diff --git a/translated_images/en/.co-op-translator.json b/translated_images/en/.co-op-translator.json new file mode 100644 index 000000000..6cd72835e --- /dev/null +++ b/translated_images/en/.co-op-translator.json @@ -0,0 +1,920 @@ +{ + "favicon.37b561214b36d454.webp": { + "original_hash": "228faa6584f8ba1f7e9a75e3200112e9", + "translation_date": "2026-01-16T07:40:20+00:00", + "source_file": "images/favicon.png", + "language_code": "en" + }, + "ml-for-beginners.9eecb963dbfbfb32.webp": { + "original_hash": "168efdbeb98bec4da0e91cf8acf77dfe", + "translation_date": "2026-01-16T07:40:21+00:00", + "source_file": "images/ml-for-beginners.png", + "language_code": "en" + }, + "ml-for-beginners-video-banner.63f694a100034bc6.webp": { + "original_hash": "2ee5851fdd14fb777163c9dfef721412", + "translation_date": "2026-01-16T07:40:24+00:00", + "source_file": "images/ml-for-beginners-video-banner.png", + "language_code": "en" + }, + "3.9b58fd8d6c373c20.webp": { + "original_hash": "2de21431c87bb9ebc9bf4ddcb3ba2bdd", + "translation_date": "2026-01-16T07:40:28+00:00", + "source_file": "images/3.png", + "language_code": "en" + }, + "ml-fairness.ef296ebec6afc98a.webp": { + "original_hash": "bceb2f96ebd4940cfddce42307d5e4a9", + "translation_date": "2026-01-16T07:40:45+00:00", + "source_file": "sketchnotes/ml-fairness.png", + "language_code": "en" + }, + "ml-regression.4e4f70e3b3ed446e.webp": { + "original_hash": "c9bf1c0fe00e48262b884a679c612372", + "translation_date": "2026-01-16T07:41:01+00:00", + "source_file": "sketchnotes/ml-regression.png", + "language_code": "en" + }, + "ml-realworld.26ee274671615577.webp": { + "original_hash": "3f43444e6254753eb5f23de7f52b2745", + "translation_date": "2026-01-16T07:41:16+00:00", + "source_file": "sketchnotes/ml-realworld.png", + "language_code": "en" + }, + "ml-reinforcement.94024374d63348db.webp": { + "original_hash": "c3b55d97bb8edd97fbff43767fb4c563", + "translation_date": "2026-01-16T07:41:35+00:00", + "source_file": "sketchnotes/ml-reinforcement.png", + "language_code": "en" + }, + "ml-timeseries.fb98d25f1013fc0c.webp": { + "original_hash": "03443e1e03edffd1a9c8c605903c4e84", + "translation_date": "2026-01-16T07:41:53+00:00", + "source_file": "sketchnotes/ml-timeseries.png", + "language_code": "en" + }, + "ml-history.a1bdfd4ce1f464d9.webp": { + "original_hash": "2fe022d2dd04763788b2a5a8ad71fb1f", + "translation_date": "2026-01-16T07:42:12+00:00", + "source_file": "sketchnotes/ml-history.png", + "language_code": "en" + }, + "globe.59f26379ceb40428.webp": { + "original_hash": "843aa34b1b65eb8ab23f8a7476b7dcd0", + "translation_date": "2026-01-16T07:42:25+00:00", + "source_file": "1-Introduction/images/globe.jpg", + "language_code": "en" + }, + "ai-ml-ds.537ea441b124ebf6.webp": { + "original_hash": "22725868b26ca27e64c946ee025d45a3", + "translation_date": "2026-01-16T07:42:27+00:00", + "source_file": "1-Introduction/1-intro-to-ML/images/ai-ml-ds.png", + "language_code": "en" + }, + "hype.07183d711a17aafe.webp": { + "original_hash": "fdd8cab17e681e45c4fe2647eb58bdb9", + "translation_date": "2026-01-16T07:42:32+00:00", + "source_file": "1-Introduction/1-intro-to-ML/images/hype.png", + "language_code": "en" + }, + "shakey.4dc17819c447c05b.webp": { + "original_hash": "c1d741be4627f3e75ea5ee912f5896e6", + "translation_date": "2026-01-16T07:42:39+00:00", + "source_file": "1-Introduction/2-history-of-ML/images/shakey.jpg", + "language_code": "en" + }, + "eliza.84397454cda9559b.webp": { + "original_hash": "cf4cf518f649213e8970b1d08fbe6c77", + "translation_date": "2026-01-16T07:42:50+00:00", + "source_file": "1-Introduction/2-history-of-ML/images/eliza.png", + "language_code": "en" + }, + "overfitting.1c132d92bfd93cb6.webp": { + "original_hash": "e9d1a3d88cf81abd87b93ba3cae6f3b1", + "translation_date": "2026-01-16T07:43:00+00:00", + "source_file": "1-Introduction/4-techniques-of-ML/images/overfitting.png", + "language_code": "en" + }, + "gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp": { + "original_hash": "0e8aac544ac1089cd727075b6083639f", + "translation_date": "2026-01-16T07:43:03+00:00", + "source_file": "1-Introduction/3-fairness/images/gender-bias-translate-tr-en.png", + "language_code": "en" + }, + "accountability.41d8c0f4b85b6231.webp": { + "original_hash": "65e19795f4a18a0878133c71c8862c42", + "translation_date": "2026-01-16T07:43:06+00:00", + "source_file": "1-Introduction/3-fairness/images/accountability.png", + "language_code": "en" + }, + "ceos.7a9a67871424a6c0.webp": { + "original_hash": "f403a92005c5f0c581fd27587dd69eb8", + "translation_date": "2026-01-16T07:43:09+00:00", + "source_file": "1-Introduction/3-fairness/images/ceos.png", + "language_code": "en" + }, + "gender-bias-translate-en-tr.f185fd8822c2d437.webp": { + "original_hash": "3abc35f319aef1169941603df4db6fd0", + "translation_date": "2026-01-16T07:43:13+00:00", + "source_file": "1-Introduction/3-fairness/images/gender-bias-translate-en-tr.png", + "language_code": "en" + }, + "fairness.b9f9893a4e3dc28b.webp": { + "original_hash": "89c57b68363652950bfa4b8a3cae82c1", + "translation_date": "2026-01-16T07:43:17+00:00", + "source_file": "1-Introduction/3-fairness/images/fairness.png", + "language_code": "en" + }, + "accessibility.c1be5ce816eaea65.webp": { + "original_hash": "ff169fe805ae6b4b0067443121c4c7ce", + "translation_date": "2026-01-16T07:43:20+00:00", + "source_file": "1-Introduction/3-fairness/images/accessibility.png", + "language_code": "en" + }, + "jack-o-lanterns.181c661a9212457d.webp": { + "original_hash": "3f6f70bd9fcfd9f85c229fdbbeef8a4a", + "translation_date": "2026-01-16T07:43:23+00:00", + "source_file": "2-Regression/images/jack-o-lanterns.jpg", + "language_code": "en" + }, + "polynomial.8fce4663e7283dfb.webp": { + "original_hash": "7df902a6d0b81a28de48a330b3b4aa76", + "translation_date": "2026-01-16T07:43:26+00:00", + "source_file": "2-Regression/3-Linear/images/polynomial.png", + "language_code": "en" + }, + "janitor.e4a77dd3d3e6a32e.webp": { + "original_hash": "8e34c6515b5a664c4485bed85ace536e", + "translation_date": "2026-01-16T07:43:37+00:00", + "source_file": "2-Regression/3-Linear/images/janitor.jpg", + "language_code": "en" + }, + "calculation.a209813050a1ddb1.webp": { + "original_hash": "b2131ec1d3e6db2e2abd7bc8c699dbcf", + "translation_date": "2026-01-16T07:43:54+00:00", + "source_file": "2-Regression/3-Linear/images/calculation.png", + "language_code": "en" + }, + "linear-results.f7c3552c85b0ed1c.webp": { + "original_hash": "3f6827091179dabc363a4327e4f824fe", + "translation_date": "2026-01-16T07:43:58+00:00", + "source_file": "2-Regression/3-Linear/images/linear-results.png", + "language_code": "en" + }, + "recipes.9ad10d8a4056bf89.webp": { + "original_hash": "925552a21bb3687dfd83bb25010273f9", + "translation_date": "2026-01-16T07:44:13+00:00", + "source_file": "2-Regression/3-Linear/images/recipes.png", + "language_code": "en" + }, + "heatmap.39952045da50b4eb.webp": { + "original_hash": "a62eb0069cc21d495828469ea2d0b506", + "translation_date": "2026-01-16T07:44:43+00:00", + "source_file": "2-Regression/3-Linear/images/heatmap.png", + "language_code": "en" + }, + "slope.f3c9d5910ddbfcf9.webp": { + "original_hash": "d81920219716f4765a0208ea6d035ec7", + "translation_date": "2026-01-16T07:44:54+00:00", + "source_file": "2-Regression/3-Linear/images/slope.png", + "language_code": "en" + }, + "pie-pumpkins-scatter.d14f9804a53f927e.webp": { + "original_hash": "2475f9d321d752ada7e5f431fe59f9e9", + "translation_date": "2026-01-16T07:44:59+00:00", + "source_file": "2-Regression/3-Linear/images/pie-pumpkins-scatter.png", + "language_code": "en" + }, + "poly-results.ee587348f0f1f60b.webp": { + "original_hash": "e69be7266860f3cae8c750a35e160493", + "translation_date": "2026-01-16T07:45:00+00:00", + "source_file": "2-Regression/3-Linear/images/poly-results.png", + "language_code": "en" + }, + "scatter-dayofyear-color.65790faefbb9d54f.webp": { + "original_hash": "57a573b7b038fddf7793cc520baa2ecd", + "translation_date": "2026-01-16T07:45:02+00:00", + "source_file": "2-Regression/3-Linear/images/scatter-dayofyear-color.png", + "language_code": "en" + }, + "price-by-variety.744a2f9925d9bcb4.webp": { + "original_hash": "80b85163de4d24d4d0bf67ff0d9b2309", + "translation_date": "2026-01-16T07:45:05+00:00", + "source_file": "2-Regression/3-Linear/images/price-by-variety.png", + "language_code": "en" + }, + "linear-polynomial.5523c7cb6576ccab.webp": { + "original_hash": "1b810c7c5447242163be60624c06bf97", + "translation_date": "2026-01-16T07:45:10+00:00", + "source_file": "2-Regression/3-Linear/images/linear-polynomial.png", + "language_code": "en" + }, + "scatter-dayofyear.bc171c189c9fd553.webp": { + "original_hash": "0dfbd93772844f3b564fefa1750f1f1a", + "translation_date": "2026-01-16T07:45:18+00:00", + "source_file": "2-Regression/3-Linear/images/scatter-dayofyear.png", + "language_code": "en" + }, + "linear.a1b0760a56132551.webp": { + "original_hash": "0bc5432c73d2c073cab1b85d8279ff44", + "translation_date": "2026-01-16T07:45:22+00:00", + "source_file": "2-Regression/3-Linear/images/linear.png", + "language_code": "en" + }, + "notebook.4a3ee31f396b8832.webp": { + "original_hash": "53ed9e8157acd2742be1840e5d9c69ab", + "translation_date": "2026-01-16T07:45:29+00:00", + "source_file": "2-Regression/1-Tools/images/notebook.jpg", + "language_code": "en" + }, + "scatterplot.ad8b356bcbb33be6.webp": { + "original_hash": "3957c7a107594dadc4758bb3ce04857d", + "translation_date": "2026-01-16T07:45:33+00:00", + "source_file": "2-Regression/1-Tools/images/scatterplot.png", + "language_code": "en" + }, + "encouRage.e75d5fe0367fb913.webp": { + "original_hash": "7dd96b2ba0df871e1553f743be58a0e5", + "translation_date": "2026-01-16T07:45:40+00:00", + "source_file": "2-Regression/1-Tools/images/encouRage.jpg", + "language_code": "en" + }, + "data-visualization.54e56dded7c1a804.webp": { + "original_hash": "0978cd448f88701c82bc30537b17c1c5", + "translation_date": "2026-01-16T07:45:50+00:00", + "source_file": "2-Regression/2-Data/images/data-visualization.png", + "language_code": "en" + }, + "unruly_data.0eedc7ced92d2d91.webp": { + "original_hash": "a4a8c088eb459adbbae497322c640811", + "translation_date": "2026-01-16T07:45:56+00:00", + "source_file": "2-Regression/2-Data/images/unruly_data.jpg", + "language_code": "en" + }, + "scatterplot.b6868f44cbd2051c.webp": { + "original_hash": "be95a93bbe7e5ef894f0cc2a9165b524", + "translation_date": "2026-01-16T07:46:00+00:00", + "source_file": "2-Regression/2-Data/images/scatterplot.png", + "language_code": "en" + }, + "dplyr_wrangling.f5f99c64fd4580f1.webp": { + "original_hash": "c9623f92bdbfdc2b68fcc8b8c28ec6d1", + "translation_date": "2026-01-16T07:46:06+00:00", + "source_file": "2-Regression/2-Data/images/dplyr_wrangling.png", + "language_code": "en" + }, + "barchart.a833ea9194346d76.webp": { + "original_hash": "49c21ba1929ad7ee26b6cd2fcf243929", + "translation_date": "2026-01-16T07:46:11+00:00", + "source_file": "2-Regression/2-Data/images/barchart.png", + "language_code": "en" + }, + "multinomial-vs-ordinal.36701b4850e37d86.webp": { + "original_hash": "f073e94529a3648f2231cdce2cbab8b4", + "translation_date": "2026-01-16T07:46:18+00:00", + "source_file": "2-Regression/4-Logistic/images/multinomial-vs-ordinal.png", + "language_code": "en" + }, + "sigmoid.8b7ba9d095c789cf.webp": { + "original_hash": "93e362a78005d1964a4a108887df6f65", + "translation_date": "2026-01-16T07:46:26+00:00", + "source_file": "2-Regression/4-Logistic/images/sigmoid.png", + "language_code": "en" + }, + "multinomial-ordinal.944fe02295fd6cdf.webp": { + "original_hash": "c7ccca072d30b5d4b75255a67ddae654", + "translation_date": "2026-01-16T07:46:30+00:00", + "source_file": "2-Regression/4-Logistic/images/multinomial-ordinal.png", + "language_code": "en" + }, + "linear-vs-logistic.ba180bf95e7ee667.webp": { + "original_hash": "96759faebbd1f2a900347a266e140c4d", + "translation_date": "2026-01-16T07:46:40+00:00", + "source_file": "2-Regression/4-Logistic/images/linear-vs-logistic.png", + "language_code": "en" + }, + "pumpkin-classifier.562771f104ad5436.webp": { + "original_hash": "9b4b4ac420310c1c6f70835f8f039666", + "translation_date": "2026-01-16T07:46:47+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkin-classifier.png", + "language_code": "en" + }, + "logistic.b0cba6b7db4d5789.webp": { + "original_hash": "9794c53dc6a7c7c197cf4e308d45cfe8", + "translation_date": "2026-01-16T07:46:52+00:00", + "source_file": "2-Regression/4-Logistic/images/logistic.png", + "language_code": "en" + }, + "ROC.167a70519c5bf898.webp": { + "original_hash": "63e5567374ae1de1cd1e775dda7c81e9", + "translation_date": "2026-01-16T07:46:54+00:00", + "source_file": "2-Regression/4-Logistic/images/ROC.png", + "language_code": "en" + }, + "grid.464370ad00f3696c.webp": { + "original_hash": "79d757e96813e70fbf7844b23dae96bc", + "translation_date": "2026-01-16T07:47:05+00:00", + "source_file": "2-Regression/4-Logistic/images/grid.png", + "language_code": "en" + }, + "swarm.56d253ae80a2c0f5.webp": { + "original_hash": "fe1af9f5ac979ea7316753ac7559aaaf", + "translation_date": "2026-01-16T07:47:22+00:00", + "source_file": "2-Regression/4-Logistic/images/swarm.png", + "language_code": "en" + }, + "confusion-matrix.3cc5496a1a37c3e4.webp": { + "original_hash": "4150f5e65462636d31a355fb8bacd710", + "translation_date": "2026-01-16T07:47:25+00:00", + "source_file": "2-Regression/4-Logistic/images/confusion-matrix.png", + "language_code": "en" + }, + "ROC_2.777f20cdfc4988ca.webp": { + "original_hash": "7e020247ea2b610881d260a38315aeae", + "translation_date": "2026-01-16T07:47:29+00:00", + "source_file": "2-Regression/4-Logistic/images/ROC_2.png", + "language_code": "en" + }, + "pumpkins_catplot_2.87a354447880b388.webp": { + "original_hash": "64c425c52a46eef297def367d169d32a", + "translation_date": "2026-01-16T07:47:38+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkins_catplot_2.png", + "language_code": "en" + }, + "pumpkins_catplot_1.c55c409b71fea2ec.webp": { + "original_hash": "21156df8979d98c866269dca8da8f884", + "translation_date": "2026-01-16T07:47:53+00:00", + "source_file": "2-Regression/4-Logistic/images/pumpkins_catplot_1.png", + "language_code": "en" + }, + "violin.ffceb68923177011.webp": { + "original_hash": "6552159e8ea391bd6d60d1ee0ee0a40b", + "translation_date": "2026-01-16T07:47:58+00:00", + "source_file": "2-Regression/4-Logistic/images/violin.png", + "language_code": "en" + }, + "r_learners_sm.e25fa9c205b3a3f9.