diff --git a/translations/pa/.co-op-translator.json b/translations/pa/.co-op-translator.json
index c4c5df83c..578f6891a 100644
--- a/translations/pa/.co-op-translator.json
+++ b/translations/pa/.co-op-translator.json
@@ -12,8 +12,8 @@
"language_code": "pa"
},
"1-Introduction/2-history-of-ML/README.md": {
- "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
- "translation_date": "2026-07-14T02:55:51+00:00",
+ "original_hash": "e6b5247d6b4dc821434070bdb58e8285",
+ "translation_date": "2026-09-14T20:57:20+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "pa"
},
@@ -24,8 +24,8 @@
"language_code": "pa"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T02:57:24+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T20:56:35+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "pa"
},
@@ -54,8 +54,8 @@
"language_code": "pa"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T02:45:23+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T20:58:33+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "pa"
},
@@ -282,8 +282,8 @@
"language_code": "pa"
},
"5-Clustering/README.md": {
- "original_hash": "b28a3a4911584062772c537b653ebbc7",
- "translation_date": "2025-08-29T17:08:26+00:00",
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "translation_date": "2026-09-14T20:55:20+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "pa"
},
@@ -456,8 +456,8 @@
"language_code": "pa"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-08-29T16:56:46+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T20:55:29+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "pa"
},
@@ -564,8 +564,8 @@
"language_code": "pa"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T18:51:05+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T20:51:46+00:00",
"source_file": "README.md",
"language_code": "pa"
},
@@ -592,11 +592,11 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "pa",
- "failure_date": "2026-07-14T02:36:41+00:00",
+ "failure_date": "2026-09-14T20:55:08+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +607,8 @@
"language_code": "pa"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-08-29T16:34:03+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T20:50:26+00:00",
"source_file": "for-teachers.md",
"language_code": "pa"
},
diff --git a/translations/pa/1-Introduction/2-history-of-ML/README.md b/translations/pa/1-Introduction/2-history-of-ML/README.md
index fd0936dd7..f0a6adab9 100644
--- a/translations/pa/1-Introduction/2-history-of-ML/README.md
+++ b/translations/pa/1-Introduction/2-history-of-ML/README.md
@@ -1,147 +1,147 @@
# ਮਸ਼ੀਨ ਲਰ್ನਿੰਗ ਦਾ ਇਤਿਹਾਸ
-
-> ਸਕેਟਨોટ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://www.twitter.com/girlie_mac) ਵਲੋਂ
+
+> ਸਕੈਚਨੋਟ ਦੁਆਰਾ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://www.twitter.com/girlie_mac)
-## [ਪੂਰਵ-ਲੇਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕ੍ਵਿਜ](https://ff-quizzes.netlify.app/en/ml/)
---
-[](https://youtu.be/N6wxM4wZ7V0 "ਨਵਾਂ ਸਿਖਣ ਵਾਲਿਆਂ ਲਈ ML - ਮਸ਼ੀਨ ਲਰਣਿੰਗ ਦਾ ਇਤਿਹਾਸ")
+[](https://youtu.be/N6wxM4wZ7V0 "ਨਵੀਂ ਸ਼ੁਰੂਆਤ ਲਈ ਐਮਐੱਲ - ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਦਾ ਇਤਿਹਾਸ")
-> 🎥 ਇਸ ਪਾਠ ਭਰ ਵਿੱਚ ਛੋਟੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+> 🎥 ਇਸ ਪਾਠ ਦੇ ਵੀਡੀਓ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਣਿੰਗ ਅਤੇ ਕৃত੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਮੁੱਖ ਮੀਲਾਂ ਪੱਥਰਾਂ ਨੂੰ ਵੇਖਾਂਗੇ।
+ਇਸ ਪਾਠ ਵਿਚ, ਅਸੀਂ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਅਤੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਮੁੱਖ ਬਿੰਦੂਆਂ ਦਾ ਜਾਇਜ਼ਾ ਲਵਾਂਗੇ।
-ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਮਸ਼ੀਨ ਲਰਣਿੰਗ ਦੇ ਇਤਿਹਾਸ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਸਮਝਣਾ ਲਾਜ਼ਮੀ ਹੈ, ਕਿਉਂਕਿ ਜੋ ਅਲਗੋਰਿਦਮ ਅਤੇ ਕਮਪਿਊਟਿੰਗ ਵਿੱਚ ਤਰੱਕੀ ML ਦਾ ਆਧਾਰ ਬਣੀ ਉਹ AI ਦੀ ਵਿਕਾਸ ਵਿੱਚ ਸਹਿ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ। ਯਾਦ ਰਹੇ ਕਿ ਜਦੋਂ ਇਹ ਖੇਤਰ 1950 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵੱਖਰੇ ਇਲਾਕਿਆਂ ਵਜੋਂ ਬਣਾ, ਉਸ ਤੋਂ ਪਹਿਲਾਂ ਵੀ ਮਹੱਤਵਪੂਰਨ [ਅਲਗੋਰਿਦਮਿਕ, ਸਾਂਖਿਆਕੀ, ਗਣਿਤੀ, ਕਮਪਿਊਟੇਸ਼ਨ ਅਤੇ ਤਕਨੀਕੀ ਖੋਜਾਂ](https://wikipedia.org/wiki/Timeline_of_machine_learning) ਹੋਈਆਂ ਸਨ। ਅਸਲ ਵਿੱਚ, ਲੋਕ ਸੈਂਕੜਿਆਂ ਸਾਲਾਂ ਤੋਂ ਇਹਨਾਂ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚ ਰਹੇ ਹਨ: [ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਇਤਿਹਾਸ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ਇਸ ਵਿਚਾਰ 'ਸੋਚਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੀ ਬੁੱਧਿਮੱਤਾ ਦੀ ਇਤਿਹਾਸਕ ਬੁਨਿਆਦਾਂ ਤੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।
+ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (ਏਆਈ) ਦੇ ਖੇਤਰ ਦਾ ਇਤਿਹਾਸ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਦੇ ਇਤਿਹਾਸ ਨਾਲ ਗੁੰਝਲਦਾਰ ਹੈ, ਕਿਉਂਕਿ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਦੇ ਤਰਕਸੰਗਤ ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪ੍ਰਗਟਾਵਾਂ ਨੇ ਏਆਈ ਦੇ ਵਿਕਾਸ ਵਿਚ ਭੂਮਿਕਾ ਨਿਭਾਈ। ਇਹ ਯਾਦ ਰੱਖਣਾ ਲਾਭਦਾਇਕ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਖੇਤਰਾਂ ਨੂੰ ਇੱਕ ਅਲੱਗ ਖੋਜ ਖੇਤਰ ਵਜੋਂ 1950 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ, ਪਰ ਮਹੱਤਵਪੂਰਨ [ਅਲਗੋਰਿਦਮਿਕ, ਸਾਂਖਿਆਕੀ, ਗਣਿਤਕ, ਕੰਪਿਊਟੇਸ਼ਨਲ ਅਤੇ ਤਕਨੀਕੀ ਖੋਜਾਂ](https://wikipedia.org/wiki/Timeline_of_machine_learning) ਇਸ ਦੌਰ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਇਸ ਦੌਰ ਦੇ ਨਾਲ ਸਾਥੀ ਸਨ। ਦਰਅਸਲ, ਲੋਕ [ਸੈਂਕੜੇ ਸਾਲਾਂ](https://wikipedia.org/wiki/History_of_artificial_intelligence) ਤੋਂ ਇਹਨਾਂ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚਦੇ ਆ ਰਹੇ ਹਨ: ਇਹ ਲੇਖ 'ਸੋਚਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੇ ਵਿਚਾਰ ਦੇ ਇਤਿਹਾਸਕ ਬੁੱਧੀਜੀਵੀ ਅਧਾਰਾਂ 'ਤੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।
---
-## ਪ੍ਰਮੁੱਖ ਖੋਜਾਂ
+## ਮਹੱਤਵਪੂਰਨ ਖੋਜਾਂ
-- 1763, 1812 [ਬੇਜ਼ ਸਿਧਾਂਤ](https://wikipedia.org/wiki/Bayes%27_theorem) ਅਤੇ ਇਸਦੇ ਪਹਿਲਾਂ ਵਾਲੇ। ਇਹ ਸਿਧਾਂਤ ਅਤੇ ਇਸਦੀ ਵਿਵਹਾਰਿਕਤਾ ਤਿਆਰ ਕਰਦੀ ਹੈ ਕਿ ਪਿਛਲੇ ਗਿਆਨ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਸੇ ਘਟਨਾ ਦੇ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਕਿਵੇਂ ਨਿਕਾਲੀ ਜਾ ਸਕਦੀ ਹੈ।
-- 1805 ਫਰਾਂਸੀਸੀ ਗਣਿਤੀਜ್ಞಾನ ਐਡਰੀਅਨ-ਮੈਰੀ ਲੇਜੇੰਦਰ ਵੱਲੋਂ [ਲੀਸਟ ਸਕਵਾਯਰਥੀਅਰੀ](https://wikipedia.org/wiki/Least_squares)। ਇਸ ਸਿਧਾਂਤ ਨੂੰ ਤੁਸੀਂ ਸਾਡੇ ਰਿਗਰੇਸ਼ਨ ਯੂਨਿਟ ਵਿੱਚ ਸਿੱਖੋਗੇ, ਜੋ ਡੇਟਾ ਫਿਟਿੰਗ ਵਿੱਚ ਸਹਾਇਕ ਹੈ।
-- 1913 [ਮਾਰਕੋਵ ਚੇਨਸ](https://wikipedia.org/wiki/Markov_chain), ਜੋ ਰੂਸ ਦੇ ਗਣਿਤੀਗਿਆਨ ਅੰਦੇਰੀ ਮਾਰਕੋਵ ਦੇ ਨਾਮ 'ਤੇ ਹੈ, ਇਹ ਪਿਛਲੇ ਹਾਲਤ ਦੇ ਆਧਾਰ 'ਤੇ ਸੰਭਾਵਿਤ ਘਟਨਾਵਾਂ ਦੀ ਲੜੀ ਵੇਖਾਉਂਦਾ ਹੈ।
-- 1957 [ਪਰਸੈਪਟ੍ਰੌਨ](https://wikipedia.org/wiki/Perceptron) ਇੱਕ ਕਿਸਮ ਦਾ ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰ ਹੈ, ਜਿਸਨੂੰ ਅਮਰੀਕੀ ਮਨੋਵਿਗਿਆਨੀ ਫਰੈਂਕ ਰੋਜ਼ਨਬਲੈਟ ਨੇ ਬਣਾਇਆ, ਜੋ ਡੀਪ ਲਰਨਿੰਗ ਵਿੱਚ ਪ੍ਰਗਤੀ ਦਾ ਆਧਾਰ ਹੈ।
+- 1763, 1812 [ਬੇਜ਼ ਥਿਊਰਮ](https://wikipedia.org/wiki/Bayes%27_theorem) ਅਤੇ ਇਸ ਦੇ ਪਹਿਲਾਂ ਵਾਲੇ ਵਰਜ਼ਨ। ਇਹ ਥਿਊਰਮ ਅਤੇ ਇਸਦੇ ਵਰਤੇ ਜਾਂਦੇ ਤਰੀਕੇ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਪੂਰਵ ਗਿਆਨ ਦੇ ਆਧਾਰ ਤੇ ਘਟਨਾ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦਰਸਾਈ ਜਾਂਦੀ ਹੈ।
+- 1805 ਫ੍ਰੈਂਚ ਗਣਿਤਗਿਆਨੀ ਅਡ੍ਰਿਏਨ-ਮਾਰੀ ਲੇਜੇਂਦਰੇ ਵੱਲੋਂ [ਲੀਸਟ ਸਕੁਐਰ ਥਿਊਰੀ](https://wikipedia.org/wiki/Least_squares)। ਇਸ ਥਿਊਰੀ ਬਾਰੇ ਤੁਸੀਂ ਸਾਡੇ ਰਿਗ੍ਰੈਸ਼ਨ ਇਕਾਈ ਵਿੱਚ ਸਿੱਖੋਗੇ, ਜੋ ਡੇਟਾ ਫਿੱਟਿੰਗ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
+- 1913 [ਮਾਰਕੋਵ ਚੇਨ](https://wikipedia.org/wiki/Markov_chain), ਜੋ ਰੂਸੀ ਗਣਿਤਗਿਆਨੀ ਅੰਦਰੇ ਮਾਰਕੋਵ ਦੇ ਨਾਮ 'ਤੇ ਹੈ, ਇੱਕ ਪਿਛਲੇ ਸਥਿਤੀ ਦੇ ਆਧਾਰ ਤੇ ਸੰਭਾਵਿਤ ਘਟਨਾਵਾਂ ਦੀ ਲੜੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
+- 1957 [ਪਰਸੈਪਟ੍ਰੋਨ](https://wikipedia.org/wiki/Perceptron), ਇੱਕ ਕਿਸਮ ਦਾ ਲੀਨੀਅਰ ਕਲਾਸੀਫਾਇਰ ਜੋ ਅਮਰੀਕੀ ਮਾਨਸਿਕ ਵਿਗਿਆਨਿਕ ਫ੍ਰੈਂਕ ਰੋਜ਼ਨਬਲੈਟ ਨੇ ਜਨਮ ਦਿੱਤਾ, ਜੋ ਡੀਪ ਲਰਨਿੰਗ ਵਿੱਚ ਉਨਤੀ ਲਈ ਆਧਾਰ ਹੈ।
---
-- 1967 [ਨੀਅਰੈਸਟ ਨੇਬਰ](https://wikipedia.org/wiki/Nearest_neighbor) ਇੱਕ ਅਲਗੋਰਿਦਮ ਹੈ ਜੋ ਮੂਲ ਰੂਪ ਵਿੱਚ ਰੂਟ ਮੈਪ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ। ML ਸੰਦਰਭ ਵਿੱਚ ਇਹ ਪੈਟਰਨਸ ਦੀ ਪਛਾਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-- 1970 [ਬੈਕਪ੍ਰੋਪਾਗੇਸ਼ਨ](https://wikipedia.org/wiki/Backpropagation) [ਫੀਡਫੋਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ](https://wikipedia.org/wiki/Feedforward_neural_network) ਨੂੰ ટ્રેન ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-- 1982 [ਰੀਕਰੈਂਟ ਨਿਊਰਲ ਨੈੱਟਵਰਕਸ](https://wikipedia.org/wiki/Recurrent_neural_network) ਫੀਡਫੋਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੋਂ ਨਿਕਲੇ ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹਨ ਜੋ ਅਸਮਈ ਗਰਾਫ ਬਣਾਉਂਦੇ ਹਨ।
+- 1967 [ਨੀਅਰਸਟ ਨੇਬਰ](https://wikipedia.org/wiki/Nearest_neighbor) ਇੱਕ ਅਲਗੋਰਿਦਮ ਹੈ ਜਿਸਦੀ ਸ਼ੁਰੂਆਤ ਰੂਟ ਮੈਪਿੰਗ ਲਈ ਹੋਈ ਸੀ। ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇਹ ਪੈਟਰਨ ਪਛਾਣਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+- 1970 [ਬੈਕਪ੍ਰੋਪਾਗੇਸ਼ਨ](https://wikipedia.org/wiki/Backpropagation) [ਫੀਡਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ](https://wikipedia.org/wiki/Feedforward_neural_network) ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+- 1982 [ਰੀਕਰਨਟ ਨਿਊਰਲ ਨੈੱਟਵਰਕ](https://wikipedia.org/wiki/Recurrent_neural_network) ਫੀਡਫਾਰਵਰਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤੋਂ ਪ੍ਰਾਪਤ ਕ੍ਰਿਤ੍ਰਿਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹਨ ਜੋ ਸਮੇਂ ਬੰਨ੍ਹੇ ਗ੍ਰਾਫ਼ ਬਣਾਉਂਦੇ ਹਨ।
-✅ ਥੋੜ੍ਹੀ ਖੋਜ ਕਰੋ। ਹੋਰ ਕਿਹੜੀਆਂ ਤਾਰੀਖਾਂ ML ਅਤੇ AI ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਮੋੜ ਵਾਲੀਆਂ ਹਨ?
+✅ ਥੋੜ੍ਹਾ ਖੋਜ ਕਰਕੇ ਵੇਖੋ। ਹੋਰ ਕਿਹੜੀਆਂ ਤਰੀਖਾਂ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਅਤੇ ਏਆਈ ਦੇ ਇਤਿਹਾਸ ਵਿੱਚ ਮੁੱਖ ਹਨ?
---
-## 1950: ਸੋਚਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ
+## 1950: ਸੋਚਣ ਵਾਲੇ ਮਸ਼ੀਨ
-ਐਲਨ ਟਿuringਰ, ਇੱਕ ਬਹੁਤ ਹੀ ਅਦਭੁਤ ਵਿਅਕਤੀ ਜਿਸਨੂੰ [2019 'ਚ ਲੋਕਾਂ ਵਲੋਂ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20ਵੀਂ ਸਦੀ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਵਿਗਿਆਨੀ ਚੁਣਿਆ ਗਿਆ, ਉਸਨੂੰ 'ਸੋਚਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੀ ਸੰਕਲਪਨਾ ਦਾ ਬੁਨਿਆਦ ਰੱਖਣ ਲਈ ਸਿਲਸਿਲੇਵਾਰ ਯੋਗਦਾਨ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਉਸਨੇ ਨਕਾਰਾਤਮਕਾਂ ਨਾਲ ਜੂਝਣਾ ਪਿਆ ਅਤੇ ਇਸ ਸੰਕਲਪ ਦਾ ਪ੍ਰਮਾਣ ਲੱਭਣ ਲਈ ਆਪਣੇ ਤਰੀਕੇ, ਜਿਵੇਂ ਕਿ [ਟਿuringਰ ਟੈਸਟ](https://www.bbc.com/news/technology-18475646) ਬਣਾਇਆ, ਜਿਸਨੂੰ ਤੁਸੀਂ ਸਾਡੇ NLP ਪਾਠਾਂ ਵਿੱਚ ਵੇਖੋਗੇ।
+ਐਲਨ ਟਿਊਰਿੰਗ, ਇੱਕ ਬੇਹੱਦ ਅਦਭੁਤ ਵਿਅਕਤੀ ਜਿਵੇਂ ਕਿ [2019 ਵਿੱਚ ਜਨਤਾ ਵੱਲੋਂ ਚੋਣਿਆ ਗਿਆ](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) ਕਿ ਉਹ 20ਵੀਂ ਸਦੀ ਦਾ ਸਭ ਤੋਂ ਮਹਾਨ ਵਿਗਿਆਨੀ ਹੈ, ਉਹਨਾਂ ਨੂੰ 'ਸੋਚ ਸਕਣ ਵਾਲੀ ਮਸ਼ੀਨ' ਦੇ ਸੰਕਲਪ ਦੇ ਅਧਾਰ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਦਾ ਕ੍ਰੈਡਿਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਉਹਨਾਂ ਨੇ ਨਾਕਾਰਾਤਮਕ ਲੋਕਾਂ ਅਤੇ ਇਸ ਸੰਕਲਪ ਦੇ ਤਜ਼ਰਬੇ ਦੇ ਸਬੂਤਾਂ ਲਈ ਆਪਣੀ ਲੋੜ ਨੂੰ ਛੇੜ ਛਾੜ ਕਰਦੀ, ਹਿੱਸੇ ਵਜੋਂ [ਟਿਊਰਿੰਗ ਟੈਸਟ](https://www.bbc.com/news/technology-18475646) ਬਣਾਇਆ, ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਸਾਡੇ NLP ਪਾਠਾਂ ਵਿੱਚ ਦੇਖੋਗੇ।
---
## 1956: ਡਾਰਟਮਾਊਥ ਸਮਰ ਰਿਸਰਚ ਪ੍ਰਾਜੈਕਟ
-"ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਦੇ ਖੇਤਰ ਵਜੋਂ ਡਾਰਟਮਾਊਥ ਸਮਰ ਰਿਸਰਚ ਪ੍ਰਾਜੈਕਟ ਇੱਕ ਮੈਰੋਕ olay ਸੀ," ਅਤੇ ਇੱਥੇ ਹੀ 'ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ' ਸ਼ਬਦ ਦਾ ਉਤਪੱਤੀ ਹੋਈ ([ਸਰੋਤ](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।
+"ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ 'ਤੇ ਡਾਰਟਮਾਊਥ ਸਮਰ ਰਿਸਰਚ ਪ੍ਰਾਜੈਕਟ ਖੇਤਰ ਲਈ ਇੱਕ ਮੂਲ ਘਟਨਾ ਸੀ," ਅਤੇ ਇੱਥੇ 'ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ' ਸ਼ਬਦ ਬਣਾਇਆ ਗਿਆ (ਸਰੋਤ: [source](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))।
-> ਸਿੱਖਣ ਦਾ ਹਰ ਪਹਲੂ ਜਾਂ ਦੂਜੇ ਬੁੱਧੀ ਦੇ ਲੱਛਣ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਬਿਆਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਮਸ਼ੀਨ ਇਸ ਦੀ ਨਕਲ ਕਰ ਸਕੇ।
+> ਸਿੱਖਣ ਜਾਂ ਕਿਸੇ ਹੋਰ ਬੁੱਧੀ ਦੇ ਲਕੜਾਂ ਦਾ ਹਰੇਕ ਪੱਖ ਇਸ ਤਰ੍ਹਾਂ ਵਿਸਥਾਰ ਨਾਲ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਇਸ ਨੂੰ ਨਕਲ ਕਰ ਸਕੇ।
---
-ਮੁੱਖ ਖੋਜਕਰਤਾ, ਗਣਿਤ ਪ੍ਰੋਫੈਸਰ ਜੌਨ ਮੱਕਾਰਥੀ, ਇਹ ਆਸਰਾ ਰੱਖਦੇ ਸਨ ਕਿ "ਸੀਖਣ ਦੇ ਹਰ ਪਹਲੂ ਜਾਂ ਕਿਸੇ ਹੋਰ ਬੁੱਧੀ ਲੱਛਣ ਨੂੰ ਇਸ ਜਰੂਰੀ ਸਿਧਾਂਤ ਦੇ ਆਧਾਰ 'ਤੇ ਇਸ ਤਰ੍ਹਾਂ ਸਹੀ ਤੌਰ 'ਤੇ ਵਰਣਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਮਸ਼ੀਨ ਇਸਦੀ ਤਕਰਾ ਕਰ ਸਕੇ।" ਇਸ ਵਿੱਚ ਫੀਲਡ ਦੀ ਇੱਕ ਹੋਰ ਪ੍ਰਸਿੱਧ ਸ਼ਖ਼ਸੀਅਤ ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਵੀ ਸੀ।
+ਮੁੱਖ ਖੋਜਕਾਰ, ਗਣਿਤ ਪ੍ਰੋਫੈਸਰ ਜੌਨ ਮੈਕਕਾਰਥੀ ਨੇ ਆਸ ਰੱਖੀ ਕਿ "ਹਰੇਕ ਸਿੱਖਣ ਦਾ ਪੱਖ ਜਾਂ ਕਿਸੇ ਹੋਰ ਬੁੱਧੀ ਗੁਣ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਵਿਸਥਾਰ ਨਾਲ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਉਸ ਦੀ ਨਕਲ ਕਰ ਸਕੇ।" ਸ਼ਾਮਿਲ ਵਿਗਿਆਨੀਆਂ ਵਿਚ ਇੱਕ ਹੋਰ ਪ੍ਰਮੁੱਖ ਵਿਅਕਤੀ ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਸੀ।
-ਇਹ ਵਰਕਸ਼ਾਪ ਕਈ ਚਰਚਾਵਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਪ੍ਰੇਰਣਾ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਮੰਨੀ ਜਾਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ "ਚਿੰਨ੍ਹੀਤ ਤਰੀਕੇ, ਸੀਮਤ ਖੇਤਰਾਂ (ਪਹਿਲੇ ਐਕਸਪឺਰਟ ਸਿਸਟਮ), ਅਤੇ ਡਿਡਕਟਿਵ ਸਿਸਟਮ ਵਿਰੁੱਧ ਇੰਡਕਟਿਵ ਸਿਸਟਮ"। ([ਸਰੋਤ](https://wikipedia.org/wiki/Dartmouth_workshop))
+ਇਸ ਵਰਕਸ਼ਾਪ ਨੂੰ ਕਈ ਚਰਚਾਵਾਂ ਸ਼ੁਰੂ ਕਰਨ ਅਤੇ ਪ੍ਰੋਤਸਾਹਿਤ ਕਰਨ ਦਾ ਕ੍ਰੈਡਿਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਚਿੰਨ੍ਹਾਤਮਿਕ ਢੰਗਾਂ ਵਿੱਚ ਵਾਧਾ, ਸੀਮਿਤ ਖੇਤਰਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਸਿਸਟਮ (ਪਹਿਲਾ ਨਿਪੁੰਨ ਸਿਸਟਮ), ਅਤੇ ਡਿਡਕਟਿਵ ਸਿਸਟਮ ਬਨਾਮ ਇੰਡਕਟਿਵ ਸਿਸਟਮ।" (ਸਰੋਤ: [source](https://wikipedia.org/wiki/Dartmouth_workshop))।
---
## 1956 - 1974: "ਸੋਨੇ ਦੇ ਸਾਲ"
-1950 ਤੋਂ ਮੱਧ 1970 ਤਕ, AI ਨਾਲ ਬਹੁਤ ਉਮੀਦਾਂ ਜੁੜੀਆਂ ਹੋਈਆਂ ਸਨ ਕਿ ਇਹ ਕਈ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ। 1967ਚ, ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਨੇ ਪੱਕੀ ਗੱਲ ਕਹੀ ਕਿ "ਇੱਕ ਪੀੜੀ ਦੇ ਅੰਦਰ ... ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਬਣਾਉਣ ਦਾ ਸਮੱਸਿਆ ਮੁੱਖ ਰੂਪ ਵਿੱਚ ਹੱਲ ਹੋ ਜਾਵੇਗੀ।" (ਮਿੰਸਕੀ, ਮਾਰਵਿਨ (1967), ਕੰਪਿਊਟੇਸ਼ਨ: ਫਾਈਨਿਟ ਅਤੇ ਇਨਫਿਨਿਟ ਮਸ਼ੀਨਾਂ, ਏਂਗਲਵੁੱਡ ਕਲਿਫਸ, N.J.: ਪ੍ਰੈਂਟਿਸ-ਹਾਲ)
+1950 ਤੋਂ ਮੱਧ 1970 ਤੱਕ, ਏਆਈ ਦੁਆਰਾ ਕਈ ਸਮੱਸਿਆਵਾਂ ਦੇ ਹੱਲ ਦੀ ਆਸ ਵਿਚ ਜੋਸ਼ ਚੜ੍ਹਿਆ। 1967 ਵਿੱਚ, ਮਾਰਵਿਨ ਮਿੰਸਕੀ ਨੇ ਆਤਮ ਵਿਸ਼ਵਾਸ ਨਾਲ ਕਿਹਾ, "ਇੱਕ ਪੀੜੀ ਦੇ ਅੰਦਰ ... 'ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ' ਬਣਾਉਣ ਦੀ ਸਮੱਸਿਆ ਵੱਡੇ ਪੱਧਰ ਤੇ ਹੱਲ ਹੋ ਜਾਏਗੀ।" (ਮਿੰਸਕੀ, ਮਾਰਵਿਨ (1967), ਕੰਪਿਊਟੇਸ਼ਨ: ਫਾਈਨਾਈਟ ਐਂਡ ਇਨਫ਼ਿਨਾਈਟ ਮਸ਼ੀਨਜ਼, ਇੰਗਲਵੁੱਡ ਕਲਿਫ਼ਸ, ਐੱਨ.ਜੇ.: ਪ੍ਰੇਨਟਿਸ-ਹਾਲ)
-ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਖੋਜ ਚੜ੍ਹਾਈ 'ਤੇ ਸੀ, ਖੋਜ ਮੁਕੰਮਲ ਹੋਈ ਅਤੇ ਵਧੇਰੇ ਸਮਰੱਥ ਬਣੀ, ਅਤੇ 'ਮਾਈਕ੍ਰੋ-ਵਰਲਡ' ਦਾ ਸਿਧਾਂਤ ਬਣਾਇਆ ਗਿਆ ਜਿੱਥੇ ਸਾਦੇ ਕੰਮ ਸਧਾਰਣ ਭਾਸ਼ਾ ਹੁਕਮਾਂ ਨਾਲ ਕੀਤੇ ਗਏ।
+ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੇ ਤਰੱਕੀ ਕੀਤੀ, ਖੋਜ ਸੁਧਾਰੀ ਅਤੇ ਮਜ਼ਬੂਤ ਕੀਤੀ ਗਈ, ਅਤੇ 'ਮਾਈਕ੍ਰੋ-ਵਰਲਡਜ਼' ਦਾ ਅਵਿਸ਼ਕਾਰ ਹੋਇਆ, ਜਿੱਥੇ ਸਧਾਰਨ ਕੰਮ ਸਧਾਰੇ ਭਾਸ਼ਾਈ ਹੁਕਮਾਂ ਨਾਲ ਪੂਰੇ ਕੀਤੇ ਜਾਂਦੇ ਸਨ।
---
-ਸਰਕਾਰ ਵੱਲੋਂ ਖੋਜ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫੰਡ ਮਿਲਿਆ, ਕਮਪਿਊਟੇਸ਼ਨ ਅਤੇ ਅਲਗੋਰਿਦਮ ਵਿੱਚ ਤਰੱਕੀ ਹੋਈ, ਅਤੇ ਬੁੱਧੀਮਾਨ ਮਸ਼ੀਨ ਦੇ ਪ੍ਰੋਟੋਟਾਈਪ ਬਣਾਏ ਗਏ। ਕੁਝ ਮਸ਼ੀਨਾਂ ਹਨ:
+ਸਰਕਾਰੀ ਏਜੰਸੀਆਂ ਵੱਲੋਂ ਵਧੀਆ ਧਨਰਾਸ਼ੀ ਮਿਲੀ, ਕੰਪਿਊਟੇਸ਼ਨ ਅਤੇ ਅਲਗੋਰੀਦਮ ਵਿੱਚ ਪ੍ਰਗਟਾਵਾ ਹੋਇਆ, ਅਤੇ ਬੁੱਧੀਮਾਨ ਮਸ਼ੀਨਾਂ ਦੇ ਪ੍ਰੋਟੋਟਾਇਪ ਬਣਾਏ ਗਏ। ਇਹਨਾਂ ਵਿੱਚ ਕੁਝ ਹਨ:
-* [ਸ਼ੇਕੀ ਦ ਰੋਬੋਟ](https://wikipedia.org/wiki/Shakey_the_robot), ਜੋ ਸੁਚੇਤ ਨਾਲ ਮਊਵ ਕਰ ਸਕਦਾ ਸੀ ਅਤੇ ਕੰਮ ਕਿਵੇਂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਸੀ।
+* [ਸ਼ੇਕੀ ਰੋਬੋਟ](https://wikipedia.org/wiki/Shakey_the_robot), ਜੋ 'ਸਮਝਦਾਰੀ ਨਾਲ' ਕੰਮ ਕਰ ਸਕਦਾ ਸੀ ਅਤੇ ਫੈਸਲੇ ਲੈ ਸਕਦਾ ਸੀ।
- 
+ 
> 1972 ਵਿੱਚ ਸ਼ੇਕੀ
---
-* ਏਲਿਜ਼ਾ, ਇੱਕ ਸ਼ੁਰੂਆਤੀ 'ਚੈਟਰਬੋਟ', ਲੋਕਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਸਕਦਾ ਸੀ ਅਤੇ ਇੱਕ ਪ੍ਰਾਚੀਨ 'ਥੇਰਾਪਿਸਟ' ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਸੀ। ਤੁਸੀਂ NLP ਪਾਠਾਂ ਵਿੱਚ ਏਲਿਜ਼ਾ ਬਾਰੇ ਹੋਰ ਜਾਣੋਗੇ।
+* ਐਲਿਜਾ, ਇੱਕ ਸ਼ੁਰੂਆਤੀ 'ਚੈਟਰਬੋਟ,' ਜੋ ਲੋਕਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਸਕਦੀ ਸੀ ਅਤੇ ਇੱਕ ਆਦਿ 'ਥੈਰੇਪਿਸਟ' ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਸੀ। ਤੁਸੀਂ ਐਲਿਜਾ ਬਾਰੇ ਹੋਰ ਸਾਡੇ NLP ਪਾਠਾਂ ਵਿੱਚ ਜਾਣੋਗੇ।
- 
- > ਏਲਿਜ਼ਾ ਦਾ ਇੱਕ ਸੰਸਕਰਣ, ਇੱਕ ਚੈਟਬੋਟ
+ 
+ > ਐਲਿਜਾ ਦਾ ਇੱਕ ਵਰਜ਼ਨ, ਇੱਕ ਚੈਟਬੋਟ
---
-* "ਬਲਾਕਸ ਵਰਲਡ" ਇੱਕ ਮਾਈਕ੍ਰੋ-ਵਰਲਡ ਦਾ ਉਦਾਹਰਨ ਸੀ, ਜਿੱਥੇ ਬਲਾਕਸ ਨੂੰ ਸਟੈਕ ਅਤੇ ਸੌਰਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਸੀ, ਅਤੇ ਮਸ਼ੀਨਾਂ ਨੂੰ ਫੈਸਲੇ ਕਰਨ ਦੀ ਸਿੱਖਿਆ ਦੀਆਂ ਪ੍ਰਕਟਣਾਂ ਜਾਂਚੀਆਂ ਜਾ ਸكنਦੀਆਂ ਸਨ। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ਵਰਗੀਆਂ ਲਾਇਬਰੇਰੀਜ਼ ਨਾਲ ਬਣੀ ਤਰੱਕੀ ਨੇ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਅੱਗੇ ਵਧਾਈ।
+* "ਬਲਾਕ ਵਰਲਡ" ਇੱਕ ਮਾਈਕ੍ਰੋ-ਵਰਲਡ ਦਾ ਉਦਾਹਰਣ ਸੀ ਜਿੱਥੇ ਬਲਾਕਾਂ ਨੂੰ ਸਟੈਕ ਅਤੇ ਜਊੜਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਸੀ, ਅਤੇ ਮਸ਼ੀਨਾਂ ਨੂੰ ਫੈਸਲੇ ਕਰਨ ਸਿਖਾਉਣ ਦੇ ਪ੍ਰਯੋਗ ਕੀਤੇ ਜਾ ਸਕਦੇ ਸਨ। [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨਾਲ ਅੱਗੇ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਵਧਾਊ ਮਿਲਿਆ।
- [](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU ਨਾਲ ਬਲਾਕਸ ਵਰਲਡ")
+ [](https://www.youtube.com/watch?v=QAJz4YKUwqw "ਬਲਾਕ ਵਰਲਡ ਨਾਲ SHRDLU")
- > 🎥 ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ ਨੂੰ ਕਲਿੱਕ ਕਰਕੇ ਵੀਡੀਓ ਦੇਖੋ: SHRDLU ਨਾਲ ਬਲਾਕਸ ਵਰਲਡ
+ > 🎥 ਵੀਡੀਓ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ: SHRDLU ਨਾਲ ਬਲਾਕ ਵਰਲਡ
---
-## 1974 - 1980: "AI ਸਰਦੀ"
+## 1974 - 1980: "ਏਆਈ ਸਰਦੀ"
-1970 ਦੇ ਮੱਧ ਤੱਕ, ਇਹ ਸਾਫ ਹੋ ਗਿਆ ਸੀ ਕਿ 'ਸੂਚੇਤ ਮਸ਼ੀਨਾਂ' ਬਣਾਉਣ ਦੀ ਜਟਿਲਤਾ ਅੰਦਾਜ਼ ਤੋਂ ਘੱਟ ਅੰਕਿਤ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਇਸਦੇ ਵਾਅਦੇ, ਮੌਜੂਦਾ ਕਮਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਦੇ ਅਧੀਨ, ਜ਼ਿਆਦਾ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦੱਸੇ ਗਏ ਸਨ। ਫੰਡ ਖ਼ਤਮ ਹੋ ਗਏ ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਘੱਟ ਹੋ ਗਿਆ। ਕੁਝ ਮੁੱਦੇ ਜੋ ਵਿਸ਼ਵਾਸ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੋਏ:
+1970 ਦੇ ਅਰਧ ਤੱਕ, ਇਹ ਸਮਝ ਆ ਗਈ ਸੀ ਕਿ 'ਸਮਝਦਾਰ ਮਸ਼ੀਨਾਂ' ਬਣਾਉਣ ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਾਇਆ ਗਿਆ ਸੀ ਅਤੇ ਇਸਦੀ ਵਾਅਦਾ ਬਹੁਤ ਵਧਾ ਕੇ ਦੱਸਿਆ ਗਿਆ ਸੀ। ਫੰਡਿੰਗ ਖਤਮ ਹੋ ਗਈ ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਘੱਟ ਹੋ ਗਿਆ। ਕੁਝ ਮੁੱਦੇ ਜਿਨ੍ਹਾਂ ਨੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਉਹ ਸਨ:
---
-- **ਸੀਮਾਵਾਂ**. ਕਮਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਬਹੁਤ ਸੀਮਿਤ ਸੀ।
-- **ਕੰਬੀਨੇਟੋਰੀਅਲ ਧਮਾਕਾ**. ਜਿੰਨੀ ਜਿਆਦਾ ਗਿਣਤੀਆਂ ਨੂੰ ਤਰਬੀਅਤ ਦੇਣ ਦੀ ਲੋੜ ਸੀ, ਉਨ੍ਹਾਂ ਦੀ ਗਿਣਤੀ ਗੁਣਾਤਮਕ ਤੌਰ 'ਤੇ ਵਧ ਰਹੀ ਸੀ, ਬਿਨਾਂ ਕਮਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਦੇ ਸਮਾਨ ਵਿਕਾਸ ਦੇ।
-- **ਡੇਟਾ ਦੀ ਘਾਟ**. ਟੈਸਟ, ਵਿਕਾਸ ਅਤੇ ਸੁਧਾਰ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਵਾਲਾ ਡੇਟਾ ਘਟ ਮਿਲਦਾ ਸੀ।
-- **ਕੀ ਅਸੀਂ ਸਹੀ ਸਵਾਲ ਪੁੱਛ ਰਹੇ ਹਾਂ?**. ਪੁੱਛੇ ਜਾ ਰਹੇ ਸਵਾਲਾਂ ਨੂੰ ਹੀ ਸਵਾਲ ਕਾਂ ਚੁੱਕਿਆ ਜਾਣ ਲੱਗਾ। ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਆਪਣੀ ਪਹੁੰਚ 'ਤੇ ਆਲੋਚਨਾ ਵਰਨਦਾ ਹੋਇਆ:
- - ਟਿuringਰ ਟੈਸਟਾਂ ਨੂੰ ਪ੍ਰਸ਼ਨ ਚਿੰਨ੍ਹਤ ਕਰਨ ਲਈ, 'ਚਾਇਨੀਜ਼ ਰੂਮ ਥਿਊਰੀ' ਵਰਗੀਆਂ ਵਿਚਾਰਾਂ ਰਾਹੀਂ ਕਿਹਾ ਗਿਆ ਕਿ, "ਡਿਜੀਟਲ ਕਮਪਿਊਟਰ ਨੂੰ ਪ੍ਰਭਾਸ਼ ਕਰਵਾਉਣਾ ਕਿ ਉਹ ਭਾਸ਼ਾ ਸਮਝਦਾ ਹੈ ਪਰ ਸੱਚੀ ਸਮਝ ਨਹੀਂ ਦੇ ਸਕਦਾ।" ([ਸਰੋਤ](https://plato.stanford.edu/entries/chinese-room/))
- - ਸਮਾਜ ਵਿੱਚ "ਥੇਰਾਪਿਸਟ" ELIZA ਵਰਗੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਆਚਰਨਿਕਤਾ 'ਤੇ ਚੁਣੌਤੀ ਆਈ।
+- **ਸੀਮਾਵਾਂ**. ਕੰਪਿਊਟ ਪਾਵਰ ਬਹੁਤ ਸੀਮਿਤ ਸੀ।
+- **ਕੰਬੀਨੇਟੋਰੀਅਲ ਇੱਕਸਪਲੋਜ਼ਨ**. ਜਿਨ੍ਹਾਂ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਟਰੇਨ ਕਰਨ ਦੀ ਲੋੜ ਸੀ ਉਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਧ ਗਿਆ ਸੀ ਜਦੋਂ ਕੰਪਿਊਟਰਾਂ ਤੋਂ ਹੋਰ ਮੰਗ ਕੀਤੀ ਗਈ, ਬਿਨਾਂ ਕੰਪਿਊਟ ਪਾਵਰ ਅਤੇ ਯੋਗਤਾ ਦੇ ਸਮਕਾਲੀ ਵਿਕਾਸ ਦੇ।
+- **ਡੇਟਾ ਦੀ ਘਾਟ**. ਡੇਟਾ ਦੀ ਘਾਟ ਨਾਲ ਅਲਗੋਰਿਦਮਾਂ ਦੇ ਟੈਸਟ ਕਰਨ, ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਸੁਧਾਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਰੁਕੀ।
+- **ਕੀ ਅਸੀਂ ਸਹੀ ਸਵਾਲ ਕਰ ਰਹੇ ਹਾਂ?**. ਸੁਆਲਾਂ ਨੂੰ ਵੀ ਚੈਲੰਜ ਕੀਤਾ ਜਾਣ ਲੱਗਾ। ਖੋਜਕਾਰਾਂ ਨੂੰ ਆਪਣੇ ਤਰੀਕਿਆਂ ਬਾਰੇ ਆਲੋਚਨਾ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ:
+ - ਟਿਊਰਿੰਗ ਟੈਸਟਾਂ ਨੂੰ 'ਚਾਈਨੀਜ਼ ਰੂਮ ਥਿਊਰੀ' ਵਰਗੀਆਂ ਧਾਰਨਾਵਾਂ ਰਾਹੀਂ ਚੁਣੌਤੀ ਦਿੱਤੀ ਗਈ, ਜਿਸ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਕਿ "ਡਿਜੀਟਲ ਕੰਪਿਊਟਰ ਦੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ ਦੀ ਭਾਵਨਾ ਦੇ ਸਕਦੀ ਹੈ ਪਰ ਅਸਲ ਸਮਝ ਨਹੀਂ ਪੈਦਾ ਕਰ ਸਕਦੀ।" (ਸਰੋਤ: [source](https://plato.stanford.edu/entries/chinese-room/))
+ - "ਥੈਰੇਪਿਸਟ" ਐਲਿਜਾ ਵਰਗੇ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀਆਂ ਨੂੰ ਸਮਾਜ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਨੈਤਿਕਤਾ 'ਤੇ ਚਰਚਾ ਹੋਈ।
---
-ਇਸ ਦੇ ਨਾਲ, ਵੱਖ-ਵੱਖ AI ਵਿਚਾਰਧਾਰਾਵਾਂ ਬਣਣ ਲੱਗੀਆਂ। ਇੱਕ ਦੋਹਾਂ 'ਸਕ੍ਰਫੀ' ਅਤੇ 'ਨੀਟ AI' ਅਭਿਆਸਾਂ ਵਿੱਚ ਵੰਡ ਬਣੀ। _ਸਕ੍ਰਫੀ_ ਲੈਬਰਟਰੀਆਂ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਘੰਟਿਆਂ ਤਕ ਟਵੀਕ ਕਰਦੀਆਂ ਰਹਿੰਦੀਆਂ ਤੱਕ ਕਿ ਚਾਹਵਾਂ ਨਤੀਜੇ ਮਿਲ ਜਾਣ। _ਨੀਟ_ ਲੈਬਰਟਰੀਆਂ ਨੇ "ਲਾਜਿਕ ਅਤੇ ਸੰਰਚਨਾਤਮਕ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ।" ELIZA ਅਤੇ SHRDLU ਭਲਕੇ _ਸਕ੍ਰਫੀ_ ਪ੍ਰਣਾਲੀਆਂ ਸਨ। 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਜਦੋਂ ML ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਯੋਗ ਬਣਾਉਣ ਦੀ ਲੋੜ ਵਧੀ, _ਨੀਟ_ ਤਰੀਕਾ ਅੱਗੇ ਆਇਆ ਕਿਉਂਕਿ ਇਸਦੇ ਨਤੀਜੇ ਵਧੀਆ ਵਿਆਖਿਆਯੋਗ ਹੁੰਦੇ ਸਨ।
+ਉਸੇ ਸਮੇਂ, ਵੱਖ-ਵੱਖ ਏਆਈ ਵਿਚਾਰਧਾਰਾਵਾਂ ਅਗਾਂਹ ਆਈਆਂ। ["ਸਕ੍ਰਫੀ" ਬਨਾਮ "ਨੀਟ ਏਆਈ"](https://wikipedia.org/wiki/Neats_and_scruffies) ਵਿਚਕਾਰ ਅੰਤਰ ਬਣਿਆ। _ਸਕ੍ਰਫੀ_ ਲੈਬਾਂ ਨੇ ਘੰਟਿਆਂ ਤੱਕ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਸੁਧਾਰਿਆ ਜਦ ਤੱਕ ਚਾਹੁਣੇ ਨਤੀਜੇ ਨਹੀਂ ਮਿਲਦੇ। _ਨੀਟ_ ਲੈਬਾਂ ਨੇ "ਤਰਕ ਅਤੇ ਆਧਾਰਿਕ ਸਮੱਸਿਆ ਸਮਾਧਾਨ" 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਐਲਿਜਾ ਅਤੇ SHRDLU ਪ੍ਰਸਿੱਧ _ਸਕ੍ਰਫੀ_ ਸਿਸਟਮ ਸਨ। 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ, ਜਦੋਂ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਸਿਸਟਮਾਂ ਨੂੰ ਦੁਹਰਾਯੋਗ ਬਣਾਉਣ ਦੀ ਮੰਗ ਵਧੀ, ਤਾਂ _ਨੀਟ_ ਦਰਸ਼ਨ ਨੇ ਧੀਰੇ-ਧੀਰੇ ਅਗਵਾਈ ਕੀਤੀ ਕਿਉਂਕਿ ਇਸਦੇ ਨਤੀਜੇ ਵਧੇਰੇ ਸਮਝਣਯੋਗ ਸਨ।
---
-## 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਤਜਰਬੇਕਾਰ ਸਿਸਟਮ
+## 1980 ਦੇ ਦਹਾਕੇ ਦੇ ਨਿਪੁੰਨ ਸਿਸਟਮ
-ਖੇਤਰ ਦੇ ਵਧਦੇ ਨਾਲ, ਇਹ ਵਪਾਰ ਲਈ ਲਾਭਦਾਇਕ ਹੋਣ ਲਈ ਸਾਫ ਹੋ ਗਿਆ ਅਤੇ 1980 ਦੇ ਦਹਾਕੇ ਵਿੱਚ 'ਐਕਸਪੇਰਟ ਸਿਸਟਮ' ਦਾ ਪ੍ਰਚਲਨ ਵਧਿਆ। "ਐਕਸਪੇਰਟ ਸਿਸਟਮ ਸੱਚ-ਮੁੱਚ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਸਾਫਟਵੇਅਰ ਦੇ ਪਹਿਲੇ ਸਫਲ ਰੂਪਾਂ ਵਿੱਚੋਂ ਹਨ।" ([ਸਰੋਤ](https://wikipedia.org/wiki/Expert_system))
+ਖੇਤਰ ਦੇ ਵਧਣ ਨਾਲ, ਬਿਜ਼ਨਸ ਲਈ ਇਸਦੇ ਫਾਇਦੇ ਸਪਸ਼ਟ ਹੋਏ, ਅਤੇ 1980 ਦੇ ਦਹਾਕੇ 'ਚ 'ਨਿਪੁੰਨ ਸਿਸਟਮਾਂ' ਦਾ ਪ੍ਰਸਾਰ ਹੋਇਆ। "ਨਿਪੁੰਨ ਸਿਸਟਮ ਪਹਿਲੀਆਂ ਵਾਕਈ ਸਫਲ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (ਏਆਈ) ਸੌਫਟਵੇਅਰ ਫਾਰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਸਨ।" (ਸਰੋਤ: [source](https://wikipedia.org/wiki/Expert_system))
-ਇਹ ਪ੍ਰਕਾਰ ਦੀ ਪ੍ਰਣਾਲੀ ਅਸਲ ਵਿੱਚ _ਹਾਈਬ੍ਰਿਡ_ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਿੱਸਾ ਹਿੱਸਾ ਰੂਲ ਇੰਜਣ ਹੁੰਦਾ ਹੈ ਜੋ ਕਾਰੋਬਾਰੀ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਕ ਇਨਫਰੈਂਸ ਇੰਜਣ ਜੋ ਨਵੇਂ ਤੱਥ ਨਿਕਾਲਣ ਲਈ ਰੂਲ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
