4d.webp) 照片由 Michael Herren 提供，来自 Unsplash diff --git a/translations/zh/4-Classification/README.md b/translations/zh/4-Classification/README.md index 70a469c06..5031588fa 100644 --- a/translations/zh/4-Classification/README.md +++ b/translations/zh/4-Classification/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 在亚洲和印度，饮食文化极其多样化，而且非常美味！让我们来看看有关地区美食的数据，试着了解它们的食材。 -![泰国小吃摊](../../../translated_images/zh/thai-food.c47a7a7f9f05c218.jpg) +![泰国小吃摊](../../../translated_images/zh/thai-food.c47a7a7f9f05c218.webp) > 图片由 Lisheng Chang 提供，发布在 Unsplash ## 你将学到什么 diff --git a/translations/zh/5-Clustering/README.md b/translations/zh/5-Clustering/README.md index 67ed5e5de..55273c696 100644 --- a/translations/zh/5-Clustering/README.md +++ b/translations/zh/5-Clustering/README.md @@ -15,7 +15,7 @@ CO_OP_TRANSLATOR_METADATA: 尼日利亚的观众拥有多样化的音乐品味。通过从 Spotify 抓取的数据（灵感来源于[这篇文章](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)），让我们来看看尼日利亚流行的一些音乐。这份数据集包括关于各种歌曲的“舞蹈性”评分、“声学性”、响度、“语音性”、流行度和能量的相关数据。发现这些数据中的模式将会非常有趣！ -![唱盘](../../../translated_images/zh/turntable.f2b86b13c53302dc.jpg) +![唱盘](../../../translated_images/zh/turntable.f2b86b13c53302dc.webp) > 图片由 Marcela Laskoski 提供，来自 Unsplash diff --git a/translations/zh/6-NLP/README.md b/translations/zh/6-NLP/README.md index b1cdc653a..2cda2973e 100644 --- a/translations/zh/6-NLP/README.md +++ b/translations/zh/6-NLP/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 在这些课程中，我们将通过构建小型对话机器人来学习NLP的基础知识，了解机器学习如何帮助使这些对话变得越来越“智能”。您将穿越时光，与简·奥斯汀1813年出版的经典小说《傲慢与偏见》中的伊丽莎白·班内特和达西先生进行对话。随后，您将通过学习欧洲酒店评论中的情感分析进一步加深知识。 -![傲慢与偏见书籍与茶](../../../translated_images/zh/p&p.279f1c49ecd88941.jpg) +![傲慢与偏见书籍与茶](../../../translated_images/zh/p&p.279f1c49ecd88941.webp) > 图片由 Elaine Howlin 提供，来自 Unsplash ## 课程 diff --git a/translations/zh/7-TimeSeries/README.md b/translations/zh/7-TimeSeries/README.md index cc30a895f..c3624d779 100644 --- a/translations/zh/7-TimeSeries/README.md +++ b/translations/zh/7-TimeSeries/README.md @@ -17,7 +17,7 @@ CO_OP_TRANSLATOR_METADATA: 我们的区域重点是全球电力使用，这是一个有趣的数据集，可以用来学习如何根据过去的负载模式预测未来的电力使用情况。你会发现这种预测在商业环境中非常有帮助。 -![电网](../../../translated_images/zh/electric-grid.0c21d5214db09ffa.jpg) +![电网](../../../translated_images/zh/electric-grid.0c21d5214db09ffa.webp) 照片由 [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 在拉贾斯坦邦的道路上拍摄的电力塔，发布于 [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) diff --git a/translations/zh/8-Reinforcement/README.md b/translations/zh/8-Reinforcement/README.md index ded0285fc..65166ead3 100644 --- a/translations/zh/8-Reinforcement/README.md +++ b/translations/zh/8-Reinforcement/README.md @@ -13,7 +13,7 @@ CO_OP_TRANSLATOR_METADATA: 想象一下，你有一个模拟环境，比如股票市场。如果你实施某项规定，会发生什么？它会产生积极还是消极的影响？如果发生了消极的事情，你需要接受这种_负强化_，从中学习并调整方向。如果是积极的结果，你需要基于这种_正强化_继续发展。 -![彼得与狼](../../../translated_images/zh/peter.779730f9ba3a8a8d.png) +![彼得与狼](../../../translated_images/zh/peter.779730f9ba3a8a8d.webp) > 彼得和他的朋友们需要逃离饥饿的狼！图片由 [Jen Looper](https://twitter.com/jenlooper) 提供 diff --git a/translations/zh/9-Real-World/README.md b/translations/zh/9-Real-World/README.md index ee5963b29..b9045a7ae 100644 --- a/translations/zh/9-Real-World/README.md +++ b/translations/zh/9-Real-World/README.md @@ -11,7 +11,7 @@ CO_OP_TRANSLATOR_METADATA: 在本课程的这一部分中，您将了解经典机器学习在现实世界中的一些应用。我们在互联网上搜集了关于这些策略应用的白皮书和文章，尽量避免涉及神经网络、深度学习和人工智能。了解机器学习如何应用于商业系统、生态应用、金融、艺术与文化等领域。 -![国际象棋](../../../translated_images/zh/chess.e704a268781bdad8.jpg) +![国际象棋](../../../translated_images/zh/chess.e704a268781bdad8.webp) > 图片由 Alexis Fauvet 提供，来源于 Unsplash diff --git a/translations/zh/README.md b/translations/zh/README.md index fc97f4e84..3e7f7d1e6 100644 --- a/translations/zh/README.md +++ b/translations/zh/README.md @@ -31,7 +31,7 @@ CO_OP_TRANSLATOR_METADATA: 我们正在举办一个 Discord 的“与 AI 学习”系列，了解更多并在 2025 年 9 月 18 日至 30 日加入我们：[Learn with AI Series](https://aka.ms/learnwithai/discord)。你将获得使用 GitHub Copilot 进行数据科学的技巧与窍门。 -![与 AI 系列学习](../../translated_images/zh/3.9b58fd8d6c373c20.png) +![与 AI 系列学习](../../translated_images/zh/3.9b58fd8d6c373c20.webp) # 面向初学者的机器学习 - 课程 @@ -80,7 +80,7 @@ CO_OP_TRANSLATOR_METADATA: 部分课程以短视频形式提供。你可以在课程中找到所有这些视频，或在 [Microsoft Developer YouTube 频道上的 ML for Beginners 播放列表](https://aka.ms/ml-beginners-videos) 中查看，点击下方图片。 -[![面向初学者的机器学习 横幅](../../translated_images/zh/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) +[![面向初学者的机器学习 横幅](../../translated_images/zh/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) ---