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T07:48:01+00:00", + "source_file": "2-Regression/4-Logistic/images/r_learners_sm.jpeg", + "language_code": "en" + }, + "swarm_2.efeacfca536c2b57.webp": { + "original_hash": "734f5d0884220257ff5c7f7e1f6faed2", + "translation_date": "2026-01-16T07:48:04+00:00", + "source_file": "2-Regression/4-Logistic/images/swarm_2.png", + "language_code": "en" + }, + "logistic-linear.0f2f6bb73b3134c1.webp": { + "original_hash": "7069c082c288ac778688382b8f817d12", + "translation_date": "2026-01-16T07:48:22+00:00", + "source_file": "2-Regression/4-Logistic/images/logistic-linear.png", + "language_code": "en" + }, + "ufo.9e787f5161da9d4d.webp": { + "original_hash": "99f743b68eb93ed8c683c0f78ac1a180", + "translation_date": "2026-01-16T07:48:33+00:00", + "source_file": "3-Web-App/images/ufo.jpg", + "language_code": "en" + }, + "lobe.2fa0806408ef9923.webp": { + "original_hash": "e6ec71dbe350aef39135dbf88bc89163", + "translation_date": "2026-01-16T07:48:44+00:00", + "source_file": "3-Web-App/1-Web-App/images/lobe.png", + "language_code": "en" + }, + "p&p.279f1c49ecd88941.webp": { + "original_hash": "9896259959fc22aeeb0c5e0d6e0154a7", + "translation_date": "2026-01-16T07:48:59+00:00", + "source_file": "6-NLP/images/p&p.jpg", + "language_code": "en" + }, + "monnaie.606c5fa8369d5c3b.webp": { + "original_hash": "8eb6b1ab4f94ed2f98059f68ebafc014", + "translation_date": "2026-01-16T07:49:03+00:00", + "source_file": "6-NLP/3-Translation-Sentiment/images/monnaie.png", + "language_code": "en" + }, + "comprehension.619708fc5959b0f6.webp": { + "original_hash": "199ba9874415c9ac69ab90ca0c7a5798", + "translation_date": "2026-01-16T07:49:06+00:00", + "source_file": "6-NLP/1-Introduction-to-NLP/images/comprehension.png", + "language_code": "en" + }, + "tokenization.1641a160c66cd2d9.webp": { + "original_hash": "568ebd0acfd2a2712e97c2efb889b5b9", + "translation_date": "2026-01-16T07:49:09+00:00", + "source_file": "6-NLP/2-Tasks/images/tokenization.png", + "language_code": "en" + }, + "embedding.2cf8953c4b3101d1.webp": { + "original_hash": "1007c6219e1ce7d2a51becd0596a822a", + "translation_date": "2026-01-16T07:49:12+00:00", + "source_file": "6-NLP/2-Tasks/images/embedding.png", + "language_code": "en" + }, + "parse.d0c5bbe1106eae8f.webp": { + "original_hash": "322098f5a3769e96c7a60b16ad9d02b3", + "translation_date": "2026-01-16T07:49:16+00:00", + "source_file": "6-NLP/2-Tasks/images/parse.png", + "language_code": "en" + }, + "turntable.f2b86b13c53302dc.webp": { + "original_hash": "02aa654944ce0872a2a6b41ad6f8bae2", + "translation_date": "2026-01-16T07:49:19+00:00", + "source_file": "5-Clustering/images/turntable.jpg", + "language_code": "en" + }, + "problems.f7fb539ccd80608e.webp": { + "original_hash": "d3605f6f944d3a7a5390490be3a94186", + "translation_date": "2026-01-16T07:49:23+00:00", + "source_file": "5-Clustering/2-K-Means/images/problems.png", + "language_code": "en" + }, + "clusters.b635354640d8e4fd.webp": { + "original_hash": "1bf916ab2a323ca1ff9524b957d191d9", + "translation_date": "2026-01-16T07:49:33+00:00", + "source_file": "5-Clustering/2-K-Means/images/clusters.png", + "language_code": "en" + }, + "voronoi.1dc1613fb0439b95.webp": { + "original_hash": "561aedc2bbfa5e0af9f4e1b1d5df00a1", + "translation_date": "2026-01-16T07:49:34+00:00", + "source_file": "5-Clustering/2-K-Means/images/voronoi.png", + "language_code": "en" + }, + "elbow.72676169eed744ff.webp": { + "original_hash": "bb938c301c0b3fd5deec9f8b277b0506", + "translation_date": "2026-01-16T07:49:35+00:00", + "source_file": "5-Clustering/2-K-Means/images/elbow.png", + "language_code": "en" + }, + "r_learners_sm.e4a71b113ffbedfe.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T07:49:37+00:00", + "source_file": "5-Clustering/2-K-Means/images/r_learners_sm.jpeg", + "language_code": "en" + }, + "boxplots.8228c29dabd0f292.webp": { + "original_hash": "841ff52a90f91c88278604315d9cd6e5", + "translation_date": "2026-01-16T07:49:55+00:00", + "source_file": "5-Clustering/2-K-Means/images/boxplots.png", + "language_code": "en" + }, + "flat-nonflat.d1c8c6e2a96110c1.webp": { + "original_hash": "73d6fedd799f48057e154a4e8ce42f93", + "translation_date": "2026-01-16T07:50:28+00:00", + "source_file": "5-Clustering/1-Visualize/images/flat-nonflat.png", + "language_code": "en" + }, + "correlation.a9356bb798f5eea5.webp": { + "original_hash": "2defd6b5fe95facd4a781f9622902c78", + "translation_date": "2026-01-16T07:50:46+00:00", + "source_file": "5-Clustering/1-Visualize/images/correlation.png", + "language_code": "en" + }, + "hierarchical.bf59403aa43c8c47.webp": { + "original_hash": "50b9bc3298659c463ae76564ca645b12", + "translation_date": "2026-01-16T07:51:11+00:00", + "source_file": "5-Clustering/1-Visualize/images/hierarchical.png", + "language_code": "en" + }, + "distribution.9be11df42356ca95.webp": { + "original_hash": "70424f77d27ac2c69e595ea8fdd3e28e", + "translation_date": "2026-01-16T07:51:21+00:00", + "source_file": "5-Clustering/1-Visualize/images/distribution.png", + "language_code": "en" + }, + "centroid.097fde836cf6c918.webp": { + "original_hash": "c8f866ed446563d8e59087f1bca1f97d", + "translation_date": "2026-01-16T07:51:28+00:00", + "source_file": "5-Clustering/1-Visualize/images/centroid.png", + "language_code": "en" + }, + "popular.9c48d84b3386705f.webp": { + "original_hash": "178fa011a311e1411a3750428b0525a7", + "translation_date": "2026-01-16T07:51:36+00:00", + "source_file": "5-Clustering/1-Visualize/images/popular.png", + "language_code": "en" + }, + "all-genres.1d56ef06cefbfcd6.webp": { + "original_hash": "b65f4a4412b6559b03529f10eb450c17", + "translation_date": "2026-01-16T07:51:40+00:00", + "source_file": "5-Clustering/1-Visualize/images/all-genres.png", + "language_code": "en" + }, + "facetgrid.9b2e65ce707eba1f.webp": { + "original_hash": "8497ce8826ba4d381db1f9ed514dede2", + "translation_date": "2026-01-16T07:51:45+00:00", + "source_file": "5-Clustering/1-Visualize/images/facetgrid.png", + "language_code": "en" + }, + "chess.e704a268781bdad8.webp": { + "original_hash": "5b6c7fdfb0b6262a3938b18cce2f4a2b", + "translation_date": "2026-01-16T07:51:51+00:00", + "source_file": "9-Real-World/images/chess.jpg", + "language_code": "en" + }, + "model-overview-feature-cohorts.c5104d575ffd0c80.webp": { + "original_hash": "d2b187b7d1ec4bdcd8c985283d54f8e4", + "translation_date": "2026-01-16T07:52:06+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/model-overview-feature-cohorts.png", + "language_code": "en" + }, + "gender-bias-translate-tr-en.1f97568ba9e40e20.webp": { + "original_hash": "0e8aac544ac1089cd727075b6083639f", + "translation_date": "2026-01-16T07:52:33+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/gender-bias-translate-tr-en.png", + "language_code": "en" + }, + "datapoints.aaf6815cd5d87354.webp": { + "original_hash": "5a9527dee26b9b255cc5b624dbb51919", + "translation_date": "2026-01-16T07:52:41+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/datapoints.png", + "language_code": "en" + }, + "ea-error-distribution.117452e1177c1dd8.webp": { + "original_hash": "15823a9cd18a5ee815e7d6262bc6818f", + "translation_date": "2026-01-16T07:52:53+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-error-distribution.png", + "language_code": "en" + }, + "9-feature-importance.cd3193b4bba3fd4b.webp": { + "original_hash": "479e68fc76c6b6fc8cbc2b90eb2981e1", + "translation_date": "2026-01-16T07:53:02+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/9-feature-importance.png", + "language_code": "en" + }, + "ceos.3de5d092ce8d2753.webp": { + "original_hash": "f403a92005c5f0c581fd27587dd69eb8", + "translation_date": "2026-01-16T07:53:16+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ceos.png", + "language_code": "en" + }, + "counterfactuals-examples.b38a50a504ee0a9f.webp": { + "original_hash": "65fb9b98701cc42014f18aa998228333", + "translation_date": "2026-01-16T07:53:31+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/counterfactuals-examples.png", + "language_code": "en" + }, + "gender-bias-translate-en-tr.bfd87c45da23c085.webp": { + "original_hash": "3abc35f319aef1169941603df4db6fd0", + "translation_date": "2026-01-16T07:53:59+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/gender-bias-translate-en-tr.png", + "language_code": "en" + }, + "fairness.25d7c8ce9817272d.webp": { + "original_hash": "89c57b68363652950bfa4b8a3cae82c1", + "translation_date": "2026-01-16T07:54:02+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/fairness.png", + "language_code": "en" + }, + "model-overview-dataset-cohorts.dfa463fb527a35a0.webp": { + "original_hash": "5ba7caa265cee1ff9a7072a4f94e890d", + "translation_date": "2026-01-16T07:54:11+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/model-overview-dataset-cohorts.png", + "language_code": "en" + }, + "individual-causal-what-if.00e7b86b52a083ce.webp": { + "original_hash": "535a0ad1507648542f43293e101eecb6", + "translation_date": "2026-01-16T07:54:37+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/individual-causal-what-if.png", + "language_code": "en" + }, + "9-features-influence.3ead3d3f68a84029.webp": { + "original_hash": "7a522f0212ca4c9d15c9d3d9f01f86f5", + "translation_date": "2026-01-16T07:55:08+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/9-features-influence.png", + "language_code": "en" + }, + "ea-heatmap.8d27185e28cee383.webp": { + "original_hash": "861a9ea52a5aa2841f4dbf9ba45c7900", + "translation_date": "2026-01-16T07:55:22+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-heatmap.png", + "language_code": "en" + }, + "ea-error-cohort.6886209ea5d438c4.webp": { + "original_hash": "95030d8832d8931fb4e1ec6ecda699e6", + "translation_date": "2026-01-16T07:55:36+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/ea-error-cohort.png", + "language_code": "en" + }, + "cf-what-if-features.5a92a6924da3e9b5.webp": { + "original_hash": "0cbbda81885b2341ee63ff33aaa4fff0", + "translation_date": "2026-01-16T07:55:44+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/cf-what-if-features.png", + "language_code": "en" + }, + "dataanalysis-cover.8d6d0683a70a5c1e.webp": { + "original_hash": "6d92c827e7138869509118dccd983ccd", + "translation_date": "2026-01-16T07:55:56+00:00", + "source_file": "9-Real-World/2-Debugging-ML-Models/images/dataanalysis-cover.png", + "language_code": "en" + }, + "thai-food.c47a7a7f9f05c218.webp": { + "original_hash": "d3881195db88ba1cc9fd217f30415da6", + "translation_date": "2026-01-16T07:56:09+00:00", + "source_file": "4-Classification/images/thai-food.jpg", + "language_code": "en" + }, + "korean.4a4f0274f3d9805a.webp": { + "original_hash": "9863922b50bccb4f12b2036825a49a5b", + "translation_date": "2026-01-16T07:56:11+00:00", + "source_file": "4-Classification/1-Introduction/images/korean.png", + "language_code": "en" + }, + "thai.0269dbab2e78bd38.webp": { + "original_hash": "e2b3c8115e57ff80b2c950d3c783e2cf", + "translation_date": "2026-01-16T07:56:14+00:00", + "source_file": "4-Classification/1-Introduction/images/thai.png", + "language_code": "en" + }, + "recipes.186acfa8ed2e8f00.webp": { + "original_hash": "925552a21bb3687dfd83bb25010273f9", + "translation_date": "2026-01-16T07:56:29+00:00", + "source_file": "4-Classification/1-Introduction/images/recipes.png", + "language_code": "en" + }, + "cuisine-dist.d0cc2d551abe5c25.webp": { + "original_hash": "c513d1f6832ac06836e0c8c665c8354a", + "translation_date": "2026-01-16T07:56:56+00:00", + "source_file": "4-Classification/1-Introduction/images/cuisine-dist.png", + "language_code": "en" + }, + "indian.2c4292002af1a1f9.webp": { + "original_hash": "9d396f43a0af642a695b6651bff475af", + "translation_date": "2026-01-16T07:56:58+00:00", + "source_file": "4-Classification/1-Introduction/images/indian.png", + "language_code": "en" + }, + "binary-multiclass.b56d0c86c81105a6.webp": { + "original_hash": "e1a17ceb5d6b5a8bb91bae9ca474cfb5", + "translation_date": "2026-01-16T07:57:00+00:00", + "source_file": "4-Classification/1-Introduction/images/binary-multiclass.png", + "language_code": "en" + }, + "chinese.e62cafa5309f111a.webp": { + "original_hash": "e7afddb049bc5e60e1594d3b0dd7e7c6", + "translation_date": "2026-01-16T07:57:03+00:00", + "source_file": "4-Classification/1-Introduction/images/chinese.png", + "language_code": "en" + }, + "r_learners_sm.cd14eb3581a9f28d.