+ਇਹ ਕਿਸਮ ਦਾ ਸਿਸਟਮ ਹਾਈਬ੍ਰਿਡ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਨਿਯਮਾਂ ਦਾ ਇੰਜਣ ਬਿਜ਼ਨਸ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਅਨੁਮਾਨ ਇঞ্জਣ ਜੋ ਨਿਯਮ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਵੀਂ ਜਾਣਕਾਰੀ ਕੱਢਦਾ ਹੈ।
-ਇਸ ਦੌਰਾਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਉੱਤੇ ਧਿਆਨ ਵਧਿਆ।
+ਇਸ ਦੌਰਾਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ 'ਤੇ ਬਹੁਤ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ।
---
-## 1987 - 1993: AI ਵਿੱਚ ਠੰਢ
+## 1987 - 1993: ਏਆਈ 'ਚਿੱਲ'
-ਖਾਸ ਐਕਸਪੇਰਟ ਸਿਸਟਮ ਹਾਰਡਵੇਅਰ ਦੇ ਪ੍ਰਚਲਨ ਕਾਰਨ ਇਹ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਾਸ ਹੋ ਗਿਆ। ਨਿੱਜੀ ਕੰਪਿਊਟਰਾਂ ਦੇ ਉਭਾਰ ਨੇ ਵੀ ਇਹ ਵੱਡੀਆਂ, ਖਾਸ, ਕੇਂਦ੍ਰਿਤ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕੀਤਾ। ਕਮਪਿਊਟਿੰਗ ਦੀ ਲੋਕ-ਪ੍ਰਧਾਨਤਾ ਸ਼ੁਰੂ ਹੋਈ ਅਤੇ ਇਹ ਆਖ਼ਿਰਕਾਰ ਵੱਡੇ ਡੇਟਾ ਦੇ ਆਧੁਨਿਕ ਵਿਸ਼ਫੋਟ ਲਈ ਰਸਤਾ ਬਣਾਇਆ।
+ਵਿਸ਼ੇਸ਼ ਨਿਪੁੰਨ ਸਿਸਟਮਾਂ ਦੇ ਹਾਰਡਵੇਅਰ ਦਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ੇਸ਼ਕਰਨ ਹੋਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਰੀਜ਼ ਸੀ। ਪర్సਨਲ ਕੰਪਿਊਟਰਾਂ ਦੇ ਉੱਗਣ ਨੇ ਵੀ ਇਹਨਾਂ ਵੱਡੇ, ਵਿਸ਼ੇਸ਼, ਕੇਂਦਰੀਕृत ਸਿਸਟਮਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕੀਤਾ। ਕੰਪਿਊਟਿੰਗ ਦਾ ਸਰਬਜਨੀਕ ਬਣਾਉਣ ਦੀ ਸ਼ੁਰੂਆਤ ਹੋਈ, ਅਤੇ ਇਹ ਅਖੀਰਕਾਰ ਬਿਗ ਡੇਟਾ ਦੇ ਆਧੁਨਿਕ ਧਮਾਕੇ ਦਾ ਰਸਤਾ ਖੋਲ੍ਹਿਆ।
---
## 1993 - 2011
-ਇਸ ਯੁੱਗ ਵਿੱਚ ML ਅਤੇ AI ਨਵੇਂ ਯੁੱਗ ਵਿੱਚ ਦਾਖਲ ਹੋਏ ਜੋ ਡੇਟਾ ਅਤੇ ਕਮਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਦੀ ਘਾਟ ਕਾਰਨ ਪਹਿਲਾਂ ਬਨਦਿਸ਼ਾਂ ਪੈਦਾ ਹੋਈਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਰ ਸਕਦੇ ਸਨ। ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧੀ ਅਤੇ ਜਿਆਦਾ ਉਪਲਬਧ ਹੋਈ, ਖਾਸ ਕਰਕੇ 2007 ਕੋਲ ਸਮਾਰਟਫੋਨ ਦੇ ਆਵਿਰਭਾਵ ਨਾਲ। ਕਮਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਗੁਣਾ ਵਧੀ ਅਤੇ ਅਲਗੋਰਿਦਮ ਉਹਨਾਂ ਦੇ ਨਾਲ ਵਿਕਸਿਤ ਹੋਏ। ਖੇਤਰ ਨੇ ਆਪਣੀ ਪੱਕੜ ਪਾਈ ਜਦ ਪਿਛਲੇ ਅਜ਼ਾਦ ਦਿਵਸ ਸੱਚਮੁੱਚ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਪਰਿਵਰਤਿਤ ਹੋ ਗਏ।
+ਇਸ ਸਮੇਂ ਦੌਰਾਨ, ਐਮਐੱਲ ਅਤੇ ਏਆਈ ਨੂੰ ਕੁਝ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਰਨ ਲਈ ਨਵੇਂ ਮੌਕੇ ਮਿਲੇ ਜੋ ਪਹਿਲਾਂ ਡੇਟਾ ਅਤੇ ਕੰਪਿਊਟ ਪਾਵਰ ਦੀ ਘਾਟ ਕਾਰਨ ਆਈਆਂ ਸਨ। ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧੀ ਅਤੇ ਵਿਆਪਕ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹੋਣ ਲੱਗੀ, ਖ਼ਾਸ ਕਰਕੇ 2007 ਦੇ ਅਸਪਾਸ ਸਮਾਰਟਫੋਨ ਦੇ ਆਗਮਨ ਨਾਲ। ਕੰਪਿਊਟ ਪਾਵਰ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਅਤੇ ਅਲਗੋਰੀਦਮ ਵੀ ਵਿਕਸਤ ਹੋਏ। ਖੇਤਰ ਪੱਕਣ ਲੱਗਾ ਜਿਵੇਂ ਪਹਿਲਾਂ ਦੇ ਆਜ਼ਾਦ ਦਿਨ ਗੰਭੀਰ ਵਿਸ਼ੇਸ਼ਗਿਆਨ ਬਣਨ ਲੱਗੇ।
---
## ਹੁਣ
-ਅੱਜ ਮਸ਼ੀਨ ਲਰਣਿੰਗ ਅਤੇ AI ਸਾਡੀ ਜ਼ਿੰਦਗੀ ਦੇ ਲਗਭਗ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਛੂਹਦੇ ਹਨ। ਇਹ ਯੁੱਗ ਇਹ ਤਰ੍ਹਾਂ ਦੇ ਅਲਗੋਰਿਦਮਾਂ ਦੇ ਖਤਰਿਆਂ ਅਤੇ ਸੰਭਾਵਤ ਪ੍ਰਭਾਵਾਂ ਦਾ ਧਿਆਨਪੂਰਵਕ ਸਹੀ ਸਮਝ ਮੰਗਦਾ ਹੈ। ਜਿਵੇਂ ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ ਬ੍ਰੈਡ ਸਮਿਥ ਨੇ ਕਿਹਾ, "ਸੂਚਨਾ ਟੈਕਨੋਲੋਜੀ ਉਹ ਮੁੱਦੇ ਉਠਾਉਂਦੀ ਹੈ ਜੋ ਮੁਲਭੂਤ ਮਨੁੱਖੀ ਅਧਿਕਾਰਾਂ ਦੀ ਸੁਰੱਖਿਆ ਨਾਲ ਸਬੰਧਤ ਹਨ ਜਿਵੇਂ ਕਿ ਨਿੱਜਤਾ ਅਤੇ ਅਭਿਵ્યਕਤੀ ਦੀ ਆਜ਼ਾਦੀ। ਇਹ ਮੁੱਦੇ ਉਹਨਾਂ ਟੈਕ ਕੰਪਨੀਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰੀ ਵਧਾਉਂਦੇ ਹਨ ਜੋ ਇਹ ਉਤਪਾਦ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਸਾਡੇ ਵਿਚਾਰ ਵਿੱਚ, ਇਹ ਸੋਚ-ਵਿਚਾਰ ਵਾਲੀ ਸਰਕਾਰੀ ਨਿਯਮਬੰਦੀ ਅਤੇ ਕਿਸੇ ਸਰਯੋਗ ਖਪਤਾਂ ਲਈ ਨਿਯਮਾਂ ਦੀ ਵਿਕਾਸ ਮੰਗਦਾ ਹੈ" ([ਸਰੋਤ](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
+ਅੱਜ ਮਸ਼ੀਨ ਲਰ੍ਹਨਿੰਗ ਅਤੇ ਏਆਈ ਲਗਭਗ ਸਾਡੀ ਜ਼ਿੰਦਗੀ ਦੇ ਹਰ ਪੱਖ ਨੂੰ ਛੂਹ ਰਹੇ ਹਨ। ਇਸ ਯੁੱਗ ਵਿੱਚ ਇਨ੍ਹਾਂ ਅਲਗੋਰੀਦਮਾਂ ਦੇ ਖਤਰੇ ਅਤੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਾਂ ਦੀ ਸਾਵਧਾਨੀ ਨਾਲ ਸਮਝ ਲੈਣੀ ਜ਼ਰੂਰੀ ਹੈ। ਜਿਵੇਂ ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ ਬਰੈਡ ਸਮਿੱਥ ਨੇ ਕਿਹਾ ਹੈ, "ਸੂਚਨਾ ਤਕਨਾਲੋਜੀ ਉਹ ਮੁੱਦੇ ਲਿਆਉਂਦੀ ਹੈ ਜੋ ਮੂਲ ਮਨੁੱਖੀ ਹੱਕਾਂ ਦੀ ਸੁਰੱਖਿਆ ਜਿਵੇਂ ਪਰਦੇਦਾਰੀ ਅਤੇ ਅਭੀਵਿਆਕਤੀ ਦੀ ਆਜ਼ਾਦੀ ਨਾਲ ਜੁੜੇ ਹਨ। ਇਹ ਮੁੱਦੇ ਉਹਨਾਂ ਟੈਕ ਕੰਪਨੀਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰੀ ਵਧਾਉਂਦੇ ਹਨ ਜੋ ਇਹ ਉਤਪਾਦ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਸਾਡੇ ਵਿਚਾਰ ਵਿੱਚ, ਇਹ ਸੋਚੀ ਸਮਝੀ ਸਰਕਾਰੀ ਨਿਯਮ ਬਣਾਉਣ ਅਤੇ ਮਨਜੂਰ ਉਪਯੋਗਾਂ ਦੇ ਆਸ-ਪਾਸ ਦੇ ਨਿਯਮਾਂ ਦੀ ਵਿਕਾਸ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ।" (ਸਰੋਤ: [source](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))
---
-ਇਹ ਵੇਖਣਾ ਬਾਕੀ ਹੈ ਕਿ ਭਵਿੱਖ ਕੀ ਲੈ ਕੇ ਆਵੇਗਾ, ਪਰ ਇਹ ਜਰੂਰੀ ਹੈ ਕਿ ਅਸੀਂ ਇਹਨਾਂ ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਅਤੇ ਉਹਨਾਂ ਉੱਤੇ ਚੱਲਣ ਵਾਲੇ ਸਾਫਟਵੇਅਰ ਅਤੇ ਅਲਗੋਰਿਦਮਾਂ ਨੂੰ ਸਮਝੀਏ। ਅਸੀਂ ਆਸ ਕਰਦੇ ਹਾਂ ਕਿ ਇਹ ਪਾਠਕ੍ਰਮ ਤੁਹਾਨੂੰ ਵਧੀਆ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰੇ ਤਾਂ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਲਈ ਫੈਸਲਾ ਕਰ ਸਕੋ।
+ਭਵਿੱਖ কী ਲੈ ਕੇ ਸਾਹਮਣਾ ਕਰੇਗਾ ਇਹ ਵੇਖਣਾ ਬਾਕੀ ਹੈ, ਪਰ ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇਹ ਕੰਪਿਊਟਰ ਸਿਸਟਮ ਅਤੇ ਉਹ ਸਾਫਟਵੇਅਰ ਅਤੇ ਅਲਗੋਰੀਦਮ ਜੋ ਇਹ ਚਲਾਉਂਦੇ ਹਨ, ਕੀ ਹਨ। ਅਸੀਂ ਆਸ ਕਰਦੇ ਹਾਂ ਕਿ ਇਹ ਕੋਰਸ ਤੁਹਾਨੂੰ ਬਿਹਤਰ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰੇਗਾ ਤਾਂ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਲਈ ਫੈਸਲਾ ਕਰ ਸਕੋ।
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "ਡੀਪ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ")
-> 🎥 ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ ਕਲਿੱਕ ਕਰ ਕੇ ਵੀਡੀਓ: ਯਾਨ ਲੇਕਨ ਇਸ ਲੇਕਚਰ ਵਿੱਚ ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਇਤਿਹਾਸ ਦੀ ਚਰਚਾ ਕਰਦੇ ਹਨ
+> 🎥 ਇਸ ਲੈਕਚਰ ਵਿੱਚ ਯਾਨ ਲੇਕੁਨ ਡੀਪ ਲਰਨਿੰਗ ਦੇ ਇਤਿਹਾਸ 'ਤੇ ਗੱਲ ਕਰਦੇ ਹਨ, ਵੀਡੀਓ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
---
-## 🚀ਚੁਣੌਤੀ
+## 🚀ਚੈਲੈਂਜ
-ਇਨ੍ਹਾਂ ਇਤਿਹਾਸਕ ਪਲਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣ ਅਤੇ ਉਹਨਾਂ ਸ਼ਖਸੀਅਤਾਂ ਬਾਰੇ ਜ਼ਿਆਦਾ ਜਾਣੋ। ਇਥੇ ਦਿਲਚਸਪ ਵਿਅਕਤੀ ਹਨ, ਅਤੇ ਕੋਈ ਵੀ ਵਿਗਿਆਨਕ ਖੋਜ ਕਦੇ ਵੀ ਸਾਂਸਕ੍ਰਿਤਕ ਖਾਲੀ ਜਗ੍ਹਾ 'ਚ ਨਹੀਂ ਬਣੀ। ਤੁਸੀਂ ਕੀ ਖੋਜਦੇ ਹੋ?
+ਇਨ੍ਹਾਂ ਇਤਿਹਾਸਕ ਪਲਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ 'ਚ ਜ਼ੋਰ ਨਾਲ ਖੋਜ ਕਰੋ ਅਤੇ ਇਨ੍ਹਾਂ ਦੇ ਪਿੱਛੇ ਖੜੇ ਲੋਕਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣੋ। ਇੱਥੇ ਮਨੋਹਰ ਪਾਤਰ ਹਨ, ਅਤੇ ਕੋਈ ਵੀ ਵਿਗਿਆਨਕ ਖੋਜ ਕਦੇ ਵੀ ਕਿਸੇ ਸਾਂਸਕ੍ਰਿਤਿਕ ਖੋਲ੍ਹਵੀਂ (ਵੈਕੂਮ) ਵਿੱਚ ਨਹੀਂ ਬਣੀ। ਤੁਸੀਂ ਕੀ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ?
-## [ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕ੍ਵਿਜ](https://ff-quizzes.netlify.app/en/ml/)
---
-## ਸਮੀਖਿਆ ਅਤੇ ਸਵਯੰ ਅਧਿਆਨ
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈਅਧਿਐਨ
-ਇੱਥੇ ਕੁਝ ਚੀਜ਼ਾਂ ਹਨ ਜੋ ਤੁਸੀਂ ਦੇਖ ਅਤੇ ਸੁਣ ਸਕਦੇ ਹੋ:
+ਇਥੇ ਕੁਝ ਵੇਖਣ ਅਤੇ ਸੁਣਨ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ ਹਨ:
-[ਇਹ ਪਾਡਕਾਸਟ ਜਿਸ ਵਿੱਚ ਐਮੀ ਬੋਇਡ AI ਦੀ ਵਿਕਾਸ 'ਤੇ ਚਰਚਾ ਕਰਦੀ ਹੈ](http://runasradio.com/Shows/Show/739)
+[ਇਹ ਪੋਡਕਾਸਟ ਜਿੱਥੇ ਐਮੀ ਬੋਇਡ ਏਆਈ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਗੱਲ ਕਰਦੀ ਹੈ](http://runasradio.com/Shows/Show/739)
-[](https://www.youtube.com/watch?v=EJt3_bFYKss "ਐਮੀ ਬੋਇਡ ਵੱਲੋਂ AI ਦਾ ਇਤਿਹਾਸ")
+[](https://www.youtube.com/watch?v=EJt3_bFYKss "ਐਮੀ ਬੋਇਡ ਵੱਲੋਂ ਏਆਈ ਦਾ ਇਤਿਹਾਸ")
---
diff --git a/translations/pa/1-Introduction/3-fairness/README.md b/translations/pa/1-Introduction/3-fairness/README.md
index 7336d5a84..97579e6b4 100644
--- a/translations/pa/1-Introduction/3-fairness/README.md
+++ b/translations/pa/1-Introduction/3-fairness/README.md
@@ -1,163 +1,162 @@
-# ਜ਼ਿੰਮੇਵਾਰ AI ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਉਣਾ
+# ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਉਣਾ
-
-> ਸਕੈਚਨੋਟ ਲੇਖਕ [Tomomi Imura](https://www.twitter.com/girlie_mac)
+
+> ਸکیچਨੋਟ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://www.twitter.com/girlie_mac) ਵੱਲੋਂ
-## [ਪ੍ਰੀ-ਲੇਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਖੇਡ](https://ff-quizzes.netlify.app/en/ml/)
## ਪਰਿਚਯ
-ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ, ਤੁਸੀਂ ਪਤਾ ਲਗਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ 'ਤੇ ਕਿਵੇਂ ਅਤੇ ਕਿਦਾਂ ਪ੍ਰਭਾਵ ਪਾ ਰਹੀ ਹੈ। ਅਜੇ ਵੀ, ਸਿਸਟਮ ਅਤੇ ਮਾਡਲ ਦੈਨੀਕ ਫੈਸਲੇ ਲੈਣ ਵਾਲੇ ਕੰਮਾਂ 'ਚ ਸ਼ਾਮਿਲ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੰਭਾਲ ਦੀ ਨਿਧਾਨੀ, ਲੋਨ ਮਨਜ਼ੂਰੀ ਜਾਂ ਧੋਖਾਧੜੀ ਦੀ ਪਛਾਣ। ਇਸ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਵਧੀਆ ਕੰਮ ਕਰਨ ਤਾਂ ਜੋ ਨਤੀਜੇ ਭਰੋਸੇਯੋਗ ਹੋਣ। ਜਿਵੇਂ ਕਿਸੇ ਵੀ ਸਾਫਟਵੇਅਰ ਏਪਲੀਕੇਸ਼ਨ ਦੀ ਤਰ੍ਹਾਂ, AI ਸਿਸਟਮ ਉਮੀਦਾਂ 'ਤੇ ਖਰਾ ਨਹੀਂ ਉਤਰ ਸਕਦੇ ਜਾਂ ਨاپਸੰਦ ਨਤੀਜੇ ਦਿੰਦੇ ਹਨ। ਇਸ ਲਈ AI ਮਾਡਲ ਦੇ ਵਰਤਾਵ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ।
+ਇਸ ਸਿਲੇਬਸ ਵਿੱਚ, ਤੁਸੀਂ ਖੋਜਣਾ ਸ਼ੁਰੂ ਕਰੋਗੇ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ 'ਤੇ ਕਿਵੇਂ ਅਸਰ ਪਾ ਰਹੀ ਹੈ। ਹੁਣ ਵੀ, ਸਿਸਟਮ ਅਤੇ ਮਾਡਲ ਦਿਨ-ਪਰਦਿਨ ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਿਹਤ ਸੇਵਾ ਦੀ ਜਾਂਚਾਂ, ਕਰਜ਼ਿਆਂ ਦੀ ਮਨਜ਼ੂਰੀਆਂ ਜਾਂ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲੱਗਣਾ। ਇਸ ਲਈ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰ ਸਕਣ। ਕਿਸੇ ਵੀ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਵਾਂਗ, ਏਆਈ ਸਿਸਟਮ ਉਮੀਦਾਂ ਨੂੰ ਅਪਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ ਜਾਂ ਨਿਤੀਜੇ ਨਾਖ਼ੁਸ਼ਗਵਾਰ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਏਆਈ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰ ਸਕਣਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ।
-ਸੋਚੋ ਜਦੋਂ ਤੁਸੀਂ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਜੋ ਡੇਟਾ ਵਰਤ ਰਹੇ ਹੋ ਉਹ ਕੁਝਲੋੜੀਂਦੇ ਲੋਕਸੰਖਿਆਵਾਂ, ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਸਿਆਸੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਧਰਮ ਦਾ ਘਾਟ ਹੈ ਜਾਂ ਦਰੁਸਤ ਤੌਰ 'ਤੇ ਨੁਮਾਇੰਦਗੀ ਨਹੀਂ ਕਰਦਾ। ਜਦ ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਕਿਸੇ ਖਾਸ ਲੋਕਸੰਖਿਆਵਾਂ ਦੇ ਹੱਕ ਵਿੱਚ ਪਰਗਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ? ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਨਤੀਜਾ ਕੀ ਹੈ? ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦ ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਵਿਰੋਧੀ ਹੁੰਦਾ ਹੈ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦਾ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ? AI ਸਿਸਟਮ ਦੇ ਵਰਤਾਵ ਲਈ ਜਿੱਤੂ ਨੰਬਰ ਹੈ? ਇਹ ਕੁਝ ਪ੍ਰਸ਼ਨ ਹਨ ਜੋ ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਖੋਜਾਂਗੇ।
+ਸੋਚੋ ਕਿ ਕੀ ਹੋ ਸਕਦਾ ਹੈ ਜੇ ਤੁਹਾਡੇ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡਾਟਾ ਕੁਝ ਵੱਖ-ਵੱਖ ਸਮੂਹਾਂ ਦੇ ਡੇਮੋਗ੍ਰਾਫਿਕਜ਼, ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਰਾਜਨੀਤਕ ਰਾਏ, ਧਰਮ, ਜਾਂ ਬੇਅੰਤ ਸਮੂਹਾਂ ਨੂੰ ਜ਼ਿਆਦਾ ਦਰਸ਼ਾਉਂਦਾ ਹੈ ਜਾਂ ਘੱਟ ਦਰਸ਼ਾਉਂਦਾ ਹੈ। ਜੇ ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕਿਸੇ ਖਾਸ ਸਮੂਹ ਨੂੰ ਅਧਿਕਤਰ ਪਸੰਦ ਕਰਨ ਲਈ ਵਿਆਖਿਆ ਕੀਤਾ ਜਾਵੇ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਅਰਜ਼ੀ ਲਈ ਇਸ ਦਾ ਨਤੀਜਾ ਕੀ ਹੋਵੇਗਾ? ਇਸਦੇ ਨਾਲ-ਨਾਲ, ਜੇ ਮਾਡਲ ਦਾ ਨਤੀਜਾ ਨੁਕਸਾਨਦੇਹ ਹੋਵੇ ਅਤੇ ਲੋਕਾਂ ਲਈ ਖ਼ਤਰਨਾਕ ਹੋਵੇ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਏਆਈ ਸਿਸਟਮਾਂ ਦੇ ਵਿਹਾਰ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਕੌਣ ਹੈ? ਇਹ ਕੁਝ ਸਵਾਲ ਹਨ ਜੋ ਅਸੀਂ ਇਸ ਸਿਲੇਬਸ ਵਿੱਚ ਵੱਖਰੇ ਕਰਾਂਗੇ।
ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ:
-- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਨਿਆਂ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਨਿਆਂ ਨਾਲ ਜੁੜੇ ਨੁਕਸਾਨਾਂ ਦੀ ਜਾਗਰੂਕਤਾ ਵਧਾਓਗੇ।
-- ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਨਾਉਣ ਲਈ ਅਸਧਾਰਣ ਹਾਲਤਾਂ ਅਤੇ ਦੁਸਪ੍ਰਵਿਰਤੀਆਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਅਭਿਆਸ ਨਾਲ ਜਾਣੂ ਹੋਵੋਗੇ।
-- ਸ਼ਾਮਲ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਕਰਕੇ ਸਾਰੇ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾਉਣ ਦੀ ਲੋੜ ਨੂੰ ਸਮਝੋਗੇ।
-- ਡੇਟਾ ਅਤੇ ਲੋਕਾਂ ਦੀ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀ ਰੱਖਿਆ ਕਿੰਨੀ ਜਰੂਰੀ ਹੈ ਇਸ ਨੂੰ ਵੇਖੋਂਗੇ।
-- AI ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਕਾਂਚ ਦੀ ਡੱਬੀ (ਗਲਾਸ ਬਾਕਸ) ਪਹੁੰਚ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਸਮਝੋਂਗੇ।
-- AI ਸਿਸਟਮ ਵਿੱਚ ਭਰੋਸਾ ਬਣਾਉਣ ਲਈ ਲਾਗੂ ਜਾਣ ਦੀ ਜ਼ਰੂਰਤ ਦਾ ਧਿਆਨ ਰੱਖੋਗੇ।
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਦੀ ਮਹੱਤਤਾ ਅਤੇ ਇਨਸਾਫ਼ ਨਾਲ ਸਬੰਧਿਤ ਨੁਕਸਾਨ ਬਾਰੇ ਜਾਗਰੂਕਤਾ ਵਧਾਓਗੇ।
+- ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਅਸਧਾਰਣ ਹਾਲਾਤਾਂ ਅਤੇ ਅਜੀਬ ਪਰਸਥਿਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਪ੍ਰਥਾ ਨਾਲ ਜਾਣੂ ਹੋਵੋਗੇ।
+- ਸਮਝੋਂਗੇ ਕਿ ਸਭ ਨੂੰ ਸ਼ਾਮਿਲ ਕਰਨ ਵਾਲੇ ਸਿਸਟਮ ਬਣਾਉਣ ਨਾਲ ਕਿਵੇਂ ਸਾਰੀ ਲੋਕ ਤੇਜ਼ੀ ਨਾਲ ਤਾਕਤਵਰ ਹੁੰਦੇ ਹਨ।
+- ਡਾਟਾ ਅਤੇ ਲੋਕਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀ ਸੁਰੱਖਿਆ ਕਿਵੇਂ ਜਰੂਰੀ ਹੈ, ਇਸ ਬਾਰੇ ਜਾਣੂ ਹੋਵੋਗੇ।
+- ਏਆਈ ਮਾਡਲਾਂ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਗਲਾਸ ਬਾਕਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਮਹੱਤਤਾ ਵੇਖੋਂਗੇ।
+- ਏਹੋ-ਜਿਹੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਮਝਣ ਵਾਲੇ ਹੋਵੋਗੇ ਜੋ ਏਆਈ ਸਿਸਟਮਾਂ ਵਿੱਚ ਭਰੋਸਾ ਬਣਾਉਂਦੇ ਹਨ।
-## ਪੂਰਵ-ਸ਼ਰਤ
+## ਲਾਜ਼ਮੀ ਸ਼ੱਕਲਾਂ
-ਇੱਕ ਪੂਰਵ-ਸ਼ਰਤ ਵਜੋਂ, ਕਿਰਪਾ ਕਰਕੇ "ਜ਼ਿੰਮੇਵਾਰ AI ਸਿਧਾਂਤ" ਲਰਨ ਪਾਥ ਲਓ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੀ ਵੀਡੀਓ ਵੇਖੋ:
+ਲਾਜ਼ਮੀ ਸ਼ਰਤ ਦੇ ਤੌਰ ਤੇ, ਕਿਰਪਾ ਕਰਕੇ "Responsible AI Principles" ਲਰਨ ਪਾਥ ਲਵੋ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੀ ਵਿਡੀਓ ਵੇਖੋ:
-ਇਸ [ਲਰਨਿੰਗ ਪਾਥ](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) ਨੂੰ ਫੋਲੋ ਕਰਕੇ ਜ਼ਿੰਮੇਵਾਰ AI ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ
+ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਬਾਰੇ ਹੋਰ ਸਿੱਖਣ ਲਈ ਇਸ [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) ਨੂੰ ਫਾਲੋ ਕਰੋ
-[](https://youtu.be/dnC8-uUZXSc "Microsoft ਦੀ ਜ਼ਿੰਮੇਵਾਰ AI ਤਰੀਕਾ")
+[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
-> 🎥 ਉੱਪਰ ਦੀ ਚਿੱਤਰ ਤੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: Microsoft ਦੀ ਜ਼ਿੰਮੇਵਾਰ AI ਤਰੀਕਾ
+> 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਲਈ ਵਿਡੀਓ: Microsoft's Approach to Responsible AI
-## ਨਿਆਂ
+## ਇਨਸਾਫ਼
-AI ਸਿਸਟਮ ਸਭ ਨੂੰ ਨਿਆਂਪੂਰਕਵਾਂ ਵਤੀਕਾ ਨਾਲ ਤਕ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇੱਕੋ ਸਮੂਹ ਦੇ ਲੋਕਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਤੋਂ ਬਚਣਾ ਚਾਹੀਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜਦ AI ਸਿਸਟਮ ਮੈਡੀਕਲ ਇਲਾਜ, ਲੋਨ ਅਰਜ਼ੀਆਂ ਜਾਂ ਨੌਕਰੀ ਸਮੰਬੰਧੀ ਸਲਾਹ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਉਹ ਇੱਕੋ ਲੱਛਣਾਂ, ਵਿੱਤੀ ਹਾਲਾਤਾਂ ਜਾਂ ਪੇਸ਼ੇਵਰ ਯੋਗਤਾਵਾਂ ਵਾਲੇ ਹਰ ਕਿਸੇ ਲਈ ਇੱਕੋ ਜਿਹੇ ਸਿਫਾਰਸ਼ਾਂ ਕਰਨ। ਹਰ ਇਕ ਇਨਸਾਨ ਦੇ ਅੰਦਰ ਵਿਰਾਸਤ ਵਾਲੇ ਭੇਦਭਾਵ ਹੁੰਦੇ ਹਨ ਜੋ ਸਾਡੇ ਫੈਸਲਿਆਂ ਅਤੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਭੇਦਭਾਵ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿਸਟਮ ਟ੍ਰੇਨ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਵਿੱਚ ਵਿਖਾਈ ਦੇ ਸਕਦੇ ਹਨ। ਕਈ ਵਾਰ ਇਹ ਮਨਜ਼ੂਰੀ ਤੋਂ ਬਿਨਾਂ ਹੁੰਦਾ ਹੈ। ਜਾਣ-ਬੁਝ ਕੇ ਡੇਟਾ ਵਿੱਚ ਭੇਦਭਾਵ ਛੱਡਣੀ ਔਖਾ ਹੁੰਦਾ ਹੈ।
+ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਹਰ ਕਿਸੇ ਨਾਲ ਇਨਸਾਫ਼ ਨਾਲ ਪੇਸ਼ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇੱਕੋ ਜਿਹਾ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਤੋਂ ਬਚਣਾ ਚਾਹੀਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜਦੋਂ ਏਆਈ ਸਿਸਟਮ ਮੇਡੀਕਲ ਇਲਾਜ, ਕਰਜ਼ਾ ਅਰਜ਼ੀਆਂ ਜਾਂ ਨੌਕਰੀ ਲਈ ਸਲਾਹ ਦਿੰਦੇ ਹਨ, ਤਾਂ ਉਹ ਹਰ ਕਿਸੇ ਨੂੰ ਇੱਕੋ ਜਿਹੇ ਲੱਛਣਾਂ, ਆਰਥਿਕ ਹਾਲਾਤਾਂ ਜਾਂ ਪੇਸ਼ੇਵਰ ਯੋਗਤਾਵਾਂ ਵਾਲੇ ਲਈ ਸਮਾਨ ਸਿਫਾਰਸ਼ਾਂ ਦੇਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਸਾਡੇ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਮਨੁੱਖ ਵਾਰਸੇਵਾਲੇ ਧਰਮਾਂਸ਼/ਰੁਝਾਨ ਲੈ ਕੇ ਫੈਸਲੇ ਅਤੇ ਕਰਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਧਰਮਾਂਸ਼ਾ ਅਕਸਰ ਜਿਹੜੇ ਡਾਟਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿਸਟਮਾਂ ਨੂੰ ਸਿਖਾਉਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਵਿੱਚ ਵੀ ਸਮਾਈ ਹੋਈਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਪ੍ਰਭਾਵ ਕਈ ਵਾਰ ਬੇਇੰਤਜ਼ਾਲੀ ਫੈਲਾਏ ਜਾਂਦੇ ਹਨ। ਡਾਟਾ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਜਾਗਰੂਕ ਤੌਰ ਤੇ ਜਾਣਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।
-**“ਨਿਆਂਪੂਰਕਤਾ ਦੀ ਘਾਟ”** ਦੇ ਅਰਥ ਹਨ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਜਾਂ “ਨੁਕਸਾਨ” ਜਿਸ ਦਾ ਪ੍ਰਭਾਵ ਕੁਝ ਲੋਕਸੰਖਿਆਵਾਂ ਉਤੇ ਪੈਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਉਮਰ ਜਾਂ ਅਪੰਗਤਾ ਦੀ ਸਥਿਤੀ। ਮੁੱਖ ਨਿਆਂ ਨਾਲ ਜੁੜੇ ਨੁਕਸਾਨ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+**“ਅਨਇਨਸਾਫ਼ੀ”** ਉਸ ਸਮੂਹ ਲਈ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵਾਂ ਜਾਂ "ਨੁਕਸਾਨ", ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਲਿੰਗ, ਉਮਰ ਜਾਂ ਅਪਾਹਜਤਾ ਹਾਲਤ ਦੇ ਅਧਾਰ 'ਤੇ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਮੁੱਖ ਇਨਸਾਫ਼ ਨਾਲ ਸਬੰਧਿਤ ਨੁਕਸਾਨ ਕਲਾਸੀਫਾਈ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ:
-- **ਵੰਡ**: ਉਦਾਹਰਣ ਵਜੋਂ ਕਿਸੇ ਲਿੰਗ ਜਾਂ ਜਨਸੰਖਿਆਵਾਂ ਨੂੰ ਦੂਜੇ ਨਾਲੋਂ ਪਸੰਦ ਕਰਨਾ।
-- **ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ**: ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਖਾਸ ਹਾਲਤ ਲਈ ਡੇਟਾ ਸਿਖਾਉਂਦੇ ਹੋ ਪਰ ਹਕੀਕਤ ਕਾਫੀ ਜ਼ਿਆਦਾ ਕੁੰਝਣੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਹ ਖਰਾਬ ਕਾਰਗੁਜ਼ਾਰੀ ਵਾਲੀ ਸੇਵਾ ਦੇਵੇਗਾ। ਉਦਾਹਰਣ ਵਜੋਂ ਇੱਕ ਹੱਥ ਮੈਲੀ ਫੋਹਣ ਵਾਲਾ ਜਿਹੜਾ ਗੋਰੇ ਤੇ ਕਾਲੇ ਚਿੱਬੜ ਵਾਲੇ ਲੋਕਾਂ ਨੂੰ ਅੰਦਰ ਨਾ ਸੁੰਘ ਪਾਏ। [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
-- **ਧੋਖਾਧੜੀ**: ਕਿਸੇ ਚੀਜ਼ ਜਾਂ ਕਿਸੇ ਨੂੰ ਅਨਿਆਂਪੂਰਕ ਆਲੋਚਨਾ ਕਰਨੀ ਜਾਂ ਲੇਬਲ ਲਾਉਣਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਚਿੱਤਰ ਲੇਬਲਿੰਗ ਤਕਨੀਕ ਨੇ ਕਾਲੇ ਚਿੱਬੜ ਵਾਲੇ ਲੋਕਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਗੋਰਿਲਾ ਦੇ ਤੌਰ ਤੇ ਗਲਤ ਲੇਬਲ ਕੀਤਾ।
-- **ਅਧਿਕ ਜਾਂ ਘੱਟ ਪ੍ਰਤੀਨਿਧਿਤਾ**: ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਇੱਕ ਸਮੂਹ ਕਿਸੇ ਖਾਸ ਪੇਸ਼ੇ ਵਿੱਚ ਨਹੀਂ ਦੇਖਿਆ ਜਾਂਦਾ ਅਤੇ ਕੋਈ ਵੀ ਸੇਵਾ ਜਾਂ ਕੰਮ ਜੋ ਇਸ ਸਮੂਹ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ, ਉਹ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਰਹੀ ਹੈ।
-- **ਸਟੇਰੀਓਟਾਈਪਿੰਗ**: ਕਿਸੇ ਸਮੂਹ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਦਿੱਤੇ ਗਏ ਗੁਣਾਂ ਨਾਲ ਜੋੜਨਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਪ੍ਰਣਾਲੀ ਜਿਹੜਾ ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਤੁਰਕੀ ਭਾਸ਼ਾ ਵਿਚਕਾਰ ਅਕਸਰਲੜੀਆਂ ਨਾਲ ਲਿੰਗ ਨਾਲ ਸਬੰਧਿਤ ਵਿਚਾਰਾਂ ਦੀ ਵਜ੍ਹਾ ਨਾਲ ਗਲਤੀਆਂ ਕਰ ਸਕਦੀ ਹੈ।
+- **ਅਲੌਕੈਸ਼ਨ**, ਜੇ ਕਿਸੇ ਲਿੰਗ ਜਾਂ ਜਾਤੀ ਨੂੰ, ਉਦਾਹਰਣ ਵਜੋਂ, ਹੋਰ ਕਿਸੇ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਪ੍ਰਾਥਮਿਕਤਾ ਮਿਲਦੀ ਹੈ।
+- **ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ**। ਜੇ ਤੁਸੀਂ ਇੱਕ ਖਾਸ ਸਥਿਤੀ ਲਈ ਡਾਟਾ ਤਿਆਰ ਕਰਦੇ ਹੋ ਪਰ ਹਕੀਕਤ ਜ਼ਿਆਦਾ ਜਟਿਲ ਹੈ ਤਾਂ ਇਹ ਖਰਾਬ ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਸੇਵਾ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਹੱਥ ਧੋਣ ਵਾਲੇ ਸੋਪ ਡਿਸਪੈਂਸਰ ਨੂੰ ਲੋਕਾਂ ਦੀਆਂ ਕਾਲੀਆਂ ਤਵਚਾ ਵਾਲੀਆਂ ਨੂੰ ਮਹਿਸੂਸ ਕਰਨ ਵਿੱਚ ਸਮੱਸਿਆ ਆਈ. [ਸੰਬੰਧਿਤ](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
+- **ਨਿੰਦਨ**। ਕਿਸੇ ਚੀਜ਼ ਜਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਅਨਇਨਸਾਫ਼ੀ ਨਾਲ ਆਲੋਚਨਾ ਅਤੇ ਲੇਬਲਿੰਗ ਕਰਨਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਚਿੱਤਰ ਲੇਬਲਿੰਗ ਤਕਨਾਲੋਜੀ ਨੇ ਬਦਨਾਮ ਤੌਰ 'ਤੇ ਕਾਲੀ ਤਵਚਾ ਵਾਲੇ ਬੰਦੇ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਗੋਰਿਲਾ ਵਾਂਗ ਮਿਸਲੇਬਲ ਕੀਤਾ।
+- **ਵੱਧ ਜਾਂ ਘੱਟ ਪ੍ਰਤਿਨਿਧਿਤਵ**। ਇਹ ਧਾਰਣਾ ਹੈ ਕਿ ਕੋਈ ਖਾਸ ਸਮੂਹ ਕਿਸੇ ਪੇਸ਼ੇ ਵਿੱਚ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ, ਅਤੇ ਕੋਈ ਵੀ ਸੇਵਾ ਜਾਂ ਫੰਕਸ਼ਨ ਜੋ ਇਸ ਨੂੰ ਪ੍ਰਸਾਰਤ ਕਰਦਾ ਰਹਿੰਦਾ ਹੈ, ਉਹ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦਾ ਹੈ।
+- **ਸਟੇਰੀਓਟਾਇਪਿੰਗ**। ਕਿਸੇ ਦਿੱਤੇ ਸਮੂਹ ਨੂੰ ਪੁਰੀ ਤਰੀਕੇ ਨਾਲ ਪੁਰਵ-ਨਿਰਧਾਰਤ ਗੁਣਾਂ ਨਾਲ ਜੋੜਨਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਟਰਕੀ ਵਿੱਚ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਸਿਸਟਮ ਵਿੱਚ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਸ਼ਬਦਾਂ ਦੇ ਨਾਲ ਲਿੰਗ ਨਾਲ ਸਬੰਧਿਤ ਸਟਰਿਓਟਾਇਪਿਕ ਸੰਯੋਜਨਾਂ ਹਨ।
-
-> ਤੁਰਕੀ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ
+
+> ਤਰਕੀ ਵਿੱਚ ਅਨੁਵਾਦ
-
-> ਅੰਗਰੇਜ਼ੀ ਵਾਪਸ ਅਨੁਵਾਦ
+
+> ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਵਾਪਸ ਅਨੁਵਾਦ
-ਜਦ AI ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਅਤੇ ਟੈਸਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਸਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ AI ਨਿਆਂਪੂਰਕ ਹੈ ਅਤੇ ਪੱਖਪਾਤੀ ਜਾਂ ਵੱਖਰਾ ਦਿਲਚਸਪੀ ਵਾਲੇ ਫੈਸਲੇ ਨਹੀਂ ਲੈਂਦਾ, ਜਿਹੜੇ ਮਨੁੱਖਾਂ ਨੂੰ ਵੀ ਮਨਜ਼ੂਰ ਨਹੀਂ। AI ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਨਿਆਂ ਦੀ ਗਾਰੰਟੀ ਦੇਣਾ ਇੱਕ ਜਟਿਲ ਸਮਾਜ-ਤਕਨਾਲੋਜੀ ਦੀ ਚੁਣੌਤੀ ਹੈ।
+ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਟੈਸਟ ਕਰਦਿਆਂ, ਸਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਏਆਈ ਇਨਸਾਫ਼ ਵਾਲਾ ਹੈ ਅਤੇ ਇਹ ਬਹੁਜਨਤਾ ਵਾਲੇ ਜਾਂ ਭੇਦਭਾਵਪੂਰਨ ਫੈਸਲੇ ਨਹੀਂ ਲੈਂਦਾ, ਜੋ ਕਿ ਮਨੁੱਖਾਂ ਲਈ ਵੀ ਮਨਾਹੀ ਹੈ। ਏਆਈ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਗਰੰਟੀ ਕਰਨਾ ਇੱਕ ਜਟਿਲ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਚੁਣੌਤੀ ਹੈ।
### ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ
-ਭਰੋਸਾ ਬਣਾਉਣ ਲਈ, AI ਸਿਸਟਮ ਸਾਧਾਰਣ ਅਤੇ ਅਣਪੇਖੇ ਹਾਲਤਾਂ ਵਿੱਚ ਭਰੋਸੇਯੋਗ, ਸੁਰੱਖਿਅਤ ਅਤੇ ਲਗਾਤਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਇਹ ਜਾਣਨਾ ਜਰੂਰੀ ਹੈ ਕਿ AI ਸਿਸਟਮ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵਰਤੋਂ ਕਰਨਗੇ, ਖ਼ਾਸ ਕਰ ਕੇ ਜਦ ਉਹ ਅਸਾਧਾਰਣ ਪੜਦੇ ਹਨ। AI ਹੱਲ ਬਣਾਉਂਦੇ ਸਮੇਂ, ਇਹ ਬਹੁਤ ਜਰੂਰੀ ਹੈ ਕਿ ਸਾਰੇ ਸੰਭਾਵਿਤ ਹਾਲਾਤਾਂ ਦੀ ਸੰਭਾਲ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਜਿਸ ਨਾਲ AI ਹੋਰ ਸਵਾਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਸਵੈ-ਚਲਿਤ ਕਾਰ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਤਰਜੀਹ ਲੋਕਾਂ ਦੀ ਸੁਰੱਖਿਆ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਕਾਰ ਨੂੰ ਚਲਾਉਣ ਲਈ AI ਨੂੰ ਉਹ ਸਾਰੇ ਸੰਭਾਵਿਤ ਸਥਿਤੀਆਂ ਦਾ ਧਿਆਨ ਰੱਖਣਾ ਪੈਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਰਾਤ, ਤੂਫਾਨ, ਬਰਫ਼ਦਾਰ ਹਵਾ, ਬੱਚੇ ਸੜਕ ਪਾਰ ਕਰਦੇ ਹੋਏ, ਪਾਲਤੂ ਜਾਨਵਰ, ਸੜਕ ਦੀ ਮਰੰਮਤ ਆਦਿ। ਇੱਕ AI ਸਿਸਟਮ ਕਿਵੇਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਵਿਸ਼ਵਾਸਯੋਗ ਅਤੇ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਮੈਨੇਜ ਕਰਦਾ ਹੈ, ਇਹ ਸਿਫ਼ਤ ਦਾ ਪੱਧਰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਡੇਟਾ ਵਿਗਿਆਨੀ ਜਾਂ AI ਵਿਕਾਸਕਰਤਾ ਨੇ ਡਿਜ਼ਾਈਨ ਜਾਂ ਟੈਸਟ ਦੇ ਦੌਰਾਨ ਵਿਚਾਰ ਕੀਤੇ ਹਨ।
+ਭਰੋਸਾ ਬਣਾਉਣ ਲਈ, ਏਆਈ ਸਿਸਟਮ ਸਧਾਰਣ ਅਤੇ ਅਣਉਮੀਦ੍ਹੇ ਹਾਲਾਤਾਂ ਹੇਠ ਭਰੋਸੇਯੋਗ, ਸੁਰੱਖਿਅਤ ਅਤੇ ਲਗਾਤਾਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਇਹ ਜਾਣਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਏਆਈ ਸਿਸਟਮ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਵਿੱਚ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਉਹ ਆਊਟਲਾਇਰ ਹੋਣ, ਕਿਵੇਂ ਕੰਮ ਕਰੇਗਾ। ਏਆਈ ਹੱਲ ਬਣਾਉਂਦੇ ਸਮੇਂ ਤੁਹਾਡੇ ਕੋਲ ਇਹ ਜਾਣੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਏਆਈ ਹੱਲ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਨਾਲ ਨਿਚੇੜਾ ਕਰੇਗਾ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਸਵੈ-ਚਲਿਤ ਕਾਰ ਲਈ ਲੋਕਾਂ ਦੀ ਸੁਰੱਖਿਆ ਸਭ ਤੋਂ ਉੱਪਰ ਹੈ। ਇਸ ਲਈ, ਕਾਰ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਏਆਈ ਸਾਰੇ ਸੰਭਾਵਤ ਸਥਿਤੀਆਂ ਜਿਵੇਂ ਰਾਤ, ਤੂਫਾਨ, ਬਰਫ਼, ਸੜਕ ਦਾ ਕੰਮ, ਬੱਚੇ ਸੜਕ ਜਾ ਰਹੇ ਹਨ, ਜਾਂ ਪਾਲਤੂ ਜਾਨਵਰਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਏਆਈ ਸਿਸਟਮਾਂ ਦਾ ਇਸ ਤਰ੍ਹਾਂ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਨੂੰ ਸਮਭਾਲਣ ਦਾ ਤਰੀਕਾ ਡਾਟਾ ਵਿਗਿਆਨੀ ਜਾਂ ਏਆਈ ਵਿਕਾਸਕਾਰ ਦੀ ਸੋਚ ਅਤੇ ਡਿਜ਼ਾਈਨ ਜਾਂ ਟੈਸਟਿੰਗ ਦੌਰਾਨ ਕੀਤੀ ਯੋਜනා ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
-> [🎥 ਏਥੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
+> [🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
-### ਸ਼ਾਮਿਲਤਾ
+### ਸ਼ਾਮਿਲਕਰਨ
-AI ਸਿਸਟਮ ਇਸ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਈਨ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ ਕਿ ਸਾਰੇ ਲੋਕ ਸ਼ਾਮਿਲ ਹੋਣ ਅਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾਉਣ। ਜਦ AI ਸਿਸਟਮਾਂ ਦਾ ਡਿਜ਼ਾਈਨ ਅਤੇ ਅਮਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ AI ਵਿਕਾਸਕਰਤਾ ਉਨ੍ਹਾਂ ਅੜਚਣਾਂ ਦੀ ਪਹਚਾਣ ਕਰਦੇ ਹਨ ਅਤੇ ਹੱਲ ਕਰਦੇ ਹਨ ਜੋ ਬਿਨਾਂ ਇੱਛਤ ਲੋਕਾਂ ਨੂੰ ਬਾਹਰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਦੁਨੀਆ ਭਰ ਵਿੱਚ 1 ਬਿਲੀਅਨ ਲੋਕ ਅਪੰਗਤਾ ਵਾਲੇ ਹਨ। AI ਦੇ ਵਿਕਾਸ ਨਾਲ ਉਹ ਹਰ ਰੋਜ਼ ਦੇ ਜੀਵਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀ ਜਾਣਕਾਰੀ ਅਤੇ ਮੁਲਾਂਕਣਾਂ ਤੱਕ ਆਸਾਨੀ ਨਾਲ ਪਹੁੰਚ ਸਕਦੇ ਹਨ। ਅੜਚਣਾਂ ਦਾ ਹੱਲ ਕਰਕੇ, ਇਹ ਸਭ ਲਈ ਬਿਹਤਰ ਅਨੁਭਵ ਵਾਲੇ AI ਉਤਪਾਦ ਵਿਕਸਿਤ ਕਰਨ ਦੇ ਮੌਕੇ ਬਣਾਉਂਦਾ ਹੈ।
+ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਹਰ ਕਿਸੇ ਨੂੰ ਸ਼ਾਮਿਲ ਅਤੇ ਸਮਰਥਿਤ ਕਰ ਸਕਣ। ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਏਆਈ ਵਿਕਾਸਕਾਰਾਂ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਮੌਜੂਦ ਸੰਭਾਵਤ ਬਾਧਾਵਾਂ ਦੀ ਪਹਿਚਾਣ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਅਣਜਾਣਵਾਂ ਬਾਹਰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਦੁਨੀਆ ਵਿੱਚ 1 ਬਿਲੀਅਨ ਤਾਂਗੀਆਂ ਵਾਲੇ ਲੋਕ ਹਨ। ਏਆਈ ਦੀ ਉੱਪਰਤੀ ਨਾਲ, ਉਹ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਜਾਣਕਾਰੀਆਂ ਅਤੇ ਮੌਕਿਆਂ ਤੱਕ ਆਸਾਨੀ ਨਾਲ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਬਾਧਾਵਾਂ ਨੂੰ ਹਟਾਉਣ ਨਾਲ ਨਵੀਨਤਾ ਅਤੇ ਬਿਹਤਰ ਤਜ਼ਰਬੇ ਵਾਲੇ ਏਆਈ ਉਤਪਾਦ ਬਣਾਉਣ ਦੇ ਮੌਕੇ ਮਿਲਦੇ ਹਨ ਜੋ ਹਰ ਕਿਸੇ ਨੂੰ ਲਾਭਦਾਇਕ ਹੁੰਦੇ ਹਨ।
-> [🎥 ਏਥੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: AI ਵਿੱਚ ਸ਼ਾਮਿਲਤਾ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
+> [🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਸ਼ਾਮਿਲਕਰਨ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
-### ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ
+### ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ
-AI ਸਿਸਟਮ ਸੁਰੱਖਿਅਤ ਹੋਣ ਅਤੇ ਲੋਕਾਂ ਦੀ ਗੋਪਨੀਯਤਾ ਦਾ ਸਤਿਕਾਰ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ। ਲੋਕ ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਤੇ ਘੱਟ ਭਰੋਸਾ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਗੋਪਨੀਯਤਾ, ਜਾਣਕਾਰੀ, ਜਾਂ ਜਿੰਦਗੀ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਉਂਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਟਰੇਨ ਕਰਦੇ ਸਮੇਂ, ਅਸੀਂ ਵਧੀਆ ਨਤੀਜੇ ਲੈਣ ਲਈ ਡੇਟਾ ਦੀ ਭਰੋਸਾ ਕਰਦੇ ਹਾਂ। ਇਸ ਕਾਰਜ ਵਿੱਚ, ਡੇਟਾ ਦਾ ਮੂਲ ਅਤੇ ਇਮਾਨਦਾਰੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਕੀ ਡੇਟਾ ਯੂਜ਼ਰ ਨੇ ਦਿੱਤਾ ਸੀ ਜਾਂ ਸਭ ਲੋਕਾਂ ਲਈ ਉਪਲਬਧ ਸੀ? ਅਗਲੇ, ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋਏ, AI ਸਿਸਟਮਾਂ ਨੂੰ ਰਾਜ਼ਦਾਰ ਜਾਣਕਾਰੀ ਦੀ ਰੱਖਿਆ ਅਤੇ ਹਮਲਿਆਂ ਤੋਂ ਬਚਾਅ ਕਰਨ ਨੂੰ ਵਿਕਸਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਵਿਆਪਕ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਗੋਪਨੀਯਤਾ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਨਿੱਜੀ ਜਾਂ ਕਾਰੋਬਾਰੀ ਜਾਣਕਾਰੀ ਦੀ ਸੁਰੱਖਿਆ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਜਟਿਲ ਹੁੰਦੀ ਜਾ ਰਹੀ ਹੈ। AI ਲਈ ਗੋਪਨੀਯਤਾ ਅਤੇ ਡੇਟਾ ਸੁਰੱਖਿਆ ਮੁੱਦੇ ਖਾਸ ਧਿਆਨ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ AI ਸਿਸਟਮਾਂ ਲਈ ਅੰਦਾਜ਼ੇ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਲਈ ਅਸਲ ਅਤੇ ਜਾਣਕਾਰੀ ਵਾਲੇ ਬਣਾਉਂਦੇ ਹਨ।
+ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਲੋਕਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਆਦਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਲੋਕ ਉਹਨਾਂ ਸਿਸਟਮਾਂ 'ਤੇ ਘੱਟ ਭਰੋਸਾ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਾਈਵੇਸੀ, ਜਾਣਕਾਰੀ ਜਾਂ ਜ਼ਿੰਦਗੀ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਉਂਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਦਿਆਂ, ਅਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਡਾਟਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ। ਇਸ ਲਈ, ਡਾਟਾ ਦਾ ਮੂਲ ਅਤੇ ਇਸ ਦੀ ਅਖੰਡਤਾ ਵਿਚਾਰ ਕਰਨ ਲਾਜ਼ਮੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਕੀ ਡਾਟਾ ਯੂਜ਼ਰ ਵੱਲੋਂ ਦਿੱਤਾ ਗਿਆ ਸੀ ਜਾਂ ਇਹ ਲੋਕ-ਖੁਲ੍ਹਾ ਸੀ? ਫਿਰ, ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦਿਆਂ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਇਆ ਜਾਵੇ ਜੋ ਗੁਪਤ ਜਾਣਕਾਰੀ ਦੀ ਰੱਖਿਆ ਕਰ ਸਕਣ ਅਤੇ ਹਮਲਿਆਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰ ਸਕਣ। ਜਿਵੇਂ-जਿਵੇਂ ਏਆਈ ਵਧ ਰਿਹਾ ਹੈ, ਪ੍ਰਾਈਵੇਸੀ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਨਿੱਜੀ ਅਤੇ ਵਪਾਰਕ ਜਾਣਕਾਰੀ ਦੀ ਸੁਰੱਖਿਆ ਹੋਰ ਜ਼ਰੂਰੀ ਅਤੇ ਜਟਿਲ ਹੁੰਦੀ ਜਾ ਰਹੀ ਹੈ। ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਡਾਟਾ ਸੁਰੱਖਿਆ ਦੇ ਮੁੱਦੇ ਖ਼ਾਸ ਤੌਰ 'ਤੇ ਏਆਈ ਲਈ ਧਿਆਨ ਦੇਣ ਜੋਗੇ ਹਨ ਕਿਉਂਕਿ ਐਕਸੇਸ ਟੂ ਡਾਟਾ ਜ਼ਰੂਰੀ ਹੈ ਤਾਕਿ ਏਆਈ ਸਿਸਟਮ ਲੋਕਾਂ ਬਾਰੇ ਸਹੀ ਅਤੇ ਜਾਣੂ ਫੈਸਲੇ ਕਰ ਸਕਣ।
-> [🎥 ਏਥੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: AI ਵਿੱਚ ਸੁਰੱਖਿਆ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਸੁਰੱਖਿਆ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- ਇੰਡਸਟਰੀ ਵਜੋਂ ਅਸੀਂ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਕੀਤੀ ਹੈ, ਜਿਸਦਾ ਮੁੱਖ ਪ੍ਰੇਰਕ GDPR (ਸਧਾਰਨ ਡੇਟਾ ਸੁਰੱਖਿਆ ਨਿਯਮ) ਵਰਗੇ ਨਿਯਮ ਹਨ।
-- ਫਿਰ ਵੀ AI ਸਿਸਟਮਾਂ ਨਾਲ ਸਾਨੂੰ ਇੱਕ ਤਣਾਅ ਸਵੀਕਾਰਣਾ ਪੈਂਦਾ ਹੈ ਜੋ ਵੱਧ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਲੋੜ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦਰਮਿਆਨ ਹੈ।
-- ਜਿਵੇਂ ਇੰਟਰਨੈੱਟ ਨਾਲ ਕੰਪਿਊਟਰਾਂ ਦੇ ਜਨਮ ਦੇ ਸਮੇਂ, ਹੁਣ ਅਸੀਂ AI ਨਾਲ ਸਬੰਧਤ ਸੁਰੱਖਿਆ ਮੁੱਦਿਆਂ ਵਿੱਚ ਵੱਡੀ ਵਾਧਾ ਦੇਖ ਰਹੇ ਹਾਂ।
-- ਉਸੇ ਸਮੇਂ, ਅਸੀਂ AI ਨੂੰ ਸੁਰੱਖਿਆ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਵੀ ਵਰਤਦੇ ਦੇਖਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਆਧੁਨਿਕ ਵਾਇਰਸ ਸਕੈਨਰ ਆਜ ਕਈ AI ਹੀਯੂਰਿਸਟਿਕਸ ਨਾਲ ਚੱਲਦੇ ਹਨ।
-- ਸਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਪਵੇਗਾ ਕਿ ਸਾਡੀਆਂ ਡੇਟਾ ਸਾਇੰਸ prakiriyā'an ਨਵੀਨਤਮ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਅਮਲਾਂ ਨਾਲ ਸੁੰਦਰਤਾ ਨਾਲ ਮਿਲ ਰਹੀਆਂ ਹਨ।
+- ਇੱਕ ਉਦਯੋਗ ਵਜੋਂ ਅਸੀਂ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਵਿੱਚ ਖੂਬ ਤਰੱਕੀ ਕੀਤੀ ਹੈ, ਜੋ ਵਿਸ਼ੇਸ਼ ਢੰਗ ਨਾਲ GDPR (ਜਨਰਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਰੈਗੂਲੇਸ਼ਨ) ਵਰਗੇ ਨਿਯਮਾਂ ਨਾਲ ਚਲਾਈ ਗਈ ਹੈ।
+- ਫਿਰ ਵੀ, ਏਆਈ ਸਿਸਟਮਾਂ ਨਾਲ ਸਾਨੂੰ ਵਿਅਕਤੀਗਤ ਡਾਟੇ ਦੀ ਜ਼ਰੂਰਤ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ ਵਿਚਕਾਰ ਟਕਰਾਅ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਪੈਦਾ ਹੈ।
+- ਇੰਟਰਨੈੱਟ ਨਾਲ ਕਨੈਕਟਿਡ ਕੰਪਿਊਟਰਾਂ ਦੇ ਜਨਮ ਵਾਂਗ, ਅਸੀਂ ਵੀ ਏਆਈ ਨਾਲ ਸਬੰਧਿਤ ਖੂਬ ਸਾਰੀਆਂ ਸੁਰੱਖਿਆ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵਾਧਾ ਵੇਖ ਰਹੇ ਹਾਂ।
+- ਇੱਕੇ ਸਮੇਂ, ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਏਆਈ ਸੁਰੱਖਿਆ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜਿਆਦਾਤਰ ਆਧੁਨਿਕ ਐਂਟੀ-ਵਾਇਰਸ ਸਕੈਨਰ ਅੱਜ ਏਆਈ ਹਿਊਰਿਸਟਿਕਸ ਦੁਆਰਾ ਚਲਾਏ ਜਾਂਦੇ ਹਨ।
+- ਸਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਾਡੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤਾਜ਼ਾ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਸੁਰੱਖਿਆ ਅਭਿਆਸਾਂ ਨਾਲ ਸੁਸਾਜ਼ਿਅਤ ਹੋਣ।
### ਪਾਰਦਰਸ਼ਤਾ
-AI ਸਿਸਟਮ ਸਮਝਣ ਯੋਗ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਇੱਕ ਅਹਿਮ ਹਿੱਸਾ AI ਸਿਸਟਮਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਘਟਕਾਂ ਦੇ ਵਰਤਾਵ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਹੈ। AI ਬਾਰੇ ਸਮਝ ਵਧਾਉਣ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਹਿੱਸੇਦਾਰ ਸਮਝ ਲੈਣ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਸੰਭਾਵਿਤ ਕਾਰਗੁਜ਼ਾਰੀ ਸਮੱਸਿਆਵਾਂ, ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਚਿੰਤਾਵਾਂ, ਭੇਦਭਾਵ, ਬਾਹਰ ਕੱਢਣ ਵਾਲੀਆਂ ਪ੍ਰਥਾਵਾਂ ਜਾਂ ਅਣਇੱਛਿਤ ਨਤੀਜਿਆਂ ਦੀ ਪਹਚਾਣ ਕਰ ਸਕਣ। ਅਸੀਂ ਇਹ ਵੀ ਮੰਨਦੇ ਹਾਂ ਕਿ ਜੋ AI ਸਿਸਟਮ ਵਰਤਦੇ ਹਨ ਉਹ ਸੱਚੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਇਹ ਦੱਸਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਦੋਂ, ਕਿਉਂ ਅਤੇ ਕਿਵੇਂ ਉਹਨਾ ਨੂੰ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਕੀ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇ ਇੱਕ ਬੈਂਕ ਆਪਣੀਆਂ ਲੈਣਦਾਰੀ ਫੈਸਲਿਆਂ ਵਿੱਚ AI ਸਿਸਟਮ ਦੀ ਸਹਾਇਤਾ ਲੈਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਜਰੂਰੀ ਹੈ ਕਿ ਨਤੀਜਿਆਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਸਮਝਿਆ ਜਾਵੇ ਕਿ ਕਿਹੜਾ ਡੇਟਾ ਸਿਸਟਮ ਦੀ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਉਦਯੋਗ ਵਿੱਚ AI ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਨ ਲੱਗੀਆਂ ਹਨ, ਇਸ ਲਈ ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਇਹ ਸਮਝਾਉਣਾ ਪਵੇਗਾ ਕਿ ਕੀ AI ਸਿਸਟਮ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਖ਼ਾਸ ਕਰ ਕੇ ਜਦ ਕੋਈ ਅਣਚਾਹਾ ਨਤੀਜਾ ਨਿਕਲਦਾ ਹੈ।
+ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਸਮਝਣ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਇੱਕ ਜ਼ਰੂਰੀ ਹਿੱਸਾ ਏਆਈ ਸਿਸਟਮਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਹਿੱਸਿਆਂ ਦੇ ਵਿਹਾਰ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਹੈ। ਏਆਈ ਸਿਸਟਮਾਂ ਦੀ ਸਮਝ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਸਟੇਕਹੋਲਡਰ ਜਾਣ ਲੈਣ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਸੰਭਾਵਤ ਕਾਰਗੁਜ਼ਾਰੀ ਮਸਲਿਆਂ, ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰਾਈਵੇਸੀ ਚਿੰਤਾਵਾਂ, ਪੱਖਪਾਤ, ਬਾਹਰ ਰੱਖਣ ਵਾਲੇ ਅਮਲ ਜਾਂ ਅਣਚਾਹੀਆਂ ਨਤੀਆਂ ਦਾ ਪਤਾ ਲਾ ਸਕਣ। ਅਸੀਂ ਇਹ ਮੰਨਦੇ ਹਾਂ ਕਿ ਜੋ ਲੋਕ ਏਆਈ ਸਿਸਟਮਾਂ ਦਾ ਉਪਯੋਗ ਕਰਦੇ ਹਨ ਉਹ ਇਮਾਨਦਾਰ ਅਤੇ ਖੁਲ੍ਹੇ ਦਿਲ ਨਾਲ ਇਹ ਦੱਸਣਗੇ ਕਿ ਉਹ ਕਦੋਂ, ਕਿਉਂ ਅਤੇ ਕਿਵੇਂ ਇਹ ਲਾਗੂ ਕਰਦੇ ਹਨ। ਜਿਵੇਂ ਕਿ ਉਹ ਸਿਸਟਮਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇ ਕੋਈ ਬੈਂਕ ਆਪਣੇ ਗ੍ਰਾਹਕਾਂ ਦੇ ਕਰਜ਼ਾ ਫੈਸਲਿਆਂ ਲਈ ਏਆਈ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਸਮਝਿਆ ਜਾਵੇ ਕਿ ਕਿਹੜਾ ਡਾਟਾ ਸਿਸਟਮ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਸਰਕਾਰਾਂ ਉਦਯੋਗਾਂ ਵਿੱਚ ਏਆਈ ਨੂੰ ਨਿਯਮਿਤ ਕਰਨ ਲੱਗੀਆਂ ਹਨ, ਇਸ ਲਈ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਮਝਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਕੀ ਏਆਈ ਸਿਸਟਮ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਕੋਈ ਅਪ੍ਰਤੀਖਿਆਤ ਨਤੀਜਾ ਹੋਵੇ।
-> [🎥 ਏਥੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: AI ਵਿੱਚ ਪਾਰਦਰਸ਼ਤਾ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 ਇਸਤੇਮਾਲ ਦੀ ਵੀਡੀਓ: ਏਆਈ ਵਿੱਚ ਪਾਰਦਰਸ਼ਤਾ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- ਕਿਉਂਕਿ AI ਸਿਸਟਮ ਬਹੁਤ ਕੁੰਝਣੀ ਹੁੰਦੇ ਹਨ, ਇਹ ਸਮਝਣਾ ਅੌਖਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।
-- ਇਹ ਸਮਝ ਨਾ ਹੋਣ ਕਾਰਨ ਇਹ ਸਿਸਟਮ ਕਿਵੇਂ ਸਾਂਭੇ ਜਾਂ ਸੰਚਾਲਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ।
-- ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਇਸ ਸਮਝ ਨਾ ਹੋਣ ਕਾਰਨ ਇਸ ਸਿਸਟਮ ਨਾਲ ਕੀਤੇ ਨਤੀਜਿਆਂ 'ਤੇ ਆਧਾਰਿਤ ਫੈਸਲੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ।
+- ਕਿਉਂਕਿ ਏਆਈ ਸਿਸਟਮ ਕਾਫੀ ਜਟਿਲ ਹੁੰਦੇ ਹਨ, ਇਹ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ।
+- ਇਸ ਸਮਝਦਾਰੀ ਦੀ ਗੁੰਝਲਦਾਰਤਾ ਇਸ ਤਰੀਕੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਜਿਸ ਨਾਲ ਇਹ ਸਿਸਟਮ ਸੰਭਾਲੇ ਜਾਂਦੇ ਹਨ, ਚਲਾਏ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਦਸਤਾਵੇਜ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
+- ਇਹ ਸਮਝਦਾਰੀ ਦੀ ਘਾਟ ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਰੀਕੇ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੇ ਗਏ ਫੈਸਲੇ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ।
-### ਜਵਾਬਦੇਹੀ
+### ਜ਼ਿੰਮੇਵਾਰੀ
-ਜਿਹੜੇ ਲੋਕ AI ਸਿਸਟਮਾਂ ਦਾ ਡਿਜ਼ਾਈਨ ਤੇ ਤਾਇਨਾਤ ਕਰਦੇ ਹਨ ਉਹਨਾਂ ਨੂੰ ਇਹ ਜਵਾਬਦੇਹ ਹੋਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਉਹਨਾਂ ਦੇ ਸਿਸਟਮ ਕਿਵੇਂ ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ਜਵਾਬਦੇਹੀ ਦੀ ਲੋੜ ਖ਼ਾਸ ਕਰ ਕੇ ਸੈਂਸਿਟਿਵ ਉਪਯੋਗਤਮਕ ਤਕਨੀਕਾਂ ਲਈ ਬਹੁਤ ਮੁਹਤਵਪੂਰਨ ਹੈ ਜਿਵੇਂ ਕਿ ਚਿਹਰਾ ਪਛਾਣ। ਹਾਲ ਹੀ ਵਿੱਚ, ਚਿਹਰਾ ਪਛਾਣ ਤਕਨੀਕ ਲਈ ਮੰਗ ਵੱਧ ਰਹੀ ਹੈ, ਖ਼ਾਸ ਕਰ ਕੇ ਕਾਨੂੰਨੀ ਏਜੰਸੀਆਂ ਤੋਂ ਜੋ ਇਸ ਤਕਨੀਕ ਨੂੰ ਗੁੰਮਸੁਮ ਬੱਚਿਆਂ ਨੂੰ ਲਭਣ ਲਈ ਵਧੀਆ ਮੰਨਦੀਆਂ ਹਨ। ਪਰ ਇਹ ਤਕਨੀਕਾਂ ਸਰਕਾਰ ਵੱਲੋਂ ਆਪਣੇ ਨਾਗਰਿਕਾਂ ਦੀਆਂ ਮੂਲਭੂਤ ਆਜ਼ਾਦੀਆਂ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਕੇ ਵਰਤੀ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਵਿਅਕਤੀਆਂ ਦੀ ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ। ਇਸ ਲਈ, ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ ਸੰਗਠਨਾਂ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦਾ AI ਸਿਸਟਮ ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮਾਜ 'ਤੇ ਕਿਵੇਂ ਪ੍ਰਭਾਵ ਪਾਉਂਦਾ ਹੈ।
+ਜਿਹੜੇ ਲੋਕ ਏਆਈ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਅਤੇ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਆਪਣੀਆਂ ਸਿਸਟਮਾਂ ਦੇ ਵਿਹਾਰ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰੀ ਦੀ ਲੋੜ ਖਾਸ ਕਰਕੇ ਉਹਨਾਂ ਜਟਿਲ ਤਕਨੀਕਾਂ ਲਈ ਬਹੁਤ ਜਰੂਰੀ ਹੈ ਜਿਵੇਂ ਫੇਸ ਰਿਕਗਨੀਸ਼ਨ। ਹਾਲ ਹੀ ਵਿੱਚ, ਲਾ-ਇਨਫੋਰਸਮੈਂਟ ਸੰਸਥਾਵਾਂ ਵੱਲੋਂ ਫੇਸ ਰਿਕਗਨੀਸ਼ਨ ਤਕਨਾਲੋਜੀ ਲਈ ਮੰਗ ਵਧ ਰਹੀ ਹੈ, ਖ਼ਾਸ ਕਰਕੇ ਗੁੰਮਸ਼ੁਦਾ ਬੱਚਿਆਂ ਦੀ ਖੋਜ ਜਿਹੇ ਉਪਯੋਗਾਂ ਲਈ। ਪਰ ਇਹ ਤਕਨਾਲੋਜੀਆਂ ਇੱਕ ਸਰਕਾਰ ਵੱਲੋਂ ਆਪਣੇ ਨਾਗਰਿਕਾਂ ਦੀਆਂ ਮੂਲ ਸਵਤੰਤਰਤਾਵਾਂ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦੀਆਂ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਕਰਨਾ। ਇਸ ਲਈ, ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦਾ ਏਆਈ ਸਿਸਟਮ ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮਾਜ 'ਤੇ ਕੀ ਅਸਰ ਕਰਦਾ ਹੈ।
-[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
+[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
-> 🎥 ਉੱਪਰ ਦਿੱਤੀ ਚਿੱਤਰ ਤੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਵੀਡੀਓ ਲਈ: ਚਿਹਰਾ ਪਛਾਣ ਰਾਹੀਂ ਜਨਤਕ ਨਿਗਰਾਨੀ ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ
+> 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ ਤੋਂ ਵਿਡੀਓ ਲਈ ਕਲਿੱਕ ਕਰੋ: ਚਿਹਰਾ ਪਹਚਾਣ ਕੇ ਅਧਿਕ ਨਿਗਰਾਨੀ ਦੇ ਚੇਤਾਵਨੀ
-ਆਖਰੀ ਤੌਰ 'ਤੇ, ਸਾਡੇ ਜਮਾਨੇ ਲਈ ਸਭ ਤੋਂ ਵੱਡਾ ਸਵਾਲ ਇੱਕ ਹੈ, ਕਿਵੇਂ ਯਕੀਨੀ ਬਣਾਈਏ ਕਿ ਕੰਪਿਊਟਰ ਲੋਕਾਂ ਲਈ ਜਵਾਬਦੇਹ ਰਹਿਣਗੇ ਅਤੇ ਜੋ ਉਹਨਾਂ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਨ, ਉਹ ਹਰ ਕਿਸੇ ਲਈ ਜਵਾਬਦੇਹ ਰਹਿਣਗੇ।
+ਆਖਿਰ ਵਿੱਚ, ਸਾਡੀ ਪੀੜ੍ਹੀ ਲਈ ਸਭ ਤੋਂ ਵੱਡਾ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ ਸੁਨਿਸ਼ਚਿਤ ਕੀਤਾ ਜਾਵੇ ਕਿ ਕਪਿਊਟਰ ਲੋਕਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਰਹਿਣਗੇ ਅਤੇ ਜਿਹੜੇ ਲੋਕ ਕਪਿਊਟਰ ਬਣਾਉਂਦੇ ਹਨ ਉਹ ਬਾਕੀ ਸਭ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਰਹਿਣਗੇ।
-## ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ
+## ਪ੍ਰਭਾਵ ਅੰਕੜਾ
-ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਤੋ ਪਹਿਲਾਂ, ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਤਾਂ ਜੋ ਇਹ ਸਮਝਿਆ ਜਾਵੇ ਕਿ AI ਸਿਸਟਮ ਦਾ ਮਕਸਦ ਕੀ ਹੈ; ਇਸਦਾ ਇਛਿਤ ਉਪਯੋਗ ਕੀ ਹੈ; ਕਿੱਥੇ ਇਸਨੂੰ ਤਾਇਨਾਤ ਕੀਤਾ ਜਾਵੇਗਾ; ਅਤੇ ਕੌਣ ਇਸ ਸਿਸਟਮ ਨਾਲ ਸੰਪਰਕ ਕਰੇਗਾ। ਇਹ ਸੰਪਾਲਕਾਂ ਜਾਂ ਟੈਸਟ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ ਜੋ ਸਿਸਟਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਹ ਸੰਭਾਵਿਤ ਜੋਖਿਮ ਤੇ ਅਸਰਾਂ ਨੂੰ ਸਮਝ ਸਕਣ।
+ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਅੰਕੜਾ ਕਰਕੇ ਇਹ ਸਮਝਿਆ ਜਾਵੇ ਕਿ ਏਆਈ ਸਿਸਟਮ ਦਾ ਉਦੇਸ਼ ਕੀ ਹੈ; ਇਸ ਦੀ ਮੰਜੂਰ ਕੀਤੀ ਹੋਈ ਵਰਤੋਂ ਕੀ ਹੈ; ਕਿੱਥੇ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾਵੇਗਾ; ਅਤੇ ਕੌਣ ਇਸ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰੇਗਾ। ਇਹ ਉਹਨਾਂ ਰਿਵਿਊਅਰਾਂ ਜਾਂ ਟੈਸਟਿੰਗ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਮੱਦਦਗਾਰ ਹੈ ਜਿਹੜੇ ਸਿਸਟਮ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੇ ਹਨ ਕਿ ਸੰਭਾਵਤ ਖਤਰੇ ਅਤੇ ਉਮੀਦਵਾਰ ਨਤੀਜਿਆਂ ਨੂੰ ਸਮਝਣ ਵਾਸਤੇ ਕੀ-ਕੀ ਗੱਲਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਹੈ।
-ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਦੌਰਾਨ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਵਾਲੀਆਂ ਚੀਜ਼ਾਂ:
+ਪ੍ਰਭਾਵ ਅੰਕੜਾ ਕਰਦਿਆਂ ਧਿਆਨ ਦੇਣ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਆਂ ਹਨ:
-* **ਵਿਅਕਤੀਆਂ 'ਤੇ ਨਕਾਰਾਤਮਕ ਅਸਰ**। ਕਿਸੇ ਪਾਬੰਦੀ ਜਾਂ ਲੋੜਾਂ, ਅਣਸਮਰਥਿਤ ਉਪਯੋਗ ਜਾਂ ਕਿਸੇ ਵੀ ਜਾਣੀ-ਪਛਾਣੀ ਸੀਮਾਵਾਂ ਨੂੰ ਜਾਣਣਾ ਜਰੂਰੀ ਹੈ ਜੋ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਚ ਰੁਕਾਵਟ ਪਾ ਸਕਦੀਆਂ ਹਨ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾਵੇ ਕਿ ਸਿਸਟਮ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਵਰਤਿਆ ਨਾ ਜਾਵੇ ਜੋ ਲੋਕਾਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਵੇ।
-* **ਡੇਟਾ ਲੋੜਾਂ**। ਇਹ ਸਮਝਣਾ ਕਿ ਸਿਸਟਮ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਅਤੇ ਕਿੱਥੇ ਵਰਤੇਗਾ, ਸਮੀਖਿਅਕਾਂ ਲਈ ਵਧੀਆ ਹੁੰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹ ਕਿਸੇ ਵੀ ਡੇਟਾ ਦੀ ਲੋੜਾਂ ਜਾਂ ਪਾਬੰਦੀਆਂ (ਜਿਵੇਂ GDPR ਜਾਂ HIPAA ਨਿਯਮ) ਦਾ ਧਿਆਨ ਰੱਖ ਸਕਣ। ਇਸਦੇ ਨਾਲ-ਨਾਲ ਇਹ ਦੇਖਣੀ ਵੀ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਡੇਟਾ ਦਾ ਮੂਲ ਜਾਂ ਮਾਤਰਾ ਟਰੇਨਿੰਗ ਲਈ ਪਰਯਾਪਤ ਹੈ ਜਾਂ ਨਹੀਂ।
-* **ਪ੍ਰਭਾਵ ਦਾ ਸੰਖੇਪ**। ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਨਾਲ ਉੱਭਰ ਸਕਦੀਆਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ ਦੀ ਸੂਚੀ ਇਕੱਠੀ ਕਰੋ। ਪੂਰੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਜੀਵਨਚੱਕਰ ਵਿੱਚ, ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਪਛਾਣੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੂਰ ਕੀਤੀਆਂ ਜਾਂ ਹੱਲ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ ਜਾਂ ਨਹੀਂ।
-* **ਲਾਗੂ ਉਦਦੇਸ਼** ਛੇ ਮੁੱਖ ਸਿਧਾਂਤਾਂ ਲਈ। ਜਾਂਚੋ ਕਿ ਹਰ ਸਿਧਾਂਤ ਦੇ ਉਦੇਸ਼ ਪੂਰੇ ਹੋ ਰਹੇ ਹਨ ਜਾਂ ਕੋਈ ਖਾਚਾਂ ਹਨ।
+* **ਵਿਅਕਤੀਆਂ ਉੱਤੇ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ**। ਕਿਸੇ ਵੀ ਰੋਕਥਾਮ ਜਾਂ ਸ਼ਰਤ, ਅਣਮਦਦਦਾਰ ਵਰਤੋਂ ਜਾਂ ਕਿਸੇ ਜਾਣੇ ਹੋਏ ਸੀਮਾਵਾਂ ਬਾਰੇ ਜਾਣੂ ਹੋਣਾ ਜਰੂਰੀ ਹੈ ਜੋ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਹੋਵੇ ਕਿ ਸਿਸਟਮ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਵਰਤੇ ਨਾ ਜਾਵੇ ਜੋ ਵਿਅਕਤੀਆਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕੇ।
+* **ਡਾਟਾ ਲੋੜਾਂ**। ਇਹ ਸਮਝਣਾ ਕਿ ਸਿਸਟਮ ਕਿਵੇਂ ਅਤੇ ਕਿੱਥੇ ਡਾਟਾ ਵਰਤੇਗਾ, ਰਿਵਿਊਅਰਾਂ ਨੂੰ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਕਿਸੇ ਵੀ ਡਾਟਾ ਲੋੜਾਂ (ਜਿਵੇਂ GDPR ਜਾਂ HIPAA ਡਾਟਾ ਨਿਯਮ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ। ਇਸਦੇ ਨਾਲ-ਨਾਲ ਇਹ ਵੀ ਜਾਖ਼ਣਾ ਕੀ ਡਾਟੇ ਦਾ ਸਰੋਤ ਜਾਂ ਮਾਤਰਾ ਟ੍ਰੇਨਿੰਗ ਲਈ ਕਾਫ਼ੀ ਹੈ।
+* **ਪ੍ਰਭਾਵ ਦਾ ਸਾਰ**। ਐਸੇ ਨੁਕਸਾਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾ ਜੋ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਨਾਲ ਹੋ ਸਕਦੇ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦੌਰਾਨ ਸਿਧਾਂਤਾਂ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਰਹਿਣਾ।
+* **ਲਾਗੂ ਲਕੜੀ ਵਾਲੇ ਨੇੜੀਆਂ**। ਸੱਠੇ ਮੁੱਖ ਨੀਤੀਆਂ ਵਿਚੋਂ ਹਰ ਇੱਕ ਦੇ ਉਦੇਸ਼ਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਕੋਈ ਖਲਲ ਹੈ ਜਾਂ ਨਹੀਂ।
-## ਜ਼ਿੰਮੇਵਾਰ AI ਨਾਲ ਡਿਬੱਗਿੰਗ
+## ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨਾਲ ਡਿਬੱਗਿੰਗ
-ਜਿਵੇਂ ਕਿਸੇ ਸਾਫਟਵੇਅਰ ਏਪਲੀਕੇਸ਼ਨ ਦਾ ਡਿਬੱਗ ਕਰਨਾ, AI ਸਿਸਟਮ ਦਾ ਡਿਬੱਗ ਕਰਨਾ ਵੀ ਇਸਦੀ ਸਮੱਸਿਆ ਦੀ ਪਹਚਾਣ ਅਤੇ ਉਸਦਾ ਹੱਲ ਲੱਭਣ ਦੀ ਜਰੂਰੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਕਈ ਕਾਰਕ ਹਨ ਜੋ ਮਾਡਲ ਨੂੰ ਉਮੀਦਾਂ ਮੁਤਾਬਕ ਜਾਂ ਜ਼ਿੰਮੇਵਾਰ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰਨ ਦਿੰਦੇ। ਜ਼ਿਆਦਾਤਰ ਰਵਾਇਤੀ ਮਾਡਲ ਕਾਰਗੁਜ਼ਾਰੀ ਮੈਟਰਿਕਸ ਮਾਡਲ ਦੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਮਾਤਰਾਤਮਕ ਸੰਗ੍ਰਹਿਣ ਹਨ, ਜੋ ਕਿ ਜ਼ਿੰਮੇਵਾਰ AI ਸਿਧਾਂਤਾਂ ਦਾ ਉਲੰਘਣ ਕਿਵੇਂ ਹੁੰਦਾ ਹੈ, ਇਹ ਜਾਣਚ ਕਰਨ ਲਈ ਕਾਫੀ ਨਹੀਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਕਾਲੀ ਡੱਬੀ ਹੁੰਦੀ ਹੈ ਜੋ ਇਹ ਸਮਝਣਾ ਮੁਸ਼ਕਿਲ ਕਰ ਦਿੰਦੀ ਹੈ ਕਿ ਕਿਸ ਚੀਜ਼ ਨੇ ਇਸਦਾ ਨਤੀਜਾ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਜਾਂ ਜਦੋਂ ਗਲਤੀ ਹੁੰਦੀ ਹੈ ਤਦ ਉਸਦੀ ਵਿਆਖਿਆ ਦੇਣੀ ਜਰੂਰੀ ਹੈ। ਇਸ ਕੋਰਸ ਵਿੱਚ ਅੱਗੇ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਕਿਵੇਂ Responsible AI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ AI ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਡੈਸ਼ਬੋਰਡ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ AI ਡਿਵੈਲਪਰਾਂ ਲਈ ਇੱਕ ਸਮੱਗੜੀ ਟੂਲ ਹੈ ਜੋ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗਤਿਵਿਧੀਆਂ ਹੈ:
+ਕਿਸੇ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਤਰ੍ਹਾਂ, ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕਰਨਾ ਇੱਕ ਜਰੂਰੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਸਿਸਟਮ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ। ਕੁਝ ਐਸੇ ਕਾਰਕ ਹਨ ਜੋ ਮਾਡਲ ਦੇ ਉਮੀਦੁਆਂ ਅਨੁਸਾਰ ਨਾ ਚੱਲਣ ਜਾਂ ਜ਼ਿੰਮੇਵਾਰ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਨਾ ਕਰਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਜਿਆਦਾਤਰ ਰਵਾਇਤੀ ਮਾਡਲ ਕਾਰਗੁਜ਼ਾਰੀ ਮਾਪਦੇ ਹਨ ਜੋ ਮਾਡਲ ਦੀ ਕੁੱਲ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਗਿਣਤੀਕ ਰੂਪ ਹਨ, ਪਰ ਉਹ ਇਸ ਗੱਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਾਫੀ ਨਹੀਂ ਹਨ ਕਿ ਕਿਵੇਂ ਮਾਡਲ ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨੀਤੀਆਂ ਦਾ ਉਲੰਘਣ ਕਰਦਾ ਹੈ। ਵਧੇਰੇ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਇੱਕ ਕਾਲੀ ਧੁੰਧ ਹੈ ਜੋ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਦਾ ਨਤੀਜਾ ਕੀ ਚਲਾਉਂਦਾ ਹੈ ਜਾਂ ਜਦੋਂ ਇਹ ਗਲਤੀ ਕਰਦਾ ਹੈ ਤਾਂ ਵਿਆਖਿਆ ਦਿੱਤੀ ਜਾਵੇ। ਇਸ ਕੋਰਸ ਦੇ ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਕਿਵੇਂ ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਡੈਸ਼ਬੋਰਡ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਏਆਈ ਵਿਕਾਸਕਾਰਾਂ ਨੂੰ ਸਹਾਇਤਾ ਦੇਂਦਾ ਹੈ:
-* **ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ**: ਮਾਡਲ ਦੀ ਗਲਤੀ ਵੰਡ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਜੋ ਸਿਸਟਮ ਦੀ ਨਿਆਂਪੂਰਕਤਾ ਜਾਂ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।
-* **ਮਾਡਲ ਸੰਖੇਪ**: ਵੇਖੋ ਕਿ ਕਿਹੜੇ ਡੇਟਾ ਕੋਹੋਰਟਸ ਵਿੱਚ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਅੰਤਰ ਹਨ।
-* **ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ**: ਡੇਟਾ ਦੀ ਵੰਡ ਨੂੰ ਸਮਝਣ ਅਤੇ ਕਿਸੇ ਵੀ ਸੰਭਾਵਿਤ ਭੇਦਭਾਵ ਦੀ ਪਹਚਾਣ ਕਰਨ ਲਈ ਜੋ ਨਿਆਂ, ਸ਼ਾਮਿਲਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਮੁੱਦਿਆਂ ਵੱਲ ਲੈ ਕਰ ਜਾਂਦਾ ਹੈ।
-* **ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ**: ਸਮਝੋ ਕਿ ਮਾਡਲ ਦੀਆਂ ਭਵਿੱਖਵਾਣੀਆਂ ਨੂੰ ਕੀ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਦੇ ਵਰਤਾਵ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜੋ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।
+* **ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ**। ਮਾਡਲ ਦੀ ਗਲਤੀ ਦੇ ਫੈਲਾਅ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਜੋ ਸਿਸਟਮ ਦੀ ਇਨਸਾਫ਼ ਜਾਂ ਭਰੋਸੇਯੋਗਤਾ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੀ ਹੈ।
+* **ਮਾਡਲ ਓਵਰਵਿਊ**। ਡਾਟਾ ਕੋਹੋਰਟਾਂ ਵਿੱਚ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਅਸਮਾਨਤਾ ਕਿੱਥੇ ਹੈ ਇਹ ਖੋਜਣ ਲਈ।
+* **ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ**। ਡਾਟਾ ਦੇ ਵਿਤਰਨ ਨੂੰ ਸਮਝਣ ਅਤੇ ਕਿਸੇ ਸੰਭਾਵਤ ਪੱਖਪਾਤ ਨੂੰ ਪਛਾਣਨ ਲਈ ਜੋ ਇਨਸਾਫ਼, ਸ਼ਾਮਿਲਕਰਨ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਸਮੱਸਿਆਵਾਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ।
+* **ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ**। ਸਮਝਣ ਲਈ ਕਿ ਕੀ ਚੀਜ਼ ਮਾਡਲ ਦੀਆਂ ਪੇਸ਼ਗੀਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ, ਜੋ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ ਜਰੂਰੀ ਹੈ।
## 🚀 ਚੁਣੌਤੀ
-ਨੁਕਸਾਨ ਪੈਦਾ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਰੋਕਣ ਲਈ ਸਾਨੂੰ:
+ਨੁਕਸਾਨਾਂ ਦੇ ਪੈਦਾ ਹੋਣ ਨੂੰ ਰੋਕਣ ਲਈ, ਸਾਨੂੰ:
-- ਉਹਨਾਂ ਲੋਕਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਪਿਛੋਕੜਾਂ ਅਤੇ ਨਜ਼ਰੀਏ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਜੋ ਸਿਸਟਮ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਹਨ
-- ਸਮਾਜ ਦੀ ਵੱਖ-ਵੱਖਤਾ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਡੇਟਾਸੈੱਟਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ
-- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਜੀਵਨਚੱਕਰ ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰ AI ਦੇ ਖ਼ਿਲਾਫ ਗ਼ਲਤੀ ਜਾਂ ਪੱਖਪਾਤ ਤੜਫਣ ਅਤੇ ਸਹੀ ਕਰਨ ਦੇ ਬਿਹਤਰ ਤਰੀਕੇ ਵਿਕਸਤ ਕਰੋ
+- ਸਿਸਟਮਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਪੁੱਛ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
+- ਉਹ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਸਾਡੀ ਸਮਾਜ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਜੀਵਨਚੱਕਰ ਵਿੱਚ ਅਣਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਠੀਕ ਕਰਨ ਲਈ ਬਿਹਤਰ ਤਰੀਕੇ ਵਿਕਸਤ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ।
-ਅਸਲ ਜ਼ਿੰਦਗੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚੋ ਜਿੱਥੇ ਮਾਡਲ ਦੀ ਅਣਭਰੋਸਾ ਮਾਫ਼ ਹੋ ਰਹੀ ਹੈ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਵਰਤੋਂ ਵਿੱਚ। ਹੋਰ ਕੀ ਧਿਆਨ ਵਿੱਚ ਲੈਣਾ ਚਾਹੀਦਾ ਹੈ?