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T07:57:06+00:00", + "source_file": "4-Classification/1-Introduction/images/r_learners_sm.jpeg", + "language_code": "en" + }, + "pinch.1b035ec9ba7e0d40.webp": { + "original_hash": "18f413d7670738c758fee477886c7759", + "translation_date": "2026-01-16T07:57:09+00:00", + "source_file": "4-Classification/1-Introduction/images/pinch.png", + "language_code": "en" + }, + "dplyr_filter.b480b264b03439ff.webp": { + "original_hash": "e71fffc34b1e453f16d5b8e266f46aa2", + "translation_date": "2026-01-16T07:57:16+00:00", + "source_file": "4-Classification/1-Introduction/images/dplyr_filter.jpg", + "language_code": "en" + }, + "japanese.30260486f2a05c46.webp": { + "original_hash": "2341f1b464ca87b44d9a1a8581a60068", + "translation_date": "2026-01-16T07:57:30+00:00", + "source_file": "4-Classification/1-Introduction/images/japanese.png", + "language_code": "en" + }, + "svm.621ae7b516d678e0.webp": { + "original_hash": "ce775a75b8ab37b61869cbb31dc76289", + "translation_date": "2026-01-16T07:57:35+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/svm.png", + "language_code": "en" + }, + "map.e963a6a51349425a.webp": { + "original_hash": "d8d479d57d050e32c1d77bb859d61ce2", + "translation_date": "2026-01-16T07:57:52+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/map.png", + "language_code": "en" + }, + "r_learners_sm.f9199f76f1e2e493.webp": { + "original_hash": "837c804617ba17f341a8ed2db93105d5", + "translation_date": "2026-01-16T07:58:17+00:00", + "source_file": "4-Classification/3-Classifiers-2/images/r_learners_sm.jpeg", + "language_code": "en" + }, + "netron.a05f39410211915e.webp": { + "original_hash": "c2b192971dd35d1f9297037e3d9cf2c1", + "translation_date": "2026-01-16T07:58:20+00:00", + "source_file": "4-Classification/4-Applied/images/netron.png", + "language_code": "en" + }, + "web-app.4c76450cabe20036.webp": { + "original_hash": "cbede42b607bbb5910e9a4faf778225c", + "translation_date": "2026-01-16T07:58:25+00:00", + "source_file": "4-Classification/4-Applied/images/web-app.png", + "language_code": "en" + }, + "parsnip.cd2ce92622976502.webp": { + "original_hash": "898a910cf3763544400593dac6a92389", + "translation_date": "2026-01-16T07:58:31+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/parsnip.jpg", + "language_code": "en" + }, + "solvers.5fc648618529e627.webp": { + "original_hash": "f792b31c558c35d791f54218c114f11a", + "translation_date": "2026-01-16T07:58:41+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/solvers.png", + "language_code": "en" + }, + "comparison.edfab56193a85e7f.webp": { + "original_hash": "7f24bd09d9d7f8a13007c1028041fbf5", + "translation_date": "2026-01-16T07:58:58+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/comparison.png", + "language_code": "en" + }, + "cheatsheet.07a475ea444d2223.webp": { + "original_hash": "d4728a3bd3332576e35f206ee6ad3fbb", + "translation_date": "2026-01-16T07:59:14+00:00", + "source_file": "4-Classification/2-Classifiers-1/images/cheatsheet.png", + "language_code": "en" + }, + "peter.779730f9ba3a8a8d.webp": { + "original_hash": "dd4a8cb8e3eb15c467a08d45fade443a", + "translation_date": "2026-01-16T07:59:20+00:00", + "source_file": "8-Reinforcement/images/peter.png", + "language_code": "en" + }, + "cartpole.b5609cc0494a14f7.webp": { + "original_hash": "5399242e127ea1c18aa6ee405daecf51", + "translation_date": "2026-01-16T07:59:22+00:00", + "source_file": "8-Reinforcement/2-Gym/images/cartpole.png", + "language_code": "en" + }, + "escape.18862db9930337e3.webp": { + "original_hash": "992ff5365e7fb990b22e1cd8e421374f", + "translation_date": "2026-01-16T07:59:22+00:00", + "source_file": "8-Reinforcement/2-Gym/images/escape.png", + "language_code": "en" + }, + "train_progress_runav.c71694a8fa9ab359.webp": { + "original_hash": "4e4c78e37e5b80687dd1d8452fd8ce78", + "translation_date": "2026-01-16T07:59:23+00:00", + "source_file": "8-Reinforcement/2-Gym/images/train_progress_runav.png", + "language_code": "en" + }, + "mountaincar.43d56e588ce581c2.webp": { + "original_hash": "61c868cc389dc92bd2b402ea490cd162", + "translation_date": "2026-01-16T07:59:25+00:00", + "source_file": "8-Reinforcement/2-Gym/images/mountaincar.png", + "language_code": "en" + }, + "train_progress_raw.2adfdf2daea09c59.webp": { + "original_hash": "6b053943a2e7d2b4d7d65460517e854a", + "translation_date": "2026-01-16T07:59:27+00:00", + "source_file": "8-Reinforcement/2-Gym/images/train_progress_raw.png", + "language_code": "en" + }, + "lpathlen.94f211521ed60940.webp": { + "original_hash": "ac846488f72765b30a11fb5044342021", + "translation_date": "2026-01-16T07:59:28+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/lpathlen.png", + "language_code": "en" + }, + "wolf.a56d3d4070ca0c79.webp": { + "original_hash": "36a8284655906f6a4e5c4aaa06671da4", + "translation_date": "2026-01-16T07:59:30+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/wolf.png", + "language_code": "en" + }, + "human.e3840390a2ab7690.webp": { + "original_hash": "2779edce282e49929804dec71636094e", + "translation_date": "2026-01-16T07:59:31+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/human.png", + "language_code": "en" + }, + "bellman-equation.7c0c4c722e5a6b7c.webp": { + "original_hash": "7adc065a5ea494b45531f754c9b76469", + "translation_date": "2026-01-16T07:59:32+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/bellman-equation.png", + "language_code": "en" + }, + "environment.40ba3cb66256c93f.webp": { + "original_hash": "3b7f633735a7af2335c024eeb9ed1160", + "translation_date": "2026-01-16T07:59:34+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/environment.png", + "language_code": "en" + }, + "env_init.04e8f26d2d60089e.webp": { + "original_hash": "c98e0e9c3bd656f4518dcb94c1743f5d", + "translation_date": "2026-01-16T07:59:35+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/env_init.png", + "language_code": "en" + }, + "lpathlen1.0534784add58d4eb.webp": { + "original_hash": "2c699a343a0253fcf0024de108d45266", + "translation_date": "2026-01-16T07:59:36+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/lpathlen1.png", + "language_code": "en" + }, + "apple.c81c8d5965e5e5da.webp": { + "original_hash": "ed62bd6204e6efabc031ea19173bafb7", + "translation_date": "2026-01-16T07:59:37+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/apple.png", + "language_code": "en" + }, + "learned.ed28bcd8484b5287.webp": { + "original_hash": "084d4af7881e5b990b53dd562a0aca6e", + "translation_date": "2026-01-16T07:59:38+00:00", + "source_file": "8-Reinforcement/1-QLearning/images/learned.png", + "language_code": "en" + }, + "electric-grid.0c21d5214db09ffa.webp": { + "original_hash": "d3adac5039330761223c6e9299402b3a", + "translation_date": "2026-01-16T07:59:40+00:00", + "source_file": "7-TimeSeries/images/electric-grid.jpg", + "language_code": "en" + }, + "train-data-predict.3c4ef4e78553104f.webp": { + "original_hash": "8f901e721ed63b25087154a88980eb8c", + "translation_date": "2026-01-16T07:59:42+00:00", + "source_file": "7-TimeSeries/3-SVR/images/train-data-predict.png", + "language_code": "en" + }, + "test-data-predict.8afc47ee7e52874f.webp": { + "original_hash": "d9de9b2f4cc312cf745b00a1c3344579", + "translation_date": "2026-01-16T07:59:46+00:00", + "source_file": "7-TimeSeries/3-SVR/images/test-data-predict.png", + "language_code": "en" + }, + "full-data.a82ec9957e580e97.webp": { + "original_hash": "e428351ccdd1d7019ab5c486385a0cb1", + "translation_date": "2026-01-16T07:59:50+00:00", + "source_file": "7-TimeSeries/3-SVR/images/full-data.png", + "language_code": "en" + }, + "train-test.ead0cecbfc341921.webp": { + "original_hash": "56b4e7e0f3e4bcabfc70dd34c86778ad", + "translation_date": "2026-01-16T07:59:53+00:00", + "source_file": "7-TimeSeries/3-SVR/images/train-test.png", + "language_code": "en" + }, + "full-data-predict.4f0fed16a131c8f3.webp": { + "original_hash": "b9ad88a56a196b6b70ffbda06538bca4", + "translation_date": "2026-01-16T07:59:57+00:00", + "source_file": "7-TimeSeries/3-SVR/images/full-data-predict.png", + "language_code": "en" + }, + "energy-plot.5fdac3f397a910bc.webp": { + "original_hash": "ea7eb60322ee54196efdcac12d2313d5", + "translation_date": "2026-01-16T08:00:03+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/energy-plot.png", + "language_code": "en" + }, + "scaled.91897dfbaa26ca4a.webp": { + "original_hash": "789c70fafe6f6dd6e377a90b66e7d740", + "translation_date": "2026-01-16T08:00:06+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/scaled.png", + "language_code": "en" + }, + "currency.e7429812bfc8c608.webp": { + "original_hash": "b5ebb401a6bea7c0ad8fa2d3f0fa1e18", + "translation_date": "2026-01-16T08:00:09+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/currency.png", + "language_code": "en" + }, + "july-2014.9e1f7c318ec6d5b3.webp": { + "original_hash": "7bee9739087aee3ce5b7157cb92cc043", + "translation_date": "2026-01-16T08:00:11+00:00", + "source_file": "7-TimeSeries/1-Introduction/images/july-2014.png", + "language_code": "en" + }, + "scaled.e35258ca5cd3d43f.webp": { + "original_hash": "789c70fafe6f6dd6e377a90b66e7d740", + "translation_date": "2026-01-16T08:00:15+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/scaled.png", + "language_code": "en" + }, + "accuracy.2c47fe1bf15f44b3.webp": { + "original_hash": "f8fcd7ea58a80666ad22914c3c992c55", + "translation_date": "2026-01-16T08:00:17+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/accuracy.png", + "language_code": "en" + }, + "mape.fd87bbaf4d346846.webp": { + "original_hash": "cdc81fd2d2ffdbc2f8c10d75c954cb74", + "translation_date": "2026-01-16T08:00:20+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/mape.png", + "language_code": "en" + }, + "original.b2b15efe0ce92b87.webp": { + "original_hash": "6dc5968069b296588e723b0f62f7cb39", + "translation_date": "2026-01-16T08:00:23+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/original.png", + "language_code": "en" + }, + "train-test.8928d14e5b91fc94.webp": { + "original_hash": "86bac92c99563659e1acb31bb50bb4e4", + "translation_date": "2026-01-16T08:00:26+00:00", + "source_file": "7-TimeSeries/2-ARIMA/images/train-test.png", + "language_code": "en" + } +} \ No newline at end of file diff --git a/translated_images/en/3.9b58fd8d6c373c20.webp b/translated_images/en/3.9b58fd8d6c373c20.webp new file mode 100644 index 000000000..9adad70b1 Binary files /dev/null and b/translated_images/en/3.9b58fd8d6c373c20.webp differ diff --git a/translated_images/en/9-feature-importance.cd3193b4bba3fd4b.webp b/translated_images/en/9-feature-importance.cd3193b4bba3fd4b.webp new file mode 100644 index 000000000..74d296c22 Binary files /dev/null and b/translated_images/en/9-feature-importance.cd3193b4bba3fd4b.webp differ diff --git a/translated_images/en/9-features-influence.3ead3d3f68a84029.webp b/translated_images/en/9-features-influence.3ead3d3f68a84029.webp new file mode 100644 index 000000000..43505abf8 Binary files /dev/null and b/translated_images/en/9-features-influence.3ead3d3f68a84029.webp differ diff --git a/translated_images/en/ROC.167a70519c5bf898.webp b/translated_images/en/ROC.167a70519c5bf898.webp new file mode 100644 index 000000000..5151eafbd Binary files /dev/null and b/translated_images/en/ROC.167a70519c5bf898.webp differ diff --git a/translated_images/en/ROC_2.777f20cdfc4988ca.webp b/translated_images/en/ROC_2.777f20cdfc4988ca.webp new file mode 100644 index 000000000..55613ffb5 Binary files /dev/null and b/translated_images/en/ROC_2.777f20cdfc4988ca.webp differ diff --git a/translated_images/en/accessibility.c1be5ce816eaea65.webp b/translated_images/en/accessibility.c1be5ce816eaea65.webp new file mode 100644 index 000000000..19c748f83 Binary files /dev/null and b/translated_images/en/accessibility.c1be5ce816eaea65.webp differ diff --git a/translated_images/en/accountability.41d8c0f4b85b6231.webp b/translated_images/en/accountability.41d8c0f4b85b6231.webp new file mode 100644 index 000000000..e8d5fce11 Binary files /dev/null and b/translated_images/en/accountability.41d8c0f4b85b6231.webp differ diff --git a/translated_images/en/accuracy.2c47fe1bf15f44b3.webp b/translated_images/en/accuracy.2c47fe1bf15f44b3.webp new file mode 100644 index 000000000..39b918898 Binary files /dev/null and b/translated_images/en/accuracy.2c47fe1bf15f44b3.webp differ diff --git a/translated_images/en/ai-ml-ds.537ea441b124ebf6.webp b/translated_images/en/ai-ml-ds.537ea441b124ebf6.webp new file mode 100644 index 000000000..ffea99e3e Binary files /dev/null and b/translated_images/en/ai-ml-ds.537ea441b124ebf6.webp differ diff --git a/translated_images/en/all-genres.1d56ef06cefbfcd6.webp b/translated_images/en/all-genres.1d56ef06cefbfcd6.webp new file mode 100644 index 000000000..9bbcd1af2 Binary files /dev/null and b/translated_images/en/all-genres.1d56ef06cefbfcd6.webp differ diff --git a/translated_images/en/apple.c81c8d5965e5e5da.webp b/translated_images/en/apple.c81c8d5965e5e5da.webp new file mode 100644 index 000000000..b2217e923 Binary files /dev/null and b/translated_images/en/apple.c81c8d5965e5e5da.webp differ diff --git a/translated_images/en/barchart.a833ea9194346d76.webp b/translated_images/en/barchart.a833ea9194346d76.webp new file mode 100644 