+ਅਸਲ ਜ਼ਿੰਦਗੀ ਦੇ ਮੌਕਿਆਂ ਬਾਰੇ ਸੋਚੋ ਜਿੱਥੇ ਮਾਡਲ ਦੀ ਅਣਭਰੋਸੇਯੋਗਤਾ ਮਾਡਲ-ਬਿਲਡਿੰਗ ਅਤੇ ਇਸਦੀ ਵਰਤੋਂ ਵਿੱਚ ਸਪਸ਼ਟ ਹੈ। ਹੋਰ ਕੀ ਗੱਲਾਂ ਵੀ ਧਿਆਨ ਵਿੱਚ ਲੈਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ?
-## [ਪੋਸਟ-ਲੇਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+## [ਪੋਸਟ-ਲੈਕਚਰ ਖੇਡ](https://ff-quizzes.netlify.app/en/ml/)
-## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
-
-ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਨਿਆਂ ਅਤੇ ਅਨਿਆਂ ਦੇ ਕੁਝ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਸਿੱਖੇ ਹਨ।
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਇਨਸਾਫ਼ ਅਤੇ ਅਨਇਨਸਾਫ਼ ਦੇ ਕੁਝ ਮੂਢ ਭਾਵਨਾ ਸਿੱਖੀ ਹੈ।
-ਇਸ ਵਰਕਸ਼ਾਪ ਨੂੰ ਦੇਖੋ ਤਾਂ ਜੋ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਜਾ ਸਕੋ:
+ਇਸ ਵਰਕਸ਼ਾਪ ਨੂੰ ਵੇਖੋ ਤਾਂ ਜੋ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਜਾਇਆ ਜਾ ਸਕੇ:
-- ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਦੀ ਖੋਜ ਵਿੱਚ: ਪ੍ਰਿੰਸੀਪਲ ਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣਾ ਬੈਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਾਮੇਕੀ ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ
+- ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਦੀ ਖੋਜ ਵਿੱਚ: ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣਾ ਬਿਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਮੇਕੀ ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ
-[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
+[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: ਜ਼ਿੰਮੇਵਾਰ AI ਬਣਾਉਣ ਲਈ ਇਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਫਰੇਮਵਰਕ")
-> 🎥 ਵੀਡੀਓ ਲਈ ਉੱਪਰ ਦਿੱਤੀ ਜਾ ਤਸਵੀਰ 'ਤੇ ਕਲਿਕ ਕਰੋ: ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਟੂਲਬਾਕਸ: ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਬਣਾਉਣ ਲਈ ਇੱਕ ਓਪਨ-ਸੋਰਸ ਫਰੇਮਵਰਕ ਬੈਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਾਮੇਕੀ, ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ
+> 🎥 ਵੀਡੀਓ ਲਈ ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ: RAI Toolbox: ਜ਼ਿੰਮੇਵਾਰ AI ਬਣਾਉਣ ਲਈ ਇਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਫਰੇਮਵਰਕ ਬੇਸਮੀਰਾ ਨੁਸ਼ੀ, ਮੇਹਰਨੂਸ਼ ਸਮੇਕੀ, ਅਤੇ ਅਮਿਤ ਸ਼ਰਮਾ ਵੱਲੋਂ
-ਇਸਦੇ ਅਲਾਵਾ, ਪੜ੍ਹੋ:
+ਇਨ੍ਹੇ ਵੀ ਪੜ੍ਹੋ:
-- ਮਾਈਕਰੋਸੋਫ਼ਟ ਦਾ RAI ਸਰੋਤ ਕੇਂਦਰ: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
+- ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ RAI ਸਰੋਤ ਕੇਂਦਰ: [ਜ਼ਿੰਮੇਵਾਰ AI ਸਰੋਤ – ਮਾਈਕ੍ਰੋਸਾਫਟ AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
-- ਮਾਈਕਰੋਸੋਫ਼ਟ ਦਾ FATE ਰਿਸਰਚ ਗਰੁੱਪ: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
+- ਮਾਈਕ੍ਰੋਸਾਫਟ ਦਾ FATE ਅਨੁਸੰਧਾਨ ਸੰਗਠਨ: [FATE: ਨਿਆਂ, ਜਵਾਬਦੇਹੀ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ AI ਵਿੱਚ ਨੈਤਿਕਤਾ - ਮਾਈਕ੍ਰੋਸਾਫਟ ਅਨੁਸੰਧਾਨ](https://www.microsoft.com/research/theme/fate/)
RAI ਟੂਲਬਾਕਸ:
-- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox)
+- [ਜ਼ਿੰਮੇਵਾਰ AI ਟੂਲਬਾਕਸ GitHub ਰਿਪੋਜ਼ਿਟਰੀ](https://github.com/microsoft/responsible-ai-toolbox)
-ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਉਪਕਰਨਾਂ ਬਾਰੇ ਪੜ੍ਹੋ ਜੋ ਨਿਆਂਸੰਗਤਾ ਨੂੰ ਯਕੀਨੀ ਬਨਾਉਂਦੇ ਹਨ:
+ਨਿਆਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਟੂਲਾਂ ਬਾਰੇ ਪੜ੍ਹੋ:
-- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
+- [Azure ਮਸ਼ੀਨ ਲਰਨਿੰਗ](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
## ਅਸਾਈਨਮੈਂਟ
-[RAI Toolbox ਦਾ ਅਨੁਸੰਧਾਨ ਕਰੋ](assignment.md)
+[RAI ਟੂਲਬਾਕਸ ਦੀ ਖੋਜ ਕਰੋ](assignment.md)
---
diff --git a/translations/pa/2-Regression/1-Tools/README.md b/translations/pa/2-Regression/1-Tools/README.md
index 822975c2a..053cbd05f 100644
--- a/translations/pa/2-Regression/1-Tools/README.md
+++ b/translations/pa/2-Regression/1-Tools/README.md
@@ -1,121 +1,121 @@
-# ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ
+# ਰੈਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ
-
+
-> ਸਕੈਚਨੋਟ ਲੇਖਕ [Tomomi Imura](https://www.twitter.com/girlie_mac)
+> ਸਕੈਚਨੋਟ ਲੇਖਕ [ਟੋਮੋਮੀ ਇਮੁਰਾ](https://www.twitter.com/girlie_mac)
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕ੍ਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+## [ਪਹਿਲੇ ਪਾਠ ਦਾ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
-> ### [ਇਹ ਲੈਸਨ R ਵਿੱਚ ਉਪਲਬਧ ਹੈ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
+> ### [ਇਹ ਪਾਠ R ਵਿੱਚ ਵੀ ਉਪਲੱਬਧ ਹੈ!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
-## ਪਰਿਚਯ
+## ਪਰੀਚਯ
-ਇਨ੍ਹਾਂ ਚਾਰ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਕਿਵੇਂ ਬਣਾਏ ਜਾਣ। ਅਸੀਂ ਜਲਦੀ ਹੀ ਇਹ ਸੰਝਾਓਂਗੇ ਕਿ ਇਹ ਕਿਉਂ ਵਰਤੀਦੇ ਹਨ। ਪਰ ਕੁਝ ਵੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸਹੀ ਟੂਲਜ਼ ਮੌਜੂਦ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸ਼ੁਰੂ ਕਰ ਸਕੋ!
+ਇਸ ਚਾਰ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਆਖ਼ਿਰਕਾਰ ਸਿੱਖੋਗੇ। ਅਸੀਂ ਹੁਣੇ ਇਹ ਵੀ ਚਰਚਾ ਕਰਾਂਗੇ ਕਿ ਇਹ ਕੀ ਕੰਮ ਆਉਂਦੇ ਹਨ। ਪਰ ਪਹਿਲਾਂ, ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਸਹੀ ਤਕਨੀਕੀ ਸੰਦ ਹਨ ਜਿਹੜੇ ਤੁਸੀਂ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਵਰਤੋਂ!
ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਕਿਵੇਂ:
-- ਆਪਣਾ ਕੰਪਿਊਟਰ ਸਥਾਨਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ ਸੰਰਚਿਤ ਕਰੋ।
-- Jupyter Notebooks ਨਾਲ ਕੰਮ ਕਰੋ।
-- Scikit-learn ਵਰਤੋਂ ਕਰੋ, ਜਿਸ ਵਿੱਚ ਇੰਸਟਾਲੇਸ਼ਨ ਵੀ ਸ਼ਾਮਲ ਹੈ।
-- ਇੱਕ ਪ੍ਰਯੋਗਸ਼ੀਲ ਕਸਰਤ ਨਾਲ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਪੜਚੋਲ ਕਰੋ।
+- ਆਪਣੇ ਕੰਪਿਊਟਰ ਨੂੰ ਸਥਾਨਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ ਤਿਆਰ ਕਰੋ।
+- Jupyter ਨੋਟਬੁੱਕਸ ਨਾਲ ਕੰਮ ਕਰੋ।
+- Scikit-learn ਵਰਤੋਂ ਕਰੋ, ਜਿਸ ਵਿੱਚ ਇੰਸਟਾਲੇਸ਼ਨ ਸ਼ਾਮਿਲ ਹੈ।
+- ਇੱਕ ਹੱਥ ਨਾਲ ਬਣਾਈ ਵਰਤੋਂ ਅਭਿਆਸ ਸਮੇਤ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਦੀ खोज ਕਰੋ।
-## ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਸੰਰਚਨਾਵਾਂ
+## ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਕনਫ਼ਿਗਰੇਸ਼ਨ
-[](https://youtu.be/-DfeD2k2Kj0 "ਨਵੀਂ ਸਿੱਖਿਆ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਆਪਣੇ ਟੂਲਜ਼ ਤਿਆਰ ਕਰੋ")
+[](https://youtu.be/-DfeD2k2Kj0 "ਨਵੀਂ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ - ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਆਪਣੇ ਉਪਕਰਨ ਤਿਆਰ ਕਰੋ")
-> 🎥 ML ਲਈ ਕੰਪਿਊਟਰ ਸੰਰਚਿਤ ਕਰਨ ਬਾਰੇ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+> 🎥 ਉੱਪਰ ਦੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਲਈ ਜੋ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ ਦੀ ਕੰਫ਼ਿਗਰੇਸ਼ਨ ਬਾਰੇ ਕੰਮ ਕਰਦਾ ਹੈ।
-1. **Python ਇੰਸਟਾਲ ਕਰੋ**। ਯਕੀਨੀ ਬਣਾਓ ਕਿ [Python](https://www.python.org/downloads/) ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਹੈ। ਤੁਸੀਂ ਬਹੁਤ ਸਾਰੇ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ Python ਵਰਤੋਂਗੇ। ਜ਼ਿਆਦਾਤਰ ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ Python ਇੰਸਟਾਲ ਹੁੰਦੀ ਹੈ। ਕੁਝ ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਸਹੂਲਤ ਦੇ ਲਈ ਉਪਲਬਧ [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ਵੀ ਹਨ।
+1. **Python ਇੰਸਟਾਲ ਕਰੋ**। ਯਕੀਨੀ ਬਣਾਓ ਕਿ [Python](https://www.python.org/downloads/) ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ ਹੈ। ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਲਈ Python ਵਰਤੋਂਗੇ। ਬਹੁਤ ਸਾਰੇ ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ Python ਇੰਸਟਾਲ ਹੁੰਦੀ ਹੈ। ਕੁਝ ਲਾਭਕਾਰੀ [Python ਕੋਡਿੰਗ ਪੈਕ](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ਵੀ ਉਪਲੱਬਧ ਹਨ ਜੋ ਕੁਝ ਯੂਜ਼ਰਾਂ ਲਈ ਸੈਟਅਪ ਆਸਾਨ ਕਰਦੇ ਹਨ।
- ਪਰ ਕੁਝ ਵਰਤੋਂ ਲਈ Python ਦੇ ਇੱਕ ਵਰਜਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦਕਿ ਦੂਜੇ ਲਈ ਵੱਖਰਾ ਵਰਜਨ। ਇਸ ਲਈ ਇੱਕ [ਵਰਚੁਅਲ ਇੰਵਾਇਰਨਮੈਂਟ](https://docs.python.org/3/library/venv.html) ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਫਾਇਦੇਮੰਦ ਹੁੰਦਾ ਹੈ।
+ ਹਾਲਾਂਕਿ ਕਈ ਵਾਰ Python ਦੇ ਕੁਝ ਵਰਜਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਕਰਕੇ [ਵਿਰਚੁਅਲ ਵਾਤਾਵਰਨ](https://docs.python.org/3/library/venv.html) ਵਿੱਚ ਕੰਮ ਕਰਨਾ ਬਹੁਤ ਫਾਇਦੇਮੰਦ ਹੈ।
-2. **Visual Studio Code ਇੰਸਟਾਲ ਕਰੋ**। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ Visual Studio Code ਇੰਸਟਾਲ ਹੈ। ਮੁੱਢਲਾ ਇੰਸਟਾਲੇਸ਼ਨ ਕਰਨ ਲਈ ਇਹਹ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ [Visual Studio Code ਇੰਸਟਾਲ ਕਰੋ](https://code.visualstudio.com/)। ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਸੀਂ Visual Studio Code ਵਿੱਚ Python ਵਰਤੋਂਗੇ, ਇਸ ਲਈ ਤੁਸੀਂ ਜਾ ਕੇ [Visual Studio Code ਦੀ ਸੰਰਚਨਾ](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) ਬਾਰੇ ਜਾਣ-ਪਛਾਣ ਕਰ ਸਕਦੇ ਹੋ।
+2. **Visual Studio Code ਇੰਸਟਾਲ ਕਰੋ**। ਆਪਣੀ ਮਸ਼ੀਨ 'ਤੇ Visual Studio Code ਇੰਸਟਾਲ ਕੀਤੀ ਹੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਇੰਸਟਾਲੇਸ਼ਨ ਲਈ ਇਹ [Visual Studio Code ਇੰਸਟਾਲ ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ਾਂ](https://code.visualstudio.com/) ਦਾ ਪਾਲਣ ਕਰੋ। ਇਸ ਕੋਰਸ ਵਿੱਚ ਤੁਸੀਂ Visual Studio Code ਵਿੱਚ Python ਵਰਤੋਂਗੇ, ਇਸ ਲਈ ਤੁਸੀਂ ਕਿਸ ਤਰ੍ਹਾਂ Visual Studio Code ਨੂੰ Python ਵਿਕਾਸ ਲਈ [ਸੈਟਅਪ](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) ਕਰਨਾ ਹੈ ਇਹ ਵੀ ਸਮਝ ਜਾ सकते ਹੋ।
- > ਇਸ [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ਦੇ ਜਮਾ ਕੀਤੇ ਸੰਗ੍ਰਹਿ ਦੁਆਰਾ Python ਨਾਲ ਪੱਕੀ ਪਹਿਚਾਣ ਬਣਾਓ।
+ > Python ਨਾਲ ਰੂਬਰੂ ਹੋਵੋ ਇਸ [Learn ਮਾਡਿਊਲ](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) ਦੇ ਨਾਲ ਕੰਮ ਕਰਕੇ
>
- > [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ਨਾਲ Python ਸੈਟਅਪ ਕਰੋ")
+ > [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ਨਾਲ Python ਸੈਟਅਪ")
>
- > 🎥 ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ VS Code ਵਿੱਚ Python ਵਰਤੋਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖੋ।
+ > 🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ Python ਨੂੰ VS ਕੋਡ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਇੱਕ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।
-3. **Scikit-learn ਇੰਸਟਾਲ ਕਰੋ**, [ਇਹਹ ਨਿਰਦੇਸ਼ਾਂ](https://scikit-learn.org/stable/install.html) ਦੀ ਪਾਲਣਾ ਕਰਕੇ। ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਯਕੀਨੀ ਬਣਾਣਾ ਹੈ ਕਿ ਤੁਸੀਂ Python 3 ਵਰਤ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਵਰਚੁਅਲ ਇੰਵਾਇਰਨਮੈਂਟ ਵਰਤਣਾ ਸਧਾਰਨ ਹੈ। ਜੇ ਤੁਸੀਂ M1 Mac 'ਤੇ ਇਹ ਲਾਇਬਰੇਰੀ ਇੰਸਟਾਲ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਉਪਰ ਦਿੱਤੇ ਲਿੰਕ ਤੇ ਖਾਸ ਨਿਰਦੇਸ਼ ਹਨ।
+3. **Scikit-learn ਇੰਸਟਾਲ ਕਰੋ**, [ਇਨ੍ਹਾਂ ਨਿਰਦੇਸ਼ਾਂ](https://scikit-learn.org/stable/install.html) ਨੂੰ ਫਾਲੋ ਕਰਕੇ। ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ Python 3 ਵਰਜਨ ਵਰਤ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਵਿਰਚੁਅਲ ਵਾਤਾਵਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਜੇ ਤੁਸੀਂ M1 Mac ਤੇ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੰਸਟਾਲ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਉੱਪਰ ਦਿੱਤੇ ਸਫ਼ੇ 'ਤੇ ਖ਼ਾਸ ਨਿਰਦੇਸ਼ ਹਨ।
-1. **Jupyter Notebook ਇੰਸਟਾਲ ਕਰੋ**। ਤੁਹਾਨੂੰ [Jupyter ਪੈਕੇਜ ਇੰਸਟਾਲ ਕਰਨਾ ਹੋਵੇਗਾ](https://pypi.org/project/jupyter/)।
+1. **Jupyter Notebook ਇੰਸਟਾਲ ਕਰੋ**। ਤੁਹਾਨੂੰ [Jupyter ਪੈਕੇਜ](https://pypi.org/project/jupyter/) ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ।
-## ਤੁਹਾਡਾ ML ਲੇਖਨ ਵਾਤਾਵਰਨ
+## ਤੁਹਾਡਾ ML ਲੇਖਣ ਵਾਤਾਵਰਨ
-ਤੁਸੀਂ ਆਪਣੇ Python ਕੋਡ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਨਾਉਣ ਲਈ **ਨੋਟਬੁੱਕ** ਵਰਤੋਂਗੇ। ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਫਾਈਲ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਲਈ ਆਮ ਸੰਦ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਫਾਇਲ ਸਫਿਕਸ ਜਾਂ ਐਕਸਟੈਨਸ਼ਨ `.ipynb` ਨਾਲ ਪਹਚਾਣਿਆ ਜਾਂਦਾ ਹੈ।
+ਤੁਸੀਂ ਆਪਣੇ Python ਕੋਡ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ **ਨੋਟਬੁੱਕਸ** ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ। ਇਹ ਫਾਇਲ ਕਿਸਮ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਲਈ ਇੱਕ ਆਮ ਸੰਦ ਹੈ ਅਤੇ ਇਹਨਾਂ ਦੀ ਪਛਾਣ `.ipynb` ਐਕਸਟੈਂਸ਼ਨ ਜਾਂ ਸਫਿਕਸ ਨਾਲ ਹੁੰਦੀ ਹੈ।
-ਨੋਟਬੁੱਕ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਾਤਾਵਰਨ ਹੈ ਜੋ ਵਿਕਾਸਕਾਰ ਨੂੰ ਕੋਡਿੰਗ ਕਰਨ ਅਤੇ ਕੋਡ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਟਿੱਪਣੀਆਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਲਿਖਣ ਦੀ ਆਜ਼ਾਦੀ ਦਿੰਦਾ ਹੈ, ਜੋ ਪ੍ਰਯੋਗ ਜਾਂ ਖੋਜ-ਮੁਖੀ ਪਰਿਯੋਜਨਾਵਾਂ ਲਈ ਬਹੁਤ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ।
+ਨੋਟਬੁੱਕ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਵਾਤਾਵਰਨ ਹੈ ਜੋ ਵਿਕਸਿਤਕਾਰ ਨੂੰ ਕੋਡ ਲਿਖਣ ਅਤੇ ਕੋਡ ਦੇ ਆਲੇ ਦੁਆਲੇ ਨੋਟਸ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਅਜ਼ਮਾਈਸ਼ੀ ਜਾਂ ਖੋਜ ਸਬੰਧੀ ਪ੍ਰਾਜੈਕਟਾਂ ਲਈ ਬਹੁਤ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ।
-[](https://youtu.be/7E-jC8FLA2E "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਵਾਂ ਸਿਖਣ ਵਾਲਿਆਂ ਲਈ - ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹੋਏ Jupyter Notebooks ਸੈੱਟ ਕਰੋ")
+[](https://youtu.be/7E-jC8FLA2E "ਨਵੀਂ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ Jupyter ਨੋਟਬੁੱਕਸ ਸੈਟਅਪ ਕਰਕੇ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋ")
-> 🎥 ਇਸ ਕਸਰਤ ਨੂੰ ਕਰਦਿਆਂ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+> 🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।
-### ਕਸਰਤ - ਨੋਟਬੁੱਕ ਨਾਲ ਕੰਮ ਕਰੋ
+### ਅਭਿਆਸ - ਨੋਟਬੁੱਕ ਨਾਲ ਕੰਮ ਕਰੋ
-ਇਸ ਫੋਲਡਰ ਵਿੱਚ ਤੁਹਾਨੂੰ ਫਾਈਲ _notebook.ipynb_ ਮਿਲੇਗੀ।
+ਇਸ ਫੋਲਡਰ ਵਿੱਚ ਤੁਹਾਨੂੰ _notebook.ipynb_ ਫਾਇਲ ਮਿਲੇਗੀ।
1. Visual Studio Code ਵਿੱਚ _notebook.ipynb_ ਖੋਲ੍ਹੋ।
- ਇੱਕ Jupyter ਸਰਵਰ Python 3+ ਨਾਲ ਚਾਲੂ ਹੋ ਜਾਵੇਗਾ। ਤੁਸੀਂ ਨੋਟਬੁੱਕ ਵਿੱਚ ਉਹ ਹਿੱਸੇ ਮਿਲਣਗੇ ਜਿਹੜੇ ਤੂੰਹਾਨੂੰ `ਚਲਾਉਣਾ` ਹੈ, ਜੋ ਕੋਡ ਦੇ ਟੁਕੜੇ ਹਨ। ਤੁਸੀਂ ਇੱਕ ਕੋਡ ਬਲਾਕ ਚਲਾ ਸਕਦੇ ਹੋ, ਪਲੇ ਬਟਨ ਵਰਗੇ ਆਈਕਾਨ ਤੇ ਕੱਲੀਕ ਕਰਕੇ।
+ ਇੱਕ Jupyter ਸਰਵਰ Python 3+ ਨਾਲ ਸ਼ੁਰੂ ਹੋਵੇਗਾ। ਤੁਸੀਂ ਨੋਟਬੁੱਕ ਦੇ ਉਹ ਹਿੱਸੇ ਲੱਭੋਗੇ ਜੋ `Run` ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਕოდის ਦੇ ਟੁਕੜੇ। ਤੁਸੀਂ ਕੋਡ ਬਲਾਕ ਨੂੰ ਚੱਲਾ ਸਕਦੇ ਹੋ, ਉਸ ਆਇਕਾਨ ਨੂੰ ਚੁਣ ਕੇ ਜੋ ਪਲੇ ਬਟਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ।
-1. `md` ਆਈਕਾਨ ਚੁਣੋ ਅਤੇ ਇਕ ਮਾਰਕਡਾਊਨ ਸ਼ਾਮਿਲ ਕਰੋ, ਅਤੇ ਹੇਠਾਂ ਦਿੱਤਾ ਲਿਖੋ **# ਤੁਹਾਡਾ ਨੋਟਬੁੱਕ ਵਿੱਚ ਸਵਾਗਤ ਹੈ**।
+1. `md` ਆਇਕਾਨ ਚੁਣੋ ਅਤੇ ਕੁਝ ਮਾਰਕਡਾਉਨ ਸ਼ਾਮਿਲ ਕਰੋ, ਅਤੇ ਇਹ ਟੈਕਸਟ ਲਿਖੋ **# ਤੁਹਾਡੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਸੁਆਗਤ ਹੈ**।
- ਫਿਰ ਕੁਝ Python ਕੋਡ ਸ਼ਾਮਿਲ ਕਰੋ।
+ ਅਗਲੇ, ਕੁਝ Python ਕੋਡ ਸ਼ਾਮਿਲ ਕਰੋ।
1. ਕੋਡ ਬਲਾਕ ਵਿੱਚ **print('hello notebook')** ਲਿਖੋ।
-1. ਕੋਡ ਚਲਾਉਣ ਲਈ ਤੀਰ ਵਿੱਚ ਕਲਿੱਕ ਕਰੋ।
+1. ਕੋਡ ਚਲਾਉਣ ਲਈ ਤੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
- ਤੁਸੀਂ ਪ੍ਰਿੰਟ ਕੀਤਾ ਟੈਕਸਟ ਦੇਖੋਗੇ:
+ ਤੁਹਾਨੂੰ ਪ੍ਰਿੰਟ ਕੀਤੀ ਗਈ ਸਥਿਤੀ ਵੇਖਣ ਨੂੰ ਮਿਲੇਗੀ:
```output
hello notebook
```
-
+
-ਤੁਸੀਂ ਆਪਣੇ ਕੋਡ ਵਿੱਚ ਟਿੱਪਣੀਆਂ ਦੋਹਰਾਉਂਦੇ ਹੋਏ ਨੋਟਬੁੱਕ ਨੂੰ ਆਪਣਾ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਦੇ ਸਕਦੇ ਹੋ।
+ਤੁਸੀਂ ਆਪਣੇ ਕੋਡ ਦੇ ਨਾਲ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਿਲ ਕਰਕੇ ਨੋਟਬੁੱਕ ਨੂੰ ਸਵੈ-ਦਸਤਾਵੇਜ਼ੀਕਰਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ।
-✅ ਇੱਕ ਮਿੰਟ ਲਈ ਸੋਚੋ ਕਿ ਵੈੱਬ ਡਿਵੈਲਪਰ ਦਾ ਕੰਮ ਕਰਨ ਵਾਲਾ ਵਾਤਾਵਰਨ ਡਾਟਾ ਵਿਗਿਆਨੀ ਦੇ ਵਾਤਾਵਰਨ ਨਾਲ ਕਿੰਨਾ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ।
+✅ ਇੱਕ ਮਿੰਟ ਲਈ ਸੋਚੋ ਕਿ ਇੱਕ ਵੈੱਬ ਡਿਵੈਲਪਰ ਦਾ ਕੰਮ ਕਰਨ ਦਾ ਵਾਤਾਵਰਨ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਵਾਤਾਵਰਨ ਨਾਲ ਕਿੰਨਾ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ।
-## Scikit-learn ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ
+## Scikit-learn ਨਾਲ ਚਲਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋ
-ਹੁਣ ਜਦੋਂ Python ਤੁਹਾਡੇ ਸਥਾਨਕ ਵਾਤਾਵਰਨ ਵਿੱਚ ਸੈੱਟ ਹੈ ਅਤੇ ਤੁਸੀਂ Jupyter Notebooks ਨਾਲ ਆਰਾਮਦਾਇਕ ਹੋ, ਆਓ Scikit-learn ਨਾਲ ਵੀ ਸਮਾਨ ਆਰਾਮ ਮਹਿਸੂਸ ਕਰੀਏ (ਇਸ ਨੂੰ `sci` ਅੱਖਰਾਂ ਵਾਂਗ ਉਚਾਰੋ, ਜਿਵੇਂ ਕਿ `science`). Scikit-learn ਤੁਹਾਡੇ ML ਕੰਮਾਂ ਲਈ ਇੱਕ [ਵਿਆਪਕ API](https://scikit-learn.org/stable/modules/classes.html#api-ref) ਮੁਹੱਈਆ ਕਰਦਾ ਹੈ।
+ਹੁਣ ਜਦੋਂ Python ਤੁਹਾਡੇ ਸਥਾਨਕ ਵਾਤਾਵਰਨ ਵਿੱਚ ਸੈੱਟ ਹੋ ਗਿਆ ਹੈ, ਅਤੇ ਤੁਸੀਂ Jupyter ਨੋਟਬੁੱਕ ਨਾਲ ਆਰਾਮਦਾਇਕ ਹੋ ਚੁੱਕੇ ਹੋ, ਆਓ ਬਰਾਬਰੀ ਦਾ ਭਾਵ Scikit-learn ਨਾਲ ਜਾਣ-ਪਛਾਣ ਕਰੀਏ (`sci` ਨੂੰ `ਸਾਇੰਸ` ਵਾਂਗੋ ਉਚਾਰੋ)। Scikit-learn ਇੱਕ [ਵਿਆਪਕ API](https://scikit-learn.org/stable/modules/classes.html#api-ref) ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ML ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
-ਉਨ੍ਹਾਂ ਦੀ [ਵੈੱਬਸਾਈਟ](https://scikit-learn.org/stable/getting_started.html) ਅਨੁਸਾਰ, "Scikit-learn ਇੱਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਾਇਬਰੇਰੀ ਹੈ ਜੋ ਨਿਗਰਾਨ ਅਤੇ ਬਿਨਾ-ਨਿਗਰਾਨ ਸਿਖਲਾਈ ਨੂੰ ਸਹਾਇਤਾ ਦਿੰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਫਿੱਟਿੰਗ, ਡੇਟਾ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਮਾਡਲ ਚੋਣ ਅਤੇ ਮੂਲਾਂਕਣ ਲਈ ਭਿੰਨ-ਭਿੰਨ ਟੂਲਜ਼ ਵੀਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।"
+ਉਹਨਾਂ ਦੀ [ਵੈੱਬਸਾਈਟ](https://scikit-learn.org/stable/getting_started.html) ਮੁਤਾਬਕ, "Scikit-learn ਇੱਕ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਮਾਨੀਟਰਤ ਅਤੇ ਬਿਨਾ ਮਾਨੀਟਰਤ ਲਰਨਿੰਗ ਨੂੰ ਸਹਾਇਤਾ ਦਿੰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਫਿੱਟਿੰਗ, ਡਾਟਾ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਮਾਡਲ ਚੋਣ ਅਤੇ ਮੁੱਲਆਂਕਣ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਯੁਟਿਲਿਟੀਜ਼ ਦੇ ਸੰਦ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।"
-ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਬਣਾਉਣ ਲਈ Scikit-learn ਅਤੇ ਹੋਰ ਟੂਲਜ਼ ਵਰਤੋਂਗੇ ਜੋ ਅਸੀਂ 'ਪਾਰੰਪਰਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਕਹਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਇੱਥੇ ਜਾਲੀ ਨੈੱਟਵਰਕਾਂ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਵਿਚੋਂ ਜੁੜੇ ਵਿਸ਼ਿਆਂ ਤੋਂ ਸਚੇਤ ਰਿਹਾ ਹਾਂ, ਕਿਉਂਕਿ ਇਹ ਅਗਲੇ 'AI for Beginners' ਕਾਰਜਕ੍ਰਮ ਵਿੱਚ ਬਿਹਤਰ ਸਮਝਾਏ ਜਾਣਗੇ।
+ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ Scikit-learn ਅਤੇ ਹੋਰ ਸੰਦ ਵਰਤ ਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਤਿਆਰ ਕਰੋਗੇ ਜੋ ਕਿ ਜੋ ਤਰ੍ਹਾਂ ਦੇ ਕੰਮ ਅਸੀਂ 'ਪਾਰੰਪਰਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ' ਕਹਿੰਦੇ ਹਾਂ, ਉਹ ਕਰਨ ਲਈ ਹਨ। ਅਸੀਂ ਜਾਣ ਬੂਝ ਕੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਿਆ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸਾਡੀ ਆਉਣ ਵਾਲੀ 'AI ਫਾਰ ਬਿਗਿਨਰਜ਼' ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਸਮਝਾਏ ਜਾਏਗਾ।
-Scikit-learn ਨਾਲ ਮਾਡਲਾਂ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨਾ ਸੌਖਾ ਹੈ। ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਾਖਿਆਂ ਵਾਲਾ ਡਾਟਾ ਵਰਤਦਾ ਹੈ ਅਤੇ ਸਿੱਖਾਈ ਲਈ ਕਈ ਤਿਆਰ ਡਾਟਾਸੈਟਾਂ ਵੀ ਸ਼ਾਮਿਲ ਕਰਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਬਣੇ ਕਈ ਮਾਡਲ ਵੀ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਿਦਿਆਰਥੀ ਟ੍ਰਾਈ ਕਰ ਸਕਦੇ ਹਨ। ਆਓ ਪਹਿਲਾਂ ਇੱਕ ਤਿਆਰ ਡਾਟਾ ਲੋਡ ਕਰਨ ਅਤੇ Scikit-learn ਨਾਲ ਪਹਿਲਾ ML ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਪੜਚੋਲ ਕਰੀਏ।
+Scikit-learn ਮਾਡਲ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਮੁੱਲ਼ਾਂਕਣ ਕਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਨੰਬਰੀਕ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਕਈ ਤਿਆਰਸ਼ੁਦਾ ਡਾਟਾਸੈਟ ਸਮੇਤ ਆਉਂਦਾ ਹੈ ਜੋ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ ਸਹੂਲਤ ਹੈ। ਇਸ ਵਿੱਚ ਕੁਝ ਤਿਆਰਸ਼ੁਦਾ ਮਾਡਲ ਵੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀ ਅਜ਼ਮਾਂ ਸਕਦੇ ਹਨ। ਆਓ ਪੈਕ ਕੀਤੇ ਡਾਟੇ ਨੂੰ ਲੋਡ ਕਰਨ ਅਤੇ ਤਿਆਰ ਕੀਤਾ ਹੋਇਆ ਐਸਟਿਮੇਟਰ ਵਰਤ ਕੇ Scikit-learn ਨਾਲ ਤੁਹਾਡਾ ਪਹਿਲਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵੇਖੀਏ।
-## ਕਸਰਤ - ਤੁਹਾਡਾ ਪਹਿਲਾ Scikit-learn ਨੋਟਬੁੱਕ
+## ਅਭਿਆਸ - ਤੁਹਾਡਾ ਪਹਿਲਾ Scikit-learn ਨੋਟਬੁੱਕ
-> ਇਹ ਟਿਊਟੋਰિયલ Scikit-learn ਦੀ ਵੈੱਬਸਾਈਟ 'ਤੇ [ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਉਦਾਹਰਨ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ।
+> ਇਹ ਟ્યુਟੋਰਿਯਲ Scikit-learn ਦੀ ਵੈੱਬਸਾਈਟ ਤੇ ਮੌਜੂਦ [ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਉਦਾਹਰਨ](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੈ।
-[](https://youtu.be/2xkXL5EUpS0 "Python ਵਿੱਚ ਤੁਹਾਡਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਪ੍ਰਾਜੈਕਟ - ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਵੇਂ ਸਿਖਣ ਵਾਲੇ")
+[](https://youtu.be/2xkXL5EUpS0 "ਨਵੀਂ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ - ਤੁਹਾਡਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਪ੍ਰਾਜੈਕਟ Python ਵਿੱਚ")
-> 🎥 ਇਸ ਕਸਰਤ ਕਰਦਿਆਂ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+> 🎥 ਉੱਪਰ ਦਿੱਤੀ ਛਵੀ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਇਸ ਅਭਿਆਸ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਛੋਟਾ ਵੀਡੀਓ ਦੇਖਣ ਲਈ।
-ਇਸ ਪਾਠ ਨਾਲ ਜੁੜੀ _notebook.ipynb_ ਫਾਈਲ ਵਿੱਚ ਸਾਰੇ ਸੈਲ 'ਟ੍ਰੈਸ਼ ਕੈਨ' ਆਈਕਾਨ ਦਬਾ ਕੇ ਸਾਫ਼ ਕਰੋ।
+_notebook.ipynb_ ਫਾਇਲ ਵਿੱਚ ਸਾਰੇ ਸੈਲ ਨੂੰ 'ਕੂੜਦਾਨ' ਆਇਕਾਨ ਨੂੰ ਦਬਾਕੇ ਸਾਫ ਕਰੋ।
-ਇਸ ਭਾਗ ਵਿੱਚ, ਤੁਸੀਂ Scikit-learn ਵਿੱਚ ਸਿੱਖਣ ਲਈ ਬਣਾਏ ਇੱਕ ਛੋਟੇ ਡਾਟਾਸੈਟ 'ਡੀਬੇਟੀਜ਼' ਨਾਲ ਕੰਮ ਕਰੋਗੇ। ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਮਧੁਮੇਹੀ ਮਰੀਜ਼ਾਂ ਲਈ ਇਲਾਜ ਦੀ ਟੈਸਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਤੁਹਾਨੂੰ ਇਹ ਸਹਾਇਤਾ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਮਰੀਜ਼ ਇਲਾਜ ਦਾ ਵਧੀਆ ਜਵਾਬ ਦੇਣਗੇ, ਵੱਖ-ਵੱਖ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸੰਯੋਗ ਦੇ ਅਧਾਰ 'ਤੇ। ਇੱਕ ਬੁਨਿਆਦੀ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਵੀ, ਜਦੋਂ ਦ੍ਰਸ਼ਟੀਕ ਤੌਰ 'ਤੇ ਦੇਖਿਆ ਜਾਵੇ, ਤਦ ਉਹ ਤਥ्यों ਬਾਰੇ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਆਪਣੇ ਸਿਧਾਂਤਕ ਕਲੀਨੀਕੀ ਟ੍ਰਾਇਲਾਂ ਦਾ ਆਯੋਜਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ।
+ਇਸ ਹਿੱਸੇ ਵਿੱਚ, ਤੁਸੀਂ ਇੱਕ ਛੋਟਾ ਡਾਟਾ ਸੈੱਟ ਵਰਤੋਂਗੇ ਜੋ Scikit-learn ਵਿੱਚ ਡਾਇਬੀਟੀਜ਼ ਬਾਰੇ ਤਿਆਰ ਹੈ ਸਿੱਖਣ ਲਈ। ਸੂਚਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਮਰੀਜ਼ਾਂ ਲਈ ਇਲਾਜ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਇਹ ਤੈਅ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਕਿਹੜੇ ਮਰੀਜ਼ ਇਲਾਜ ਲਈ ਵਧੀਆ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਵੈਰੀਏਬਲਾਂ ਦੇ ਸੰਗਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ। ਬਹੁਤ ਪੱਧਰੀ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ, ਜਦੋ ਵਿਜੁਅਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਉਨ੍ਹਾਂ ਵੇਰੀਏਬਲਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਿਧਾਂਤਕ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲਾਂ ਨੂੰ ਸੁੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ।
-✅ ਰਿਗ੍ਰੈਸ਼ਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਜੋ ਕਿਸੇ ਪ੍ਰਸ਼ਨ ਦਾ ਜਵਾਬ ਲੱਭ ਰਹੇ ਹੋ, ਉਸਦੇ ਅਨੁਸਾਰ ਕਿਸ ਤਰੀਕੇ ਨੂੰ ਚੁਣਨਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਉਮਰ ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਭਾਵਿਤ ਉਚਾਈ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਵਰਤੋਂਗੇ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਕ **ਸੰਖਿਆਤਮਕ ਮੁੱਲ** ਲੱਭ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਵਿਧਾ ਦੇ ਖਾਣੇ ਨੂੰ ਸ਼ਾਕਾਹਾਰੀ ਜਾਂ ਨਾ, ਕੈਟੇਗਰੀ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਲੋਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਵਰਤੋਂਗੇ। ਲੋਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਬਾਰੇ ਹੋਰ ਬਾਅਦ ਵਿੱਚ ਸਿਖੋਗੇ। ਕੁਝ ਪ੍ਰਸ਼ਨ ਸੋਚੋ ਜਿਹੜੇ ਤੁਸੀਂ ਡਾਟਾ ਤੋਂ ਪੁੱਛ ਸਕਦੇ ਹੋ, ਅਤੇ ਇਹ ਸੋਚੋ ਕਿ ਕਿਹੜਾ ਤਰੀਕਾ ਸਭ ਤੋਂ ਯੋਗ ਹੈ।
+✅ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਰੈਗਰੈਸ਼ਨ ਮੈਥਡ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਜੋ ਚੁਣਦੇ ਹੋ ਉਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਹਾਡਾ ਸਵਾਲ ਕੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਉਮਰ ਦੇ ਅਨੁਸਾਰ ਸੰਭਾਵਿਤ ਲੰਬਾਈ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਵਰਤੋਂਗੇ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਇੱਕ **ਸੰਖਿਆਤਮਿਕ ਮੁੱਲ** ਨੂੰ ਖੋਜ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਇਹ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਕਿਸੇ ਕਿਸਮ ਦਾ ਖਾਣਾ ਵੇਗਨ ਮਨਿਆ जाना ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ **ਸ਼੍ਰੇਣੀ ਸੌਂਪਣੀ** ਖੋਜ ਰਹੇ ਹੋ, ਇਸ ਲਈ ਤੁਸੀਂ ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਵਰਤੋਂਗੇ। ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਲੌਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਬਾਰੇ ਹੋਰ ਸਿਖੋਗੇ। ਕੁਝ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਡਾਟਾ ਤੋਂ ਪੁੱਛ ਸਕਦੇ ਹੋ, ਅਤੇ ਕਿਹੜਾ ਮੈਥਡ ਜ਼ਿਆਦਾ ਮੋਹਤਰਮ ਹੈ।
-ਆਓ ਇਸ ਕੰਮ ਨੂੰ ਸ਼ੁਰੂ ਕਰੀਏ।
+ਆਓ ਇਸ ਕੰਮ 'ਤੇ ਸ਼ੁਰੂਆਤ ਕਰੀਏ।
-### ਲਾਇਬ੍ਰੇਰੀਆਂ ਇੰਪੋਰਟ ਕਰੋ
+### ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰੋ
-ਇਸ ਕੰਮ ਲਈ ਅਸੀਂ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਇੰਪੋਰਟ ਕਰਾਂਗੇ:
+ਇਸ ਕੰਮ ਲਈ ਅਸੀਂ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰਨਗੇ:
-- **matplotlib**। ਇਹ ਇੱਕ ਉਪਯੋਗੀ [ਗ੍ਰਾਫਿੰਗ ਟੂਲ](https://matplotlib.org/) ਹੈ ਅਤੇ ਅਸੀਂ ਇਸਦਾ ਵਰਤੋਂ ਲਾਈਨ ਪਲੌਟ ਬਣਾਉਣ ਲਈ ਕਰਾਂਗੇ।
-- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python ਵਿੱਚ ਗਣਿਤੀ ਡਾਟਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ।
+- **matplotlib**। ਇਹ ਇੱਕ ਲਾਭਕਾਰੀ [ਗ੍ਰਾਫਿੰਗ ਟੂਲ](https://matplotlib.org/) ਹੈ ਜਿਸ ਨਾਲ ਅਸੀਂ ਲਾਈਨ ਪਲੌਟ ਬਣਾਵਾਂਗੇ।
+- **numpy**। [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) Python ਵਿੱਚ ਗਿਣਤੀ ਵਾਲੇ ਡਾਟਾ ਸੰਭਾਲਣ ਲਈ ਇੱਕ ਲਾਈਬ੍ਰੇਰੀ ਹੈ।
- **sklearn**। ਇਹ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ਲਾਇਬ੍ਰੇਰੀ ਹੈ।
-ਆਪਣੀਆਂ ਕਸਰਤਾਂ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਇੰਪੋਰਟ ਕਰੋ।
+ਆਪਣੀਆਂ ਜ਼ਰੂਰਤਾਂ ਲਈ ਕੁਝ ਲਾਇਬ੍ਰੇਰੀਆਂ ਆਯਾਤ ਕਰੋ।
-1. ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਟਾਈਪ ਕਰਕੇ ਇੰਪੋਰਟ ਕਰੋ:
+1. ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਦਰਜ ਕਰਕੇ ਆਯਾਤ ਕਰੋ:
```python
import matplotlib.pyplot as plt
@@ -123,26 +123,26 @@ Scikit-learn ਨਾਲ ਮਾਡਲਾਂ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍
from sklearn import datasets, linear_model, model_selection
```
- ਉਪਰ ਤੁਸੀਂ `matplotlib`, `numpy` ਨੂੰ ਇੰਪੋਰਟ ਕਰ ਰਹੇ ਹੋ ਅਤੇ `sklearn` ਵਲੋਂ `datasets`, `linear_model` ਅਤੇ `model_selection` ਲੈ ਰਹੇ ਹੋ। `model_selection` ਡਾਟਾ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਵੰਡਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+ ਉਪਰ ਤੁਸੀਂ `matplotlib`, `numpy` ਅਤੇ `sklearn` ਤੋਂ `datasets`, `linear_model` ਅਤੇ `model_selection` ਆਯਾਤ ਕਰ ਰਹੇ ਹੋ। `model_selection` ਡਾਟਾ ਨੂੰ ਟਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਸੈਟਾਂ ਵਿੱਚ ਵੰਡਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-### ਡੀਬੇਟੀਜ਼ ਡਾਟਾਸੈਟ
+### ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ
-ਬਿਲਟ-ਇਨ [ਡੀਬੇਟੀਜ਼ ਡਾਟਾਸੈਟ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ਵਿੱਚ ਮਧੁਮੇਹ ਦੇ ਬਾਰੇ 442 ਸੈਂਪਲ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ 10 ਫੀਚਰ ਵੇਰੀਏਬਲ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਹਨ:
+ਤਿਆਰਸ਼ੁਦਾ [ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ਵਿੱਚ 442 ਨਮੂਨੇ ਹਨ ਜੋ ਡਾਇਬੀਟੀਜ਼ ਬਾਰੇ ਹਨ, 10 ਫੀਚਰ ਵੈਰੀਏਬਲਾਂ ਸਮੇਤ, ਜਿਹਨਾਂ ਵਿੱਚ ਕੁਝ ਹਨ:
- ਉਮਰ: ਸਾਲਾਂ ਵਿੱਚ ਉਮਰ
-- bmi: ਬੋਡੀ ਮਾਸ ਇੰਡੈਕਸ
-- bp: ਔਸਤ ਬਲੱਡ ਪ੍ਰੈਸ਼ਰ
-- s1 tc: ਟੀ-ਸੈੱਲ (ਇੱਕ ਕਿਸਮ ਦੇ ਚਿੱਟੇ ਬਲੱਡ ਸੈੱਲ)
+- ਬੀਐਮਆਈ: ਬਾਡੀ ਮਾਸ ਇੰਡੈਕਸ
+- ਬੀਪੀ: ਔਸਤ ਖੂਨ ਦਾ ਦਬਾਅ
+- s1 tc: ਟੀ-ਸੈੱਲ (ਸਫੈਦ ਖੂਨ ਦੀਆਂ ਕੁਝ ਕੋਸ਼ਿਕਾਵਾਂ)
-✅ ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ 'ਲਿੰਗ' ਦਾ ਸਿਧਾਂਤ ਵੀ ਸ਼ਾਮਿਲ ਹੈ ਜੋ ਮਧੁਮੇਹ ਖੋਜ ਲਈ ਮਹੱਤਵਪੂਰਨ ਫੀਚਰ ਹੈ। ਕਈ ਮੈਡੀਕਲ ਡਾਟਾਸੈਟਾਂ ਵਿੱਚ ਇਹ ਤਰੀਕਾ ਬਾਈਨਰੀ ਵਰਗੀਵਾਰਤਨ ਨੂੰ ਸ਼ਾਮਿਲ ਕਰਦਾ ਹੈ। ਸੋਚੋ ਕਿ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਕੁਝ ਆਬਾਦੀ ਦੇ ਹਿੱਸਿਆਂ ਨੂੰ ਇਲਾਜਾਂ ਤੋਂ ਵੱਖ ਕਰ ਸਕਦੀ ਹੈ।
+✅ ਇਹ ਡਾਟਾਸੈੱਟ ਲਿੰਗ ਦਾ ਧਾਰਣਾ ਵਰਤਦਾ ਹੈ ਜੋ ਕਿ ਡਾਇਬੀਟੀਜ਼ ਸੰਬੰਧੀ ਖੋਜ ਲਈ ਮਹੱਤਵਪੂਰਨ ਵੈਰੀਏਬਲ ਹੈ। ਕਈ ਮੈਡੀਕਲ ਡਾਟਾਸੈੱਟ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਬਾਇਨਰੀ ਵਰਗੀਕਰਨ ਸ਼ਾਮਿਲ ਕਰਦੇ ਹਨ। ਸੋਚੋ ਕਿ ਇਸ ਵਰਗੀ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਕੁਝ ਜਨਸੰਖਿਆ ਦਾ ਹਿੱਸਾ ਇਲਾਜ ਤੋਂ ਅਗਾਹ ਨਹੀਂ ਕਰਦੀ।
-ਹੁਣ, X ਅਤੇ y ਡਾਟਾ ਲੋਡ ਕਰੋ।
+ਹੁਣ X ਅਤੇ y ਡਾਟਾ ਲੋਡ ਕਰੋ।
-> 🎓 ਯਾਦ ਰੱਖੋ, ਇਹ ਨਿਗਰਾਨ ਸਿੱਖਣ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਇੱਕ ਨਾਂ ਵਾਲਾ 'y' ਟਾਰਗਟ ਚਾਹੀਦਾ ਹੈ।
+> 🎓 ਯਾਦ ਰੱਖੋ, ਇਹ ਮਾਨੀਟਰਤ ਲਰਨਿੰਗ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਨਾਮ ਦਿੱਤਾ ਹੋਇਆ 'y' ਟਾਰਗੇਟ ਚਾਹੀਦਾ ਹੈ।
-ਇੱਕ ਨਵੇਂ ਕੋਡ ਸੈੱਲ ਵਿੱਚ, ਇਹ ਕਾਲ ਕਰਕੇ ਡਿਬੇਟੀਜ਼ ਡਾਟਾਸੈਟ ਲੋਡ ਕਰੋ `load_diabetes()`। ਇਨਪੁੱਟ `return_X_y=True` ਦੱਸਦਾ ਹੈ ਕਿ `X` ਡਾਟਾ ਮੈਟਰਿਕਸ ਹੋਵੇਗਾ, ਅਤੇ `y` ਰਿਗ੍ਰੈਸ਼ਨ ਟਾਰਗਟ ਹੋਵੇਗਾ।
+ਇੱਕ ਨਵੀਂ ਕੋਡ ਸੈਲ ਵਿੱਚ, `load_diabetes()` ਕਾਲ ਕਰਕੇ ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰੋ। ਇਨਪੁਟ `return_X_y=True` ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ `X` ਡਾਟਾ ਮੈਟ੍ਰਿਕਸ ਹੋਵੇਗਾ ਅਤੇ `y` ਰੈਗਰੈਸ਼ਨ ਟਾਰਗੇਟ ਹੋਵੇਗਾ।
-1. ਡਾਟਾ ਮੈਟਰਿਕਸ ਦੇ ਆਕਾਰ ਅਤੇ ਪਹਿਲੇ ਤੱਤ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕੁਝ ਪ੍ਰਿੰਟ ਕਮਾਂਡ ਸ਼ਾਮਿਲ ਕਰੋ:
+1. ਡਾਟਾ ਮੈਟ੍ਰਿਕਸ ਦੇ ਆਕਾਰ ਅਤੇ ਪਹਿਲੇ ਤੱਤ ਨੂੰ ਵੇਖਾਉਣ ਲਈ ਛਪਾਈ ਕਮਾਣਡ ਸ਼ਾਮਿਲ ਕਰੋ:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@@ -150,9 +150,9 @@ Scikit-learn ਨਾਲ ਮਾਡਲਾਂ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍
print(X[0])
```
- ਜੋ ਤੁਸੀਂ ਵਾਪਸ ਪ੍ਰਾਪਤ ਕਰ ਰਹੇ ਹੋ, ਉਹ ਇੱਕ ਟਿਊਪਲ ਹੈ। ਤੁਸੀਂ ਉਸ ਟਿਊਪਲ ਦੇ ਪਹਿਲੇ ਦੋ ਮੁੱਲ ਨੂੰ ਕ੍ਰਮਵਾਰ `X` ਅਤੇ `y` ਵਿੱਚ ਅਸਾਈਨ ਕਰ ਰਹੇ ਹੋ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਟਿਊਪਲਸ ਬਾਰੇ ਪੜ੍ਹੋ](https://wikipedia.org/wiki/Tuple)।
+ ਜੋ ਤੁਹਾਨੂੰ ਵਾਪਸ ਮਿਲ ਰਿਹਾ ਹੈ ਉਹ ਇੱਕ ਟਿਊਪਲ ਹੈ। ਤੁਸੀਂ ਇਸ ਟਿਊਪਲ ਦੇ ਪਹਿਲੇ ਦੋ ਮੁੱਲ ਨੂੰ `X` ਅਤੇ `y` ਵਿੱਚ ਅਲੱਗ ਕਰ ਰਹੇ ਹੋ। [ਟਿਊਪਲਾਂ](https://wikipedia.org/wiki/Tuple) ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ।
- ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਡਾਟਾ ਵਿੱਚ 442 ਆਈਟਮ ਹਨ ਜੋ 10 ਤੱਤਾਂ ਵਾਲੀਆਂ ਏਰੇਜ਼ ਵਿੱਚ ਸ਼ਕਲਬੱਧ ਹਨ:
+ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਡਾਟਾ ਵਿੱਚ 442 ਆਈਟਮ ਹਨ ਜੋ 10 ਤੱਤਾਂ ਵਾਲੇ ਏਰੇਜ਼ ਵਿੱਚ ਹਨ:
```text
(442, 10)
@@ -160,39 +160,39 @@ Scikit-learn ਨਾਲ ਮਾਡਲਾਂ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
- ✅ ਥੋੜ੍ਹਾ ਸੋਚੋ ਕਿ ਡਾਟਾ ਅਤੇ ਰਿਗ੍ਰੈਸ਼ਨ ਟਾਰਗਟ ਵਿਚਕਾਰ ਕਿਹੜਾ ਸਬੰਧ ਹੈ। ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਫੀਚਰ X ਅਤੇ ਟਾਰਗਟ ਵੇਰੀਏਬਲ y ਵਿਚਕਾਰ ਰਿਸ਼ਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਕੀ ਤੁਸੀਂ [ਟਾਰਗਟ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ਨੂੰ ਡੀਬੇਟੀਜ਼ ਡਾਟਾਸੈਟ ਦੀ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਲੱਭ ਸਕਦੇ ਹੋ? ਇਸ ਟਾਰਗਟ ਨੂੰ ਦੇਖਦੇ ਹੋਏ ਇਹ ਡਾਟਾਸੈਟ ਕੀ ਦਰਸਾ ਰਿਹਾ ਹੈ?
+ ✅ ਡਾਟੇ ਅਤੇ ਰੈਗਰੈਸ਼ਨ ਟਾਰਗੇਟ ਦੇ ਦਰਮਿਆਨ ਸੰਬੰਧ ਬਾਰੇ ਸੋਚੋ। ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਫੀਚਰ X ਅਤੇ ਟਾਰਗੇਟ ਵੈਰੀਏਬਲ y ਵਿਚਕਾਰ ਸੰਬੰਧ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਦਾ ਹੈ। ਕੀ ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਡਾਟਾਸੈੱਟ ਲਈ [ਟਾਰਗੇਟ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਲੱਭ ਸਕਦੇ ਹੋ? ਇਹ ਡਾਟਾਸੈੱਟ ਕਿਸ ਗੱਲ ਨੂੰ ਦਰਸਾ ਰਿਹਾ ਹੈ, ਟਾਰਗੇਟ ਦੇ ਨਾਲ?
-2. ਹੁਣ, ਡਾਟਾਸੈਟ ਦਾ ਇੱਕ ਹਿੱਸਾ ਚੁਣੋ ਜੋ ਪਲੌਟ ਕੀਤਾ ਜਾਵੇ, ਡਾਟਾ ਸੈੱਟ ਦੇ 3ਵੇਂ ਕਾਲਮ ਨੂੰ ਚੁਣੋ। ਤੁਸੀਂ ਦਾ ਸਾਰੇ ਕਤਾਰਾਂ ਨੂੰ ਚੁਣਨ ਲਈ `:` ਓਪਰੇਟਰ ਵਰਤ ਸਕਦੇ ਹੋ, ਫਿਰ ਇੰਡੈਕਸ (2) ਨਾਲ 3ਵਾ ਕਾਲਮ ਚੁਣ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਇੱਕ 2D ਐਰੇ ਵਿੱਚ ਬਦਲ ਵੀ ਸਕਦੇ ਹੋ - ਜਿਵੇਂ ਕਿ ਪਲੌਟਿੰਗ ਲਈ ਲੋੜੀਂਦਾ ਹੋਵੇ - `reshape(n_rows, n_columns)` ਵਰਤ ਕੇ। ਜੇਕਰ ਕਿਸੇ ਪੈਰਾਮੀਟਰ ਨੂੰ -1 ਦਿੱਤਾ ਜਾਵੇ, ਤਾਂ ਉਸ ਅਨੁਸਾਰ ਮਾਪ ਆਪ- ਆਪ ਨਿਕੱਲ ਜਾਂਦਾ ਹੈ।
+2. ਹੁਣ ਇਸ ਡਾਟਾਸੈੱਟ ਦੇ ਕੁਝ ਹਿੱਸੇ ਨੂੰ ਚੁਣੋ ਜੋ ਪਲੌਟ ਕਰਨ ਲਈ 3ਰੀ ਕਾਲਮ ਹੈ। ਤੁਸੀਂ ਸਾਰੇ ਕਤਾਰਾਂ ਨੂੰ `:` ਨਾਲ ਚੁਣ ਸਕਦੇ ਹੋ ਅਤੇ 3ਰੀ ਕਾਲਮ ਨੂੰ ਸੋਚਕ (ਇੰਡੈਕਸ 2) ਨਾਲ ਚੁਣ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ 2D ਐਰੇ ਬਣਾਉਣ ਲਈ `reshape(n_rows, n_columns)` ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹੋ। ਜੇ ਇਕ ਪੈਰਾਮੀਟਰ -1 ਹੈ, ਤਾਂ ਉਸ ਸੰਬੰਧੀ ਮਾਪ ਸਵੈਚਾਲਿਤ ਤੌਰ ਤੇ ਨਿਕਲੇਗਾ।
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
- ✅ ਕਿਸੇ ਵੀ ਸਮੇਂ ਡਾਟਾ ਦੇ ਆਕਾਰ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਕੇ ਜਾਂਚੋ।
+ ✅ ਕਿਸੇ ਵੀ ਸਮੇਂ ਡਾਟੇ ਦਾ ਆਕਾਰ ਚੈੱਕ ਕਰਨ ਲਈ ਛਾਪੋ।
-3. ਹੁਣ ਜਦ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਪਲੌਟ ਕਰਨ ਲਈ ਡਾਟਾ ਤਤਿਆਰ ਹੈ, ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਕੀ ਮਸ਼ੀਨ ਡਾਟਾ ਵਿੱਚ ਗਾਣਿਆਂ ਵਿਚਕਾਰ ਤਰਕਸੰਗਤ ਵੰਡ ਦੀ ਪਹਿਚਾਣ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ, ਤੁਹਾਨੂੰ ਡਾਟਾ (X) ਅਤੇ ਟਾਰਗਟ (y) ਦੋਹਾਂ ਨੂੰ ਟੈਸਟ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟਾਂ ਵਿੱਚ ਵੰਡਣਾ ਪਵੇਗਾ। Scikit-learn ਵਿੱਚ ਇਸਦਾ ਸਿੱਧਾ ਤਰੀਕਾ ਹੈ, ਤੁਸੀਂ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਬਿੰਦੂ 'ਤੇ ਆਪਣੇ ਟੈਸਟ ਡਾਟਾ ਨੂੰ ਵੰਡ ਸਕਦੇ ਹੋ।
+3. ਹੁਣ ਤੁਹਾਡੇ ਕੋਲ ਪਲੌਟ ਕਰਨ ਲਈ ਡਾਟਾ ਤਿਆਰ ਹੈ, ਦੇਖੋ ਕਿ ਕੀ ਮਸ਼ੀਨ ਇਸ ਡਾਟਾ ਦੇ ਨੰਬਰਾਂ ਵਿਚਕਾਰ ਤਰਕਸੰਗਤ ਵੰਡ ਦਾ ਨਿਰਣਾ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਡਾਟਾ (X) ਅਤੇ ਟਾਰਗੇਟ (y) ਦੋਹਾਂ ਨੂੰ ਟੈਸਟ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਸੈਟਾਂ ਵਿੱਚ ਵੰਡਣਾ ਹੋਵੇਗਾ। Scikit-learn ਵਿੱਚ ਇਸਨੂੰ ਕਰਨ ਦਾ ਸਧਾਰਣ ਤਰੀਕਾ ਹੈ; ਤੁਸੀਂ ਆਪਣੇ ਟੈਸਟ ਡਾਟੇ ਨੂੰ ਕਿਸੇ ਨਿਸ਼ਚਿਤ ਬਿੰਦੂ 'ਤੇ ਵੰਡ ਸਕਦੇ ਹੋ।
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
-4. ਹੁਣ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਤਿਆਰ ਹੋ! ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਲੋਡ ਕਰੋ ਅਤੇ ਆਪਣੇ X ਅਤੇ y ਟ੍ਰੇਨਿੰਗ ਸੈੱਟਾਂ ਨਾਲ `model.fit()` ਵਰਤੋਂ:
+4. ਹੁਣ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਦੀ ਟ੍ਰੇਨਿੰਗ ਲਈ ਤਿਆਰ ਹੋ! ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਲੋਡ ਕਰੋ ਅਤੇ `model.fit()` ਵਰਤ ਕੇ ਆਪਣੇ X ਅਤੇ y ਟ੍ਰੇਨਿੰਗ ਸੈਟ ਨਾਲ ਇਸਨੂੰ ਟ੍ਰੇਨ ਕਰੋ:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
- ✅ `model.fit()` ਉਹ ਫੰਕਸ਼ਨ ਹੈ ਜੋ ਤੁਸੀਂ ਬਹੁਤ ਸਾਰੀਆਂ ML ਲਾਇਬ੍ਰੇਰੀਆਂ ਜਿਵੇਂ TensorFlow ਵਿੱਚ ਦੇਖੋਗੇ
+ ✅ `model.fit()` ਕਈ ML ਲਾਇਬ੍ਰੇਰੀਜ਼ ਜਿਵੇਂ TensorFlow ਵਿੱਚ ਮਿਲਦਾ ਫੰਕਸ਼ਨ ਹੈ
-5. ਫਿਰ, ਟੈਸਟ ਡਾਟਾ ਦਾ ਪ੍ਰਿਡਿਕਸ਼ਨ ਬਣਾਉਣ ਲਈ `predict()` ਫੰਕਸ਼ਨ ਵਰਤੋਂ। ਇਹ ਲਾਈਨ ਖਿੱਚਣ ਲਈ ਵਰਤੀ ਜਾਵੇਗੀ ਜੋ ਡਾਟਾ ਗਰੂਪਾਂ ਵਿੱਚ ਵੰਡ ਦਿਖਾਏਗੀ।
+5. ਫਿਰ, `predict()` ਫੰਕਸ਼ਨ ਨਾਲ ਟੈਸਟ ਡਾਟਾ ਵਰਤ ਕੇ ਪੇਸ਼ਕਸ਼ ਬਣਾਓ। ਇਹ ਮਾਡਲ ਡਾਟਾ ਗਰੁੱਖਾਂ ਵਿਚਕਾਰ ਲਾਈਨ ਖਿੱਚਣ ਲਈ ਵਰਤਿਆ ਜਾਏਗਾ।
```python
y_pred = model.predict(X_test)
```
-6. ਹੁਣ ਡਾਟਾ ਨੂੰ ਪਲੌਟ ਵਿੱਚ ਵਿਖਾਉਣ ਦਾ ਸਮਾਂ ਹੈ। Matplotlib ਇਸ ਕਾਰਜ ਲਈ ਬਹੁਤ ਲਾਭਕਾਰੀ ਟੂਲ ਹੈ। X ਅਤੇ y ਟੈਸਟ ਡਾਟਾ ਦਾ ਸਾਰੇ ਡਾਟਾਪੁਆਇੰਟਾਂ ਦਾ ਸਕੈਟਰਪਲੌਟ ਬਣਾਓ, ਅਤੇ ਪ੍ਰਿਡਿਕਸ਼ਨ ਨਾਲ ਮਾਡਲ ਦੇ ਡਾਟਾ ਗਰੂਪਾਂ ਵਿਚਕਾਰ ਸਭ ਤੋਂ ਉਚਿਤ ਜਗ੍ਹਾ 'ਤੇ ਇੱਕ ਲਾਈਨ ਖਿੱਚੋ।
+6. ਹੁਣ ਡਾਟਾ ਨੂੰ ਪਲੌਟ ਵਿੱਚ ਵੇਖਾਉਣ ਦਾ ਸਮਾਂ ਹੈ। Matplotlib ਇਸ ਕੰਮ ਲਈ ਬਹੁਤ ਲਾਭਕਾਰੀ ਸੰਦ ਹੈ। ਸਾਰੇ X ਅਤੇ y ਟੈਸਟ ਡਾਟੇ ਦਾ ਸਕੈਟਰਪਲੌਟ ਬਣਾਓ, ਅਤੇ ਮਾਡਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਥਾਂ ਤੇ ਇੱਕ ਲਾਈਨ ਖਿੱਚੋ ਜੋ ਡਾਟਾ ਗਰੁੱਖਾਂ ਵਿਚਕਾਰ ਹੈ।
```python
plt.scatter(X_test, y_test, color='black')
@@ -203,28 +203,27 @@ Scikit-learn ਨਾਲ ਮਾਡਲਾਂ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍
plt.show()
```
- 
+ 
+ ✅ ਸੋਚੋ ਕਿ ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ। ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਡਾਟਾ ਡੌਟਸ ਰਾਹੀਂ ਚੱਲ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰ ਰਹੀ ਹੈ? ਕੀ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਇਸ ਲਾਈਨ ਨੂੰ ਵਰਤ ਕੇ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਨਵਾਂ, ਨਾ-ਦੇਖਿਆ ਡਾਟਾ ਪੁਆਇੰਟ ਪਲੌਟ ਦੇ y ਐਕਸਿਸ ਨਾਲ ਸੰਬੰਧਤ ਕਿੱਥੇ ਫਿੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਇਸਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ? ਇਸ ਮਾਡਲ ਦੀ ਹੱਕੀਕਤੀ ਵਰਤੋਂ ਨੂੰ ਸਬਦਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
- ✅ ਇੱਥੇ ਕਿੰਝ ਚੱਲ ਰਿਹਾ ਹੈ ਬਾਰੇ ਕੁਝ ਸੋਚੋ। ਇੱਕ ਸਿੱਧੀ ਲਾਈਨ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਡਾਟਾ ਪੁਆਇੰਟਾਂ ਵਿੱਚੋਂ ਲੰਘ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਸਹੀ-ਸਹੀ ਕੀ ਕਰ ਰਹੀ ਹੈ? ਕੀ ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਇਸ ਲਾਈਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਸੇ ਨਵੇਂ, ਅਣਦੇਖੇ ਡਾਟਾ ਪੁਆਇੰਟ ਦੀ ਪੋਜ਼ਿਸ਼ਨ ਪਲੌਟ ਦੇ y ਅਕਸੋਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਕਿਵੇਂ ਪਤਾ ਕਰ ਸਕਦੇ ਹੋ? ਇਸ ਮਾਡਲ ਦੇ ਵਿਆਵਹਾਰਿਕ ਉਪਯੋਗ ਨੂੰ ਸ਼ਬਦਾਂ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
-
-ਮੁਬਾਰਕਾਂ ਹੋ, ਤੁਸੀਂ ਆਪਣਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਤਿਆਰ ਕੀਤਾ, ਇਸ ਨਾਲ ਇੱਕ ਪੂਰਵ ਆਨੁਮਾਨ ਬਣਾਇਆ, ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਪਲੌਟ ਵਿੱਚ ਦਰਸਾਇਆ!
+ਵਧਾਈ ਹੋਵੇ, ਤੁਸੀਂ ਆਪਣਾ ਪਹਿਲਾ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਇਆ, ਇਸ ਨਾਲ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਅਤੇ ਇੱਕ ਪਲੌਟ ਵਿੱਚ ਦਿਖਾਇਆ!
---
-## 🚀ਚੁਣੌਤੀ
+## 🚀ਚੈਲ plainਜੇ
-ਇਸ ਡਾਟਾਸੇਟ ਤੋਂ ਇੱਕ ਵੱਖਰਾ ਵੇਰੀਏਬਲ ਪਲੌਟ ਕਰੋ। ਸੁਝਾਅ: ਇਸ ਲਾਈਨ ਨੂੰ ਸੋਧੋ: `X = X[:,2]`। ਇਸ ਡਾਟਾਸੇਟ ਦੇ ਟਾਰਗਟ ਨੂੰ ਦੇਖਦਿਆਂ, ਤੁਸੀਂ ਮਧੁਮੇਹ ਦੇ ਬਿਮਾਰੀ ਵਜੋਂ ਪ੍ਰਗਟਾਵੇ ਬਾਰੇ ਕੀ ਜਾਣ ਸਕਦੇ ਹੋ?
-## [ਪੋਸਟ-ਲੇਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚੋਂ ਵੱਖਰਾ ਵੈਰੀਏਬਲ ਪਲੌਟ ਕਰੋ। ਇਸ਼ਾਰਾ: ਇਸ ਲਾਈਨ ਨੂੰ ਸੋਧੋ: `X = X[:,2]`। ਇਸ ਡਾਟਾਸੈੱਟ ਦੇ ਟਾਰਗੇਟ ਦੇ ਅਧਾਰ ਤੇ, ਤੁਸੀਂ ਡਾਇਬੀਟੀਜ਼ ਦੀ ਬੀਮਾਰੀ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਕੀ ਖੋਜ ਸਕਦੇ ਹੋ?
+## [ਪਾਠਕ੍ਰਮ ਬਾਅਦ ਦਾ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
-## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਆਇ
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
-ਇਸ ਟਿਊਟੋਰਿਯਲ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਣ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਨਾਲ ਕੰਮ ਕੀਤਾ, ਦੇਸ਼ਵਾਰੀ ਜਾਂ ਬਹੁ-ਰੀਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਨਾਲ ਨਹੀਂ। ਇਨ੍ਹਾਂ ਤਰੀਕਿਆਂ ਵਿੱਚ ਫਰਕ ਬਾਰੇ ਥੋੜ੍ਹੀ ਗੱਲ ਪੜ੍ਹੋ, ਜਾਂ [ਇਸ ਵੀਡੀਓ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) ਨੂੰ ਵੇਖੋ।
+ਇਸ ਟਿਊਟੋਰਿਯਲ ਵਿੱਚ, ਤੁਸੀਂ ਸਧਾਰਣ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਨਾਲ ਕੰਮ ਕੀਤਾ ਹੈ, ਨਾ ਕਿ ਇੱਕ-ਵੈਰੀਏਬਲ ਜਾਂ ਕਈ-ਵੈਰੀਏਬਲ ਲੀਨੀਅਰ ਰੈਗਰੈਸ਼ਨ ਨਾਲ। ਇਹਨਾਂ ਮੈਥਡਾਂ ਦੇ ਫਰਕ ਬਾਰੇ ਕੁਝ ਪੜ੍ਹੋ, ਜਾਂ ਇਸ [ਵੀਡੀਓ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) ਨੂੰ ਦੇਖੋ।
-ਰਿਗ੍ਰੈਸ਼ਨ ਧਾਰਨਾ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਅਤੇ ਸੋਚੋ ਕਿ ਇਸ ਤਕਨੀਕ ਨਾਲ ਕਿਸ ਕਿਸਮ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਆਪਣੀ ਸਮਝ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇਸ [ਟਿਊਟੋਰਿਯਲ](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ਨੂੰ ਲੋ।
+ਰੈਗ੍ਰੈਸ਼ਨ ਦੀ ਧਾਰਣਾ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ ਅਤੇ ਸੋਚੋ ਕਿ ਇਸ ਤਕਨੀਕ ਨਾਲ ਕਿਸ ਕਿਸਮ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਆਪਣੀ ਸਮਝ ਨੂੰ ਗਹਿਰਾ ਕਰਨ ਲਈ ਇਸ [ਟਿਊਟੋਰਿਯਲ](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ਨੂੰ ਲਵੋ।
-## ਅਸਾਈਨਮੈਂਟ
+## ਅਸਾਈਨਮੈਂਟ
-[ਇੱਕ ਵੱਖਰਾ ਡਾਟਾਸੇਟ](assignment.md)
+[ਇਕ ਵੱਖਰਾ ਡੇਟਾ ਸੈੱਟ](assignment.md)
---
diff --git a/translations/pa/5-Clustering/README.md b/translations/pa/5-Clustering/README.md
index 64225a086..291c9cdbb 100644
--- a/translations/pa/5-Clustering/README.md
+++ b/translations/pa/5-Clustering/README.md
@@ -1,33 +1,35 @@
# ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਕਲੱਸਟਰਿੰਗ ਮਾਡਲ
-ਕਲੱਸਟਰਿੰਗ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਕੰਮ ਹੈ ਜਿਸ ਵਿੱਚ ਇਹ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਿਲਦੀਆਂ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਲੱਸਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸਮੂਹਬੱਧ ਕਰਦਾ ਹੈ। ਕਲੱਸਟਰਿੰਗ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਹੋਰ ਪਹੁੰਚਾਂ ਤੋਂ ਵੱਖਰਾ ਬਣਾਉਣ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਸਾਰਾ ਕੰਮ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਹੁੰਦਾ ਹੈ। ਅਸਲ ਵਿੱਚ, ਇਹ ਕਹਿਣਾ ਸਹੀ ਹੋਵੇਗਾ ਕਿ ਇਹ ਸੁਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦੇ ਉਲਟ ਹੈ।
+ਕਲੱਸਟਰਿੰਗ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਟਾਸਕ ਹੈ ਜਿਸ ਵਿੱਚ ਇਹ ਵੇਖਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਿਲਦੇ-ਜੁਲਦੇ ਵਸਤੂਆਂ ਨੂੰ ਲੱਭਣਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕਲੱਸਟਰ ਨਾਮਕ ਗਰੁੱਪਾਂ ਵਿੱਚ ਵੰਡਣਾ। ਜੋ ਗੱਲ ਕਲੱਸਟਰਿੰਗ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਹੋਰ ਤਰੀਕਿਆਂ ਤੋਂ ਵੱਖਰੀ ਬਣਾਉਂਦੀ ਹੈ, ਉਹ ਇਹ ਹੈ ਕਿ ਇਹ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਹੁੰਦੀ ਹੈ, ਦਰਅਸਲ, ਇਹ ਕਹਿਣ ਲਈ ਠੀਕ ਹੈ ਕਿ ਇਹ ਸਪਰਵਾਈਜ਼ਡ ਲਰਨਿੰਗ ਦਾ ਉਲਟ ਹੈ।
-## ਖੇਤਰੀ ਵਿਸ਼ਾ: ਨਾਈਜੀਰੀਆਈ ਦਰਸ਼ਕਾਂ ਦੇ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਲਈ ਕਲੱਸਟਰਿੰਗ ਮਾਡਲ 🎧
+## ਖੇਤਰੀ ਵਿਸ਼ਾ: ਨਾਈਜੀਰੀਆਈ ਦਰਸ਼ਕਾਂ ਦੀ ਸੰਗੀਤਕ ਪਸੰਦ ਲਈ ਕਲੱਸਟਰਿੰਗ ਮਾਡਲ 🎧
-ਨਾਈਜੀਰੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਦਰਸ਼ਕਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਹਨ। Spotify ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰਕੇ (ਇਸ ਲੇਖ ਤੋਂ ਪ੍ਰੇਰਿਤ [ਇਥੇ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ਆਓ ਨਾਈਜੀਰੀਆ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਕੁਝ ਸੰਗੀਤਾਂ ਨੂੰ ਵੇਖੀਏ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗੀਤਾਂ ਦੇ 'ਡਾਂਸੇਬਿਲਿਟੀ' ਸਕੋਰ, 'ਅਕੂਸਟਿਕਨੈਸ', ਲਾਊਡਨੈਸ, 'ਸਪੀਚੀਨੈਸ', ਪ੍ਰਸਿੱਧੀ ਅਤੇ ਊਰਜਾ ਬਾਰੇ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਡਾਟੇ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣਾ ਦਿਲਚਸਪ ਹੋਵੇਗਾ!
+ਨਾਈਜੀਰੀਆ ਦੇ ਵਿਭਿੰਨ ਦਰਸ਼ਕਾਂ ਦੀ ਸੰਗੀਤਕ ਪਸੰਦ ਵੀ ਵੱਖਰੀ ਵੱਖਰੀ ਹੈ। Spotify ਤੋਂ ਸਕ੍ਰੈਪ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ (ਇਸ ਲੇਖ ਤੋਂ ਪ੍ਰੇਰਿਤ [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), ਆਓ ਨਾਈਜੀਰੀਆ ਵਿੱਚ ਕੁਝ ਲੋਕਪਰੀਅ ਸੰਗੀਤ ਨੂੰ ਦੇਖੀਏ। ਇਸ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਗਾਣਿਆਂ ਦੇ 'ਡਾਂਸੇਬਿਲਿਟੀ' ਸਕੋਰ, 'ਅਕੂਸਟਿਕਨੈੱਸ', ਸ਼ੋਰਗੁਲ, 'ਸਪੀਚੀਨੈੱਸ', ਪ੍ਰਸਿੱਧੀ ਅਤੇ ਊਰਜਾ ਬਾਰੇ ਡੇਟਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਲੱਭਣਾ ਦਿਲਚਸਪ ਹੋਵੇਗਾ!
> ਫੋਟੋ ਮਾਰਸੇਲਾ ਲਾਸਕੋਸਕੀ ਦੁਆਰਾ ਅਨਸਪਲੈਸ਼ 'ਤੇ
-ਇਸ ਪਾਠਮਾਲਾ ਦੀ ਲੜੀ ਵਿੱਚ, ਤੁਸੀਂ ਕਲੱਸਟਰਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਸਿੱਖੋਗੇ। ਕਲੱਸਟਰਿੰਗ ਖਾਸ ਤੌਰ 'ਤੇ ਉਸ ਸਮੇਂ ਲਾਭਦਾਇਕ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਤੁਹਾਡੇ ਡਾਟਾਸੈਟ ਵਿੱਚ ਲੇਬਲ ਨਹੀਂ ਹੁੰਦੇ। ਜੇ ਇਸ ਵਿੱਚ ਲੇਬਲ ਹਨ, ਤਾਂ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ ਸਿੱਖੀਆਂ ਗਈਆਂ ਵਰਗੀਕਰਨ ਤਕਨੀਕਾਂ ਜ਼ਿਆਦਾ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਪਰ ਜਦੋਂ ਤੁਸੀਂ ਬਿਨਾਂ ਲੇਬਲ ਵਾਲੇ ਡਾਟੇ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਕਲੱਸਟਰਿੰਗ ਪੈਟਰਨ ਲੱਭਣ ਦਾ ਇੱਕ ਵਧੀਆ ਤਰੀਕਾ ਹੈ।
+ਇਸ ਲੜੀਵਾਰ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਕਲੱਸਟਰਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡੇਟਾ ਦਾ ਨਵਾਂ ਢੰਗ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸਿੱਖੋਗੇ। ਜਦੋਂ ਤੁਹਾਡੇ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਲੇਬਲ ਨਹੀਂ ਹੁੰਦੇ, ਕਲੱਸਟਰਿੰਗ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੈ। ਜੇ ਲੇਬਲ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ ਸਿੱਖੀ ਗਈ ਵਰਗੀ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਤਕਨੀਕਾਂ ਜ਼ਿਆਦਾ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਪਰ ਜਦੋਂ ਤੁਸੀਂ ਅਣਲੇਬਲਡ ਡੇਟਾ ਨੂੰ ਗਰੁੱਪ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਕਲੱਸਟਰਿੰਗ ਪੈਟਰਨ ਲੱਭਣ ਦਾ ਬਿਹਤਰ ਤਰੀਕਾ ਹੈ।
-> ਕੁਝ ਲੋ-ਕੋਡ ਟੂਲ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਲੱਸਟਰਿੰਗ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਬਾਰੇ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਸ ਕੰਮ ਲਈ [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+> ਕੁਝ ਲੋ-ਕੋਡ ਸੰਦ ਮੌਜੂਦ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਲੱਸਟਰਿੰਗ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਬਾਰੇ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਟਾਸਕ ਲਈ [Azure ML](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ
## ਪਾਠ
-1. [ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਿਚਯ](1-Visualize/README.md)
+1. [ਕਲੱਸਟਰਿੰਗ ਦਾ ਪ੍ਰਿੰਤਭੂਤ ਪਰੀਚੈ](1-Visualize/README.md)
2. [ਕੇ-ਮੀਨਜ਼ ਕਲੱਸਟਰਿੰਗ](2-K-Means/README.md)
-## ਸ਼੍ਰੇਯ
+## ਸ਼ੁਕਰਾਨੇ
-ਇਹ ਪਾਠ 🎶 ਨਾਲ [ਜੈਨ ਲੂਪਰ](https://www.twitter.com/jenlooper) ਦੁਆਰਾ ਲਿਖੇ ਗਏ ਹਨ, ਅਤੇ [ਰਿਸ਼ਿਤ ਦਾਗਲੀ](https://rishit_dagli) ਅਤੇ [ਮੁਹੰਮਦ ਸਾਕਿਬ ਖਾਨ ਇਨਾਨ](https://twitter.com/Sakibinan) ਦੁਆਰਾ ਮਦਦਗਾਰ ਸਮੀਖਿਆਵਾਂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ।
+ਇਹ ਪਾਠ 🎶 ਦੀ ਸਹਾਇਤਾ ਨਾਲ [ਜੇਨ ਲੂਪਰ](https://www.twitter.com/jenlooper) ਵੱਲੋਂ ਲਿਖੇ ਗਏ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ [ਰਿਸ਼ਿਤ ਦਾਗਲੀ](https://rishit_dagli/) ਅਤੇ [ਮੁਹੰਮਦ ਸਾਕਿਬ ਖਾਨ ਇਨਾਨ](https://twitter.com/Sakibinan) ਦੀ ਮਦਦ ਨਾਲ ਸਮੀਖਿਆ ਮਿਲੀ ਹੈ।
-[ਨਾਈਜੀਰੀਆਈ ਗੀਤਾਂ](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ਡਾਟਾਸੈਟ Kaggle ਤੋਂ Spotify ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ।
+[ਨਾਈਜੀਰੀਆਈ ਗਾਣੇ](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ਡੇਟਾਸੈੱਟ ਨੂੰ Kaggle ਤੋਂ, ਜੋ Spotify ਤੋਂ ਸਕ੍ਰੈਪ ਕੀਤਾ ਗਿਆ ਸੀ, ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ।
-ਉਪਯੋਗ ਕੇ-ਮੀਨਜ਼ ਉਦਾਹਰਣਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਇਸ ਪਾਠ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ ਇਹ [ਆਇਰਿਸ ਐਕਸਪਲੋਰੇਸ਼ਨ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ਇਹ [ਪਰਿਚਯਾਤਮਕ ਨੋਟਬੁੱਕ](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ਅਤੇ ਇਹ [ਕਲਪਨਾਤਮਕ NGO ਉਦਾਹਰਣ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)।
+ਕੇ-ਮੀਨਜ਼ ਦੇ ਕੁਝ ਲਾਭਦਾਇਕ ਉਦਾਹਰਨ ਜੋ ਇਸ ਪਾਠ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਸਾਬਤ ਹੋਈਆਂ, ਉਨ੍ਹਾਂ ਵਿੱਚ ਇਸ [ਆਇਰਿਸ ਖੋਜ](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ਇਹ [ਪ੍ਰਸਤਾਵਿਕ ਨੋਟਬੁੱਕ](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ਅਤੇ ਇਹ [ਕਲਪਨਾਤਮਕ NGO ਉਦਾਹਰਨ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) ਸ਼ਾਮਲ ਹਨ।
---
-**ਅਸਵੀਕਤੀ**:
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
+
+**ਅਸਵੀਕਾਰੋਪਣ**:
+ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
+
\ No newline at end of file
diff --git a/translations/pa/7-TimeSeries/README.md b/translations/pa/7-TimeSeries/README.md
index e3429d986..4df6d2467 100644
--- a/translations/pa/7-TimeSeries/README.md
+++ b/translations/pa/7-TimeSeries/README.md
@@ -1,28 +1,30 @@
-# ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਚੇ
+# ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦਾ ਪਰਿਚਯ
-ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਕੀ ਹੈ? ਇਹ ਪਿਛਲੇ ਰੁਝਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਭਵਿੱਖ ਦੇ ਘਟਨਾਵਾਂ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਬਾਰੇ ਹੈ।
+ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਕੀ ਹੈ? ਇਹ ਭੂਤਕਾਲ ਦੇ ਰੁਝਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹੋਏ ਭਵਿੱਖੀ ਘਟਨਾਵਾਂ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਬਾਰੇ ਹੈ।
-## ਖੇਤਰੀ ਵਿਸ਼ਾ: ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ ✨
+## ਖੇਤਰੀ ਵਿਸ਼ਾ: ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਵਿਦਿਊਤ ਉਪਯੋਗ ✨
-ਇਨ੍ਹਾਂ ਦੋ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਥੋੜ੍ਹਾ ਘੱਟ ਜਾਣਿਆ ਗਿਆ ਖੇਤਰ ਹੈ ਪਰ ਫਿਰ ਵੀ ਉਦਯੋਗ ਅਤੇ ਕਾਰੋਬਾਰ ਦੇ ਅਰਜ਼ੀਆਂ ਸਮੇਤ ਹੋਰ ਖੇਤਰਾਂ ਲਈ ਬਹੁਤ ਹੀ ਕੀਮਤੀ ਹੈ। ਜਦੋਂ ਕਿ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਨੂੰ ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਦੀ ਯੂਟਿਲਿਟੀ ਵਧਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਸੀਂ ਇਨ੍ਹਾਂ ਨੂੰ ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਅਧਿਐਨ ਕਰਾਂਗੇ ਕਿਉਂਕਿ ਮਾਡਲ ਪਿਛਲੇ ਡਾਟੇ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
+ਇਨ੍ਹਾਂ ਦੋ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਨਾਲ ਜਾਣੂ ਕਰਵਾਇਆ ਜਾਵੇਗਾ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਥੋੜ੍ਹਾ ਘੱਟ ਜਾਣਿਆ ਹੋਇਆ ਖੇਤਰ ਹੈ ਪਰ ਉਦਯੋਗ ਅਤੇ ਵਪਾਰਕ ਅਰਜ਼ੀਆਂ ਸਹਿਤ ਹੋਰ ਖੇਤਰਾਂ ਲਈ ਬਹੁਤ ਕੀਮਤੀ ਹੈ। ਜਦੋਂ ਕਿ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਬਿਹਤਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਸੀਂ ਇਨ੍ਹਾਂ ਨੂੰ ਪੁਰਾਣੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਪੜ੍ਹਾਂਗੇ ਕਿਉਂਕਿ ਮਾਡਲ ਭੂਤਕਾਲ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖੀ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
-ਸਾਡਾ ਖੇਤਰੀ ਧਿਆਨ ਦੁਨੀਆ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ 'ਤੇ ਹੈ, ਜੋ ਕਿ ਭਵਿੱਖ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਖਪਤ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਲੋਡ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਖਣ ਲਈ ਇੱਕ ਦਿਲਚਸਪ ਡਾਟਾਸੈਟ ਹੈ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਫੋਰਕਾਸਟਿੰਗ ਕਾਰੋਬਾਰੀ ਮਾਹੌਲ ਵਿੱਚ ਕਿੰਨੀ ਮਦਦਗਾਰ ਹੋ ਸਕਦੀ ਹੈ।
+ਸਾਡਾ ਖੇਤਰੀ ਧਿਆਨ ਦੁਨੀਆ ਵਿੱਚ ਵਿਦਿਊਤ ਉਪਯੋਗ 'ਤੇ ਹੈ, ਜੋ ਕਿ ਭੂਤਕਾਲ ਦੇ ਲੋਡ ਦੇ ਪੈਟਰਨ ਦੇ ਆਧਾਰ 'ਤੇ ਭਵਿੱਖੀ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਦੀ ਪੇਸ਼ਗੋਈ ਸਿੱਖਣ ਲਈ ਇੱਕ ਦਿਲਚਸਪ ਡੇਟਾਸੈੱਟ ਹੈ। ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਵਪਾਰਕ ਮਾਹੌਲ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪੇਸ਼ਗੋਈ ਕਿੰਨੀ ਮਦਦਗਾਰ ਹੋ ਸਕਦੀ ਹੈ।
-ਫੋਟੋ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ਵੱਲੋਂ, ਜੋ ਕਿ ਰਾਜਸਥਾਨ ਵਿੱਚ ਸੜਕ 'ਤੇ ਬਿਜਲੀ ਦੇ ਟਾਵਰਾਂ ਦੀ ਹੈ, [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) 'ਤੇ।
+ਫੋਟੋ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ਵੱਲੋਂ ਰਾਜਸਥਾਨ ਵਿੱਚ ਸੜਕ 'ਤੇ ਵਿਦਿਊਤ ਟਾਵਰਾਂ ਦੀ ਹੈ [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## ਪਾਠ
-1. [ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਚੇ](1-Introduction/README.md)
-2. [ARIMA ਟਾਈਮ ਸੀਰੀਜ਼ ਮਾਡਲ ਬਣਾਉਣਾ](2-ARIMA/README.md)
-3. [ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਲਈ ਸਪੋਰਟ ਵੈਕਟਰ ਰਿਗ੍ਰੈਸਰ ਬਣਾਉਣਾ](3-SVR/README.md)
+1. [ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਦਾ ਪਰਿਚਯ](1-Introduction/README.md)
+2. [ARIMA ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਮਾਡਲ ਬਣਾਉਣਾ](2-ARIMA/README.md)
+3. [ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਲਈ ਸਪੋਰਟ ਵੈਕਟਰ ਰਿਗ੍ਰੈੱਸਰ ਬਣਾਉਣਾ](3-SVR/README.md)
-## ਸ਼੍ਰੇਯ
+## ਕ੍ਰੈਡਿਟਸ
-"ਟਾਈਮ ਸੀਰੀਜ਼ ਫੋਰਕਾਸਟਿੰਗ ਦਾ ਪਰਚੇ" ਨੂੰ ⚡️ ਨਾਲ [Francesca Lazzeri](https://twitter.com/frlazzeri) ਅਤੇ [Jen Looper](https://twitter.com/jenlooper) ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ ਸੀ। ਨੋਟਬੁੱਕ ਪਹਿਲਾਂ [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ਵਿੱਚ ਆਨਲਾਈਨ ਪ੍ਰਕਾਸ਼ਿਤ ਹੋਈਆਂ ਸਨ, ਜੋ ਮੁਢਲੀਆਂ ਤੌਰ 'ਤੇ Francesca Lazzeri ਵੱਲੋਂ ਲਿਖੀਆਂ ਗਈਆਂ ਸਨ। SVR ਪਾਠ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ ਸੀ।
+"ਸਮੇਂ ਦੀ ਸਿਰਿਜ਼ ਅਨੁਮਾਨ ਦਾ ਪਰਿਚਯ" ਨੂੰ ⚡️ ਨਾਲ [Francesca Lazzeri](https://twitter.com/frlazzeri) ਅਤੇ [Jen Looper](https://twitter.com/jenlooper) ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ ਸੀ। ਇਹ ਨੋਟਬੁਕਸ ਪਹਿਲਾਂ ਆਨਲਾਈਨ [Azure "Deep Learning For Time Series" ਰਿਪੋ](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ਵਿੱਚ ਦਿਖਾਈ ਦਿੱਤੇ, ਜੋ ਮੁਢਲੀ ਵਾਰ Francesca Lazzeri ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ ਸੀ। SVR ਪਾਠ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ ਸੀ।
---
-**ਅਸਵੀਕਤੀ**:
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
+
+**ਅਸਵੀਕਾਰੋਪਣ**:
+ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
+
\ No newline at end of file
diff --git a/translations/pa/README.md b/translations/pa/README.md
index 4bf261aba..91b0992fc 100644
--- a/translations/pa/README.md
+++ b/translations/pa/README.md
@@ -8,16 +8,16 @@
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
-### 🌐 ਬਹੁਭਾਸ਼ਾ ਸਹਾਇਤਾ
+### 🌐 ਬਹੁ-ਭਾਸ਼ਾਈ ਸਹਾਇਤਾ
-#### GitHub ਐਕਸ਼ਨ ਰਾਹੀਂ ਸਹਾਇਤਾ (ਆਟੋਮੇਟਿਕ ਅਤੇ ਹਮੇਸ਼ਾ ਅਪ-ਟੂ-ਡੇਟ)
+#### GitHub ਐਕਸ਼ਨ ਰਾਹੀਂ ਸਮਰਥਿਤ (ਆਟੋਮੈਟਿਕ ਅਤੇ ਹਮੇਸ਼ਾ ਅੱਪ-ਟੂ-ਡੇਟ)
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](./README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
-> **ਕੀ ਤੁਸੀਂ ਸਥਾਨਕ ਕਲੋਨ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹੋ?**
+> **ਕੀ ਤੁਸੀਂ ਲੋਕਲ ਤੌਰ 'ਤੇ ਕਲੋਨ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹੋ?**
>
-> ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ 50+ ਭਾਸ਼ਾ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਦਾ ਆਕਾਰ ਬਹੁਤ ਵਧਾ ਦਿੰਦੇ ਹਨ। ਬਿਨਾਂ ਅਨੁਵਾਦਾਂ ਦੇ ਕਲੋਨ ਕਰਨ ਲਈ, sparse checkout ਵਰਤੋ:
+> ਇਸ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ 50+ ਭਾਸ਼ਾ ਦੇ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਹਨ ਜੋ ਡਾਊਨਲੋਡ ਸਾਈਜ਼ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ਤੇ ਵਧਾਉਂਦੇ ਹਨ। ਬਿਨਾ ਅਨੁਵਾਦਾਂ ਦੇ ਕਲੋਨ ਕਰਨ ਲਈ, ਸਪਾਰਸ ਚੈੱਕਆਊਟ ਵਰਤੋ:
>
> **Bash / macOS / Linux:**
> ```bash
@@ -26,69 +26,72 @@
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
>
-> **CMD (Windows):**
+> **CMD (ਵਿੰਡੋਜ਼):**
> ```cmd
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> ਇਹ ਤੁਹਾਨੂੰ ਪੂਰਾ ਕੋਰਸ ਮੁਕੰਮਲ ਕਰਨ ਲਈ ਜਰੂਰੀ ਸਾਰਾ ਕੁਝ ਤੇਜ਼ ਡਾਊਨਲੋਡ ਨਾਲ ਦਿੰਦਾ ਹੈ।
+> ਇਹ ਤੁਹਾਨੂੰ ਕੋਰਸ ਪੂਰਾ ਕਰਨ ਲਈ ਸਾਰੀ ਲੋੜੀਂਦੀ ਚੀਜ਼ ਤੇਜ਼ ਡਾਊਨਲੋਡ ਨਾਲ ਦਿੰਦਾ ਹੈ।
-#### ਸਾਡੇ ਸਮੁਦਾਇ ਨਾਲ ਜੁੜੋ
+#### ਸਾਡੀ ਕਮਿিউਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ
[](https://discord.gg/nTYy5BXMWG)
-ਸਾਡੇ ਕੋਲ Discord ਤੇ ਇੱਕ AI ਸਿਖਣ ਵਾਲੀ ਸੀਰੀਜ਼ ਚੱਲ ਰਹੀ ਹੈ, ਵਧੇਰੇ ਜਾਣਨ ਅਤੇ ਸਾਡੇ ਨਾਲ ਜੁੜਨ ਲਈ [Learn with AI Series](https://aka.ms/learnwithai/discord) 'ਤੇ 18 - 30 ਸਤੰਬਰ, 2025 ਨੂੰ ਮਿਲੋ। ਤੁਸੀਂ GitHub Copilot ਦੀ ਵਰਤੋਂ ਲਈ ਟਿੱਪਸ ਅਤੇ ਟ੍ਰਿੱਕਸ ਹਾਸਲ ਕਰੋਗੇ।
+ਸਾਡੇ ਕੋਲ ਏ ਆਈ ਦੇ ਨਾਲ ਸਿੱਖਣ ਦੀ ਇੱਕ ਡਿਸਕੋਰਡ ਸਿਰੀਜ਼ ਚੱਲ ਰਹੀ ਹੈ, ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਅਤੇ ਸਾਡੇ ਨਾਲ ਜੁੜਨ ਲਈ [Learn with AI Series](https://aka.ms/learnwithai/discord) ਵਿੱਚ 18 - 30 ਸਤੰਬਰ, 2025 ਨੂੰ ਸ਼ਾਮਿਲ ਹੋਵੋ। ਤੁਹਾਨੂੰ ਡਾਟਾ ਸਾਇੰਸ ਲਈ GitHub Copilot ਦੇ ਉਪਯੋਗ ਦੇ ਟਿਪਸ ਅਤੇ ਟ੍ਰਿਕਸ ਮਿਲਣਗੇ।
-# ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਬਿਗਿਨਰਜ਼ - ਇੱਕ ਕੋਰਸ
+# ਸ਼ੁਰੂਆਤੀ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ - ਇੱਕ ਕਰੀਕੁਲਮ
-> 🌍 ਦੁਨੀਆ ਦੀ ਸੈਰ ਕਰੋ ਜਿਵੇਂ ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਵੱਖ-ਵੱਖ ਸੰਸਕ੍ਰਿਤੀਆਂ ਰਾਹੀਂ ਸਮਝਦੇ ਹਾਂ 🌍
+> 🌍 ਦੁਨੀਆ ਦੀ ਸੈਰ ਕਰੋ ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਦੁਨੀਆ ਦੇ ਸਭਿਆਚਾਰਾਂ ਦੇ ਜ਼ਰੀਏ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਖੋਜਦੇ ਹਾਂ 🌍
-ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੇ Cloud Advocates ਤੁਹਾਨੂੰ 12 ਹਫ਼ਤੇ, 26 ਪਾਠਾਂ ਵਾਲਾ ਕੋਰਸ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਖੁਸ਼ ਹਨ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਵਾਰੇ ਹੈ। ਇਸ ਕੋਰਸ ਵਿੱਚ, ਤੁਸੀਂ ਅਕਸਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ**, ਅੰਕੜਿਆਂ ਲਈ ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਪੁਸਤਕਾਲੇ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਤੋਂ ਬਚਦਿਆਂ ਸਿੱਖੋਗੇ, ਜੋ ਸਾਡੇ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹਨਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੇ ['ਡਾਟਾ ਸਾਇੰਸ ਫਾਰ ਬਿਗਿਨਰਜ਼' ਕੋਰਸ](https://aka.ms/ds4beginners) ਨਾਲ ਜੋੜ ਸਕਦੇ ਹੋ।
+ਮਾਇਕ੍ਰੋਸਾਫਟ ਵਿਖੇ ਕਲਾਉਡ ਐਡਵੋਕੇਟ ਖੁਸ਼ ਹਨ ਕਿ ਉਹ 12-ਹਫਤਿਆਂ ਦਾ, 26-ਪਾਠਾਂ ਵਾਲਾ ਕਰੀਕੁਲਮ ਪੇਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਕੁੱਲ ਮਿਲਾ ਕੇ **ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਬਾਰੇ ਹੈ। ਇਸ ਕਰੀਕੁਲਮ ਵਿੱਚ, ਤੁਸੀਂ ਕਿਸੇ ਵੇਲੇ ਕਿਹਾ ਜਾਣ ਵਾਲੇ **ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ** ਬਾਰੇ ਸਿੱਖੋਗੇ, ਮੁੱਖ ਤੌਰ 'ਤੇ Scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਵਰਤਦੇ ਹੋਏ ਅਤੇ ਡੀਪ ਲਰਨਿੰਗ ਨੂੰ ਬਚਕੇ, ਜੋ ਸਾਡੀ [AI for Beginners' curriculum](https://aka.ms/ai4beginners) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ਸਾਡੇ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ਨਾਲ ਵੀ ਜੋੜੋ।
-ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਭਰ ਦੀ ਯਾਤਰਾ ਕਰੋ ਜਦੋਂ ਅਸੀਂ ਇਹ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਦੁਨੀਆ ਦੇ ਬਹੁਤ ਸਾਰੇ ਹਿੱਸਿਆਂ ਦੇ ਡੇਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿੱਚ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਾਲੇ ਕੁਇਜ਼, ਲਿਖਤੀ ਹਦਾਇਤਾਂ, ਸਮਾਧਾਨ, ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹਨ। ਸਾਡੀ ਪ੍ਰੋਜੈਕਟ ਅਧਾਰਿਤ ਪੈਡਾਗੋਜੀ ਤੁਹਾਨੂੰ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਖਣ ਦਿੰਦੀ ਹੈ, ਜੋ ਨਵੇਂ ਹੁਨਰਾਂ ਨੂੰ ਲੱਗਣ ਲਈ ਸਾਬਿਤ ਤਰੀਕਾ ਹੈ।
+ਸਾਡੇ ਨਾਲ ਦੁਨੀਆ ਦੀ ਸੈਰ ਕਰੋ ਜਦੋਂ ਅਸੀਂ ਇਨ੍ਹਾਂ ਕਲਾਸਿਕ ਤਕਨੀਕਾਂ ਨੂੰ ਦੁਨੀਆਂ ਦੇ ਕਈ ਖੇਤਰਾਂ ਦੇ ਡਾਟਾ 'ਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਹਰ ਪਾਠ ਵਿਚ ਪੂਰਵ ਅਤੇ ਬਾਅਦ ਦੇ ਕਵਿਜ਼, ਲਿਖਤੀ ਹੁਕਮਾਂ ਨਾਲ ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, ਇਕ ਹੱਲ, ਇੱਕ ਅਸਾਈਨਮੈਂਟ ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹਨ। ਸਾਡੀ ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ ਪੈਡਾਗੌਜੀ ਤੁਹਾਨੂੰ ਸਿਖਾਉਂਦੀ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋ, ਜੋ ਨਵੀਆਂ ਸਿੱਖਣੀਆਂ ਚੀਜਾਂ ਲਈ ਇੱਕ ਸਾਬਤ ਤਰੀਕਾ ਹੈ।
-**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ** ਜੈਨ ਲੂਪਰ, ਸਟੀਫਨ ਹੋਵੇਲ, ਫ੍ਰਾਂਚੇਸਕਾ ਲਾਜੇਰੀ, ਟੋਮੋਮੀ ਇਮුරਾ, ਕੈਸੀ ਬ੍ਰੇਵਿਉ, ਦਿਮਿੱਤਰੀ ਸੋਸ਼ਨਿਕੋਵ, ਕ੍ਰਿਸ ਨੋਰਿੰਗ, ਅਨਿਰਬਨ ਮੁਖਰਜੀ, ਔਰਨੇਲਾ ਅਲਟੁਨਯਾਨ, ਰੁਥ ਯਾਕੂਬੂ ਅਤੇ ਐਮੀ ਬੋਇਡ
+**✍️ ਸਾਡੇ ਲੇਖਕਾਂ ਦਾ ਦਿਲੋਂ ਧੰਨਵਾਦ** ਜੇਨ ਲੂਪਰ, ਸਟੀਫਨ ਹਾਵਲ, ਫ੍ਰਾਂਚੇਸਕਾ ਲਾਜ਼ੇਰੀ, ਟੋਮੋਮੀ ਇਮੁਰਾ, ਕਿਸੀ ਬਰੇਵਿਊ, ਡਿਮਿਟਰੀ ਸੋਸ਼ਨਿਕੋਵ, ਕ੍ਰਿਸ ਨੋਰਿੰਗ, ਅਨੀਰਬਨ ਮੁਖਰਜੀ, ਓਰਨੈਲਾ ਅਲਟੁਨਯਾਨ, ਰੁਥ ਯਾਕ਼ੂਬੂ ਅਤੇ ਏਮੀ ਬੌਇਡ
-**🎨 ਸਾਡੇ ਇਲੱਸਟ੍ਰੇਟਰਾਂ ਨੂੰ ਧੰਨਵਾਦ** ਟੋਮੋਮੀ ਇਮੁਰਾ, ਦਸਾਨੀ ਮਡਿਪੱਲੀ, ਅਤੇ ਜੈਨ ਲੂਪਰ
+**🎨 ਸਾਡੇ ਇਲਸਟਰਟਰਾਂ ਲਈ ਵੀ ਧੰਨਵਾਦ** ਟੋਮੋਮੀ ਇਮੁਰਾ, ਦਾਸਨੀ ਮਾਡਿਪੱਲੀ, ਅਤੇ ਜੇਨ ਲੂਪਰ
-**🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ ਮਾਈਕ੍ਰੋਸਾਫਟ ਸਟੂਡੈਂਟ ਐਂਬੈਸਡਰ ਲੇਖਕਾਂ, ਸਮੀਖਣਕਾਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਸਹਿਯੋਗੀਆਂ ਨੂੰ**, ਖਾਸ ਕਰਕੇ ਰਿਸ਼ਿਤ ਡਾਗਲੀ, ਮੁਹੰਮਦ ਸਾਕਿਬ ਖਾਨ ਇਨਾਨ, ਰੋਹਨ ਰਾਜ, ਅਲੈਕਜ਼ੈਂਡਰੂ ਪੇਟਰੈਸਕੂ, ਅਭਿਸ਼ੇਕ ਜੈਸਵਾਲ, ਨੌਰੀਨ ਤਬੱਸਮ, ਆਇਓਨ ਸਮੂਲਾ, ਅਤੇ ਸਨਿਗਧਾ ਅਗਰਵਾਲ
+**🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ Microsoft ਸਟੂਡੈਂਟ ਅੰਬੈਸਡਰ ਲੇਖਕਾਂ, ਸਮੀਖਿਆਕਾਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਸਹਿਯੋਗੀਆਂ ਨੂੰ**, ਖ਼ਾਸ ਕਰਕੇ ਰਿਸ਼ਿਤ ਡਾਗਲੀ, ਮੁਹੰਮਦ ਸਕੀਬ ਖਾਨ ਇਨਾਨ, ਰੋਹਨ ਰਾਜ, ਅਲੈਕਜ਼ੈਂਡਰ ਪੇਤਰੇਸਕੂ, ਅਭੀਸ਼ੇਕ ਜੈਸਵਾਲ, ਨਵਰੀਨ ਤਬੱਸਮ, ਇਓਅਨ ਸਮੁਇਲਾ, ਅਤੇ ਸਨਿਗਧਾ ਅਗਰਵਾਲ
-**🤩 ਵਧੇਰੇ ਧੰਨਵਾਦ ਮਾਈਕ੍ਰੋਸਾਫਟ ਸਟੂਡੈਂਟ ਐਂਬੈਸਡਰ ਏਰਿਕ ਵੰਜਾਉ, ਜਸਲੀਨ ਸੋਂਧੀ, ਅਤੇ ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ ਲਈ ਸਾਡੇ R ਪਾਠਾਂ 'ਤੇ!**
+**🤩 ਸਾਡੇ R ਪਾਠਾਂ ਲਈ Microsoft ਸਟੂਡੈਂਟ ਅੰਬੈਸਡਰ ਐਰਿਕ ਵਾਂਜਾਊ, ਜਸਲੀਨ ਸੋਂਧੀ ਅਤੇ ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ ਦਾ ਵਧੀਆ ਧੰਨਵਾਦ!**
-# ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰੀਏ
+# ਸ਼ੁਰੂਆਤ ਕਰਨਾ
-ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
-1. **ਰਿਪੋਜ਼ਟਰੀ ਫੋਰਕ ਕਰੋ**: ਇਸ ਪੰਨੇ ਦੇ ਸੱਜੇ-ਵੱਛਰੇ ਕੋਨੇ ਵਿੱਚ "Fork" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-2. **ਰਿਪੋਜ਼ਟਰੀ ਕਲੋਨ ਕਰੋ**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+ਇਹ ਕਦਮ ਅਪਣਾੳ:
+1. **ਰਿਪੋਜ਼ਿਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ**: ਇਸ ਪੇਜ ਦੇ ਸੱਜੇ-ਵਰਗੇ ਕੋਨੇ 'Fork' ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+2. **ਰਿਪੋਜ਼ਿਟਰੀ ਨੂੰ ਕਲੋਨ ਕਰੋ**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੀਆਂ ਵਾਧੂ ਸਾਂਝ ਵਸਤਾਂ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> 💡 **ਫਟਾਫਟ ਸ਼ੁਰੂਆਤ ਟਿਪ:** ਕੀ ਤੁਸੀਂ ਬਿਨਾ ਆਪਣੀ ਮਸ਼ੀਨ ਉੱਤੇ Python ਸੈਟਅੱਪ ਕੀਤੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਆਪਣੇ ਫੋਰਕ ਲਈ ਇੱਕ ਕਲਾਉਡ ਡਿਵੈਲਪਮੈਂਟ ਵਾਤਾਵਰਨ ਬਣਾਉਣ ਲਈ [GitHub Codespaces](https://github.com/features/codespaces) ਵਰਤੋ। ਹਰੇ **Code** ਮੇਨੂ ਨੂੰ ਖੋਲ੍ਹੋ, **Codespaces** ਚੁਣੋ ਅਤੇ ਇੱਕ ਕੋਡਸਪੇਸ ਬਣਾਓ; ਹਰੇਕ ਪਾਠ ਦੀ ਲੋੜੀਂਦੀDependencies ਇਸ ਦੇ ਅੰਦਰ ਤੌਰ ਤੇ ਇੰਸਟਾਲ ਕਰੋ।
-> 🔧 **ਮਦਦ ਚਾਹੀਦੀ ਹੈ?** ਸਾਡਾ [Troubleshooting Guide](TROUBLESHOOTING.md) ਵੇਖੋ ਸਥਾਪਨਾ, ਸੈਟਅਪ, ਅਤੇ ਪਾਠ ਚਲਾਉਣ ਸਮੇਤ ਆਮ ਸਮੱਸਿਆਵਾਂ ਲਈ ਹਲਾਂ.
+> [ਸਾਡੀ Microsoft Learn ਕਲੇਕਸ਼ਨ ਵਿੱਚ ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਕੋਰਸ ਨੂੰ ਵਰਤਣ ਲਈ, ਪੂਰਾ ਰਿਪੋ ਆਪਣੇ GitHub ਖਾਤੇ ਤੇ ਫੋਰਕ ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਖੁਦ ਜਾਂ ਟੀਮ ਨਾਲ ਪੂਰੇ ਕਰੋ:
+> 🔧 **ਮਦਦ ਚਾਹੀਦੀ ਹੈ?** ਸਥਾਪਨਾ, ਸੈਟਅਪ ਅਤੇ ਪਾਠਾਂ ਚਲਾਉਣ ਵਿੱਚ ਆਮ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਾਡਾ [Troubleshooting Guide](TROUBLESHOOTING.md) ਵੇਖੋ।
-- ਪ੍ਰੀ-ਲੇਕਚਰ ਕੁਇਜ਼ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ।
-- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਸਰਗਰਮੀ ਮੁਕੰਮਲ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕ ਕੇ ਸੋਚੋ।
-- ਇੰਡੇਪੈਂਡੈਂਟ ਅਰਥ ਨਾਲ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਨਾ ਕਿ ਸਾਲੂਸ਼ਨ ਕੋਡ ਚਲਾਉਣ ਦੀ; ਹਾਲਾਂਕਿ /solution ਫੋਲਡਰਾਂ ਵਿੱਚ ਉਹ ਕੋਡ ਉਪਲਬਧ ਹੈ।
-- ਪੋਸਟ-ਲੇਕਚਰ ਕੁਇਜ਼ ਲਓ।
-- ਚੈਲੰਜ ਪੂਰਾ ਕਰੋ।
+
+**[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**, ਇਸ ਕਰੀਕੁਲਮ ਨੂੰ ਵਰਤਣ ਲਈ, ਸਾਰਾ ਰਿਪੋ ਆਪਣੇ GitHub ਖਾਤੇ ਵਿੱਚ ਫੋਰਕ ਕਰੋ ਅਤੇ ਅਭਿਆਸ ਆਪਣੇ ਆਪ ਜਾਂ ਸਮੂਹ ਨਾਲ ਪੂਰੇ ਕਰੋ:
+
+- ਪਹਿਲਾਂ ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ।
+- ਲੈਕਚਰ ਪੜ੍ਹੋ ਅਤੇ ਗਤੀਵਿਧੀਆਂ ਪੂਰੀਆਂ ਕਰੋ, ਹਰ ਗਿਆਨ ਜਾਂਚ 'ਤੇ ਰੁਕ ਕੇ ਅਤੇ ਸੋਚਦੇ ਹੋਏ।
+- ਸਮਝ ਕੇ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਸਿੱਧੀ ਹੱਲ ਕੋਡ ਚਲਾਉਣ ਦੀ bajay; ਹਾਲਾਂਕਿ ਉਹ ਕੋਡ ਹਰ ਪ੍ਰੋਜੈਕਟ-ਕੇਂਦਰਿਤ ਪਾਠ ਦੇ `/solution` ਫੋਲਡਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ।
+- ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼ ਲਵੋ।
+- ਚੈਲੇਂਜ ਪੂਰਾ ਕਰੋ।
- ਅਸਾਈਨਮੈਂਟ ਪੂਰਾ ਕਰੋ।
-- ਕਿਸੇ ਪਾਠ ਗਰూప ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) 'ਤੇ ਜਾਓ ਅਤੇ 'ਜੋਖਮ ਲਓ' ਦੁਆਰਾ ਸਹੀ PAT ਰੁਬ੍ਰਿਕ ਭਰੋ। PAT ਇੱਕ ਪਰੇਗਤੀ ਮੁਲਾਂਕਣ ਸੰਦ ਹੈ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਸਿੱਖਣ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਭਰਦੇ ਹੋ। ਤੁਸੀਂ ਹੋਰ PATs 'ਤੇ ਵੀ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਸਾਨੂੰ ਇਕੱਠੇ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਮਿਲੇ।
+- ਇਕ ਪਾਠ ਸਮੂਹ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) 'ਤੇ ਜਾਓ ਅਤੇ ਸਬੰਧਿਤ PAT ਰੂਬ੍ਰਿਕ ਭਰ ਕੇ "ਜੋਸ਼ ਨਾਲ ਸਿੱਖੋ"। ‘PAT’ ਇੱਕ ਪ੍ਰੋਗਰੈਸ ਅਸੈਸਮੈਂਟ ਟੂਲ ਹੈ ਜੋ ਤੁਸੀਂ ਆਪਣੀ ਸਿੱਖਿਆ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਭਰਦੇ ਹੋ। ਤੁਸੀਂ ਹੋਰ PATs ਨੂੰ ਵੀ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਅਸੀਂ ਮਿਲ ਕੇ ਸਿੱਖ ਸਕੀਏ।
-> ਅੱਗੇ ਪੜ੍ਹਾਈ ਲਈ ਸਾਨੂੰ ਇਹ ਸਿਫਾਰਸ਼ ਹੈ ਕਿ ਤੁਸੀਂ ਇਹ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮਾਡਿਊਲਾਂ ਅਤੇ ਅਧਿਐਨ ਮਾਰਗਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
+> ਅੱਗੇ ਦੀ ਪੜਾਈ ਲਈ, ਅਸੀਂ ਇਹ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ਮੋਡੀਊਲ ਅਤੇ ਸਿੱਖਣ ਦੇ ਰਸਤੇ ਅਨਸਾਰ ਕਰਨ ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।
-**ਅਧਿਆਪਕ**, ਅਸੀਂ [ਇਸ ਕੋਰਸ ਲਈ ਕੁਝ ਸੁਝਾਵ](for-teachers.md) ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ।
+**ਅਧਿਆਪਕ**, ਅਸੀਂ ਇਸ ਕਰੀਕੁਲਮ ਨੂੰ ਵਰਤਣ ਬਾਰੇ ਕੁਝ [ਸੁਝਾਵ](for-teachers.md) ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ।
---
-## ਵੀਡੀਓ ਵਾਕਥਰੂਜ਼
+## ਵੀਡੀਓ ਵਾਕਥਰੂ
-ਕੁਝ ਪਾਠ ਛੋਟੀ-ਰੀਤਿਕ ਵੀਡੀਓ ਦੇ ਰੂਪ ਵਿੱਚ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਹਰ ਪਾਠ ਵਿੱਚ ਲਾਈਨ ਵਿੱਚ ਜਾਂ Microsoft Developer YouTube ਚੈਨਲ ਦੇ [ML for Beginners ਪਲੇਲਿਸਟ](https://aka.ms/ml-beginners-videos) 'ਤੇ ਵੀਖ ਸਕਦੇ ਹੋ, ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ।
+ਕੁਝ ਪਾਠ ਛੋਟੀ ਫੌਰਮ ਵਾਲੇ ਵੀਡੀਓ ਵਿੱਚ ਉਪਲਬਧ ਹਨ। ਤੁਸੀਂ ਇਹ ਸਾਰੇ ਪਾਠਾਂ ਵਿੱਚ ਇਨ-ਲਾਈਨ, ਜਾਂ ਮਾਇਕ੍ਰੋਸਾਫਟ ਡਿਵੈਲਪਰ ਯੂਟਿਊਬ ਚੈਨਲ ਦੇ [ML for Beginners playlist](https://aka.ms/ml-beginners-videos) 'ਤੇ ਨੀਵੇਂ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਦੇਖ ਸਕਦੇ ਹੋ।
[](https://aka.ms/ml-beginners-videos)
@@ -98,151 +101,152 @@
[](https://youtu.be/Tj1XWrDSYJU)
-**ਗਿਫ਼ ਬਣਾਇਆ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
+**Gif ਦੁਆਰਾ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 ਪ੍ਰਾਜੈਕਟ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲਿਆਂ ਬਾਰੇ ਵੀਡੀਓ ਵੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ!
+> 🎥 ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਉਸ ਨੂੰ ਬਣਾਉਣ ਵਾਲਿਆਂ ਬਾਰੇ ਵੀਡੀਓ ਲਈ ਉੱਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ!
---
-## ਪੈਡਾਗੋਜੀ
+## ਪੈਡਾਗੌਜੀ
-ਅਸੀਂ ਇਸ ਕੋਰਸ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਦੋ ਪੈਡਾਗੋਜੀ ਵਿਚਾਰ ਅਪਣਾਏ ਹਨ: ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਨਾ ਕਿ ਇਹ ਹੱਥੋਂ-ਹੱਥ **ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ** ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ **ਅਕਸਰ ਕੁਇਜ਼ਾਂ** ਸ਼ਾਮਲ ਹਨ। ਇਸ ਦੇ ਨਾਲ, ਇਹ ਕੋਰਸ ਇੱਕ ਸਮਾਨ **ਥੀਮ** ਦੇ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਇਸ ਨੂੰ ਇੱਕਜੁੱਟਤਾ ਮਿਲੇ।
+ਇਸ ਕਰੀਕੁਲਮ ਬਣਾਉਂਦੇ ਸਮੇਂ ਅਸੀਂ ਦੋ ਪੈਡਾਗੌਜਿਕਲੀ ਸਿਧਾਂਤਾਂ ਚੁਣੀਆਂ ਹਨ: ਇਹ ਨਿਸ਼ਚਿਤ ਕਰਨਾ ਕਿ ਇਹ ਹੱਥੋਂ-ਹੱਥ ਦਾ **ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ** ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ **ਅਕਸਰ ਕਵਿਜ਼** ਸ਼ਾਮਲ ਹਨ। ਇਸਤੋਂ ਇਲਾਵਾ, ਇਸ ਕਰੀਕੁਲਮ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ **ਥੀਮ** ਵੀ ਹੈ ਜੋ ਇਸਨੂੰ ਇਕਠੇ ਰੱਖਦਾ ਹੈ।
-ਸਮੱਗਰੀ ਦਾ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਮਿਲਣਾ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵੀ ਲੁਭਾਵਣਾ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਧਾਰਨਾ ਦੀ ਬਚਾਅ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਨਿਮਨ ਸਟੇਕ ਕੁਇਜ਼ ਵਿਦਿਆਰਥੀ ਨੂੰ ਟਾਪਿਕ ਸਿੱਖਣ ਲਈ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਦੂਜਾ ਕੁਇਜ਼ ਕਲਾਸ ਤੋਂ ਬਾਅਦ ਧਾਰਣਾ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦਾ ਹੈ। ਇਹ ਕੋਰਸ ਲਚੀਲਾ ਅਤੇ ਮਨੋਰੰਜਕ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਪੂਰੇ ਜਾਂ ਹਿੱਸੇ ਵਜੋਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ ਤੋਂ ਸ਼ੁਰੂ ਹੋ ਕੇ 12 ਹਫ਼ਤਿਆਂ ਦੇ ਸਮਾਪਨ ਤੱਕ ਜਟਿਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਇਹ ਕੋਰਸ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਅਸਲੀ ਦੁਨੀਆ ਵਿੱਚ ਵਰਤੋਂ ਬਾਰੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਦਿੰਦਾ ਹੈ, ਜੋ ਵਾਧੂ ਐਹਿਲਿਆ ਦੌਰ ਤੇ ਜਾਂ ਚਰਚਾ ਲਈ ਬੁਨਿਆਦ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
+ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਮੇਲ ਖਾਂਡਾ ਕਰਕੇ, ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਜ਼ਿਆਦਾ ਮਨੋਹਰ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸੰਕਲਪਾਂ ਦੀ ਸੰਜਮ ਹੋਵੇਗੀ। ਇਸਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਨੀਵਾਂ ਕਵਿਜ਼ ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਵਿਦਿਆਰਥੀ ਦੀ ਸਿੱਖਣ ਦੀ ਨੀਤੀ ਬਣਾਉਂਦਾ ਹੈ, ਜਦਕਿ ਕਲਾਸ ਤੋਂ ਬਾਅਦ ਦੂਜਾ ਕਵਿਜ਼ ਹੋਰ ਸੰਜਮ ਦਾ ਨਿਸ਼ਚਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਕਰੀਕੁਲਮ ਲਚਕੀਲਾ ਅਤੇ ਮਜ਼ੇਦਾਰ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਪੂਰਾ ਜਾਂ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ 12-ਹਫਤਿਆਂ ਦੇ ਚੱਕਰ ਦੇ ਅਖੀਰ ਤੱਕ ਵਿਕਸਤ ਹੁੰਦੇ ਹਨ। ਇਹ ਕਰੀਕੁਲਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਇਸ਼ਤਿਹਾਰ ਬਾਰੇ ਇੱਕ ਪੋਸਟਸਕ੍ਰਿਪਟ ਵੀ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ, ਜੋ ਵਾਧੂ ਕਰੈਡਿਟ ਜਾਂ ਚਰਚਾ ਲਈ ਆਧਾਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
-> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਰਾਹਨੁਮਾ ਵੇਖੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਰਚਨਾਤਮਕ ਫੀਡਬੈਕ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
+> ਸਾਡਾ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translations](..), ਅਤੇ [Troubleshooting](TROUBLESHOOTING.md) ਨਿਯਮਾਂ ਨੂੰ ਲੱਭੋ। ਅਸੀਂ ਤੁਹਾਡੇ ਸੰਰਚਨਾਤਮਕ ਪ੍ਰਤੀਕਰਮ ਦੀ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
-## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ
+## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੈ
-- ਵੈਕਲਪੀਕ ਸਕੈਚਨੋਟ
-- ਵੈਕਲਪੀਕ ਸਹਾਇਕ ਵੀਡੀਓ
-- ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੁਝ ਪਾਠਾਂ ਲਈ ਹੀ)
-- [ਪ੍ਰੀ-ਲੇਕਚਰ ਵਾਰਮਅੱਪ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+- ਵਿਕਲਪਕ ਸਕੈਚਨੋਟ
+- ਵਿਕਲਪਕ ਸਹਾਇਕ ਵੀਡੀਓ
+- ਵੀਡੀਓ ਵਾਕਥਰੂ (ਕੁਝ ਹੀ ਪਾਠ)
+- [ਪੂਰਵ-ਲੈਕਚਰ ਵਾਰਮਅਪ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
- ਲਿਖਤੀ ਪਾਠ
-- ਪ੍ਰੋਜੈਕਟ ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ ਕ੍ਰਮਾਂਕਿਤ ਗਾਈਡਾਂ
+- ਪ੍ਰੋਜੈਕਟ-ਆਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਲਈ ਕਦਮ-ਦਰ-কਦਮ ਮਾਰਗਦਰਸ਼ਨ
- ਗਿਆਨ ਜਾਂਚ
-- ਇੱਕ ਚੈਲੰਜ
-- ਸਹਾਇਕ ਪੜ੍ਹਾਈ
+- ਇੱਕ ਚੈਲੇਂਜ
+- ਸਹਾਇਕ ਪਾਠ
- ਅਸਾਈਨਮੈਂਟ
-- [ਪੋਸਟ-ਲੇਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ml/)
-> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠਭਾਗ ਮੁੱਖ ਤੌਰ 'ਤੇ ਪਾਇਥਨ ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। R ਦਾ ਪਾਠਪੱਠ ਸਮਾਪਤ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਦੇ ਪਾਠਭਾਗਾਂ ਦੀ ਖੋਜ ਕਰੋ। ਇਹਨਾਂ ਵਿੱਚ .rmd ਐਕਸਟੈਂਸ਼ਨ ਹੁੰਦਾ ਹੈ ਜੋ ਕਿ **R ਮਾਰਕਡਾਊਨ** ਫਾਇਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਕਿ ਸਧਾਰਨ ਤੌਰ ਤੇ `ਕੋਡ ਚੰਕਸ` (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ ਇੱਕ `YAML ਹੈਡਰ` (ਜੋ ਆਉਟਪੁੱਟ ਨੂੰ PDF ਵਰਗੇ ਫਾਰਮੈਟ ਵਿੱਚ ਫਾਰਮੈਟ ਕਰਨ ਦੀ ਗਾਈਡ ਕਰਦਾ ਹੈ) ਨੂੰ ਇੱਕ `ਮਾਰਕਡਾਊਨ ਦਸਤਾਵੇਜ਼` ਵਿੱਚ ਸਮੇਤਣ ਦਾ ਤਰੀਕਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਇੱਕ ਮਿਸਾਲੀ ਲੇਖਨ ਅਧਾਰ ਦੇ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਡੇ ਕੋਡ, ਇਸਦਾ ਆਉਟਪੁੱਟ, ਅਤੇ ਤੁਹਾਡੇ ਵਿਚਾਰਾਂ ਨੂੰ ਮਾਰਕਡਾਊਨ ਵਿੱਚ ਲਿਖਣ ਦੀ ਆਗਿਆ ਦੇ ਕੇ ਇਕੱਠਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, R ਮਾਰਕਡਾਊਨ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ PDF, HTML, ਜਾਂ Word ਵਰਗੇ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਰੇਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
-
-> **ਕੁਇਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕੁਇਜ਼ [Quiz App ਫੋਲਡਰ](../../quiz-app) ਵਿੱਚ ਹਨ, ਜਿੱਥੇ 52 ਕੁਇਜ਼ ਹਨ ਜਿਹਨਾਂ ਵਿੱਚ ਹਰ ਇਕ ਵਿੱਚ ਤਿੰਨ ਪ੍ਰਸ਼ਨ ਹਨ। ਇਹਨਾਂ ਨੂੰ ਪਾਠਭਾਗਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਹੈ ਪਰ ਕੁਇਜ਼ ਐਪ ਨੂੰ ਆਪਣੇ ਸਥਾਨਕ ਸਿਸਟਮ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; ਸਥਾਨਕ ਹੋਸਟਿੰਗ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਇ ਕਰਨ ਲਈ `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿੱਤੇ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਪਾਲਣ ਕਰੋ।
-
-| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਸਮੂਹ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਲਿੰਕਡ ਪਾਠ | ਲੇਖਕ |
-| :-------: | :------------------------------------------------------------: | :--------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: |
-| 01 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰਚਾਅ | [ਪਰਚਾਅ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਭਾਵਾਂ ਨੂੰ ਸਮਝੋ | [ਪਾਠ](1-Introduction/1-intro-to-ML/README.md) | ਮੁਹੰਮਦ |
-| 02 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ | [ਪਰਚਾਅ](1-Introduction/README.md) | ਇਸ ਖੇਤਰ ਦੇ ਇਤਿਹਾਸ ਬਾਰੇ ਜਾਣੋ | [ਪਾਠ](1-Introduction/2-history-of-ML/README.md) | ਜੇਨ ਅਤੇ ਏਮੀ |
-| 03 | ਨਿਆਇਕਤਾ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ | [ਪਰਚਾਅ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਵੇਲੇ ਨਿਆਇਕਤਾ ਸੰਬੰਧੀ ਮਹੱਤਵਪੂਰਨ ਫਿਲਾਸਫੀਕਲ ਮਸਲੇ ਕੀ ਹਨ? | [ਪਾਠ](1-Introduction/3-fairness/README.md) | ਟੋਮੋਮੀ |
-| 04 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਤਕਨੀਕਾਂ | [ਪਰਚਾਅ](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਰਿਸਰਚਰ ਕਿਹੜੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ? | [ਪਾਠ](1-Introduction/4-techniques-of-ML/README.md) | ਕ੍ਰਿਸ ਅਤੇ ਜੇਨ |
-| 05 | ਰਿਗ੍ਰੈਸ਼ਨ ਦਾ ਪਰਚਾਅ | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ ਪਾਇਥਨ ਅਤੇ ਸਕਿਕਿਟ-ਲਰਨ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ | [ਪਾਇਥਨ](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ਜੇਨ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 06 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਡਾਟਾ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਅਤੇ ਸਾਫ਼ ਕਰੋ | [ਪਾਇਥਨ](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ਜੇਨ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 07 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਰੇਖੀ ਅਤੇ ਬਹੁਪਦਾਤਮਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਨਾਓ | [ਪਾਇਥਨ](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ਜੇਨ ਅਤੇ ਦਿਮਿਤਰੀ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 08 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂ ਦੀਆਂ ਕੀਮਤਾਂ 🎃 | [ਰਿਗ੍ਰੈਸ਼ਨ](2-Regression/README.md) | ਲਾਜਿਸਟਿਕ ਰਿਗ੍ਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [ਪਾਇਥਨ](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ਜੇਨ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 09 | ਇੱਕ ਵੈੱਬ ਐਪ 🔌 | [ਵੈੱਬ ਐਪ](3-Web-App/README.md) | ਆਪਣੇ ਟ੍ਰੇਨ ਕੀਤੇ ਮਾਡਲ ਨਾਲ ਵੈੱਬ ਐਪ ਬਣਾਓ | [ਪਾਇਥਨ](3-Web-App/1-Web-App/README.md) | ਜੇਨ |
-| 10 | ਵਰਗੀਕਰਨ ਦਾ ਪਰਚਾਅ | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਸਾਫ਼, ਤਿਆਰ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਗਤ ਕਰੋ; ਵਰਗੀਕਰਨ ਦਾ ਪਰਚਾਅ | [ਪਾਇਥਨ](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 11 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਅਨ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਵਰਗੀਕਰਨਕਾਰਾਂ ਦਾ ਪਰਚਾਅ | [ਪਾਇਥਨ](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 12 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਅਨ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਹੋਰ ਵਰਗੀਕਰਨਕਾਰ | [ਪਾਇਥਨ](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ਜੇਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 13 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਅਨ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [ਵਰਗੀਕਰਨ](4-Classification/README.md) | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਸਿਫਾਰਸ਼ੀ ਵੈੱਬ ਐਪ ਬਣਾਓ | [ਪਾਇਥਨ](4-Classification/4-Applied/README.md) | ਜੇਨ |
-| 14 | ਬੁਦਬੁਦ ਕਰਨ ਦੀ ਜਾਣ-ਪਹਚਾਣ | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਸਾਫ਼, ਤਿਆਰ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਗਤ ਕਰੋ; ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰਚਾਅ | [ਪਾਇਥਨ](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ਜੇਨ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 15 | ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਕ ਰੁਚੀਆਂ ਦਾ ਅਧਿਐਨ 🎧 | [ਕਲੱਸਟਰਿੰਗ](5-Clustering/README.md) | K-Means ਕਲੱਸਟਰਿੰਗ ਤਰੀਕੇ ਦੀ ਜਾਂਚ ਕਰੋ | [ਪਾਇਥਨ](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ਜੇਨ • ਏਰਿਕ ਵਾਂਜਾਊ |
-| 16 | ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਪਰਚਾਅ ☕️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਇੱਕ ਸਧਾਰਨ ਬੌਟ ਬਣਾਕੇ NLP ਦੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਸਿੱਖੋ | [ਪਾਇਥਨ](6-NLP/1-Introduction-to-NLP/README.md) | ਸਟੀਫਨ |
-| 17 | ਆਮ NLP ਕਾਰਜ ☕️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਭਾਸ਼ਾ ਦੇ ਢਾਂਚਿਆਂ ਨਾਲ ਨਿਪਟਣ ਸਮੇਂ ਲੋੜੀਂਦੇ ਆਮ ਕਾਰਜਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੀ NLP ਜਾਣਕਾਰੀ ਗਹਿਰੀ ਕਰੋ | [ਪਾਇਥਨ](6-NLP/2-Tasks/README.md) | ਸਟੀਫਨ |
-| 18 | ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਜੇਨ ਆਸਟਿਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ | [ਪਾਇਥਨ](6-NLP/3-Translation-Sentiment/README.md) | ਸਟੀਫਨ |
-| 19 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ 1 | [ਪਾਇਥਨ](6-NLP/4-Hotel-Reviews-1/README.md) | ਸਟੀਫਨ |
-| 20 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ 2 | [ਪਾਇਥਨ](6-NLP/5-Hotel-Reviews-2/README.md) | ਸਟੀਫਨ |
-| 21 | ਸਮਾਂ סדר ਸੂਚਕ ਅਨੁਮਾਨ ਦਾ ਪਰਚਾਅ | [ਸਮਾਂ ਸਿਰੀਜ਼](7-TimeSeries/README.md) | ਸਮਾਂ ਸਿਰੀਜ਼ ਸੂਚਕ ਅਨੁਮਾਨ ਦਾ ਪਰਚਾਅ | [ਪਾਇਥਨ](7-TimeSeries/1-Introduction/README.md) | ਫ੍ਰਾਂਸੇਸਕਾ |
-| 22 | ⚡️ ਸੰਸਾਰ ਪਾਵਰ ਵਰਤੋਂ ⚡️ - ARIMA ਨਾਲ ਸਮਾਂ ਸਿਰੀਜ਼ ਦਾ ਅਨੁਮਾਨ | [ਸਮਾਂ ਸਿਰੀਜ਼](7-TimeSeries/README.md) | ARIMA ਨਾਲ ਸਮਾਂ ਸਿਰੀਜ਼ ਸੂਚਕ ਅਨੁਮਾਨ | [ਪਾਇਥਨ](7-TimeSeries/2-ARIMA/README.md) | ਫ੍ਰਾਂਸੇਸਕਾ |
-| 23 | ⚡️ ਸੰਸਾਰ ਪਾਵਰ ਵਰਤੋਂ ⚡️ - SVR ਨਾਲ ਸਮਾਂ ਸਿਰੀਜ਼ ਦਾ ਅਨੁਮਾਨ | [ਸਮਾਂ ਸਿਰੀਜ਼](7-TimeSeries/README.md) | Support Vector Regressor ਨਾਲ ਸਮਾਂ ਸਿਰੀਜ਼ ਸੂਚਕ ਅਨੁਮਾਨ | [ਪਾਇਥਨ](7-TimeSeries/3-SVR/README.md) | ਅਨਿਰਬਣ |
-| 24 | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਚਾਅ | [ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](8-Reinforcement/README.md) | Q-ਲਰਨਿੰਗ ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰਚਾਅ | [ਪਾਇਥਨ](8-Reinforcement/1-QLearning/README.md) | ਦਿਮਿਤਰੀ |
-| 25 | ਪੀਟਰ ਨੂੰ ਭੇੜੀ ਤੋਂ ਬਚਾਓ! 🐺 | [ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ | [ਪਾਇਥਨ](8-Reinforcement/2-Gym/README.md) | ਦਿਮਿਤਰੀ |
-| ਪੋਸਟਸਕ੍ਰਿਪਟ | ਅਸਲ ਦੁਨੀਆ ਦੇ ML ਸਸੰਦੇਸ਼ ਅਤੇ ਅਰਜ਼ੀਆਂ | [ਵਾਈਲਡ ਵਿੱਚ ML](9-Real-World/README.md) | ਪਰੰਪਰਾਗਤ ML ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਪ੍ਰਗਟਾਵਾਂ ਵਾਲੇ ਅਸਲੀ ਅਰਜ਼ੀਆਂ | [ਪਾਠ](9-Real-World/1-Applications/README.md) | ਟੀਮ |
-| ਪੋਸਟਸਕ੍ਰਿਪਟ | RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਨਾਲ ML ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ਵਾਈਲਡ ਵਿੱਚ ML](9-Real-World/README.md) | ਜ਼ਿੰਮੇਵਾਰ AI ਡੈਸ਼ਬੋਰਡ ਘਟਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [ਪਾਠ](9-Real-World/2-Debugging-ML-Models/README.md) | ਰੁਥ ਯਾਕੁਬੂ |
-
-> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਡੇ Microsoft Learn ਕਲੇਕਸ਼ਨ ਵਿੱਚ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-
-## ਆਫਲਾਈਨ ਪਹੁੰਚ
-
-ਤੁਸੀਂ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰੀਪੋ ਦਾ ਫੋਰਕ ਬਣਾਓ, [Docsify ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart) ਆਪਣੇ ਸਥਾਨਕ ਮਸ਼ੀਨ 'ਤੇ ਅਤੇ ਫਿਰ ਇਸ ਰੀਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਲੋਕਲ ਹੋਸਟ ਉੱਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਕੀਤੀ ਜਾਵੇਗੀ: `localhost:3000`।
-
-## PDFs
-
-ਕਰੀਕੁਲਮ ਦਾ pdf ਲਿੰਕਾਂ ਸਮੇਤ [ਇੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਲੱਭੋ।
+- [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ml/)
+
+> **ਭਾਸ਼ਾਵਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਇਹ ਪਾਠ ਮੁੱਖਤੌਰ 'ਤੇ Python ਵਿੱਚ ਲਿਖੇ ਗਏ ਹਨ, ਪਰ ਬਹੁਤ ਸਾਰੇ R ਵਿੱਚ ਵੀ ਉਪਲਬਧ ਹਨ। ਇੱਕ R ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ, `/solution` ਫੋਲਡਰ ਵਿੱਚ ਜਾਓ ਅਤੇ R ਪਾਠਾਂ ਦੀ ਖੋਜ ਕਰੋ। ਇਹ .rmd ਵਿਆਪਕਤਾਵਾਦਨ ਸ਼ਾਮਲ ਹਨ ਜੋ ਕਿ **R ਮਾਰਕਡਾਊਨ** ਫਾਈਲ ਹੈ ਜੋ ਆਸਾਨੀ ਨਾਲ `code chunks` (R ਜਾਂ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਦੇ) ਅਤੇ `YAML header` (ਜੋ ਨਤੀਜਿਆਂ ਨੂੰ PDF ਵਰਗੇ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਫਾਰਮੈਟ ਕਰਦੇ ਹਨ) ਨੂੰ ਜੋੜਨ ਵਾਸਤੇ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਇਕ ਚੰਗਾ ਲਿਖਣ ਦਾ ਫਰੇਮਵਰਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਹਾਡੇ ਕੋਡ, ਉਸ ਦਾ ਨਤੀਜਾ ਅਤੇ ਤੁਹਾਡੇ ਵਿਚਾਰਾਂ ਨੂੰ Markdown ਵਿੱਚ ਲਿਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਨ੍ਹਾਂ R ਮਾਰਕਡਾਊਨ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ PDF, HTML ਜਾਂ Word ਵਰਗੇ ਨਤੀਜੇ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਵੀ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+> **ਕਵਿਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕਵਿਜ਼ [Quiz App ਫੋਲਡਰ](../../quiz-app) ਵਿੱਚ ਹਨ, ਜੋ ਕੁੱਲ 52 ਕਵਿਜ਼ ਹਨ ਜ਼ਿਹਨਾਂ ਵਿੱਚ ਹਰ ਇੱਕ ਵਿੱਚ ਤਿੰਨ ਸਵਾਲ ਹਨ। ਇਹਨਾਂ ਨੂੰ ਪਾਠਾਂ ਵਿੱਚ ਲਿੰਕ ਕੀਤਾ ਗਿਆ ਹੈ ਪਰ ਕਵਿਜ਼ ਐਪ ਨੂੰ ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਦਿਓ ਗਇਆ ਨਿਰਦੇਸ਼ਾਂ ਅਨੁਸਾਰ ਲੋਕਲ ਹੋਸਟ ਜਾਂ ਐਜ਼ਯੂਰ 'ਤੇ ਡਿਪਲੌਇ ਕਰੋ।
+
+| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਸਮੂਹ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਲਿੰਕ ਪਾਠ | ਲੇਖਕ |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਪਰੀਚਯ | [Introduction](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਮੂਲ ਸੰਕਲਪ ਸਿੱਖੋ | [Lesson](1-Introduction/1-intro-to-ML/README.md) | ਮੁਹੰਮਦ |
+| 02 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇਤਿਹਾਸ | [Introduction](1-Introduction/README.md) | ਇਸ ਖੇਤਰ ਦੀ ਇਤਿਹਾਸਕ ਜਾਣਕਾਰੀ ਸਿੱਖੋ | [Lesson](1-Introduction/2-history-of-ML/README.md) | ਜੈਨ ਅਤੇ ਐਮੀ |
+| 03 | ਨਿਆਇਕੀਤਾ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ | [Introduction](1-Introduction/README.md) | ਨਿਆਇਕੀਤਾ ਦੇ ਮੁੱਖ ਦਰਸ਼ਨਸ਼ਾਸਤਰੀ ਮੁੱਦੇ ਕੀ ਹਨ ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਸਮੇਂ ਵਿਚਾਰ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ? | [Lesson](1-Introduction/3-fairness/README.md) | ਤੋਮੋਮੀ |
+| 04 | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਤਕਨੀਕਾਂ | [Introduction](1-Introduction/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਖੋਜਕਰਤਾ ਕਿਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤਦੇ ਹਨ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਬਣਾਉਣ ਲਈ? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | ਕਰਿਸ ਅਤੇ ਜੈਨ |
+| 05 | ਰੈਗਰੈਸ਼ਨ ਦਾ ਪਰੀਚਯ | [Regression](2-Regression/README.md) | ਰੈਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਲਈ Python ਅਤੇ Scikit-learn ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ਜੈਨ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 06 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀ ਕੀਮਤਾਂ 🎃 | [Regression](2-Regression/README.md) | ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਡਾਟਾ ਨੂੰ ਵੇਖੋ ਅਤੇ ਸਾਫ ਕਰੋ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ਜੈਨ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 07 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀ ਕੀਮਤਾਂ 🎃 | [Regression](2-Regression/README.md) | ਰੇਖੀਅ ਅਤੇ ਬਹੁਪਦ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ਜੈਨ ਅਤੇ ਦਿਮਿਤਰੀ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 08 | ਉੱਤਰੀ ਅਮਰੀਕੀ ਕੱਦੂਆਂ ਦੀ ਕੀਮਤਾਂ 🎃 | [Regression](2-Regression/README.md) | ਲਾਜਿਸਟਿਕ ਰੈਗਰੈਸ਼ਨ ਮਾਡਲ ਬਣਾਓ | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ਜੈਨ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 09 | ਇਕ ਵੈੱਬ ਐਪ 🔌 | [Web App](3-Web-App/README.md) | ਆਪਣੇ ਤਿਆਰ ਕੀਤੇ ਮਾਡਲ ਲਈ ਵੈੱਬ ਐਪ ਬਣਾਓ | [Python](3-Web-App/1-Web-App/README.md) | ਜੈਨ |
+| 10 | ਦਰਜਾਬੰਦੀ ਦਾ ਪਰੀਚਯ | [Classification](4-Classification/README.md) | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰੋ, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਦਰਜਾਬੰਦੀ ਦਾ ਪਰੀਚਯ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 11 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [Classification](4-Classification/README.md) | ਦਰਜਾਬੰਦੀ ਕਰਨ ਵਾਲਿਆਂ ਦਾ ਪਰੀਚਯ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 12 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [Classification](4-Classification/README.md) | ਹੋਰ ਦਰਜਾਬੰਦੀ ਕਰਨ ਵਾਲੇ | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ਜੈਨ ਅਤੇ ਕੈਸੀ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 13 | ਸੁਆਦਿਸ਼ਟ ਏਸ਼ੀਆਈ ਅਤੇ ਭਾਰਤੀ ਖਾਣੇ 🍜 | [Classification](4-Classification/README.md) | ਆਪਣੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਇੱਕ ਰਿਕਮੈਂਡਰ ਵੈੱਬ ਐਪ ਬਣਾਓ | [Python](4-Classification/4-Applied/README.md) | ਜੈਨ |
+| 14 | ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰੀਚਯ | [Clustering](5-Clustering/README.md) | ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰੋ, ਤਿਆਰ ਕਰੋ ਅਤੇ ਵੇਖੋ; ਕਲੱਸਟਰਿੰਗ ਦਾ ਪਰੀਚਯ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ਜੈਨ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 15 | ਨਾਈਜੀਰੀਆਈ ਸੰਗੀਤਕ ਸਵਾਦਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ 🎧 | [Clustering](5-Clustering/README.md) | K-Means ਕਲੱਸਟਰਿੰਗ ਤਰੀਕੇ ਦੀ ਖੋਜ ਕਰੋ | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ਜੈਨ • ਏਰਿਕ ਵਾਂਜਾਵ |
+| 16 | ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪਰੀਚਯ ☕️ | [Natural language processing](6-NLP/README.md) | ਇੱਕ ਸਧਾਰਣ ਬੌਟ ਬਣਾਕੇ NLP ਬਾਰੇ ਮੁਢਲੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰੋ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | ਸਟੀਫਨ |
+| 17 | ਆਮ NLP ਕਾਰਜ ☕️ | [Natural language processing](6-NLP/README.md) | ਭਾਸ਼ਾ ਦੀਆਂ ਸੰਰਚਨਾਵਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਲੋੜੀਂਦੇ ਆਮ ਕਾਰਜਾਂ ਨੂੰ ਸਮਝ ਕੇ ਆਪਣੀ NLP ਜਾਣਕਾਰੀ ਗਹਿਰੀ ਕਰੋ | [Python](6-NLP/2-Tasks/README.md) | ਸਟੀਫਨ |
+| 18 | ਅਨੁਵਾਦ ਅਤੇ ਭਾਵ-ਵਿਸ਼ਲੇਸ਼ਣ ♥️ | [Natural language processing](6-NLP/README.md) | ਜੇਨ ਆਸਟਿਨ ਨਾਲ ਅਨੁਵਾਦ ਅਤੇ ਭਾਵ-ਵਿਸ਼ਲੇਸ਼ਕ | [Python](6-NLP/3-Translation-Sentiment/README.md) | ਸਟੀਫਨ |
+| 19 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [Natural language processing](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵ-ਵਿਸ਼ਲੇਸ਼ਣ 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | ਸਟੀਫਨ |
+| 20 | ਯੂਰਪ ਦੇ ਰੋਮਾਂਟਿਕ ਹੋਟਲ ♥️ | [Natural language processing](6-NLP/README.md) | ਹੋਟਲ ਸਮੀਖਿਆਵਾਂ ਨਾਲ ਭਾਵ-ਵਿਸ਼ਲੇਸ਼ਣ 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | ਸਟੀਫਨ |
+| 21 | ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦਾ ਪਰੀਚਯ | [Time series](7-TimeSeries/README.md) | ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦਾ ਮੁਢਲਾ ਪਰੀਚਯ | [Python](7-TimeSeries/1-Introduction/README.md) | ਫ੍ਰਾਂਸੇਸਕਾ |
+| 22 | ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਦੀ ਵਰਤੋ ⚡️ - ARIMA ਨਾਲ ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ | [Time series](7-TimeSeries/README.md) | ARIMA ਨਾਲ ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ | [Python](7-TimeSeries/2-ARIMA/README.md) | ਫ੍ਰਾਂਸੇਸਕਾ |
+| 23 | ⚡️ ਦੁਨੀਆ ਦੀ ਬਿਜਲੀ ਦੀ ਵਰਤੋ ⚡️ - SVR ਨਾਲ ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ | [Time series](7-TimeSeries/README.md) | Support Vector Regressor ਨਾਲ ਸਮਾਂ ਖੇੜੀ ਅੰਦਾਜ਼ਾ | [Python](7-TimeSeries/3-SVR/README.md) | ਅਨੀਰਬਨ |
+| 24 | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰੀਚਯ | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning ਨਾਲ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦਾ ਪਰੀਚਯ | [Python](8-Reinforcement/1-QLearning/README.md) | ਦਿਮਿਤਰੀ |
+| 25 | ਪੀਟਰ ਨੂੰ ਭਿਆਕੜੋਂ ਤੋਂ ਬਚਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੋ! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਜਿਮ | [Python](8-Reinforcement/2-Gym/README.md) | ਦਿਮਿਤਰੀ |
+| Postscript | ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦ੍ਰਿਸ਼ਯ ਅਤੇ ਲਾਗੂ | [ML in the Wild](9-Real-World/README.md) | ਕਲਾਸਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਦਿਲਚਸਪ ਅਤੇ ਖੁਲਾਸਾ ਕਰਨ ਵਾਲੇ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਲਾਗੂ | [Lesson](9-Real-World/1-Applications/README.md) | ਟੀਮ |
+| Postscript | ਮਾਡਲ ਡੀਬੱਗਿੰਗ RAI ਡੈਸ਼ਬੋਰਡ ਦੀ ਵਰਤੋਂ ਨਾਲ | [ML in the Wild](9-Real-World/README.md) | ਰਿਸਪਾਂਸਬਲ AI ਡੈਸ਼ਬੋਰਡ ਕੰਪੋਨੈਂਟਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਮਾਡਲ ਡੀਬੱਗਿੰਗ | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | ਰੂਥ ਯਾਕੂਬੂ |
+
+> [ਇਸ ਕੋਰਸ ਲਈ ਸਾਰੇ ਵਾਧੂ ਸਰੋਤ ਸਾਡੇ Microsoft Learn ਕਲੈਕਸ਼ਨ ਵਿੱਚ ਲੱਭੋ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+