index 000000000..6e490693f Binary files /dev/null and b/translated_images/en/barchart.a833ea9194346d76.webp differ diff --git a/translated_images/en/bellman-equation.7c0c4c722e5a6b7c.webp b/translated_images/en/bellman-equation.7c0c4c722e5a6b7c.webp new file mode 100644 index 000000000..f3c61b632 Binary files /dev/null and b/translated_images/en/bellman-equation.7c0c4c722e5a6b7c.webp differ diff --git a/translated_images/en/binary-multiclass.b56d0c86c81105a6.webp b/translated_images/en/binary-multiclass.b56d0c86c81105a6.webp new file mode 100644 index 000000000..246febff4 Binary files /dev/null and b/translated_images/en/binary-multiclass.b56d0c86c81105a6.webp differ diff --git a/translated_images/en/boxplots.8228c29dabd0f292.webp b/translated_images/en/boxplots.8228c29dabd0f292.webp new file mode 100644 index 000000000..620335c2a Binary files /dev/null and b/translated_images/en/boxplots.8228c29dabd0f292.webp differ diff --git a/translated_images/en/calculation.a209813050a1ddb1.webp b/translated_images/en/calculation.a209813050a1ddb1.webp new file mode 100644 index 000000000..9670468ae Binary files /dev/null and b/translated_images/en/calculation.a209813050a1ddb1.webp differ diff --git a/translated_images/en/cartpole.b5609cc0494a14f7.webp b/translated_images/en/cartpole.b5609cc0494a14f7.webp new file mode 100644 index 000000000..848d3ee7b Binary files /dev/null and b/translated_images/en/cartpole.b5609cc0494a14f7.webp differ diff --git a/translated_images/en/centroid.097fde836cf6c918.webp b/translated_images/en/centroid.097fde836cf6c918.webp new file mode 100644 index 000000000..3c8157f5b Binary files /dev/null and b/translated_images/en/centroid.097fde836cf6c918.webp differ diff --git a/translated_images/en/ceos.3de5d092ce8d2753.webp b/translated_images/en/ceos.3de5d092ce8d2753.webp new file mode 100644 index 000000000..d212b0f27 Binary files /dev/null and b/translated_images/en/ceos.3de5d092ce8d2753.webp differ diff --git a/translated_images/en/ceos.7a9a67871424a6c0.webp b/translated_images/en/ceos.7a9a67871424a6c0.webp new file mode 100644 index 000000000..d212b0f27 Binary files /dev/null and b/translated_images/en/ceos.7a9a67871424a6c0.webp differ diff --git a/translated_images/en/cf-what-if-features.5a92a6924da3e9b5.webp b/translated_images/en/cf-what-if-features.5a92a6924da3e9b5.webp new file mode 100644 index 000000000..ee3283b54 Binary files /dev/null and b/translated_images/en/cf-what-if-features.5a92a6924da3e9b5.webp differ diff --git a/translated_images/en/cheatsheet.07a475ea444d2223.webp b/translated_images/en/cheatsheet.07a475ea444d2223.webp new file mode 100644 index 000000000..be7d043c7 Binary files /dev/null and b/translated_images/en/cheatsheet.07a475ea444d2223.webp differ diff --git a/translated_images/en/chess.e704a268781bdad8.webp b/translated_images/en/chess.e704a268781bdad8.webp new file mode 100644 index 000000000..03d0850d8 Binary files /dev/null and b/translated_images/en/chess.e704a268781bdad8.webp differ diff --git a/translated_images/en/chinese.e62cafa5309f111a.webp b/translated_images/en/chinese.e62cafa5309f111a.webp new file mode 100644 index 000000000..8850fc070 Binary files /dev/null and b/translated_images/en/chinese.e62cafa5309f111a.webp differ diff --git a/translated_images/en/clusters.b635354640d8e4fd.webp b/translated_images/en/clusters.b635354640d8e4fd.webp new file mode 100644 index 000000000..874b4928b Binary files /dev/null and b/translated_images/en/clusters.b635354640d8e4fd.webp differ diff --git a/translated_images/en/comparison.edfab56193a85e7f.webp b/translated_images/en/comparison.edfab56193a85e7f.webp new file mode 100644 index 000000000..9bd92269b Binary files /dev/null and b/translated_images/en/comparison.edfab56193a85e7f.webp differ diff --git a/translated_images/en/comprehension.619708fc5959b0f6.webp b/translated_images/en/comprehension.619708fc5959b0f6.webp new file mode 100644 index 000000000..468e2dfd8 Binary files /dev/null and b/translated_images/en/comprehension.619708fc5959b0f6.webp differ diff --git a/translated_images/en/confusion-matrix.3cc5496a1a37c3e4.webp b/translated_images/en/confusion-matrix.3cc5496a1a37c3e4.webp new file mode 100644 index 000000000..0e9816bd5 Binary files /dev/null and b/translated_images/en/confusion-matrix.3cc5496a1a37c3e4.webp differ diff --git a/translated_images/en/correlation.a9356bb798f5eea5.webp b/translated_images/en/correlation.a9356bb798f5eea5.webp new file mode 100644 index 000000000..d901cf299 Binary files /dev/null and b/translated_images/en/correlation.a9356bb798f5eea5.webp differ diff --git a/translated_images/en/counterfactuals-examples.b38a50a504ee0a9f.webp b/translated_images/en/counterfactuals-examples.b38a50a504ee0a9f.webp new file mode 100644 index 000000000..e2daec58b Binary files /dev/null and b/translated_images/en/counterfactuals-examples.b38a50a504ee0a9f.webp differ diff --git a/translated_images/en/cuisine-dist.d0cc2d551abe5c25.webp b/translated_images/en/cuisine-dist.d0cc2d551abe5c25.webp new file mode 100644 index 000000000..fe9e34467 Binary files /dev/null and b/translated_images/en/cuisine-dist.d0cc2d551abe5c25.webp differ diff --git a/translated_images/en/currency.e7429812bfc8c608.webp b/translated_images/en/currency.e7429812bfc8c608.webp new file mode 100644 index 000000000..43245ac20 Binary files /dev/null and b/translated_images/en/currency.e7429812bfc8c608.webp differ diff --git a/translated_images/en/data-visualization.54e56dded7c1a804.webp b/translated_images/en/data-visualization.54e56dded7c1a804.webp new file mode 100644 index 000000000..4fbbc3e4e Binary files /dev/null and b/translated_images/en/data-visualization.54e56dded7c1a804.webp differ diff --git a/translated_images/en/dataanalysis-cover.8d6d0683a70a5c1e.webp b/translated_images/en/dataanalysis-cover.8d6d0683a70a5c1e.webp new file mode 100644 index 000000000..7b64d5ee2 Binary files /dev/null and b/translated_images/en/dataanalysis-cover.8d6d0683a70a5c1e.webp differ diff --git a/translated_images/en/datapoints.aaf6815cd5d87354.webp b/translated_images/en/datapoints.aaf6815cd5d87354.webp new file mode 100644 index 000000000..538372387 Binary files /dev/null and b/translated_images/en/datapoints.aaf6815cd5d87354.webp differ diff --git a/translated_images/en/distribution.9be11df42356ca95.webp b/translated_images/en/distribution.9be11df42356ca95.webp new file mode 100644 index 000000000..764e723d1 Binary files /dev/null and b/translated_images/en/distribution.9be11df42356ca95.webp differ diff --git a/translated_images/en/dplyr_filter.b480b264b03439ff.webp b/translated_images/en/dplyr_filter.b480b264b03439ff.webp new file mode 100644 index 000000000..d99930f70 Binary files /dev/null and b/translated_images/en/dplyr_filter.b480b264b03439ff.webp differ diff --git a/translated_images/en/dplyr_wrangling.f5f99c64fd4580f1.webp b/translated_images/en/dplyr_wrangling.f5f99c64fd4580f1.webp new file mode 100644 index 000000000..70790adcd Binary files /dev/null and b/translated_images/en/dplyr_wrangling.f5f99c64fd4580f1.webp differ diff --git a/translated_images/en/ea-error-cohort.6886209ea5d438c4.webp b/translated_images/en/ea-error-cohort.6886209ea5d438c4.webp new file mode 100644 index 000000000..2efc7aa0f Binary files /dev/null and b/translated_images/en/ea-error-cohort.6886209ea5d438c4.webp differ diff --git a/translated_images/en/ea-error-distribution.117452e1177c1dd8.webp b/translated_images/en/ea-error-distribution.117452e1177c1dd8.webp new file mode 100644 index 000000000..2eb5893eb Binary files /dev/null and b/translated_images/en/ea-error-distribution.117452e1177c1dd8.webp differ diff --git a/translated_images/en/ea-heatmap.8d27185e28cee383.webp b/translated_images/en/ea-heatmap.8d27185e28cee383.webp new file mode 100644 index 000000000..5c4530d9b Binary files /dev/null and b/translated_images/en/ea-heatmap.8d27185e28cee383.webp differ diff --git a/translated_images/en/elbow.72676169eed744ff.webp b/translated_images/en/elbow.72676169eed744ff.webp new file mode 100644 index 000000000..485041cba Binary files /dev/null and b/translated_images/en/elbow.72676169eed744ff.webp differ diff --git a/translated_images/en/electric-grid.0c21d5214db09ffa.webp b/translated_images/en/electric-grid.0c21d5214db09ffa.webp new file mode 100644 index 000000000..e4badeb83 Binary files /dev/null and b/translated_images/en/electric-grid.0c21d5214db09ffa.webp differ diff --git a/translated_images/en/eliza.84397454cda9559b.webp b/translated_images/en/eliza.84397454cda9559b.webp new file mode 100644 index 000000000..049b4aef2 Binary files /dev/null and b/translated_images/en/eliza.84397454cda9559b.webp differ diff --git a/translated_images/en/embedding.2cf8953c4b3101d1.webp b/translated_images/en/embedding.2cf8953c4b3101d1.webp new file mode 100644 index 000000000..8a1ec1b81 Binary files /dev/null and b/translated_images/en/embedding.2cf8953c4b3101d1.webp differ diff --git a/translated_images/en/encouRage.e75d5fe0367fb913.webp b/translated_images/en/encouRage.e75d5fe0367fb913.webp new file mode 100644 index 000000000..c7e5257d9 Binary files /dev/null and b/translated_images/en/encouRage.e75d5fe0367fb913.webp differ diff --git a/translated_images/en/energy-plot.5fdac3f397a910bc.webp b/translated_images/en/energy-plot.5fdac3f397a910bc.webp new file mode 100644 index 000000000..0cdf93a53 Binary files /dev/null and b/translated_images/en/energy-plot.5fdac3f397a910bc.webp differ diff --git a/translated_images/en/env_init.04e8f26d2d60089e.webp b/translated_images/en/env_init.04e8f26d2d60089e.webp new file mode 100644 index 000000000..a527dfdbc Binary files /dev/null and b/translated_images/en/env_init.04e8f26d2d60089e.webp differ diff --git a/translated_images/en/environment.40ba3cb66256c93f.webp b/translated_images/en/environment.40ba3cb66256c93f.webp new file mode 100644 index 000000000..ac2fff7d1 Binary files /dev/null and b/translated_images/en/environment.40ba3cb66256c93f.webp differ diff --git a/translated_images/en/escape.18862db9930337e3.webp b/translated_images/en/escape.18862db9930337e3.webp new file mode 100644 index 000000000..b5960137f Binary files /dev/null and b/translated_images/en/escape.18862db9930337e3.webp differ diff --git a/translated_images/en/facetgrid.9b2e65ce707eba1f.webp b/translated_images/en/facetgrid.9b2e65ce707eba1f.webp new file mode 100644 index 000000000..a8a124bbc Binary files /dev/null and b/translated_images/en/facetgrid.9b2e65ce707eba1f.webp differ diff --git a/translated_images/en/fairness.25d7c8ce9817272d.webp b/translated_images/en/fairness.25d7c8ce9817272d.webp new file mode 100644 index 000000000..edd5a84f0 Binary files /dev/null and b/translated_images/en/fairness.25d7c8ce9817272d.webp differ diff --git a/translated_images/en/fairness.b9f9893a4e3dc28b.webp b/translated_images/en/fairness.b9f9893a4e3dc28b.webp new file mode 100644 index 000000000..e10a3f2bd Binary files /dev/null and b/translated_images/en/fairness.b9f9893a4e3dc28b.webp differ diff --git a/translated_images/en/favicon.37b561214b36d454.webp b/translated_images/en/favicon.37b561214b36d454.webp new file mode 100644 index 000000000..48a53960d Binary files /dev/null and b/translated_images/en/favicon.37b561214b36d454.webp differ diff --git a/translated_images/en/flat-nonflat.d1c8c6e2a96110c1.webp b/translated_images/en/flat-nonflat.d1c8c6e2a96110c1.webp new file mode 100644 index 000000000..84a053719 Binary files /dev/null and b/translated_images/en/flat-nonflat.d1c8c6e2a96110c1.webp differ diff --git a/translated_images/en/full-data-predict.4f0fed16a131c8f3.webp b/translated_images/en/full-data-predict.4f0fed16a131c8f3.webp new file mode 100644 index 000000000..f12de1588 Binary files /dev/null and b/translated_images/en/full-data-predict.4f0fed16a131c8f3.webp differ diff --git a/translated_images/en/full-data.a82ec9957e580e97.webp b/translated_images/en/full-data.a82ec9957e580e97.webp new file mode 100644 index 000000000..0598f802d Binary files /dev/null and b/translated_images/en/full-data.a82ec9957e580e97.webp differ diff --git a/translated_images/en/gender-bias-translate-en-tr.bfd87c45da23c085.webp b/translated_images/en/gender-bias-translate-en-tr.bfd87c45da23c085.webp new file mode 100644 index 000000000..f470d4851 Binary files /dev/null and b/translated_images/en/gender-bias-translate-en-tr.bfd87c45da23c085.webp differ diff --git a/translated_images/en/gender-bias-translate-en-tr.f185fd8822c2d437.webp b/translated_images/en/gender-bias-translate-en-tr.f185fd8822c2d437.webp new file mode 100644 index 000000000..f470d4851 Binary files /dev/null and b/translated_images/en/gender-bias-translate-en-tr.f185fd8822c2d437.webp differ diff --git a/translated_images/en/gender-bias-translate-tr-en.1f97568ba9e40e20.webp b/translated_images/en/gender-bias-translate-tr-en.1f97568ba9e40e20.webp new file mode 100644 index 000000000..3c51961c1 Binary files /dev/null and b/translated_images/en/gender-bias-translate-tr-en.1f97568ba9e40e20.webp differ diff --git a/translated_images/en/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp b/translated_images/en/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp new file mode 100644 index 000000000..3c51961c1 Binary files /dev/null and b/translated_images/en/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp differ diff --git a/translated_images/en/globe.59f26379ceb40428.webp b/translated_images/en/globe.59f26379ceb40428.webp new file mode 100644 index 000000000..c14c59c3e Binary files /dev/null and b/translated_images/en/globe.59f26379ceb40428.webp differ diff --git a/translated_images/en/grid.464370ad00f3696c.webp b/translated_images/en/grid.464370ad00f3696c.webp new file mode 100644 index 000000000..a370c7c73 Binary files /dev/null and b/translated_images/en/grid.464370ad00f3696c.webp differ diff --git a/translated_images/en/heatmap.39952045da50b4eb.webp b/translated_images/en/heatmap.39952045da50b4eb.webp new file mode 100644 index 000000000..5a34a25bf Binary files /dev/null and b/translated_images/en/heatmap.39952045da50b4eb.webp differ diff --git a/translated_images/en/hierarchical.bf59403aa43c8c47.webp b/translated_images/en/hierarchical.bf59403aa43c8c47.webp new file mode 100644 index 000000000..a5e764851 Binary files /dev/null and b/translated_images/en/hierarchical.bf59403aa43c8c47.webp differ diff --git a/translated_images/en/human.e3840390a2ab7690.webp b/translated_images/en/human.e3840390a2ab7690.webp new file mode 100644 index 000000000..35faa2269 Binary files /dev/null and b/translated_images/en/human.e3840390a2ab7690.webp differ diff --git a/translated_images/en/hype.07183d711a17aafe.webp b/translated_images/en/hype.07183d711a17aafe.webp new file mode 100644 index 000000000..ac94ede72 Binary files /dev/null and b/translated_images/en/hype.07183d711a17aafe.webp differ diff --git a/translated_images/en/indian.2c4292002af1a1f9.webp b/translated_images/en/indian.2c4292002af1a1f9.webp new file mode 100644 index 000000000..0635d57e6 Binary files /dev/null and b/translated_images/en/indian.2c4292002af1a1f9.webp differ diff --git a/translated_images/en/individual-causal-what-if.00e7b86b52a083ce.webp b/translated_images/en/individual-causal-what-if.00e7b86b52a083ce.webp new file mode 100644 index 000000000..19c29ba80 Binary files /dev/null and b/translated_images/en/individual-causal-what-if.00e7b86b52a083ce.webp differ diff --git a/translated_images/en/jack-o-lanterns.181c661a9212457d.webp b/translated_images/en/jack-o-lanterns.181c661a9212457d.webp new file mode 100644 index 000000000..425e879b1 Binary files /dev/null and b/translated_images/en/jack-o-lanterns.181c661a9212457d.webp differ diff --git a/translated_images/en/janitor.e4a77dd3d3e6a32e.webp b/translated_images/en/janitor.e4a77dd3d3e6a32e.webp new file mode 100644 index 000000000..c7303b67e Binary files /dev/null and b/translated_images/en/janitor.e4a77dd3d3e6a32e.webp differ diff --git a/translated_images/en/japanese.30260486f2a05c46.webp b/translated_images/en/japanese.30260486f2a05c46.webp new file mode 100644 index 000000000..eecb90ae9 Binary files /dev/null and b/translated_images/en/japanese.30260486f2a05c46.webp differ diff --git a/translated_images/en/july-2014.9e1f7c318ec6d5b3.webp b/translated_images/en/july-2014.9e1f7c318ec6d5b3.webp new file mode 100644 index 000000000..6d089724e Binary files /dev/null and b/translated_images/en/july-2014.9e1f7c318ec6d5b3.webp differ diff --git a/translated_images/en/korean.4a4f0274f3d9805a.webp b/translated_images/en/korean.4a4f0274f3d9805a.webp new file mode 100644 index 000000000..ca7e007af Binary files /dev/null and b/translated_images/en/korean.4a4f0274f3d9805a.webp differ diff --git a/translated_images/en/learned.ed28bcd8484b5287.webp b/translated_images/en/learned.ed28bcd8484b5287.webp new file mode 100644 index 000000000..d2ffd6b4e Binary files /dev/null and b/translated_images/en/learned.ed28bcd8484b5287.webp differ diff --git a/translated_images/en/linear-polynomial.5523c7cb6576ccab.webp b/translated_images/en/linear-polynomial.5523c7cb6576ccab.webp new file mode 100644 index 000000000..7cfab87b8 Binary files /dev/null and b/translated_images/en/linear-polynomial.5523c7cb6576ccab.webp differ diff --git a/translated_images/en/linear-results.f7c3552c85b0ed1c.webp b/translated_images/en/linear-results.f7c3552c85b0ed1c.webp new file mode 100644 index 000000000..0cb94631a Binary files /dev/null and b/translated_images/en/linear-results.f7c3552c85b0ed1c.webp differ diff --git a/translated_images/en/linear-vs-logistic.ba180bf95e7ee667.webp b/translated_images/en/linear-vs-logistic.ba180bf95e7ee667.webp new file mode 100644 index 000000000..0b979e426 Binary files /dev/null and b/translated_images/en/linear-vs-logistic.ba180bf95e7ee667.webp differ diff --git a/translated_images/en/linear.a1b0760a56132551.webp b/translated_images/en/linear.a1b0760a56132551.webp new file mode 100644 index 000000000..e4186b87d Binary files /dev/null and b/translated_images/en/linear.a1b0760a56132551.webp differ diff --git a/translated_images/en/lobe.2fa0806408ef9923.webp b/translated_images/en/lobe.2fa0806408ef9923.webp new file mode 100644 index 000000000..d70f998e6 Binary files /dev/null and b/translated_images/en/lobe.2fa0806408ef9923.webp differ diff --git a/translated_images/en/logistic-linear.0f2f6bb73b3134c1.webp b/translated_images/en/logistic-linear.0f2f6bb73b3134c1.webp new file mode 100644 index 000000000..a33c3f09e Binary files /dev/null and b/translated_images/en/logistic-linear.0f2f6bb73b3134c1.webp differ diff --git a/translated_images/en/logistic.b0cba6b7db4d5789.webp b/translated_images/en/logistic.b0cba6b7db4d5789.webp new file mode 100644 index 000000000..082998eb6 Binary files /dev/null and b/translated_images/en/logistic.b0cba6b7db4d5789.webp differ diff --git a/translated_images/en/lpathlen.94f211521ed60940.webp b/translated_images/en/lpathlen.94f211521ed60940.webp new file mode 100644 index 000000000..44d57cf19 Binary files /dev/null and b/translated_images/en/lpathlen.94f211521ed60940.webp differ diff --git a/translated_images/en/lpathlen1.0534784add58d4eb.webp b/translated_images/en/lpathlen1.0534784add58d4eb.webp new file mode 100644 index 000000000..3725aebf3 Binary files /dev/null and b/translated_images/en/lpathlen1.0534784add58d4eb.webp differ diff --git a/translated_images/en/map.e963a6a51349425a.webp b/translated_images/en/map.e963a6a51349425a.webp new file mode 100644 index 000000000..3fdedccb6 Binary files /dev/null and b/translated_images/en/map.e963a6a51349425a.webp differ diff --git a/translated_images/en/mape.fd87bbaf4d346846.webp b/translated_images/en/mape.fd87bbaf4d346846.webp new file mode 100644 index 000000000..40d3f94ef Binary files /dev/null and b/translated_images/en/mape.fd87bbaf4d346846.webp differ diff --git a/translated_images/en/ml-fairness.ef296ebec6afc98a.webp b/translated_images/en/ml-fairness.ef296ebec6afc98a.webp new file mode 100644 index 000000000..6186a137d Binary files /dev/null and b/translated_images/en/ml-fairness.ef296ebec6afc98a.webp differ diff --git a/translated_images/en/ml-for-beginners-video-banner.63f694a100034bc6.webp b/translated_images/en/ml-for-beginners-video-banner.63f694a100034bc6.webp new file mode 100644 index 000000000..572d96918 Binary files /dev/null and b/translated_images/en/ml-for-beginners-video-banner.63f694a100034bc6.webp differ diff --git a/translated_images/en/ml-for-beginners.9eecb963dbfbfb32.webp b/translated_images/en/ml-for-beginners.9eecb963dbfbfb32.webp new file mode 100644 index 000000000..cd5ab7084 Binary files /dev/null and b/translated_images/en/ml-for-beginners.9eecb963dbfbfb32.webp differ diff --git a/translated_images/en/ml-history.a1bdfd4ce1f464d9.webp b/translated_images/en/ml-history.a1bdfd4ce1f464d9.webp new file mode 100644 index 000000000..0cdd80d7e Binary files /dev/null and b/translated_images/en/ml-history.a1bdfd4ce1f464d9.webp differ diff --git a/translated_images/en/ml-realworld.26ee274671615577.webp b/translated_images/en/ml-realworld.26ee274671615577.webp new file mode 100644 index 000000000..dac29c5b0 Binary files /dev/null and b/translated_images/en/ml-realworld.26ee274671615577.webp differ diff --git a/translated_images/en/ml-regression.4e4f70e3b3ed446e.webp b/translated_images/en/ml-regression.4e4f70e3b3ed446e.webp new file mode 100644 index 000000000..0b3fb36e0 Binary files /dev/null and b/translated_images/en/ml-regression.4e4f70e3b3ed446e.webp differ diff --git a/translated_images/en/ml-reinforcement.94024374d63348db.webp b/translated_images/en/ml-reinforcement.94024374d63348db.webp new file mode 100644 index 000000000..2b6d5ae81 Binary files /dev/null and b/translated_images/en/ml-reinforcement.94024374d63348db.webp differ diff --git a/translations/ta/README.md b/translations/ta/README.md index 71b18c631..df5017e29 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/3.9b58fd8d6c373c20.ta.png) +![AI உடன் கற்றல் தொடர்](../../translated_images/ta/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.ta.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners பேனர்](../../translated_images/ta/ml-for-beginners-video-banner.63f694a100034bc6.png)](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 3169debd7..25e0f5f71 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/hype.07183d711a17aafe.te.png) +![ml hype curve](../../../../translated_images/te/hype.07183d711a17aafe.png) > 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/ai-ml-ds.537ea441b124ebf6.te.png) +![AI, ML, deep learning, data science](../../../../translated_images/te/ai-ml-ds.537ea441b124ebf6.png) > 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 553b1e241..90c4cd69a 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/ml-history.a1bdfd4ce1f464d9.te.png) +![మెషీన్ లెర్నింగ్ చరిత్ర యొక్క సారాంశం స్కెచ్ నోట్‌లో](../../../../translated_images/te/ml-history.a1bdfd4ce1f464d9.png) > 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/shakey.4dc17819c447c05b.te.jpg) + ![షేకీ, ఒక తెలివైన రోబోట్](../../../../translated_images/te/shakey.4dc17819c447c05b.jpg) > 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/eliza.84397454cda9559b.te.png) + ![ఎలిజా, ఒక బాట్](../../../../translated_images/te/eliza.84397454cda9559b.png) > 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 e226def3c..06a5bcce2 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/ml-fairness.ef296ebec6afc98a.te.png) +![మెషీన్ లెర్నింగ్‌లో బాధ్యతాయుత AI యొక్క సారాంశం స్కెచ్ నోట్](../../../../translated_images/te/ml-fairness.ef296ebec6afc98a.png) > 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/gender-bias-translate-en-tr.f185fd8822c2d437.te.png) +![translation to Turkish](../../../../translated_images/te/gender-bias-translate-en-tr.f185fd8822c2d437.png) > టర్కిష్‌కు అనువాదం -![translation back to English](../../../../translated_images/gender-bias-translate-tr-en.4eee7e3cecb8c70e.te.png) +![translation back to English](../../../../translated_images/te/gender-bias-translate-tr-en.4eee7e3cecb8c70e.png) > 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/accountability.41d8c0f4b85b6231.te.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.png)](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 26602d0f0..9b1ce9cab 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/overfitting.1c132d92bfd93cb6.te.png) +![overfitting model](../../../../translated_images/te/overfitting.1c132d92bfd93cb6.png) > 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 9a1a5af0b..645d78e9f 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/globe.59f26379ceb40428.te.jpg) +![globe](../../../translated_images/te/globe.59f26379ceb40428.jpg) > 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 c1f2f0f7c..7e317d60f 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/ml-regression.4e4f70e3b3ed446e.te.png) +![Summary of regressions in a sketchnote](../../../../translated_images/te/ml-regression.4e4f70e3b3ed446e.png) > 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/notebook.4a3ee31f396b8832.te.jpg) +![VS Code with a notebook open](../../../../translated_images/te/notebook.4a3ee31f396b8832.jpg) 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/scatterplot.ad8b356bcbb33be6.te.png) + ![a scatterplot showing datapoints around diabetes](../../../../translated_images/te/scatterplot.ad8b356bcbb33be6.png) ✅ 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 00f73f33e..cf7bc06a4 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 6bc23baec..5a0e4d513 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/data-visualization.54e56dded7c1a804.te.png) +![డేటా విజువలైజేషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/data-visualization.54e56dded7c1a804.png) 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/scatterplot.b6868f44cbd2051c.te.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే స్కాటర్‌ప్లాట్](../../../../translated_images/te/scatterplot.b6868f44cbd2051c.png) 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/barchart.a833ea9194346d76.te.png) + ![ధర మరియు నెల సంబంధాన్ని చూపించే బార్ చార్ట్](../../../../translated_images/te/barchart.a833ea9194346d76.png) 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 eeab1943e..26a52807f 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 8625fa84b..a8ce59e26 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/linear-polynomial.5523c7cb6576ccab.te.png) +![లీనియర్ vs పాలినోమియల్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-polynomial.5523c7cb6576ccab.png) > 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/slope.f3c9d5910ddbfcf9.te.png) +>![స్లోప్ లెక్కించండి](../../../../translated_images/te/slope.f3c9d5910ddbfcf9.png) > > 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/calculation.a209813050a1ddb1.te.png) +>![సమీకరణ పూర్తి చేయండి](../../../../translated_images/te/calculation.a209813050a1ddb1.png) > > 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 ad3048be7..342348791 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", @@ -134,7 +134,7 @@ ">\n", "> మరొక మాటలో చెప్పాలంటే, మా పంప్కిన్ డేటా యొక్క అసలు ప్రశ్నను సూచిస్తూ: \"ప్రతి బుషెల్ పంప్కిన్ ధరను నెల వారీగా అంచనా వేయండి\", `X` ధరను సూచిస్తుంది మరియు `Y` అమ్మకాల నెలను సూచిస్తుంది.