+## ਔਫਲਾਈਨ ਪਹੁੰਚ
+
+ਤੁਸੀਂ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਦਸਤਾਵੇਜ਼ ਔਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, ਆਪਣੀ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ [Docsify install ਕਰੋ](https://docsify.js.org/#/quickstart), ਅਤੇ ਫਿਰ ਇਸ ਰਿਪੋ ਦੀ ਮੂਲ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈੱਬਸਾਈਟ ਤੁਹਾਡੇ ਲੋਕਲਹੋਸਟ 'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਚੱਲੇਗੀ: `localhost:3000`।
+
+## PDF ਫਾਈਲਾਂ
+
+ਕਰਿਕੁਲਮ ਦੀ ਇੱਕ PDF ਫਾਈਲ ਲਿੰਕਾਂ ਦੇ ਨਾਲ [ਇੱਥੇ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ਮਿਲੇਗੀ।
## 🎒 ਹੋਰ ਕੋਰਸ
-ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਵੀ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ:
+ਸਾਡੀ ਟੀਮ ਹੋਰ ਕੋਰਸ ਵੀ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਚੈੱਕ ਕਰੋ:
### LangChain
-[](https://aka.ms/langchain4j-for-beginners)
-[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://aka.ms/langchain4j-for-beginners)
+[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
-### Azure / Edge / MCP / Agents
-[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+### Azure / Edge / MCP / ਏਜੰਟ
+[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
-### ਜੈਨਰੇਟਿਵ AI ਸੀਰੀਜ਼
-[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+### ਜਨਰੇਟਿਵ AI ਸਿਰੀਜ਼
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
-### ਮੁੱਖ ਸਿੱਖਿਆ
-[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+### ਕੋਰ ਸਿੱਖਿਆ
+[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
-### ਕੋਪਾਇਲਟ ਸੀਰੀਜ਼
-[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+### ਕੋਪਾਇਲਟ ਸਿਰੀਜ਼
+[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
-## ਮਦਦ ਪ੍ਰਾਪਤ ਕਰਨਾ
+## ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ
-ਜੇ ਤੁਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿੱਖਣ ਜਾਂ AI ਐਪਲੀਕੇਸ਼ਨ ਤਿਆਰ ਕਰਨ ਦੌਰਾਨ ਫਸ ਜਾਂਦੇ ਹੋ ਜਾਂ ਤੁਹਾਡੇ ਕੋਲ ਸਵਾਲ ਹਨ, ਤਾਂ ਚਿੰਤਾ ਨਾ ਕਰੋ — ਮਦਦ ਉਪਲਬਧ ਹੈ।
+ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿੱਖਣ ਜਾਂ AI ਐਪਲੀਕੇਸ਼ਨ ਬਣਾਉਣ ਦੌਰਾਨ ਜੇ ਤੁਸੀਂ ਫਸ ਜਾਓ ਜਾਂ ਸਵਾਲਾਂ ਹੋਣ, ਤਾਂ ਚਿੰਤਾ ਨਾ ਕਰੋ — ਮਦਦ ਉਪਲਬਧ ਹੈ।
-ਤੁਸੀਂ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਵਿਕਾਸਕਾਰਾਂ ਦੇ ਨਾਲ ਵਿਚਾਰ-ਵਿਮਰਸ਼ ਕਰ ਸਕਦੇ ਹੋ, ਸਵਾਲ ਪੁੱਛ ਸਕਦੇ ਹੋ, ਅਤੇ ਸਮੁਦਾਇ ਨਾਲ ਆਪਣੇ ਵਿਚਾਰ ਸਾਂਝੇ ਕਰ ਸਕਦੇ ਹੋ।
+ਤੁਸੀਂ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਗੱਲਬਾਤ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋ ਸਕਦੇ ਹੋ, ਸਵਾਲ ਪੁੱਛ ਸਕਦੇ ਹੋ ਅਤੇ ਸਮੁਦਾਇ ਨਾਲ ਆਪਣੇ ਵਿਚਾਰ ਸਾਂਝੇ ਕਰ ਸਕਦੇ ਹੋ।
-- ਸਮੁਦਾਇ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਤਾਂ ਜੋ ਸਵਾਲ ਪੁੱਛ ਸਕੋ ਅਤੇ ਹੋਰਾਂ ਨਾਲ ਸਿੱਖ ਸਕੋ
-- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਧਾਰਣਾਵਾਂ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਵਿਚਾਰਾਂ ’ਤੇ ਗੱਲ-ਬਾਤ ਕਰੋ
-- ਅਨੁਭਵੀ ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਮਦਦ ਪ੍ਰਾਪਤ ਕਰੋ
+- ਸਵਾਲ ਪੁੱਛਣ ਅਤੇ ਹੋਰਾਂ ਨਾਲ ਸਿੱਖਣ ਲਈ ਸਮੁਦਾਇ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸੰਕਲਪਾਂ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਵਿਚਾਰਾਂ 'ਤੇ ਚਰਚਾ ਕਰੋ
+- ਅਨੁਭਵੀ ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਮਦਦ ਲਵੋ
-ਇੱਕ ਸਹਾਇਕ ਸਮੁਦਾਇ ਤੁਹਾਡੇ ਹੁਨਰ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਹੱਲ ਕਰਨ ਦਾ ਸੁਨਹਿਰਾ ਮੌਕਾ ਹੈ।
+ਇੱਕ ਸਹਾਇਕ ਸਮੁਦਾਇ ਤੁਹਾਡੇ ਹੁਨਰ ਵਧਾਉਣ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਜਲਦੀ ਹੱਲ ਕਰਨ ਦਾ ਵਧੀਆ ਤਰੀਕਾ ਹੈ।
[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG)
-ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਬੱਗ, ਗਲਤੀ ਜਾਂ ਸੁਧਾਰ ਲਈ ਸੁਝਾਵ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਇੱਕ **Issue** ਖੋਲ੍ਹ ਕੇ ਸਮੱਸਿਆ ਦੀ ਸੂਚਨਾ ਦੇ ਸਕਦੇ ਹੋ।
+ਜੇ ਤੁਹਾਨੂੰ ਬੱਗਸ, ਗਲਤੀਆਂ ਜਾਂ ਸੁਧਾਰ ਲਈ ਸੁਝਾਵ ਮਿਲਦੇ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ ਇੱਕ **Issue** ਖੋਲ੍ਹ ਕੇ ਸਮੱਸਿਆ ਦਰਜ ਕਰ ਸਕਦੇ ਹੋ।
-ਉਤਪਾਦ ਦੀ ਫੀਡਬੈੱਕ ਲਈ ਜਾਂ ਮੌਜੂਦਾ ਸਮੁਦਾਇ ਪੋਸਟਾਂ ਨੂੰ ਖੋਜਣ ਲਈ, ਡਿਵੈਲਪਰ ਫੋਰਮ ਦਰਸ਼ਨ ਕਰੋ:
+ਉਤਪਾਦ ਫੀਡਬੈਕ ਲਈ ਜਾਂ ਮੌਜੂਦਾ ਸਮੁਦਾਇ ਪੋਸਟਾਂ ਦੀ ਤਲਾਸ਼ ਲਈ, ਡਿਵੈਲਪਰ ਫੋਰਮ 'ਤੇ ਜਾਓ:
[](https://aka.ms/foundry/forum)
-## ਵਾਧੂ ਸਿੱਖਣ ਲਈ ਸੁਝਾਅ
+## ਵਾਧੂ ਸਿੱਖਣ ਸੁਝਾਅ
-- ਹਰ ਪਾਠ ਤੋਂ ਬਾਅਦ نوਟਬੁੱਕ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਤਾਂ ਜੋ ਵਧੀਆ ਸਮਝ ਬਣੇ।
-- ਖੁਦ ਲਈ ਅਲਗੋਰਿਦਮ ਲਾਗੂ ਕਰਨ ਦਾ ਅਭਿਆਸ ਕਰੋ।
-- ਸਿੱਖੀਆਂ ਗਈਆਂ ਧਾਰਣਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਡੇਟਾ ਸੈਟ ਦੀ ਖੋਜ ਕਰੋ।
+- ਹਰ ਪਾਠ ਤੋਂ ਬਾਅਦ ਨੋਟਬੁੱਕ ਸਮੀਖਿਆ ਕਰੋ ਤਾਂ ਜੋ ਚੰਗੀ ਸਮਝ ਬਣੇ।
+- ਖੁਦ ਅਲਗੋਰਿਦਮ ਆਜ਼ਮਾਈਏ।
+- ਸਿੱਖੇ ਹੋਏ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਡਾਟਾ ਸੈੱਟ ਖੰਗਾਲੋ।
---
-**ਬਿਆਨਬਾਜ਼ੀ**:
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮਰਥਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਵਜੋਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਣ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ਾਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰਨ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕੋਈ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
+**ਅਸਵੀਕਾਰੋਪਣ**:
+ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/for-teachers.md b/translations/pa/for-teachers.md
index af81602b8..df2f7ee70 100644
--- a/translations/pa/for-teachers.md
+++ b/translations/pa/for-teachers.md
@@ -1,28 +1,30 @@
-## ਸਿੱਖਿਆ ਦੇਣ ਵਾਲਿਆਂ ਲਈ
+## ਅਧਿਆਪਕਾਂ ਲਈ
-ਕੀ ਤੁਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਬੇਝਿਜਕ ਵਰਤੋ!
+ਕੀ ਤੁਸੀਂ ਆਪਣੀ ਕਲਾਸਰੂਮ ਵਿੱਚ ਇਸ ਕਰੀਕੁਲਮ ਨੂੰ ਵਰਤਣਾ ਚਾਹੋਗੇ? ਕਿਰਪਾ ਕਰਕੇ ਬੇਝਿਜਕ ਇਹ ਕਰੋ!
-ਅਸਲ ਵਿੱਚ, ਤੁਸੀਂ ਇਸਨੂੰ GitHub ਵਿੱਚ ਹੀ GitHub Classroom ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਤ ਸਕਦੇ ਹੋ।
+ਹਕੀਕਤ ਵਿੱਚ, ਤੁਸੀਂ ਇਸਨੂੰ GitHub ਕਲਾਸਰੂਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ GitHub ਦੇ ਅੰਦਰ ਹੀ ਵਰਤ ਸਕਦੇ ਹੋ।
-ਇਸ ਲਈ, ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ। ਤੁਹਾਨੂੰ ਹਰ ਪਾਠ ਲਈ ਇੱਕ ਰਿਪੋ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਹਰ ਫੋਲਡਰ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਰਿਪੋ ਵਿੱਚ ਕੱਢਣਾ ਪਵੇਗਾ। ਇਸ ਤਰੀਕੇ ਨਾਲ, [GitHub Classroom](https://classroom.github.com/classrooms) ਹਰ ਪਾਠ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚੁਣ ਸਕੇਗਾ।
+ਇਹ ਕਰਨ ਲਈ, ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ। ਤੁਹਾਨੂੰ ਹਰ ਪਾਠ ਲਈ ਇੱਕ ਰਿਪੋ ਬਣਾਉਣੀ ਪਵੇਗੀ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਹਰੇਕ ਫੋਲਡਰ ਨੂੰ ਇੱਕ ਅਲੱਗ ਰਿਪੋ ਵਿੱਚ ਨਿਕਾਲਣਾ ਪਵੇਗਾ। ਇਸ ਤਰ੍ਹਾਂ, [GitHub Classroom](https://classroom.github.com/classrooms) ਹਰੇਕ ਪਾਠ ਨੂੰ ਵੱਖਰੀ ਵੱਖਰੀ ਤਰ੍ਹਾਂ ਚੁਣ ਸਕਦਾ ਹੈ।
-ਇਹ [ਪੂਰੀਆਂ ਹਦਾਇਤਾਂ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ਤੁਹਾਨੂੰ ਦੱਸਣਗੀਆਂ ਕਿ ਆਪਣਾ ਕਲਾਸਰੂਮ ਕਿਵੇਂ ਸੈਟਅੱਪ ਕਰਨਾ ਹੈ।
+ਇਹ [ਪੂਰੀਆਂ ਹੁਕਮਾਂ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ਤੁਹਾਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਨੂੰ ਸੈਟ ਅੱਪ ਕਰਨ ਦਾ ਵਿਚਾਰ ਦੇਣਗੀਆਂ।
## ਰਿਪੋ ਨੂੰ ਜਿਵੇਂ ਹੈ ਤਿਵੇਂ ਵਰਤਣਾ
-ਜੇ ਤੁਸੀਂ ਇਸ ਰਿਪੋ ਨੂੰ ਇਸਦੇ ਮੌਜੂਦਾ ਰੂਪ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਬਿਨਾਂ GitHub Classroom ਦੀ ਵਰਤੋਂ ਕੀਤੇ, ਤਾਂ ਇਹ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨਾ ਪਵੇਗਾ ਕਿ ਕਿਹੜੇ ਪਾਠ 'ਤੇ ਇਕੱਠੇ ਕੰਮ ਕਰਨਾ ਹੈ।
+ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਇਸ ਰਿਪੋ ਨੂੰ ਬਿਨਾਂ GitHub ਕਲਾਸਰੂਮ ਦੇ ਵਰਤੋਂ ਦੇ ਇਸ ਸਮੇਂ ਵਰਤਿਆ ਜਾਵੇ, ਤਾਂ ਇਹ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਸਾਂਝ ਕਰਨੀ ਪਵੇਗੀ ਕਿ ਕਿਹੜਾ ਪਾਠ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਲਈ ਹੈ।
-ਆਨਲਾਈਨ ਫਾਰਮੈਟ (Zoom, Teams, ਜਾਂ ਹੋਰ) ਵਿੱਚ ਤੁਸੀਂ ਕਵਿਜ਼ਾਂ ਲਈ ਬ੍ਰੇਕਆਉਟ ਰੂਮ ਬਣਾਉਣਗੇ, ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹੋ। ਫਿਰ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਵਿਜ਼ਾਂ ਲਈ ਸੱਦਾ ਦਿਓ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਜਵਾਬ 'issues' ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਨਿਰਧਾਰਤ ਸਮੇਂ 'ਤੇ ਸਬਮਿਟ ਕਰਨ ਲਈ ਕਹੋ। ਤੁਸੀਂ ਇਹੀ ਪੱਧਤੀ ਅਸਾਈਨਮੈਂਟਾਂ ਨਾਲ ਵੀ ਅਪਨਾਉ ਸਕਦੇ ਹੋ, ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਵਿਦਿਆਰਥੀ ਖੁੱਲ੍ਹੇ ਤੌਰ 'ਤੇ ਸਹਿਯੋਗੀ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਨ।
+ਇੱਕ ਆਨਲਾਈਨ ਫਾਰਮੈਟ ਵਿੱਚ (Zoom, Teams, ਜਾਂ ਹੋਰ) ਤੁਸੀਂ ਪ੍ਰਸ਼ਨਾਂ ਲਈ ਬ੍ਰੇਆਕਆਊਟ ਰੂਮ ਬਣਾਉ ਸਕਦੇ ਹੋ, ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਮਦਦ ਕਰਨ ਲਈ ਮੈਨਟਰ ਬਣ ਕੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ। ਫਿਰ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਲੈਣ ਅਤੇ ਆਪਣੇ ਜਵਾਬਾਂ ਨੂੰ ਇੱਕ ਨਿਰਧਾਰਤ ਸਮੇਂ 'issues' ਵਜੋਂ ਭੇਜਣ ਦਾ ਆਮੰਤਰਣ ਦਿਓ। ਤੁਸੀਂ ਇੰਜਾਇੰਮੈਂਟਾਂ ਨਾਲ ਵੀ ਇਹੀ ਕਰ ਸਕਦੇ ਹੋ, ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਵਿਦਿਆਰਥੀ ਖੁੱਲ੍ਹੇ ਤੌਰ 'ਤੇ ਸਹਿਯੋਗ ਨਾਲ ਕੰਮ ਕਰਨ।
-ਜੇ ਤੁਸੀਂ ਇੱਕ ਜ਼ਿਆਦਾ ਨਿੱਜੀ ਫਾਰਮੈਟ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਹੋ ਕਿ ਪਾਠਕ੍ਰਮ ਨੂੰ, ਪਾਠ ਦਰ ਪਾਠ, ਆਪਣੇ GitHub ਰਿਪੋਜ਼ ਨੂੰ ਨਿੱਜੀ ਰਿਪੋਜ਼ ਦੇ ਰੂਪ ਵਿੱਚ ਫੋਰਕ ਕਰਨ। ਅਤੇ ਤੁਹਾਨੂੰ ਪਹੁੰਚ ਦੇਣ। ਫਿਰ ਉਹ ਕਵਿਜ਼ਾਂ ਅਤੇ ਅਸਾਈਨਮੈਂਟਾਂ ਨੂੰ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਪੂਰਾ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਤੁਹਾਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਰਿਪੋ 'ਤੇ 'issues' ਦੇ ਰਾਹੀਂ ਸਬਮਿਟ ਕਰ ਸਕਦੇ ਹਨ।
+ਜੇ ਤੁਸੀਂ ਵਧੇਰੇ ਨਿਜੀ ਫਾਰਮੈਟ ਪਸੰਦ ਕਰਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਹੋ ਕਿ ਉਹ ਕਰੀਕੁਲਮ ਨੂੰ ਪਾਠ ਦੁਆਰਾ ਪਾਠ ਆਪਣੇ ਆਪਣੇ GitHub ਰਿਪੋਜ਼ ਵਿੱਚ ਨਿੱਜੀ ਰਿਪੋਜ਼ ਵਜੋਂ ਫੋਰਕ ਕਰਨ, ਅਤੇ ਤੁਹਾਨੂੰ ਐਕਸੈਸ ਦਿਓ। ਫਿਰ ਉਹ ਨਿੱਜੀ ਤੌਰ ਤੇ ਪ੍ਰਸ਼ਨ ਅਤੇ ਅਸਾਈਨਮੈਂਟ ਪੂਰੇ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਤੁਹਾਡੇ ਕਲਾਸਰੂਮ ਰਿਪੋ 'ਤੇ issues ਰਾਹੀਂ ਤੁਹਾਨੂੰ ਭੇਜ ਸਕਦੇ ਹਨ।
-ਆਨਲਾਈਨ ਕਲਾਸਰੂਮ ਫਾਰਮੈਟ ਵਿੱਚ ਇਸਨੂੰ ਕੰਮਯੋਗ ਬਣਾਉਣ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਦੱਸੋ ਕਿ ਤੁਹਾਡੇ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ!
+ਆਨਲਾਈਨ ਕਲਾਸਰੂਮ ਫਾਰਮੈਟ ਵਿੱਚ ਇਹ ਕੰਮ ਕਰਨ ਦੇ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕੇ ਹਨ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਦੱਸੋ ਕਿ ਤੁਹਾਡੇ ਲਈ ਕਿਹੜਾ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ!
-## ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਆਪਣੀ ਰਾਏ ਦਿਓ!
+## ਕਿਰਪਾ ਕਰਕੇ ਸਾਡੇ ਨਾਲ ਆਪਣੀਆਂ ਸੋਚਾਂ ਸਾਂਝੀਆਂ ਕਰੋ!
-ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਇਹ ਪਾਠਕ੍ਰਮ ਤੁਹਾਡੇ ਅਤੇ ਤੁਹਾਡੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਕੰਮ ਕਰੇ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ [ਫੀਡਬੈਕ](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ਦਿਓ।
+ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਇਹ ਕਰੀਕੁਲਮ ਤੁਹਾਡੇ ਅਤੇ ਤੁਹਾਡੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਕੰਮ ਕਰੇ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ [ਫੀਡਬੈਕ](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ਦਿਓ।
---
-**ਅਸਵੀਕਰਤੀ**:
-ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
+
+**ਅਸਵੀਕਾਰੋਪਣ**:
+ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
+
\ No newline at end of file
diff --git a/translations/pt-BR/.co-op-translator.json b/translations/pt-BR/.co-op-translator.json
index 1c27a024e..203c07620 100644
--- a/translations/pt-BR/.co-op-translator.json
+++ b/translations/pt-BR/.co-op-translator.json
@@ -12,8 +12,8 @@
"language_code": "pt-BR"
},
"1-Introduction/2-history-of-ML/README.md": {
- "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
- "translation_date": "2025-09-04T21:37:10+00:00",
+ "original_hash": "e6b5247d6b4dc821434070bdb58e8285",
+ "translation_date": "2026-09-14T21:14:15+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "pt-BR"
},
@@ -24,8 +24,8 @@
"language_code": "pt-BR"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T03:17:29+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T21:13:23+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "pt-BR"
},
@@ -54,8 +54,8 @@
"language_code": "pt-BR"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T03:13:58+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T21:15:18+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "pt-BR"
},
@@ -282,8 +282,8 @@
"language_code": "pt-BR"
},
"5-Clustering/README.md": {
- "original_hash": "b28a3a4911584062772c537b653ebbc7",
- "translation_date": "2025-08-29T20:52:39+00:00",
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "translation_date": "2026-09-14T21:12:07+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "pt-BR"
},
@@ -456,8 +456,8 @@
"language_code": "pt-BR"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-08-29T20:38:37+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T21:12:22+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "pt-BR"
},
@@ -564,8 +564,8 @@
"language_code": "pt-BR"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T19:01:12+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T21:07:56+00:00",
"source_file": "README.md",
"language_code": "pt-BR"
},
@@ -592,11 +592,11 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "pt-BR",
- "failure_date": "2026-07-14T03:13:16+00:00",
+ "failure_date": "2026-09-14T21:11:59+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +607,8 @@
"language_code": "pt-BR"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-08-29T20:11:59+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T21:06:07+00:00",
"source_file": "for-teachers.md",
"language_code": "pt-BR"
},
diff --git a/translations/pt-BR/1-Introduction/2-history-of-ML/README.md b/translations/pt-BR/1-Introduction/2-history-of-ML/README.md
index 586650dcb..e3fa81698 100644
--- a/translations/pt-BR/1-Introduction/2-history-of-ML/README.md
+++ b/translations/pt-BR/1-Introduction/2-history-of-ML/README.md
@@ -1,155 +1,157 @@
# História do aprendizado de máquina
-
+
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ml/)
+## [Quiz antes da aula](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML para iniciantes - História do aprendizado de máquina")
-> 🎥 Clique na imagem acima para assistir a um vídeo curto sobre esta lição.
+> 🎥 Clique na imagem acima para um vídeo curto que acompanha esta lição.
-Nesta lição, vamos explorar os principais marcos na história do aprendizado de máquina e da inteligência artificial.
+Nesta lição, iremos percorrer os principais marcos da história do aprendizado de máquina e da inteligência artificial.
-A história da inteligência artificial (IA) como campo está entrelaçada com a história do aprendizado de máquina, já que os algoritmos e avanços computacionais que sustentam o aprendizado de máquina contribuíram para o desenvolvimento da IA. É útil lembrar que, embora esses campos como áreas distintas de estudo tenham começado a se cristalizar na década de 1950, importantes [descobertas algorítmicas, estatísticas, matemáticas, computacionais e técnicas](https://wikipedia.org/wiki/Timeline_of_machine_learning) precederam e se sobrepuseram a essa era. Na verdade, as pessoas têm pensado sobre essas questões por [centenas de anos](https://wikipedia.org/wiki/History_of_artificial_intelligence): este artigo discute as bases intelectuais históricas da ideia de uma 'máquina pensante'.
+A história da inteligência artificial (AI) como campo está entrelaçada com a história do aprendizado de máquina, pois os algoritmos e avanços computacionais que sustentam o ML contribuíram para o desenvolvimento da AI. É útil lembrar que, embora esses campos como áreas distintas de estudo tenham começado a se consolidar na década de 1950, descobertas importantes [algorítmicas, estatísticas, matemáticas, computacionais e técnicas](https://wikipedia.org/wiki/Timeline_of_machine_learning) precederam e se sobrepuseram a essa era. De fato, as pessoas têm pensado sobre essas questões por [centenas de anos](https://wikipedia.org/wiki/History_of_artificial_intelligence): este artigo discute as bases intelectuais históricas da ideia de uma 'máquina pensante'.
---
## Descobertas notáveis
-- 1763, 1812 [Teorema de Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e seus predecessores. Este teorema e suas aplicações fundamentam a inferência, descrevendo a probabilidade de um evento ocorrer com base em conhecimento prévio.
-- 1805 [Teoria dos Mínimos Quadrados](https://wikipedia.org/wiki/Least_squares) pelo matemático francês Adrien-Marie Legendre. Esta teoria, que você aprenderá em nossa unidade de regressão, ajuda no ajuste de dados.
+- 1763, 1812 [Teorema de Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e seus predecessores. Este teorema e suas aplicações fundamentam a inferência, descrevendo a probabilidade de um evento ocorrer com base no conhecimento prévio.
+- 1805 [Teoria dos Mínimos Quadrados](https://wikipedia.org/wiki/Least_squares) pelo matemático francês Adrien-Marie Legendre. Esta teoria, que você aprenderá em nossa unidade de Regressão, auxilia no ajuste de dados.
- 1913 [Cadeias de Markov](https://wikipedia.org/wiki/Markov_chain), nomeadas em homenagem ao matemático russo Andrey Markov, são usadas para descrever uma sequência de eventos possíveis com base em um estado anterior.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) é um tipo de classificador linear inventado pelo psicólogo americano Frank Rosenblatt que fundamenta avanços em aprendizado profundo.
---
-- 1967 [Vizinho Mais Próximo](https://wikipedia.org/wiki/Nearest_neighbor) é um algoritmo originalmente projetado para mapear rotas. No contexto de aprendizado de máquina, é usado para detectar padrões.
+- 1967 [Vizinhança mais próxima](https://wikipedia.org/wiki/Nearest_neighbor) é um algoritmo originalmente projetado para mapear rotas. No contexto do ML, é usado para detectar padrões.
- 1970 [Retropropagação](https://wikipedia.org/wiki/Backpropagation) é usada para treinar [redes neurais feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
-- 1982 [Redes Neurais Recorrentes](https://wikipedia.org/wiki/Recurrent_neural_network) são redes neurais artificiais derivadas de redes neurais feedforward que criam gráficos temporais.
+- 1982 [Redes Neurais Recorrentes](https://wikipedia.org/wiki/Recurrent_neural_network) são redes neurais artificiais derivadas das redes neurais feedforward que criam grafos temporais.
-✅ Faça uma pequena pesquisa. Quais outras datas se destacam como marcos na história do aprendizado de máquina e da IA?
+✅ Faça uma pequena pesquisa. Quais outras datas se destacam como cruciais na história do ML e da AI?
---
## 1950: Máquinas que pensam
-Alan Turing, uma pessoa verdadeiramente notável que foi eleito [pelo público em 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) como o maior cientista do século 20, é creditado por ajudar a estabelecer as bases para o conceito de uma 'máquina que pode pensar'. Ele enfrentou críticos e sua própria necessidade de evidências empíricas desse conceito, em parte, criando o [Teste de Turing](https://www.bbc.com/news/technology-18475646), que você explorará em nossas lições de PLN.
+Alan Turing, uma pessoa verdadeiramente notável que foi eleito [pelo público em 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) como o maior cientista do século 20, é reconhecido por ajudar a estabelecer a base para o conceito de uma 'máquina que pode pensar.' Ele lidou com céticos e com a própria necessidade de evidências empíricas para esse conceito, em parte, ao criar o [Teste de Turing](https://www.bbc.com/news/technology-18475646), que você explorará em nossas lições de PLN.
---
-## 1956: Projeto de Pesquisa de Verão em Dartmouth
+## 1956: Projeto de Pesquisa de Verão de Dartmouth
-"O Projeto de Pesquisa de Verão em Dartmouth sobre inteligência artificial foi um evento seminal para a inteligência artificial como campo", e foi aqui que o termo 'inteligência artificial' foi cunhado ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
+"O Projeto de Pesquisa de Verão de Dartmouth sobre inteligência artificial foi um evento seminal para a inteligência artificial como campo," e foi aqui que o termo 'inteligência artificial' foi cunhado ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
-> Todo aspecto de aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo.
+> Todo aspecto da aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito de forma tão precisa que uma máquina pode ser feita para simulá-lo.
---
-O pesquisador principal, o professor de matemática John McCarthy, esperava "prosseguir com base na conjectura de que todo aspecto de aprendizado ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo." Os participantes incluíram outro grande nome do campo, Marvin Minsky.
+O pesquisador principal, professor de matemática John McCarthy, esperava "prosseguir com base na conjectura de que todo aspecto da aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito de forma tão precisa que uma máquina pode ser feita para simulá-lo." Os participantes incluíam outra figura ilustre do campo, Marvin Minsky.
-O workshop é creditado por ter iniciado e incentivado várias discussões, incluindo "a ascensão de métodos simbólicos, sistemas focados em domínios limitados (primeiros sistemas especialistas) e sistemas dedutivos versus sistemas indutivos." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
+O workshop é creditado por ter iniciado e incentivado várias discussões, incluindo "a ascensão dos métodos simbólicos, sistemas focados em domínios limitados (primeiros sistemas especialistas) e sistemas dedutivos versus sistemas indutivos." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Os anos dourados"
-Dos anos 1950 até meados dos anos 70, o otimismo era alto na esperança de que a IA pudesse resolver muitos problemas. Em 1967, Marvin Minsky afirmou confiantemente que "Dentro de uma geração... o problema de criar 'inteligência artificial' será substancialmente resolvido." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
+Desde a década de 1950 até meados dos anos 70, o otimismo era grande na esperança de que a AI pudesse resolver muitos problemas. Em 1967, Marvin Minsky afirmou com confiança que "Dentro de uma geração ... o problema de criar 'inteligência artificial' será substancialmente resolvido." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
-Pesquisas em processamento de linguagem natural floresceram, buscas foram refinadas e tornadas mais poderosas, e o conceito de 'micro-mundos' foi criado, onde tarefas simples eram realizadas usando instruções em linguagem comum.
+A pesquisa em processamento de linguagem natural floresceu, a busca foi refinada e tornou-se mais poderosa, e o conceito de 'micromundos' foi criado, onde tarefas simples eram completadas usando instruções em linguagem comum.
---
A pesquisa foi bem financiada por agências governamentais, avanços foram feitos em computação e algoritmos, e protótipos de máquinas inteligentes foram construídos. Algumas dessas máquinas incluem:
-* [Shakey, o robô](https://wikipedia.org/wiki/Shakey_the_robot), que podia se mover e decidir como realizar tarefas 'inteligentemente'.
+* [Shakey o robô](https://wikipedia.org/wiki/Shakey_the_robot), que podia se mover e decidir como executar tarefas de forma 'inteligente'.
- 
+ 
> Shakey em 1972
---
-* Eliza, um dos primeiros 'chatterbots', podia conversar com pessoas e agir como um 'terapeuta' primitivo. Você aprenderá mais sobre Eliza nas lições de PLN.
+* Eliza, um 'chatterbot' inicial, podia conversar com as pessoas e agir como uma 'terapeuta' primitiva. Você aprenderá mais sobre Eliza nas lições de PLN.
- 
+ 
> Uma versão de Eliza, um chatbot
---
-* "Blocks world" foi um exemplo de micro-mundo onde blocos podiam ser empilhados e organizados, e experimentos em ensinar máquinas a tomar decisões podiam ser testados. Avanços construídos com bibliotecas como [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ajudaram a impulsionar o processamento de linguagem.
+* "Mundo dos blocos" foi um exemplo de micromundo onde blocos podiam ser empilhados e classificados, e experimentos para ensinar máquinas a tomar decisões podiam ser testados. Avanços construídos com bibliotecas como [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ajudaram a impulsionar o processamento de linguagem.
- [](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world com SHRDLU")
+ [](https://www.youtube.com/watch?v=QAJz4YKUwqw "mundo dos blocos com SHRDLU")
- > 🎥 Clique na imagem acima para assistir a um vídeo: Blocks world com SHRDLU
+ > 🎥 Clique na imagem acima para um vídeo: Mundo dos blocos com SHRDLU
---
## 1974 - 1980: "Inverno da IA"
-Por volta de meados dos anos 1970, tornou-se evidente que a complexidade de criar 'máquinas inteligentes' havia sido subestimada e que sua promessa, dada a capacidade computacional disponível, havia sido exagerada. O financiamento secou e a confiança no campo diminuiu. Alguns problemas que impactaram a confiança incluíram:
+Em meados dos anos 70, tornou-se evidente que a complexidade de criar 'máquinas inteligentes' havia sido subestimada e que sua promessa, dada a potência computacional disponível, havia sido exagerada. O financiamento secou e a confiança no campo diminuiu. Alguns problemas que impactaram a confiança incluíram:
---
-- **Limitações**. A capacidade computacional era muito limitada.
-- **Explosão combinatória**. A quantidade de parâmetros necessários para treinamento cresceu exponencialmente à medida que mais era exigido dos computadores, sem uma evolução paralela da capacidade computacional.
-- **Escassez de dados**. Havia uma escassez de dados que dificultava o processo de teste, desenvolvimento e refinamento de algoritmos.
-- **Estamos fazendo as perguntas certas?**. As próprias perguntas que estavam sendo feitas começaram a ser questionadas. Pesquisadores começaram a enfrentar críticas sobre suas abordagens:
- - Testes de Turing foram questionados por meio, entre outras ideias, da 'teoria da sala chinesa', que postulava que "programar um computador digital pode fazê-lo parecer entender a linguagem, mas não poderia produzir compreensão real." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
- - A ética de introduzir inteligências artificiais como o "terapeuta" ELIZA na sociedade foi desafiada.
+- **Limitações**. A potência computacional era muito limitada.
+- **Explosão combinatória**. A quantidade de parâmetros necessários para treinamento crescia exponencialmente à medida que mais era pedido aos computadores, sem uma evolução paralela da potência e capacidade computacional.
+- **Escassez de dados**. Havia uma escassez de dados que dificultava o processo de testar, desenvolver e refinar algoritmos.