\n", ">\n", - "> ![](../../../../../../translated_images/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.te.png)\n", + "> ![](../../../../../../translated_images/te/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.png)\n", " ఇన్ఫోగ్రాఫిక్: జెన్ లూపర్\n", "> \n", "> Y విలువను లెక్కించండి. మీరు సుమారు \\$4 చెల్లిస్తుంటే, అది తప్పకుండా ఏప్రిల్!\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 e2789cfaf..730a5994f 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/linear-vs-logistic.ba180bf95e7ee667.te.png) +![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.png) ## [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/pumpkin-classifier.562771f104ad5436.te.png) +![Pumpkin classification Model](../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.png) > 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/multinomial-vs-ordinal.36701b4850e37d86.te.png) +![మల్టినోమియల్ vs ఆర్డినల్ రిగ్రెషన్](../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.png) ### వేరియబుల్స్ తప్పనిసరిగా సంబంధం ఉండాల్సిన అవసరం లేదు @@ -120,7 +120,7 @@ Seaborn మీ డేటాను విజువలైజ్ చేయడాన ) ``` - ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/pumpkins_catplot_1.c55c409b71fea2ec.te.png) + ![విజువలైజ్ చేసిన డేటా గ్రిడ్](../../../../translated_images/te/pumpkins_catplot_1.c55c409b71fea2ec.png) 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/pumpkins_catplot_2.87a354447880b388.te.png) +![విజువలైజ్ చేసిన డేటా క్యాట్‌ప్లాట్](../../../../translated_images/te/pumpkins_catplot_2.87a354447880b388.png) ### 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/swarm_2.efeacfca536c2b57.te.png) + ![విజువలైజ్ చేసిన డేటా స్వార్మ్](../../../../translated_images/te/swarm_2.efeacfca536c2b57.png) **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/sigmoid.8b7ba9d095c789cf.te.png) +> ![లాజిస్టిక్ ఫంక్షన్](../../../../translated_images/te/sigmoid.8b7ba9d095c789cf.png) > > 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/ROC_2.777f20cdfc4988ca.te.png) +![ROC](../../../../translated_images/te/ROC_2.777f20cdfc4988ca.png) 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 4762da726..cf864a0d2 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/linear-vs-logistic.ba180bf95e7ee667.te.png)\n", + "![లాజిస్టిక్ vs. లీనియర్ రిగ్రెషన్ ఇన్ఫోగ్రాఫిక్](../../../../../../translated_images/te/linear-vs-logistic.ba180bf95e7ee667.png)\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/pumpkin-classifier.562771f104ad5436.te.png)\n", + "![Infographic by Dasani Madipalli](../../../../../../translated_images/te/pumpkin-classifier.562771f104ad5436.png)\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/multinomial-vs-ordinal.36701b4850e37d86.te.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/te/multinomial-vs-ordinal.36701b4850e37d86.png)\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 9789cfdd3..3b28fe668 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/jack-o-lanterns.181c661a9212457d.te.jpg) +![jack-o-lanterns](../../../translated_images/te/jack-o-lanterns.181c661a9212457d.jpg) > 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 67f8456d0..af1b83bfb 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/ufo.9e787f5161da9d4d.te.jpg) +![UFO Parking](../../../translated_images/te/ufo.9e787f5161da9d4d.jpg) 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 044105d94..4af301aeb 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/pinch.1b035ec9ba7e0d40.te.png) +![just a pinch!](../../../../translated_images/te/pinch.1b035ec9ba7e0d40.png) > 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/binary-multiclass.b56d0c86c81105a6.te.png) +![binary vs. multiclass classification](../../../../translated_images/te/binary-multiclass.b56d0c86c81105a6.png) > 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/cuisine-dist.d0cc2d551abe5c25.te.png) + ![cuisine data distribution](../../../../translated_images/te/cuisine-dist.d0cc2d551abe5c25.png) 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/thai.0269dbab2e78bd38.te.png) + ![thai](../../../../translated_images/te/thai.0269dbab2e78bd38.png) 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/japanese.30260486f2a05c46.te.png) + ![japanese](../../../../translated_images/te/japanese.30260486f2a05c46.png) 1. ఇప్పుడు చైనీస్ పదార్థాల కోసం: @@ -206,7 +206,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది chinese_ingredient_df.head(10).plot.barh() ``` - ![chinese](../../../../translated_images/chinese.e62cafa5309f111a.te.png) + ![chinese](../../../../translated_images/te/chinese.e62cafa5309f111a.png) 1. ఇండియన్ పదార్థాలను ప్లాట్ చేయండి: @@ -215,7 +215,7 @@ Scikit-learn వివిధ అల్గోరిథమ్స్ అంది indian_ingredient_df.head(10).plot.barh() ``` - ![indian](../../../../translated_images/indian.2c4292002af1a1f9.te.png) + ![indian](../../../../translated_images/te/indian.2c4292002af1a1f9.png) 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/korean.4a4f0274f3d9805a.te.png) + ![korean](../../../../translated_images/te/korean.4a4f0274f3d9805a.png) 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 1f8431b66..14dc7ea0b 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 @@ -39,12 +39,12 @@ "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", "\n", - "\n", + "\n", "\n", "వర్గీకరణ అనేది [సూపర్వైజ్డ్ లెర్నింగ్](https://wikipedia.org/wiki/Supervised_learning) యొక్క ఒక రూపం, ఇది రిగ్రెషన్ సాంకేతికతలతో చాలా సామాన్యమైనది. వర్గీకరణలో, మీరు ఒక మోడల్‌ను శిక్షణ ఇస్తారు ఏ `వర్గం`కి ఒక అంశం చెందుతుందో అంచనా వేయడానికి. మెషీన్ లెర్నింగ్ అనేది డేటాసెట్లను ఉపయోగించి విలువలు లేదా పేర్లను అంచనా వేయడమే అయితే, వర్గీకరణ సాధారణంగా రెండు గుంపులుగా విభజించబడుతుంది: *బైనరీ వర్గీకరణ* మరియు *బహుళ వర్గీకరణ*.\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 f40ed2f20..2e14e3239 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/comparison.edfab56193a85e7f.te.png) +![వర్గీకరణకర్తల పోలిక](../../../../translated_images/te/comparison.edfab56193a85e7f.png) > 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/cheatsheet.07a475ea444d2223.te.png) +![మల్టిక్లాస్ సమస్యల కోసం చీట్ షీట్](../../../../translated_images/te/cheatsheet.07a475ea444d2223.png) > 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/solvers.5fc648618529e627.te.png) +![solverలు](../../../../translated_images/te/solvers.5fc648618529e627.png) ## 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 22d10cc09..954ff6389 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 ac0f7c28d..36caff54a 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/map.e963a6a51349425a.te.png) +![ML Map from Scikit-learn](../../../../translated_images/te/map.e963a6a51349425a.png) > 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 a01426750..acae9638d 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 4c4c49545..c03f18153 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/netron.a05f39410211915e.te.png) +![Netron visual](../../../../translated_images/te/netron.a05f39410211915e.png) 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/web-app.4c76450cabe20036.te.png) +![ingredient web app](../../../../translated_images/te/web-app.4c76450cabe20036.png) 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 80bd9f390..c9b708d86 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/thai-food.c47a7a7f9f05c218.te.jpg) +![Thai food seller](../../../translated_images/te/thai-food.c47a7a7f9f05c218.jpg) > 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 d3075cb8b..d7c090033 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/flat-nonflat.d1c8c6e2a96110c1.te.png) +![ఫ్లాట్ vs నాన్-ఫ్లాట్ జ్యామితి ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/flat-nonflat.d1c8c6e2a96110c1.png) > 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/hierarchical.bf59403aa43c8c47.te.png) + ![హైరార్కికల్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/hierarchical.bf59403aa43c8c47.png) > 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/centroid.097fde836cf6c918.te.png) + ![సెంట్రాయిడ్ క్లస్టరింగ్ ఇన్ఫోగ్రాఫిక్](../../../../translated_images/te/centroid.097fde836cf6c918.png) > 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/popular.9c48d84b3386705f.te.png) + ![most popular](../../../../translated_images/te/popular.9c48d84b3386705f.png) ✅ 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/all-genres.1d56ef06cefbfcd6.te.png) + ![most popular](../../../../translated_images/te/all-genres.1d56ef06cefbfcd6.png) 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/correlation.a9356bb798f5eea5.te.png) + ![correlations](../../../../translated_images/te/correlation.a9356bb798f5eea5.png) 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/distribution.9be11df42356ca95.te.png) + ![distribution](../../../../translated_images/te/distribution.9be11df42356ca95.png) 1. ఒక స్కాటర్ ప్లాట్ సృష్టించండి: @@ -318,7 +318,7 @@ CO_OP_TRANSLATOR_METADATA: అదే అక్షాల స్కాటర్‌ప్లాట్ ఒక సమానమైన సమీకరణ నమూనాను చూపిస్తుంది - ![Facetgrid](../../../../translated_images/facetgrid.9b2e65ce707eba1f.te.png) + ![Facetgrid](../../../../translated_images/te/facetgrid.9b2e65ce707eba1f.png) 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 6facc7c0a..1aa0fe8de 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 de44db140..28d0ce14b 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/voronoi.1dc1613fb0439b95.te.png) +![voronoi diagram](../../../../translated_images/te/voronoi.1dc1613fb0439b95.png) > 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/boxplots.8228c29dabd0f292.te.png) + ![outliers](../../../../translated_images/te/boxplots.8228c29dabd0f292.png) 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/elbow.72676169eed744ff.te.png) + ![elbow method](../../../../translated_images/te/elbow.72676169eed744ff.png) ## 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/clusters.b635354640d8e4fd.te.png) + ![clusters](../../../../translated_images/te/clusters.b635354640d8e4fd.png) 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/problems.f7fb539ccd80608e.te.png) + ![problem models](../../../../translated_images/te/problems.f7fb539ccd80608e.png) > 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 464f49126..a7e13870f 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 947f56bc3..b1e5fb0bd 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/turntable.f2b86b13c53302dc.te.jpg) +![A turntable](../../../translated_images/te/turntable.f2b86b13c53302dc.jpg) > 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 2ce59be7a..6c6595821 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/comprehension.619708fc5959b0f6.te.png) +![comprehension](../../../../translated_images/te/comprehension.619708fc5959b0f6.png) > 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 6cd6649df..1b1f3f29f 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/tokenization.1641a160c66cd2d9.te.png) +![tokenization](../../../../translated_images/te/tokenization.1641a160c66cd2d9.png) > **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/embedding.2cf8953c4b3101d1.te.png) +![word embeddings](../../../../translated_images/te/embedding.2cf8953c4b3101d1.png) > "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/parse.d0c5bbe1106eae8f.te.png) +![parsing](../../../../translated_images/te/parse.d0c5bbe1106eae8f.png) > **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 6a0d8721b..846ed98e3 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/monnaie.606c5fa8369d5c3b.te.png) +![monnaie](../../../../translated_images/te/monnaie.606c5fa8369d5c3b.png) > 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 961ac19ec..c837479a7 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/p&p.279f1c49ecd88941.te.jpg) +![Pride and Prejudice book and tea](../../../translated_images/te/p&p.279f1c49ecd88941.jpg) > 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 76b479f82..96c3c6c2c 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/ml-timeseries.fb98d25f1013fc0c.te.png) +![స్కెచ్ నోట్‌లో టైమ్ సిరీస్ సారాంశం](../../../../translated_images/te/ml-timeseries.fb98d25f1013fc0c.png) > 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/currency.e7429812bfc8c608.te.png) +![ఇన్-గేమ్ కరెన్సీ ఖర్చు](../../../../translated_images/te/currency.e7429812bfc8c608.png) ## వ్యాయామం - విద్యుత్ వినియోగ డేటాతో ప్రారంభం @@ -160,7 +160,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![energy plot](../../../../translated_images/energy-plot.5fdac3f397a910bc.te.png) + ![energy plot](../../../../translated_images/te/energy-plot.5fdac3f397a910bc.png) 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/july-2014.9e1f7c318ec6d5b3.te.png) + ![july](../../../../translated_images/te/july-2014.9e1f7c318ec6d5b3.png) 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 635a81aba..7f1f09757 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/train-test.8928d14e5b91fc94.te.png) + ![training and testing data](../../../../translated_images/te/train-test.8928d14e5b91fc94.png) కాబట్టి, ట్రైనింగ్ కోసం తక్కువ సమయ విండో ఉపయోగించడం సరిపోతుంది. @@ -157,11 +157,11 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది plt.show() ``` - ![original](../../../../translated_images/original.b2b15efe0ce92b87.te.png) + ![original](../../../../translated_images/te/original.b2b15efe0ce92b87.png) > ఒరిజినల్ డేటా - ![scaled](../../../../translated_images/scaled.e35258ca5cd3d43f.te.png) + ![scaled](../../../../translated_images/te/scaled.e35258ca5cd3d43f.png) > స్కేల్ చేసిన డేటా @@ -321,7 +321,7 @@ ARIMA భాగాలను విప్పి చూద్దాం, ఇది > **🧮 గణితం చూపించండి** > -> ![MAPE](../../../../translated_images/mape.fd87bbaf4d346846.te.png) +> ![MAPE](../../../../translated_images/te/mape.fd87bbaf4d346846.png) > > [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/accuracy.2c47fe1bf15f44b3.te.png) + ![a time series model](../../../../translated_images/te/accuracy.2c47fe1bf15f44b3.png) 🏆 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 2c8e4b3be..ed75e3465 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/full-data.a82ec9957e580e97.te.png) + ![full data](../../../../translated_images/te/full-data.a82ec9957e580e97.png) ఇప్పుడు, మన SVR మోడల్‌ను నిర్మిద్దాం. @@ -97,7 +97,7 @@ CO_OP_TRANSLATOR_METADATA: plt.show() ``` - ![training and testing data](../../../../translated_images/train-test.ead0cecbfc341921.te.png) + ![training and testing data](../../../../translated_images/te/train-test.ead0cecbfc341921.png) @@ -275,7 +275,7 @@ plt.title("Training data prediction") plt.show() ``` -![training data prediction](../../../../translated_images/train-data-predict.3c4ef4e78553104f.te.png) +![training data prediction](../../../../translated_images/te/train-data-predict.3c4ef4e78553104f.png) శిక్షణ డేటా కోసం MAPE ముద్రించండి @@ -298,7 +298,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![testing data prediction](../../../../translated_images/test-data-predict.8afc47ee7e52874f.te.png) +![testing data prediction](../../../../translated_images/te/test-data-predict.8afc47ee7e52874f.png) పరీక్ష డేటా కోసం MAPE ముద్రించండి @@ -354,7 +354,7 @@ plt.xlabel('Timestamp') plt.show() ``` -![full data prediction](../../../../translated_images/full-data-predict.4f0fed16a131c8f3.te.png) +![full data prediction](../../../../translated_images/te/full-data-predict.4f0fed16a131c8f3.png) ```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 6a71de727..77927d4e8 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/electric-grid.0c21d5214db09ffa.te.jpg) +![electric grid](../../../translated_images/te/electric-grid.0c21d5214db09ffa.jpg) 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 eb5e0eae7..d8605fcc3 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/ml-reinforcement.94024374d63348db.te.png) +![మిషన్ లెర్నింగ్‌లో రీన్ఫోర్స్‌మెంట్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-reinforcement.94024374d63348db.png) > 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/environment.40ba3cb66256c93f.te.png) +![పీటర్ పరిసరం](../../../../translated_images/te/environment.40ba3cb66256c93f.png) 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/env_init.04e8f26d2d60089e.te.png) +![పీటర్ పరిసరం](../../../../translated_images/te/env_init.04e8f26d2d60089e.png) 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 aa15b1fbc..d195a6720 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/escape.18862db9930337e3.te.png) +![The great escape!](../../../../translated_images/te/escape.18862db9930337e3.png) > 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/train_progress_raw.2adfdf2daea09c59.te.png) +![raw progress](../../../../translated_images/te/train_progress_raw.2adfdf2daea09c59.png) 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/train_progress_runav.c71694a8fa9ab359.te.png) +![training progress](../../../../translated_images/te/train_progress_runav.c71694a8fa9ab359.png) ## హైపర్‌పారామీటర్ల మార్పులు diff --git a/translations/te/8-Reinforcement/2-Gym/assignment.md b/translations/te/8-Reinforcement/2-Gym/assignment.md index 814adfcec..6fa54ec5c 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 d93735ba0..de043e6f8 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/peter.779730f9ba3a8a8d.te.png) +![peter and the wolf](../../../translated_images/te/peter.779730f9ba3a8a8d.png) > 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 c09ef3876..5391d550b 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/ml-realworld.26ee274671615577.te.png) +![వాస్తవ ప్రపంచంలో మెషీన్ లెర్నింగ్ యొక్క సారాంశం స్కెచ్‌నోట్‌లో](../../../../translated_images/te/ml-realworld.26ee274671615577.png) > 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 a52522c28..694b6ee6b 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/ea-error-distribution.117452e1177c1dd8.te.png) +![మోడల్ లోపాలను విశ్లేషించండి మరియు డీబగ్ చేయండి](../../../../translated_images/te/ea-error-distribution.117452e1177c1dd8.png) 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/ea-error-cohort.6886209ea5d438c4.te.png) +![లోపాల విశ్లేషణ](../../../../translated_images/te/ea-error-cohort.6886209ea5d438c4.png) 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/ea-heatmap.8d27185e28cee383.te.png) +![లోపాల విశ్లేషణ హీట్‌మ్యాప్](../../../../translated_images/te/ea-heatmap.8d27185e28cee383.png) 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/model-overview-dataset-cohorts.dfa463fb527a35a0.te.png) +![డేటాసెట్ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-dataset-cohorts.dfa463fb527a35a0.png) 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/model-overview-feature-cohorts.c5104d575ffd0c80.te.png) +![లక్షణ కోహార్ట్లు - RAI డాష్‌బోర్డ్‌లో మోడల్ అవలోకనం](../../../../translated_images/te/model-overview-feature-cohorts.c5104d575ffd0c80.png) 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/dataanalysis-cover.8d6d0683a70a5c1e.te.png) +![RAI డాష్‌బోర్డ్‌లో డేటా విశ్లేషణ భాగం](../../../../translated_images/te/dataanalysis-cover.8d6d0683a70a5c1e.png) 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/9-feature-importance.cd3193b4bba3fd4b.te.png) +![RAI డాష్‌బోర్డ్‌లో లక్షణ ప్రాముఖ్యత భాగం](../../../../translated_images/te/9-feature-importance.cd3193b4bba3fd4b.png) * 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/9-features-influence.3ead3d3f68a84029.te.png) +![లక్షణ ప్రాముఖ్యత](../../../../translated_images/te/9-features-influence.3ead3d3f68a84029.png) వివరణాత్మకతను ఉపయోగించండి, మీరు: diff --git a/translations/te/9-Real-World/README.md b/translations/te/9-Real-World/README.md index 6de49a714..f578117c9 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/chess.e704a268781bdad8.te.jpg) +![chess](../../../translated_images/te/chess.e704a268781bdad8.jpg) > ఫోటో Alexis Fauvet ద్వారా Unsplash diff --git a/translations/te/README.md b/translations/te/README.md index d7ce875ee..3ba8a0885 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/3.9b58fd8d6c373c20.te.png) +![AI తో నేర్చుకునే సిరీస్](../../translated_images/te/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.te.png)](https://aka.ms/ml-beginners-videos) +[![ప్రారంభుల కోసం ML బ్యానర్](../../translated_images/te/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/th/README.md b/translations/th/README.md index ebdec31cf..bb511bdd2 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/3.9b58fd8d6c373c20.th.png) +![ชุดการเรียนรู้ด้วย AI](../../translated_images/th/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.th.png)](https://aka.ms/ml-beginners-videos) +[![แบนเนอร์ ML สำหรับผู้เริ่มต้น](../../translated_images/th/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tl/1-Introduction/README.md b/translations/tl/1-Introduction/README.md index aacd2d899..2e0612488 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/globe.59f26379ceb40428.tl.jpg) +![globe](../../../translated_images/tl/globe.59f26379ceb40428.jpg) > 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 f3364be91..66b47a00f 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 0002049f8..ac15af73e 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 d1be3a34e..fa92d5a0f 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", @@ -132,7 +132,7 @@ ">\n", "> Sa madaling salita, at tumutukoy sa orihinal na tanong ng data ng kalabasa: \"hulaan ang presyo ng kalabasa kada bushel ayon sa buwan\", ang `X` ay tumutukoy sa presyo at ang `Y` ay tumutukoy sa buwan ng pagbebenta.\n", ">\n", - "> ![](../../../../../../translated_images/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.tl.png)\n", + "> ![](../../../../../../translated_images/tl/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.png)\n", " Infographic ni Jen Looper\n", "> \n", "> Kalkulahin ang halaga ng Y. Kung nagbabayad ka ng humigit-kumulang \\$4, malamang Abril na!\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 71a7b5fee..f41b92e41 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/linear-vs-logistic.ba180bf95e7ee667.tl.png)\n", + "![Infographic ng Logistic vs. Linear Regression](../../../../../../translated_images/tl/linear-vs-logistic.ba180bf95e7ee667.png)\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/pumpkin-classifier.562771f104ad5436.tl.png)\n", + "![Infographic ni Dasani Madipalli](../../../../../../translated_images/tl/pumpkin-classifier.562771f104ad5436.png)\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/multinomial-vs-ordinal.36701b4850e37d86.tl.png)\n", + "![Multinomial vs ordinal regression](../../../../../../translated_images/tl/multinomial-vs-ordinal.36701b4850e37d86.png)\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 23010db92..491fb6246 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/jack-o-lanterns.181c661a9212457d.tl.jpg) +![jack-o-lanterns](../../../translated_images/tl/jack-o-lanterns.181c661a9212457d.jpg) > 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 aab65793d..9f0e2675e 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/ufo.9e787f5161da9d4d.tl.jpg) +![UFO Parking](../../../translated_images/tl/ufo.9e787f5161da9d4d.jpg) Larawan ni Michael Herren sa Unsplash diff --git a/translations/tl/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb b/translations/tl/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb index 447292b7b..90c28717e 100644 --- a/translations/tl/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb +++ b/translations/tl/4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb @@ -42,7 +42,7 @@ "
Ipinagdiriwang ang mga pan-Asian na lutuin sa mga araling ito! Larawan ni Jen Looper
\n", "\n", "\n", - "\n", + "\n", "\n", "Ang klasipikasyon ay isang uri ng [supervised learning](https://wikipedia.org/wiki/Supervised_learning) na may maraming pagkakatulad sa mga regression techniques. Sa klasipikasyon, sinasanay mo ang isang modelo upang hulaan kung saang `kategorya` kabilang ang isang item. Kung ang machine learning ay tungkol sa paghula ng mga halaga o pangalan ng mga bagay gamit ang mga dataset, ang klasipikasyon ay karaniwang nahahati sa dalawang grupo: *binary classification* at *multiclass classification*.\n", "\n", diff --git a/translations/tl/4-Classification/README.md b/translations/tl/4-Classification/README.md index d31a0c6a4..a468ca9c8 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/thai-food.c47a7a7f9f05c218.tl.jpg) +![Nagbebenta ng pagkaing Thai](../../../translated_images/tl/thai-food.c47a7a7f9f05c218.jpg) > 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 ffd348c01..176580a3d 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/turntable.f2b86b13c53302dc.tl.jpg) +![Isang turntable](../../../translated_images/tl/turntable.f2b86b13c53302dc.jpg) > Larawan ni Marcela Laskoski sa Unsplash diff --git a/translations/tl/6-NLP/README.md b/translations/tl/6-NLP/README.md index 8138fdcf1..beb6c1348 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/p&p.279f1c49ecd88941.tl.jpg) +![Aklat ng Pride and Prejudice at tsaa](../../../translated_images/tl/p&p.279f1c49ecd88941.jpg) > 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 97a7e7135..714e35f2e 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/electric-grid.0c21d5214db09ffa.tl.jpg) +![electric grid](../../../translated_images/tl/electric-grid.0c21d5214db09ffa.jpg) 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 85f2f93d2..e9c23a2b8 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/peter.779730f9ba3a8a8d.tl.png) +![peter and the wolf](../../../translated_images/tl/peter.779730f9ba3a8a8d.png) > 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 dfbea3d54..bc3e658e5 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/chess.e704a268781bdad8.tl.jpg) +![chess](../../../translated_images/tl/chess.e704a268781bdad8.jpg) > Larawan ni Alexis Fauvet sa Unsplash diff --git a/translations/tl/README.md b/translations/tl/README.md index 66dcbb9e9..ddad9f6a9 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/3.9b58fd8d6c373c20.tl.png) +![Serye ng Learn with AI](../../translated_images/tl/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.tl.png)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/tl/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tr/README.md b/translations/tr/README.md index 0a4661c37..459e9a7ad 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/3.9b58fd8d6c373c20.tr.png) +![AI ile Öğrenme serisi](../../translated_images/tr/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.tr.png)](https://aka.ms/ml-beginners-videos) +[![ML için başlangıç afişi](../../translated_images/tr/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/tw/1-Introduction/README.md b/translations/tw/1-Introduction/README.md index 1b26ef8e5..20ad6d7e0 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/globe.59f26379ceb40428.tw.jpg) +![globe](../../../translated_images/tw/globe.59f26379ceb40428.jpg) > 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 66a5e1ea7..54322339c 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 f6decdff4..87bf24b8f 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 070c266a3..ee7c2e13d 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", @@ -132,7 +132,7 @@ ">\n", "> 換句話說，參考我們南瓜數據的原始問題：「根據月份預測每蒲式耳南瓜的價格」，`X` 代表價格，`Y` 代表銷售月份。\n", ">\n", - "> ![](../../../../../../translated_images/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.tw.png)\n", + "> ![](../../../../../../translated_images/tw/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.png)\n", " 圖解由 Jen Looper 提供\n", "> \n", "> 計算 Y 的值。如果你支付大約 \\$4，那一定是四月！\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 cd11a03cd..fba74834a 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/linear-vs-logistic.ba180bf95e7ee667.tw.png)\n", + "![邏輯迴歸與線性迴歸資訊圖](../../../../../../translated_images/tw/linear-vs-logistic.ba180bf95e7ee667.png)\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/pumpkin-classifier.562771f104ad5436.tw.png)\n", + "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/tw/pumpkin-classifier.562771f104ad5436.png)\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/multinomial-vs-ordinal.36701b4850e37d86.tw.png)\n", + "![多項式 vs 序列式回歸](../../../../../../translated_images/tw/multinomial-vs-ordinal.36701b4850e37d86.png)\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 127d603f9..6b73796cf 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/jack-o-lanterns.181c661a9212457d.tw.jpg) +![jack-o-lanterns](../../../translated_images/tw/jack-o-lanterns.181c661a9212457d.jpg) > 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 16124123e..b120d7da9 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/ufo.9e787f5161da9d4d.tw.jpg) +![UFO 停車場](../../../translated_images/tw/ufo.9e787f5161da9d4d.jpg) 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 2d1bed19a..7a2df68d1 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/thai-food.c47a7a7f9f05c218.tw.jpg) +![泰國街頭小吃](../../../translated_images/tw/thai-food.c47a7a7f9f05c218.jpg) > 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 c061cc1b7..e774f1386 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/turntable.f2b86b13c53302dc.tw.jpg) +![唱盤](../../../translated_images/tw/turntable.f2b86b13c53302dc.jpg) > 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 45ce79795..4777d4b0d 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/p&p.279f1c49ecd88941.tw.jpg) +![傲慢與偏見書籍與茶](../../../translated_images/tw/p&p.279f1c49ecd88941.jpg) > 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 4ef7e63b9..af586eba3 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/electric-grid.0c21d5214db09ffa.tw.jpg) +![電力網](../../../translated_images/tw/electric-grid.0c21d5214db09ffa.jpg) 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 47744a2e7..6fa5b36a0 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/peter.779730f9ba3a8a8d.tw.png) +![彼得與狼](../../../translated_images/tw/peter.779730f9ba3a8a8d.png) > 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 174789ad7..c7c98580c 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/chess.e704a268781bdad8.tw.jpg) +![chess](../../../translated_images/tw/chess.e704a268781bdad8.jpg) > 照片由 Alexis Fauvet 提供，來源於 Unsplash diff --git a/translations/tw/README.md b/translations/tw/README.md index fdd78ee97..415291348 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/3.9b58fd8d6c373c20.tw.png) +![與 AI 系列](../../translated_images/tw/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.tw.png)](https://aka.ms/ml-beginners-videos) +[![ML 入門 橫幅](../../translated_images/tw/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/uk/README.md b/translations/uk/README.md index 44b7e8adf..39e562e92 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/3.9b58fd8d6c373c20.uk.png) +![Серія «Навчання зі ШІ»](../../translated_images/uk/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.uk.png)](https://aka.ms/ml-beginners-videos) +[![Банер «ML для початківців»](../../translated_images/uk/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/ur/1-Introduction/README.md b/translations/ur/1-Introduction/README.md index 22a8ab16e..b179d6166 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/globe.59f26379ceb40428.ur.jpg) +![globe](../../../translated_images/ur/globe.59f26379ceb40428.jpg) > 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 fbe57ffe6..e55996e5c 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 5f6a17c9e..e038eaf73 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 9f63a98b1..78958b0d1 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 @@ -132,7 +132,7 @@ ">\n", "> دوسرے الفاظ میں، اور ہمارے کدو کے ڈیٹا کے اصل سوال کا حوالہ دیتے ہوئے: \"ماہ کے لحاظ سے فی بوشل کدو کی قیمت کی پیش گوئی کریں\"، `X` قیمت کو ظاہر کرے گا اور `Y` فروخت کے مہینے کو ظاہر کرے گا۔\n", ">\n", - "> ![](../../../../../../translated_images/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.ur.png)\n", + "> ![](../../../../../../translated_images/ur/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.png)\n", " Jen Looper کی طرف سے انفوگرافک\n", "> \n", "> `Y` کی قدر کا حساب لگائیں۔ اگر آپ تقریباً \\$4 ادا کر رہے ہیں، تو یہ ضرور اپریل ہوگا!\n", @@ -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 1e43c90df..8f2fffd77 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/linear-vs-logistic.ba180bf95e7ee667.ur.png)\n", + "![لاجسٹک بمقابلہ لینیئر ریگریشن انفوگرافک](../../../../../../translated_images/ur/linear-vs-logistic.ba180bf95e7ee667.png)\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/pumpkin-classifier.562771f104ad5436.ur.png)\n", + "![Dasani Madipalli کی انفوگرافک](../../../../../../translated_images/ur/pumpkin-classifier.562771f104ad5436.png)\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/multinomial-vs-ordinal.36701b4850e37d86.ur.png)\n", + "![ملٹی نومیئل بمقابلہ آرڈینل ریگریشن](../../../../../../translated_images/ur/multinomial-vs-ordinal.36701b4850e37d86.png)\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 047e57925..81dde55dd 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/jack-o-lanterns.181c661a9212457d.ur.jpg) +![jack-o-lanterns](../../../translated_images/ur/jack-o-lanterns.181c661a9212457d.jpg) > 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 a55f3c8fc..160a3ba5f 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/ufo.9e787f5161da9d4d.ur.jpg) +![UFO Parking](../../../translated_images/ur/ufo.9e787f5161da9d4d.jpg) تصویر از مائیکل ہیرن پر Unsplash diff --git a/translations/ur/4-Classification/README.md b/translations/ur/4-Classification/README.md index e7f6ca2de..0f56c1bdc 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/thai-food.c47a7a7f9f05c218.ur.jpg) +![تھائی کھانے بیچنے والا](../../../translated_images/ur/thai-food.c47a7a7f9f05c218.jpg) > 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 e16082057..9252916ea 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/turntable.f2b86b13c53302dc.ur.jpg) +![ایک ٹرن ٹیبل](../../../translated_images/ur/turntable.f2b86b13c53302dc.jpg) > تصویر از مارسیلا لاسکوسکی، Unsplash پر diff --git a/translations/ur/6-NLP/README.md b/translations/ur/6-NLP/README.md index d6d6094e2..bc9b53baa 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/p&p.279f1c49ecd88941.ur.jpg) +![Pride and Prejudice کتاب اور چائے](../../../translated_images/ur/p&p.279f1c49ecd88941.jpg) > 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 3f0087001..cd4d4df09 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/electric-grid.0c21d5214db09ffa.ur.jpg) +![electric grid](../../../translated_images/ur/electric-grid.0c21d5214db09ffa.jpg) 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 c346a7194..7031c0e8e 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/peter.779730f9ba3a8a8d.ur.png) +![پیٹر اور بھیڑیا](../../../translated_images/ur/peter.779730f9ba3a8a8d.png) > 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 a17f0c275..be075f929 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/chess.e704a268781bdad8.ur.jpg) +![chess](../../../translated_images/ur/chess.e704a268781bdad8.jpg) > تصویر از الیکسس فوویٹ، Unsplash پر diff --git a/translations/ur/README.md b/translations/ur/README.md index 4391849d0..81bcc468d 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/3.9b58fd8d6c373c20.ur.png) +![AI کے ساتھ سیکھنے کی سیریز](../../translated_images/ur/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.ur.png)](https://aka.ms/ml-beginners-videos) +[![مشین لرننگ برائے مبتدی بینر](../../translated_images/ur/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/vi/README.md b/translations/vi/README.md index a34f9993b..1826c5cce 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/3.9b58fd8d6c373c20.vi.png) +![Chuỗi Learn with AI](../../translated_images/vi/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.vi.png)](https://aka.ms/ml-beginners-videos) +[![Biểu ngữ ML cho Người Mới Bắt Đầu](../../translated_images/vi/ml-for-beginners-video-banner.63f694a100034bc6.png)](https://aka.ms/ml-beginners-videos) --- diff --git a/translations/zh/1-Introduction/README.md b/translations/zh/1-Introduction/README.md index d757155e1..8e54150b0 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/globe.59f26379ceb40428.zh.jpg) +![globe](../../../translated_images/zh/globe.59f26379ceb40428.jpg) > 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 42b43d501..c743ad734 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 137c93f2e..2fb112e86 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 8e6276548..1d012ed55 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", @@ -134,7 +134,7 @@ ">\n", "> 换句话说，参考我们的南瓜数据的原始问题：“按月份预测每蒲式耳南瓜的价格”，`X` 表示价格，`Y` 表示销售月份。\n", ">\n", - "> ![](../../../../../../translated_images/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.zh.png)\n", + "> ![](../../../../../../translated_images/zh/calculation.989aa7822020d9d0ba9fc781f1ab5192f3421be86ebb88026528aef33c37b0d8.png)\n", " 信息图由 Jen Looper 制作\n", "> \n", "> 计算 Y 的值。如果你支付大约 \\$4，那一定是四月！\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 5ba8e8e7b..1c9afbd2e 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/linear-vs-logistic.ba180bf95e7ee667.zh.png)\n", + "![逻辑回归与线性回归信息图](../../../../../../translated_images/zh/linear-vs-logistic.ba180bf95e7ee667.png)\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/pumpkin-classifier.562771f104ad5436.zh.png)\n", + "![Dasani Madipalli制作的信息图](../../../../../../translated_images/zh/pumpkin-classifier.562771f104ad5436.png)\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/multinomial-vs-ordinal.36701b4850e37d86.zh.png)\n", + "![多项式分类 vs 有序分类](../../../../../../translated_images/zh/multinomial-vs-ordinal.36701b4850e37d86.png)\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 133856f82..3dbe41063 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/jack-o-lanterns.181c661a9212457d.zh.jpg) +![jack-o-lanterns](../../../translated_images/zh/jack-o-lanterns.181c661a9212457d.jpg) > 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 4835fec26..8bcc32a36 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/ufo.9e787f5161da9d4d.zh.jpg) +![UFO 停车场](../../../translated_images/zh/ufo.9e787f5161da9d4d.jpg) 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 946e1eec2..70a469c06 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/thai-food.c47a7a7f9f05c218.zh.jpg) +![泰国小吃摊](../../../translated_images/zh/thai-food.c47a7a7f9f05c218.jpg) > 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 583e83223..67ed5e5de 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/turntable.f2b86b13c53302dc.zh.jpg) +![唱盘](../../../translated_images/zh/turntable.f2b86b13c53302dc.jpg) > 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 c559308de..b1cdc653a 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/p&p.279f1c49ecd88941.zh.jpg) +![傲慢与偏见书籍与茶](../../../translated_images/zh/p&p.279f1c49ecd88941.jpg) > 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 e154e1fc1..cc30a895f 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/electric-grid.0c21d5214db09ffa.zh.jpg) +![电网](../../../translated_images/zh/electric-grid.0c21d5214db09ffa.jpg) 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 038cbc6d8..ded0285fc 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/peter.779730f9ba3a8a8d.zh.png) +![彼得与狼](../../../translated_images/zh/peter.779730f9ba3a8a8d.png) > 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 6b59d5121..ee5963b29 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/chess.e704a268781bdad8.zh.jpg) +![国际象棋](../../../translated_images/zh/chess.e704a268781bdad8.jpg) > 图片由 Alexis Fauvet 提供，来源于 Unsplash diff --git a/translations/zh/README.md b/translations/zh/README.md index ff2464d57..fc97f4e84 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/3.9b58fd8d6c373c20.zh.png) +![与 AI 系列学习](../../translated_images/zh/3.9b58fd8d6c373c20.png) # 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/ml-for-beginners-video-banner.63f694a100034bc6.zh.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.png)](https://aka.ms/ml-beginners-videos) ---