+- **Estamos fazendo as perguntas certas?**. As próprias perguntas feitas começaram a ser questionadas. Pesquisadores passaram a receber críticas sobre suas abordagens:
+ - Testes de Turing foram questionados por meio, entre outras ideias, da 'teoria da sala chinesa' que postulava que, "programar um computador digital pode fazê-lo parecer entender a língua, mas não poderia produzir compreensão real." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
+ - A ética de introduzir inteligências artificiais como a "terapeuta" ELIZA na sociedade foi desafiada.
---
-Ao mesmo tempo, várias escolas de pensamento em IA começaram a se formar. Uma dicotomia foi estabelecida entre práticas de ["IA desleixada" vs. "IA organizada"](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratórios _desleixados_ ajustavam programas por horas até obterem os resultados desejados. Laboratórios _organizados_ "focavam em lógica e resolução formal de problemas". ELIZA e SHRDLU eram sistemas _desleixados_ bem conhecidos. Nos anos 1980, à medida que surgiu a demanda por sistemas de aprendizado de máquina reproduzíveis, a abordagem _organizada_ gradualmente tomou a dianteira, pois seus resultados são mais explicáveis.
+Ao mesmo tempo, várias escolas de pensamento de IA começaram a se formar. Foi estabelecida uma dicotomia entre práticas de ["IA 'desleixada' vs. 'organizada'"](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratórios _desleixados_ ajustavam programas por horas até obter os resultados desejados. Laboratórios _organizados_ "focavam na lógica e na resolução formal de problemas". ELIZA e SHRDLU eram sistemas _desleixados_ conhecidos. Na década de 1980, à medida que surgiu a demanda para tornar sistemas ML reproduzíveis, a abordagem _organizada_ gradualmente assumiu a dianteira por seus resultados serem mais explicáveis.
---
-## Sistemas especialistas nos anos 1980
+## Anos 1980: Sistemas especialistas
-À medida que o campo crescia, seus benefícios para os negócios tornaram-se mais claros, e nos anos 1980 também ocorreu a proliferação de 'sistemas especialistas'. "Sistemas especialistas estavam entre as primeiras formas verdadeiramente bem-sucedidas de software de inteligência artificial (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
+À medida que o campo cresceu, seus benefícios para os negócios ficaram claros, e na década de 1980 também houve a proliferação de 'sistemas especialistas'. "Sistemas especialistas foram uma das primeiras formas verdadeiramente bem-sucedidas de software de inteligência artificial (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
-Este tipo de sistema é na verdade _híbrido_, consistindo parcialmente de um motor de regras que define requisitos de negócios e um motor de inferência que utiliza o sistema de regras para deduzir novos fatos.
+Esse tipo de sistema é na verdade _híbrido_, consistindo parcialmente de um motor de regras definindo requisitos de negócios, e um motor de inferência que aproveitava o sistema de regras para deduzir novos fatos.
-Esta era também viu uma atenção crescente às redes neurais.
+Essa era também viu aumento na atenção dada às redes neurais.
---
-## 1987 - 1993: "Resfriamento da IA"
+## 1987 - 1993: Recesso da IA
-A proliferação de hardware especializado para sistemas especialistas teve o efeito infeliz de se tornar muito especializado. O surgimento dos computadores pessoais também competiu com esses sistemas grandes, especializados e centralizados. A democratização da computação havia começado, e isso eventualmente abriu caminho para a explosão moderna de big data.
+A proliferação de hardware especializado para sistemas especialistas teve o efeito infeliz de se tornar excessivamente especializado. A ascensão dos computadores pessoais também competiu com esses sistemas grandes, especializados e centralizados. A democratização da computação havia começado e eventualmente abriu caminho para a explosão moderna de big data.
---
## 1993 - 2011
-Este período viu uma nova era para o aprendizado de máquina e a IA, permitindo resolver alguns dos problemas causados anteriormente pela falta de dados e capacidade computacional. A quantidade de dados começou a aumentar rapidamente e se tornar mais amplamente disponível, para o bem e para o mal, especialmente com o advento do smartphone por volta de 2007. A capacidade computacional expandiu exponencialmente, e os algoritmos evoluíram junto. O campo começou a ganhar maturidade à medida que os dias livres do passado começaram a se cristalizar em uma verdadeira disciplina.
+Essa época viu uma nova era para ML e AI poderem resolver alguns dos problemas causados anteriormente pela falta de dados e potência computacional. A quantidade de dados começou a aumentar rapidamente e ficou mais amplamente disponível, para o bem e para o mal, especialmente com o advento do smartphone por volta de 2007. A potência computacional expandiu exponencialmente, e os algoritmos evoluíram junto. O campo começou a ganhar maturidade à medida que os dias livres do passado começaram a se cristalizar em uma verdadeira disciplina.
---
-## Hoje
+## Agora
-Hoje, o aprendizado de máquina e a IA tocam quase todas as partes de nossas vidas. Esta era exige uma compreensão cuidadosa dos riscos e dos potenciais efeitos desses algoritmos na vida humana. Como Brad Smith, da Microsoft, afirmou: "A tecnologia da informação levanta questões que vão ao cerne das proteções fundamentais dos direitos humanos, como privacidade e liberdade de expressão. Essas questões aumentam a responsabilidade das empresas de tecnologia que criam esses produtos. Em nossa visão, elas também exigem uma regulamentação governamental cuidadosa e o desenvolvimento de normas sobre usos aceitáveis" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
+Hoje, aprendizado de máquina e AI tocam quase todas as partes de nossas vidas. Esta era exige entendimento cuidadoso dos riscos e dos potenciais efeitos desses algoritmos nas vidas humanas. Como Brad Smith, da Microsoft, declarou: "A tecnologia da informação levanta questões que vão ao cerne das proteções fundamentais dos direitos humanos, como a privacidade e a liberdade de expressão. Essas questões aumentam a responsabilidade das empresas de tecnologia que criam esses produtos. Em nossa visão, elas também exigem uma regulamentação governamental cuidadosa e o desenvolvimento de normas sobre usos aceitáveis" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
-Ainda não se sabe o que o futuro reserva, mas é importante entender esses sistemas computacionais e o software e os algoritmos que eles executam. Esperamos que este currículo ajude você a obter uma melhor compreensão para que possa decidir por si mesmo.
+Resta saber o que o futuro reserva, mas é importante entender esses sistemas computacionais e o software e algoritmos que eles executam. Esperamos que este currículo ajude você a obter uma melhor compreensão para que possa decidir por si mesmo.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "A história do aprendizado profundo")
-> 🎥 Clique na imagem acima para assistir a um vídeo: Yann LeCun discute a história do aprendizado profundo nesta palestra
+> 🎥 Clique na imagem acima para um vídeo: Yann LeCun discute a história do aprendizado profundo nesta palestra
---
## 🚀Desafio
-Aprofunde-se em um desses momentos históricos e aprenda mais sobre as pessoas por trás deles. Há personagens fascinantes, e nenhuma descoberta científica foi criada em um vácuo cultural. O que você descobre?
+Explore um desses momentos históricos e aprenda mais sobre as pessoas por trás deles. Existem personagens fascinantes, e nenhuma descoberta científica foi criada em um vácuo cultural. O que você descobre?
-## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ml/)
+## [Quiz após a aula](https://ff-quizzes.netlify.app/en/ml/)
---
-## Revisão e autoestudo
+## Revisão & Autoestudo
Aqui estão itens para assistir e ouvir:
-[Este podcast onde Amy Boyd discute a evolução da IA](http://runasradio.com/Shows/Show/739)
+[Este podcast onde Amy Boyd discute a evolução da AI](http://runasradio.com/Shows/Show/739)
-[](https://www.youtube.com/watch?v=EJt3_bFYKss "A história da IA por Amy Boyd")
+[](https://www.youtube.com/watch?v=EJt3_bFYKss "A história da AI por Amy Boyd")
---
## Tarefa
-[Criar uma linha do tempo](assignment.md)
+[Crie uma linha do tempo](assignment.md)
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-BR/1-Introduction/3-fairness/README.md b/translations/pt-BR/1-Introduction/3-fairness/README.md
index de9c7ac5a..fe9f3d155 100644
--- a/translations/pt-BR/1-Introduction/3-fairness/README.md
+++ b/translations/pt-BR/1-Introduction/3-fairness/README.md
@@ -1,30 +1,30 @@
# Construindo soluções de Machine Learning com IA responsável
-
+
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ml/)
## Introdução
-Neste currículo, você começará a descobrir como o machine learning pode e está impactando nosso dia a dia. Mesmo agora, sistemas e modelos estão envolvidos em tarefas diárias de tomada de decisão, como diagnósticos de saúde, aprovações de empréstimos ou detecção de fraude. Portanto, é importante que esses modelos funcionem bem para fornecer resultados confiáveis. Assim como qualquer aplicativo de software, sistemas de IA podem falhar nas expectativas ou apresentar um resultado indesejado. É por isso que é essencial ser capaz de entender e explicar o comportamento de um modelo de IA.
+Neste currículo, você começará a descobrir como o machine learning pode e está impactando nosso dia a dia. Mesmo agora, sistemas e modelos estão envolvidos em tarefas diárias de tomada de decisão, como diagnósticos médicos, aprovações de empréstimos ou detecção de fraudes. Portanto, é importante que esses modelos funcionem bem para fornecer resultados confiáveis. Assim como qualquer aplicação de software, sistemas de IA podem falhar em atender expectativas ou produzir resultados indesejados. Por isso, é essencial ser capaz de entender e explicar o comportamento de um modelo de IA.
-Imagine o que pode acontecer quando os dados que você usa para construir esses modelos não incluem determinados grupos demográficos, como raça, gênero, visão política, religião, ou representam desproporcionalmente tais grupos. E quando a saída do modelo é interpretada para favorecer algum grupo demográfico? Qual é a consequência para a aplicação? Além disso, o que acontece quando o modelo tem um resultado adverso e prejudica pessoas? Quem é responsável pelo comportamento dos sistemas de IA? Essas são algumas perguntas que exploraremos neste currículo.
+Imagine o que pode acontecer quando os dados usados para construir esses modelos não incluem certos grupos demográficos, como raça, gênero, visão política, religião, ou representam esses grupos de forma desproporcional. E quando a saída do modelo é interpretada para favorecer algum grupo demográfico? Qual é a consequência para a aplicação? Além disso, o que acontece quando o modelo tem um resultado adverso e prejudica pessoas? Quem é responsável pelo comportamento dos sistemas de IA? Estas são algumas perguntas que exploraremos neste currículo.
-Nesta lição, você irá:
+Nesta aula, você irá:
-- Elevar sua conscientização sobre a importância da justiça no machine learning e danos relacionados à justiça.
-- Familiarizar-se com a prática de explorar casos extremos e cenários incomuns para garantir confiabilidade e segurança
-- Obter entendimento sobre a necessidade de empoderar todos por meio do design de sistemas inclusivos
-- Explorar como é vital proteger a privacidade e a segurança dos dados e das pessoas
-- Ver a importância de ter uma abordagem de caixa transparente para explicar o comportamento dos modelos de IA
-- Estar atento a como a responsabilidade é essencial para construir confiança nos sistemas de IA
+- Elevar sua consciência sobre a importância da justiça em machine learning e os danos relacionados à justiça.
+- Familiarizar-se com a prática de explorar casos fora do comum e cenários incomuns para garantir confiabilidade e segurança.
+- Compreender a necessidade de capacitar todos ao projetar sistemas inclusivos.
+- Explorar a importância vital de proteger a privacidade e segurança dos dados e das pessoas.
+- Perceber a importância de uma abordagem transparente para explicar o comportamento dos modelos de IA.
+- Estar atento a como a responsabilidade é essencial para construir confiança em sistemas de IA.
## Pré-requisito
-Como pré-requisito, por favor faça o "Princípios de IA Responsável" no Caminho de Aprendizagem e assista ao vídeo abaixo sobre o tema:
+Como pré-requisito, por favor realize a Jornada de Aprendizagem "Princípios de IA Responsável" e assista o vídeo abaixo sobre o tema:
-Saiba mais sobre IA Responsável seguindo este [Caminho de Aprendizagem](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
+Saiba mais sobre IA Responsável seguindo esta [Jornada de Aprendizagem](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Abordagem da Microsoft para IA Responsável")
@@ -32,132 +32,131 @@ Saiba mais sobre IA Responsável seguindo este [Caminho de Aprendizagem](https:/
## Justiça
-Sistemas de IA devem tratar todas as pessoas de forma justa e evitar afetar grupos semelhantes de maneira diferente. Por exemplo, quando sistemas de IA fornecem orientações sobre tratamento médico, solicitações de empréstimos ou emprego, eles devem fazer as mesmas recomendações para todos com sintomas, condições financeiras ou qualificações profissionais semelhantes. Cada um de nós, como humanos, carrega preconceitos herdados que afetam nossas decisões e ações. Esses preconceitos podem ser evidentes nos dados que usamos para treinar sistemas de IA. Tal manipulação às vezes ocorre sem intenção. Muitas vezes é difícil saber conscientemente quando você está introduzindo viés nos dados.
+Sistemas de IA devem tratar todos com justiça e evitar afetar grupos semelhantes de maneiras diferentes. Por exemplo, quando sistemas de IA fornecem orientações para tratamentos médicos, solicitações de empréstimos ou emprego, eles devem fazer as mesmas recomendações para todos com sintomas, condições financeiras ou qualificações profissionais similares. Cada um de nós carrega preconceitos herdados que afetam nossas decisões e ações. Esses preconceitos podem estar evidentes nos dados usados para treinar sistemas de IA. Essa manipulação pode ocorrer sem intenção. Frequentemente é difícil saber conscientemente quando estamos introduzindo viés nos dados.
-**“Injustiça”** engloba impactos negativos, ou “danos”, para um grupo de pessoas, como aqueles definidos em termos de raça, gênero, idade ou condição de deficiência. Os principais danos relacionados à justiça podem ser classificados como:
+**“Injustiça”** engloba impactos negativos, ou “danos”, para um grupo de pessoas, como aqueles definidos por raça, gênero, idade ou status de deficiência. Os principais danos relacionados à justiça podem ser classificados como:
-- **Alocação**, se um gênero ou etnia, por exemplo, é favorecido em relação a outro.
-- **Qualidade do serviço**. Se você treina os dados para um cenário específico, mas a realidade for muito mais complexa, isso leva a um serviço com desempenho ruim. Por exemplo, um dispensador de sabonete que parecia não conseguir detectar pessoas com pele escura. [Referência](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
-- **Denegrimento**. Criticar e rotular algo ou alguém de forma injusta. Por exemplo, uma tecnologia de rotulagem de imagens que famosamente rotulou erroneamente imagens de pessoas de pele escura como gorilas.
-- **Super- ou sub-representação**. A ideia é que um determinado grupo não é visto em uma certa profissão, e qualquer serviço ou função que continue promovendo isso contribui para o dano.
-- **Estereotipagem**. Associar um grupo dado com atributos pré-atribuídos. Por exemplo, um sistema de tradução de idiomas entre inglês e turco pode ter imprecisões devido a palavras com associações estereotipadas de gênero.
+- **Alocação**, se um gênero ou etnia, por exemplo, é favorecido em detrimento de outro.
+- **Qualidade de serviço**. Se você treina dados para um cenário específico, mas a realidade é muito mais complexa, isso leva a um serviço de baixa performance. Por exemplo, um dispenser de sabonete que não consegue detectar pessoas com pele escura. [Referência](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
+- **Denigreção**. Criticar e rotular algo ou alguém injustamente. Por exemplo, uma tecnologia de rotulagem de imagens que infamemente rotulou pessoas de pele escura como gorilas.
+- **Super ou sub-representação**. A ideia é que um determinado grupo não é visto em uma profissão, e qualquer serviço ou função que continue promovendo isso contribui para o dano.
+- **Estereotipagem**. Associar um grupo com atributos pré-definidos. Por exemplo, um sistema de tradução de inglês para turco pode ter imprecisões devido a palavras com associações estereotipadas de gênero.
-
-> tradução para turco
+
+> tradução para o turco
-
-> tradução de volta para inglês
+
+> tradução de volta para o inglês
-Ao projetar e testar sistemas de IA, precisamos garantir que a IA seja justa e não programada para tomar decisões tendenciosas ou discriminatórias, o que os seres humanos também são proibidos de fazer. Garantir justiça em IA e machine learning continua sendo um desafio sociotécnico complexo.
+Ao projetar e testar sistemas de IA, precisamos garantir que a IA seja justa e não programada para tomar decisões enviesadas ou discriminatórias, o que humanos também são proibidos de fazer. Garantir justiça em IA e machine learning continua um desafio sociotécnico complexo.
### Confiabilidade e segurança
-Para construir confiança, sistemas de IA precisam ser confiáveis, seguros e consistentes em condições normais e inesperadas. É importante saber como sistemas de IA se comportarão em diversas situações, especialmente quando são casos atípicos. Ao construir soluções de IA, deve haver um foco substancial em como lidar com uma ampla variedade de circunstâncias que as soluções de IA podem encontrar. Por exemplo, um carro autônomo precisa colocar a segurança das pessoas como prioridade máxima. Como resultado, a IA que controla o carro precisa considerar todos os possíveis cenários que o carro pode enfrentar, como noite, tempestades ou nevascas, crianças correndo pela rua, animais de estimação, construções na estrada etc. Quão bem um sistema de IA pode lidar de forma confiável e segura com uma gama tão variada de condições reflete o nível de antecipação que o cientista de dados ou desenvolvedor de IA considerou durante o design ou teste do sistema.
+Para construir confiança, sistemas de IA precisam ser confiáveis, seguros e consistentes em condições normais e inesperadas. É importante saber como sistemas de IA se comportam em diferentes situações, especialmente quando são exceções. Ao construir soluções de IA, deve haver grande foco em como lidar com uma variedade ampla de circunstâncias. Por exemplo, um carro autônomo precisa colocar a segurança das pessoas como prioridade máxima. Assim, a IA que o alimenta precisa considerar todos os possíveis cenários que o carro possa encontrar, como noite, tempestades ou nevascas, crianças correndo na rua, animais de estimação, construções na via, etc. Quão bem um sistema de IA consegue lidar com uma gama ampla de condições de forma confiável e segura reflete o nível de antecipação que o cientista de dados ou desenvolvedor de IA considerou durante o design ou teste do sistema.
-> [🎥 Clique aqui para um vídeo: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
+> [🎥 Clique aqui para um vídeo: Confiabilidade e segurança na IA](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inclusividade
-Sistemas de IA devem ser projetados para engajar e empoderar todos. Ao projetar e implementar sistemas de IA, cientistas de dados e desenvolvedores de IA identificam e abordam barreiras potenciais no sistema que poderiam, inadvertidamente, excluir pessoas. Por exemplo, há 1 bilhão de pessoas com deficiências no mundo. Com o avanço da IA, eles podem acessar uma ampla gama de informações e oportunidades mais facilmente em suas vidas diárias. Ao abordar essas barreiras, criam-se oportunidades para inovar e desenvolver produtos de IA com melhores experiências que beneficiam a todos.
+Sistemas de IA devem ser projetados para engajar e capacitar a todos. Ao projetar e implementar sistemas de IA, cientistas de dados e desenvolvedores de IA identificam e eliminam barreiras que possam excluir pessoas sem intenção. Por exemplo, existem 1 bilhão de pessoas com deficiência no mundo. Com o avanço da IA, elas podem acessar uma ampla gama de informações e oportunidades mais facilmente no dia a dia. Ao eliminar barreiras, cria-se oportunidades para inovar e desenvolver produtos de IA com melhores experiências que beneficiem a todos.
-> [🎥 Clique aqui para um vídeo: inclusividade em IA](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
+> [🎥 Clique aqui para um vídeo: Inclusividade na IA](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
-### Segurança e privacidade
+### Segurança e privacidade
-Sistemas de IA devem ser seguros e respeitar a privacidade das pessoas. As pessoas confiam menos em sistemas que colocam sua privacidade, informações ou vidas em risco. Ao treinar modelos de machine learning, dependemos dos dados para produzir os melhores resultados. Ao fazer isso, a origem dos dados e a integridade devem ser consideradas. Por exemplo, os dados foram submetidos pelo usuário ou são publicamente disponíveis? Em seguida, ao trabalhar com os dados, é crucial desenvolver sistemas de IA que possam proteger informações confidenciais e resistir a ataques. À medida que a IA se torna mais prevalente, proteger a privacidade e assegurar informações pessoais e comerciais importantes torna-se mais crítico e complexo. Questões de privacidade e segurança de dados exigem atenção especialmente próxima para IA porque o acesso a dados é essencial para que sistemas de IA façam previsões e decisões precisas e informadas sobre pessoas.
+Sistemas de IA devem ser seguros e respeitar a privacidade das pessoas. Pessoas confiam menos em sistemas que colocam sua privacidade, informações ou vidas em risco. Ao treinar modelos de machine learning, dependemos dos dados para produzir os melhores resultados. Para isso, a origem dos dados e sua integridade devem ser consideradas. Por exemplo, os dados foram submetidos pelos usuários ou são públicos? Em seguida, ao trabalhar com os dados, é crucial desenvolver sistemas de IA que protejam informações confidenciais e resistam a ataques. À medida que a IA se torna mais difundida, proteger a privacidade e a segurança de informações pessoais e empresariais importantes torna-se mais crítico e complexo. Questões de privacidade e segurança dos dados exigem atenção especial para IA, pois o acesso a dados é essencial para que sistemas de IA façam previsões e decisões precisas e informadas sobre pessoas.
-> [🎥 Clique aqui para um vídeo: segurança em IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 Clique aqui para um vídeo: Segurança na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- Como indústria, fizemos avanços significativos em Privacidade & segurança, impulsionados significativamente por regulamentações como o GDPR (Regulamento Geral de Proteção de Dados).
-- Porém, com sistemas de IA, precisamos reconhecer a tensão entre a necessidade de mais dados pessoais para tornar os sistemas mais personalizados e eficazes – e a privacidade.
-- Assim como com o surgimento dos computadores conectados com a internet, também estamos vendo um grande aumento no número de questões de segurança relacionadas à IA.
-- Ao mesmo tempo, vimos IA sendo usada para melhorar a segurança. Por exemplo, a maioria dos scanners antivírus modernos é hoje movida por heurísticas de IA.
-- Precisamos garantir que nossos processos de Ciência de Dados se integrem harmoniosamente com as práticas mais recentes de privacidade e segurança.
+- Como setor, fizemos avanços significativos em Privacidade e segurança, impulsionados principalmente por regulamentações como o GDPR (Regulamento Geral de Proteção de Dados).
+- Ainda assim, com sistemas de IA devemos reconhecer a tensão entre a necessidade de mais dados pessoais para tornar sistemas mais pessoais e eficazes – e a privacidade.
+- Assim como com o surgimento dos computadores conectados à internet, também estamos vendo grande aumento nas questões de segurança relacionadas à IA.
+- Ao mesmo tempo, temos visto a IA ser usada para melhorar a segurança. Por exemplo, os antivírus modernos são impulsionados por heurísticas de IA hoje em dia.
+- Precisamos garantir que nossos processos de Ciência de Dados estejam alinhados harmonicamente às práticas mais recentes de privacidade e segurança.
### Transparência
-Sistemas de IA devem ser compreensíveis. Uma parte crucial da transparência é explicar o comportamento dos sistemas de IA e seus componentes. Melhorar a compreensão dos sistemas de IA requer que as partes interessadas entendam como e por que eles funcionam para que possam identificar potenciais problemas de desempenho, preocupações de segurança e privacidade, preconceitos, práticas excludentes ou resultados não intencionais. Também acreditamos que aqueles que usam sistemas de IA devem ser honestos e francos sobre quando, por que e como escolhem implementá-los. Assim como sobre as limitações dos sistemas que usam. Por exemplo, se um banco usa um sistema de IA para apoiar suas decisões de empréstimos a consumidores, é importante analisar os resultados e entender quais dados influenciam as recomendações do sistema. Governos estão começando a regulamentar IA em diversos setores, então cientistas de dados e organizações devem explicar se um sistema de IA atende aos requisitos regulatórios, especialmente quando há um resultado indesejado.
+Sistemas de IA devem ser compreensíveis. Parte crucial da transparência é explicar o comportamento dos sistemas de IA e seus componentes. Melhorar o entendimento dos sistemas de IA exige que as partes interessadas compreendam como e por que eles funcionam para identificar possíveis problemas de desempenho, preocupações de segurança e privacidade, vieses, práticas excludentes ou resultados inesperados. Também acreditamos que quem usa sistemas de IA deve ser honesto e transparente sobre quando, por que e como decide implantá-los, assim como sobre as limitações dos sistemas usados. Por exemplo, se um banco usa um sistema de IA para apoiar decisões de concessão de crédito, é importante examinar os resultados e entender quais dados influenciam as recomendações do sistema. Governos estão começando a regulamentar a IA em diferentes setores, portanto cientistas de dados e organizações devem explicar se um sistema de IA atende aos requisitos regulatórios, especialmente quando há um resultado indesejado.
-> [🎥 Clique aqui para um vídeo: transparência em IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 Clique aqui para um vídeo: Transparência na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- Porque os sistemas de IA são tão complexos, é difícil entender como eles funcionam e interpretar os resultados.
+- Como sistemas de IA são tão complexos, é difícil entender como funcionam e interpretar os resultados.
- Essa falta de entendimento afeta a forma como esses sistemas são gerenciados, operacionalizados e documentados.
-- Essa falta de entendimento, mais importante, afeta as decisões tomadas usando os resultados que esses sistemas produzem.
+- Mais importante, essa falta de entendimento afeta as decisões tomadas com base nos resultados produzidos por esses sistemas.
### Responsabilidade
-As pessoas que projetam e implementam sistemas de IA devem ser responsáveis por como seus sistemas operam. A necessidade de responsabilidade é particularmente crucial com tecnologias de uso sensível, como o reconhecimento facial. Recentemente, houve uma crescente demanda por tecnologia de reconhecimento facial, especialmente de organizações de aplicação da lei que veem o potencial da tecnologia em usos como encontrar crianças desaparecidas. No entanto, essas tecnologias poderiam potencialmente ser usadas por um governo para colocar em risco as liberdades fundamentais de seus cidadãos ao, por exemplo, permitir vigilância contínua de indivíduos específicos. Portanto, cientistas de dados e organizações precisam ser responsáveis por como seus sistemas de IA impactam indivíduos ou a sociedade.
+As pessoas que projetam e implementam sistemas de IA devem ser responsáveis pelo funcionamento desses sistemas. A necessidade de responsabilidade é especialmente crucial em tecnologias de uso sensível, como reconhecimento facial. Recentemente, houve crescente demanda por essa tecnologia, especialmente por forças policiais que veem potencial em usos como encontrar crianças desaparecidas. Contudo, essas tecnologias podem ser usadas por governos para colocar em risco as liberdades fundamentais dos cidadãos por meio de, por exemplo, vigilância contínua de indivíduos específicos. Portanto, cientistas de dados e organizações precisam ser responsáveis pelo impacto que seus sistemas de IA causam em indivíduos ou na sociedade.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Abordagem da Microsoft para IA Responsável")
-> 🎥 Clique na imagem acima para um vídeo: Avisos sobre Vigilância em Massa por Reconhecimento Facial
+> 🎥 Clique na imagem acima para um vídeo: Avisos sobre vigilância em massa por reconhecimento facial
-Em última análise, uma das maiores perguntas para nossa geração, como a primeira geração que está trazendo IA para a sociedade, é como garantir que os computadores permaneçam responsáveis perante as pessoas e como garantir que as pessoas que projetam computadores permaneçam responsáveis perante todos os demais.
+Em última análise, uma das maiores questões para a nossa geração, como a primeira que traz a IA para a sociedade, é como garantir que computadores permaneçam responsáveis perante as pessoas e que aqueles que projetam computadores permaneçam responsáveis perante todos os outros.
## Avaliação de impacto
-Antes de treinar um modelo de machine learning, é importante realizar uma avaliação de impacto para entender o propósito do sistema de IA; qual é seu uso pretendido; onde será implementado; e quem interagirá com o sistema. Esses são pontos úteis para revisores ou testadores que avaliam o sistema saberem quais fatores levar em consideração ao identificar riscos potenciais e consequências esperadas.
+Antes de treinar um modelo de machine learning, é importante realizar uma avaliação de impacto para entender o propósito do sistema de IA; o uso pretendido; onde ele será implantado; e quem irá interagir com o sistema. Isso é útil para revisores ou testadores avaliarem fatores a considerar ao identificar riscos potenciais e consequências esperadas.
-As seguintes são áreas de foco ao conduzir uma avaliação de impacto:
+As seguintes áreas são foco ao conduzir uma avaliação de impacto:
-* **Impacto adverso em indivíduos**. Estar ciente de quaisquer restrições ou requisitos, uso não suportado ou quaisquer limitações conhecidas que prejudiquem o desempenho do sistema é vital para garantir que o sistema não seja usado de maneira que possa causar danos aos indivíduos.
-* **Requisitos de dados**. Obter uma compreensão de como e onde o sistema usará os dados permite que os revisores explorem quaisquer requisitos de dados que você deve ter em mente (ex: regulamentos GDPR ou HIPAA). Além disso, examinar se a origem ou quantidade de dados é substancial para o treinamento.
-* **Resumo do impacto**. Reunir uma lista de danos potenciais que poderiam surgir do uso do sistema. Ao longo do ciclo de vida do ML, revisar se os problemas identificados são mitigados ou tratados.
-* **Objetivos aplicáveis** para cada um dos seis princípios centrais. Avaliar se os objetivos de cada um dos princípios são atendidos e se existem lacunas.
+* **Impacto adverso em indivíduos**. Estar ciente de quaisquer restrições ou requisitos, uso não suportado ou limitações conhecidas que prejudiquem o desempenho do sistema é vital para garantir que o sistema não seja usado de forma a causar danos a pessoas.
+* **Requisitos de dados**. Compreender como e onde o sistema usará os dados permite aos revisores explorar quaisquer requisitos de dados que precisem ser observados (ex.: regulamentos GDPR ou HIPAA). Além disso, analisar se a fonte ou quantidade de dados é substancial para o treinamento.
+* **Resumo do impacto**. Elaborar uma lista de possíveis danos que podem surgir do uso do sistema. Ao longo do ciclo de vida do ML, revisar se os problemas identificados foram mitigados ou tratados.
+* **Metas aplicáveis** para cada um dos seis princípios principais. Avaliar se as metas de cada princípio foram atingidas e se há lacunas.
-## Depuração com IA responsável
+## Depuração com IA responsável
-Semelhante à depuração de um aplicativo de software, depurar um sistema de IA é um processo necessário de identificação e resolução de problemas no sistema. Há muitos fatores que podem afetar um modelo a não performar como esperado ou de forma responsável. A maioria das métricas tradicionais de desempenho do modelo são agregados quantitativos do desempenho do modelo, que não são suficientes para analisar como um modelo viola os princípios de IA responsável. Além disso, um modelo de machine learning é uma caixa preta que dificulta entender o que conduz seu resultado ou fornecer explicação quando ele comete um erro. Mais adiante neste curso, aprenderemos como usar o painel de IA Responsável para ajudar a depurar sistemas de IA. O painel fornece uma ferramenta holística para cientistas de dados e desenvolvedores de IA realizarem:
+Semelhante a depurar uma aplicação de software, depurar um sistema de IA é um processo necessário de identificar e resolver problemas no sistema. Muitos fatores podem afetar desempenho inadequado ou irresponsável de um modelo. A maioria das métricas tradicionais de desempenho são agregados quantitativos do modelo, insuficientes para analisar como um modelo viola princípios de IA responsável. Além disso, um modelo de machine learning é uma caixa preta que dificulta entender o que motiva seu resultado ou explicar erros. Mais adiante no curso, aprenderemos a usar o painel de IA Responsável para ajudar a depurar sistemas de IA. O painel oferece uma ferramenta holística para cientistas de dados e desenvolvedores de IA realizarem:
-* **Análise de erros**. Para identificar a distribuição de erros do modelo que pode afetar a justiça ou confiabilidade do sistema.
-* **Visão geral do modelo**. Para descobrir onde há disparidades no desempenho do modelo entre coortes de dados.
-* **Análise de dados**. Para entender a distribuição dos dados e identificar qualquer viés potencial nos dados que possa levar a problemas de justiça, inclusividade e confiabilidade.
-* **Interpretabilidade do modelo**. Para compreender o que afeta ou influencia as previsões do modelo. Isso ajuda a explicar o comportamento do modelo, o que é importante para transparência e responsabilidade.
+* **Análise de erros**. Identificar a distribuição de erro do modelo que pode afetar justiça ou confiabilidade do sistema.
+* **Visão geral do modelo**. Descobrir onde há disparidades no desempenho do modelo entre coortes de dados.
+* **Análise de dados**. Entender a distribuição dos dados e identificar potenciais vieses que possam levar a problemas de justiça, inclusão e confiabilidade.
+* **Interpretabilidade do modelo**. Entender o que afeta ou influencia as previsões do modelo. Isso ajuda a explicar o comportamento do modelo, importante para transparência e responsabilidade.
## 🚀 Desafio
-Para prevenir que danos sejam introduzidos desde o início, devemos:
+Para prevenir danos desde o início, devemos:
- ter diversidade de origens e perspectivas entre as pessoas que trabalham nos sistemas
- investir em conjuntos de dados que reflitam a diversidade da nossa sociedade
-- desenvolver melhores métodos ao longo do ciclo de vida do machine learning para detectar e corrigir IA responsável quando ocorrer
+- desenvolver melhores métodos ao longo do ciclo de vida do machine learning para detectar e corrigir IA irresponsável quando ocorrer
-Pense em cenários da vida real onde a falta de confiabilidade de um modelo é evidente na construção e uso do modelo. O que mais deveríamos considerar?
+Pense em cenários reais onde a falta de confiabilidade de um modelo é evidente na construção e uso do modelo. O que mais devemos considerar?
## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ml/)
-## Revisão & Estudo Autônomo
+## Revisão & Autoestudo
-
-Nesta lição, você aprendeu alguns conceitos básicos sobre justiça e injustiça em aprendizado de máquina.
+Nesta aula, você aprendeu noções básicas sobre os conceitos de justiça e injustiça em machine learning.
-Assista este workshop para aprofundar nos tópicos:
+Assista a este workshop para aprofundar os tópicos:
-- Na busca por IA responsável: Aplicando princípios na prática por Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
+- Em busca de IA responsável: trazendo princípios à prática por Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
-[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Um framework open-source para construção de IA responsável")
+[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Uma estrutura de código aberto para construir IA responsável")
-> 🎥 Clique na imagem acima para assistir ao vídeo: RAI Toolbox: Um framework open-source para construção de IA responsável por Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
+> 🎥 Clique na imagem acima para um vídeo: RAI Toolbox: Uma estrutura de código aberto para construir IA responsável por Besmira Nushi, Mehrnoosh Sameki, e Amit Sharma
-Além disso, leia:
+Também leia:
-- Centro de recursos RAI da Microsoft: [Recursos de IA Responsável – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
+- Centro de recursos de IA responsável da Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
-- Grupo de pesquisa FATE da Microsoft: [FATE: Justiça, Responsabilidade, Transparência e Ética em IA - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
+- Grupo de pesquisa FATE da Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
-RAI Toolbox:
+RAI Toolbox:
- [Repositório GitHub do Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
-Saiba mais sobre as ferramentas do Azure Machine Learning para garantir justiça:
+Leia sobre as ferramentas do Azure Machine Learning para garantir justiça:
-- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
+- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
## Tarefa
-[Explore a RAI Toolbox](assignment.md)
+[Explore o RAI Toolbox](assignment.md)
---
diff --git a/translations/pt-BR/2-Regression/1-Tools/README.md b/translations/pt-BR/2-Regression/1-Tools/README.md
index b3147fe87..170725107 100644
--- a/translations/pt-BR/2-Regression/1-Tools/README.md
+++ b/translations/pt-BR/2-Regression/1-Tools/README.md
@@ -4,89 +4,89 @@
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ml/)
+## [Quiz pré-aula](https://ff-quizzes.netlify.app/en/ml/)
> ### [Esta lição está disponível em R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Introdução
-Nessas quatro aulas, você irá descobrir como construir modelos de regressão. Em breve discutiremos para que eles servem. Mas antes de fazer qualquer coisa, certifique-se de ter as ferramentas certas para iniciar o processo!
+Nestes quatro módulos, você vai descobrir como construir modelos de regressão. Em breve discutiremos para que eles servem. Mas antes de fazer qualquer coisa, certifique-se de que tem as ferramentas certas para iniciar o processo!
-Nesta aula, você vai aprender a:
+Nesta lição, você vai aprender a:
-- Configurar seu computador para tarefas locais de machine learning.
+- Configurar seu computador para tarefas locais de aprendizado de máquina.
- Trabalhar com Jupyter Notebooks.
-- Usar Scikit-learn, incluindo a instalação.
+- Usar Scikit-learn, incluindo instalação.
- Explorar regressão linear com um exercício prático.
## Instalações e configurações
[](https://youtu.be/-DfeD2k2Kj0 "ML para iniciantes - Prepare suas ferramentas para construir modelos de Machine Learning")
-> 🎥 Clique na imagem acima para um vídeo curto explicando como configurar seu computador para ML.
+> 🎥 Clique na imagem acima para assistir a um vídeo curto que mostra a configuração do seu computador para ML.
-1. **Instale o Python**. Garanta que o [Python](https://www.python.org/downloads/) esteja instalado no seu computador. Você usará Python para muitas tarefas de ciência de dados e machine learning. A maioria dos sistemas já inclui uma instalação do Python. Também existem úteis [Pacotes de Codificação em Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) disponíveis para facilitar a configuração para alguns usuários.
+1. **Instale o Python**. Certifique-se de que o [Python](https://www.python.org/downloads/) está instalado no seu computador. Você usará Python para muitas tarefas de ciência de dados e aprendizado de máquina. A maioria dos sistemas já incluem uma instalação de Python. Existem [pacotes de codificação em Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) úteis disponíveis também, para facilitar a configuração para alguns usuários.
- Alguns usos do Python, no entanto, requerem uma versão do software, enquanto outros requerem uma versão diferente. Por isso, é útil trabalhar dentro de um [ambiente virtual](https://docs.python.org/3/library/venv.html).
+ Algumas utilizações de Python, contudo, requerem uma versão do software, enquanto outras precisam de outra diferente. Por isso, é útil trabalhar dentro de um [ambiente virtual](https://docs.python.org/3/library/venv.html).
-2. **Instale o Visual Studio Code**. Certifique-se de que o Visual Studio Code está instalado no seu computador. Siga estas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) na instalação básica. Você vai usar Python no Visual Studio Code neste curso, então pode querer se familiarizar com como [configurar o Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desenvolvimento em Python.
+2. **Instale o Visual Studio Code**. Certifique-se de que o Visual Studio Code está instalado no seu computador. Siga estas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) para a instalação básica. Você usará Python no Visual Studio Code neste curso, então é bom se familiarizar com como [configurar o VS Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desenvolvimento em Python.
-> Fique confortável com Python passando por esta coleção de [módulos Learn](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
->
-> [](https://youtu.be/yyQM70vi7V8 "Configuração do Python com Visual Studio Code")
->
-> 🎥 Clique na imagem acima para um vídeo: usando Python dentro do VS Code.
+ > Familiarize-se com o Python trabalhando essa coleção de [módulos Learn](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
+ >
+ > [](https://youtu.be/yyQM70vi7V8 "Configure Python com Visual Studio Code")
+ >
+ > 🎥 Clique na imagem acima para ver um vídeo: usando Python dentro do VS Code.
-3. **Instale o Scikit-learn**, seguindo [estas instruções](https://scikit-learn.org/stable/install.html). Como é necessário garantir o uso do Python 3, é recomendado usar um ambiente virtual. Note que, se você está instalando essa biblioteca em um Mac M1, há instruções especiais na página mencionada acima.
+3. **Instale o Scikit-learn**, seguindo [estas instruções](https://scikit-learn.org/stable/install.html). Como precisa garantir que utiliza Python 3, é recomendado usar um ambiente virtual. Observe que, se for instalar essa biblioteca em um Mac M1, há instruções especiais na página mencionada acima.
1. **Instale o Jupyter Notebook**. Você precisará [instalar o pacote Jupyter](https://pypi.org/project/jupyter/).
-## Seu ambiente para desenvolvimento de ML
+## Seu ambiente de autoria ML
-Você vai usar **notebooks** para desenvolver seu código Python e criar modelos de machine learning. Esse tipo de arquivo é uma ferramenta comum para cientistas de dados, e eles podem ser identificados pela sua extensão `.ipynb`.
+Você vai usar **notebooks** para desenvolver seu código Python e criar modelos de aprendizado de máquina. Esse tipo de arquivo é uma ferramenta comum para cientistas de dados e pode ser identificado pela sua extensão `.ipynb`.
-Notebooks são um ambiente interativo que permite ao desenvolvedor tanto codificar quanto adicionar notas e escrever documentações ao redor do código, o que é bastante útil para projetos experimentais ou orientados à pesquisa.
+Notebooks são um ambiente interativo que permitem ao desenvolvedor tanto programar quanto adicionar notas e escrever documentação ao redor do código, o que é muito útil para projetos experimentais ou de pesquisa.
-[](https://youtu.be/7E-jC8FLA2E "ML para iniciantes - Configure Jupyter Notebooks para iniciar a construção de modelos de regressão")
+[](https://youtu.be/7E-jC8FLA2E "ML para iniciantes - Configure Jupyter Notebooks para começar a construir modelos de regressão")
-> 🎥 Clique na imagem acima para um vídeo curto explicando este exercício.
+> 🎥 Clique na imagem acima para assistir a um vídeo curto que mostra este exercício.
### Exercício - trabalhe com um notebook
-Nesta pasta, você encontrará o arquivo _notebook.ipynb_.
+Nesta pasta, você vai encontrar o arquivo _notebook.ipynb_.
-1. Abra _notebook.ipynb_ no Visual Studio Code.
+1. Abra o arquivo _notebook.ipynb_ no Visual Studio Code.
- Um servidor Jupyter será iniciado com Python 3+. Você encontrará áreas do notebook que podem ser `executadas` — partes de código. Você pode executar um bloco de código selecionando o ícone que parece um botão de play.
+ Um servidor Jupyter iniciará com Python 3+ ativado. Você encontrará áreas no notebook que podem ser `executadas`, blocos de código. Pode executar um bloco de código selecionando o ícone que parece um botão de play.
-1. Selecione o ícone `md` e adicione um pouco de markdown, e o texto seguinte **# Bem-vindo ao seu notebook**.
+1. Selecione o ícone `md` e adicione um pouco de markdown, com o seguinte texto **# Bem-vindo ao seu notebook**.
Em seguida, adicione algum código Python.
1. Digite **print('hello notebook')** no bloco de código.
1. Selecione a seta para executar o código.
- Você deverá ver a declaração impressa:
+ Você deve ver a declaração impressa:
```output
hello notebook
```
-
+
Você pode intercalar seu código com comentários para auto-documentar o notebook.
-✅ Pense por um minuto em como é diferente o ambiente de trabalho de um desenvolvedor web versus o de um cientista de dados.
+✅ Pense por um minuto como o ambiente de trabalho de um desenvolvedor web é diferente do de um cientista de dados.
-## Configurando e usando Scikit-learn
+## Começando com o Scikit-learn
-Agora que o Python está configurado no seu ambiente local, e você está confortável com Jupyter Notebooks, vamos ficar igualmente à vontade com o Scikit-learn (pronuncia-se `sci` como em `science`). O Scikit-learn oferece uma [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ajudar você a realizar tarefas de ML.
+Agora que o Python está configurado no seu ambiente local e você está confortável com os Jupyter Notebooks, vamos nos familiarizar igualmente com o Scikit-learn (pronuncia-se `sci` como em `science`). O Scikit-learn oferece uma [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ajudar você a realizar tarefas de ML.
-Segundo o [site oficial](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn é uma biblioteca de machine learning de código aberto que suporta aprendizado supervisionado e não supervisionado. Também fornece várias ferramentas para ajuste de modelos, pré-processamento de dados, seleção e avaliação de modelos, além de muitas outras utilidades."
+Segundo o [site deles](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn é uma biblioteca de aprendizado de máquina open source que suporta aprendizado supervisionado e não supervisionado. Também oferece várias ferramentas para ajuste de modelos, pré-processamento de dados, seleção e avaliação de modelos, e muitas outras utilidades."
-Neste curso, você usará o Scikit-learn e outras ferramentas para construir modelos de machine learning para realizar o que chamamos de tarefas de 'machine learning tradicional'. Deliberadamente evitamos redes neurais e deep learning, pois esses temas são melhor abordados em nosso futuro currículo 'IA para iniciantes'.
+Neste curso, você usará Scikit-learn e outras ferramentas para construir modelos de aprendizado de máquina para realizar o que chamamos de tarefas tradicionais de machine learning. Evitamos redes neurais e deep learning, pois são melhor abordados no nosso próximo currículo 'IA para Iniciantes'.
-O Scikit-learn facilita a construção e avaliação de modelos para uso. Ele é focado principalmente em dados numéricos e contém diversos conjuntos de dados prontos para usar como ferramentas de aprendizado. Inclui também modelos pré-construídos para os estudantes experimentarem. Vamos explorar o processo de carregar dados predefinidos e usar um estimador embutido — o primeiro modelo de ML com Scikit-learn — com dados básicos.
+Scikit-learn torna simples construir modelos e avaliá-los para uso. Ele é focado principalmente em dados numéricos e contém vários conjuntos de dados prontos para uso como ferramentas de aprendizado. Também inclui modelos pré-construídos para os alunos experimentarem. Vamos explorar o processo de carregar dados pré-embalados e usar um estimador interno para criar seu primeiro modelo ML com Scikit-learn usando alguns dados básicos.
## Exercício - seu primeiro notebook Scikit-learn
@@ -95,13 +95,13 @@ O Scikit-learn facilita a construção e avaliação de modelos para uso. Ele é
[](https://youtu.be/2xkXL5EUpS0 "ML para iniciantes - Seu Primeiro Projeto de Regressão Linear em Python")
-> 🎥 Clique na imagem acima para um vídeo curto explicando este exercício.
+> 🎥 Clique na imagem acima para assistir a um vídeo curto que mostra este exercício.
-No arquivo _notebook.ipynb_ associado a esta aula, limpe todas as células pressionando o ícone da 'lixeira'.
+No arquivo _notebook.ipynb_ associado a esta lição, limpe todas as células pressionando o ícone da 'lixeira'.
-Nesta seção, você trabalhará com um pequeno conjunto de dados sobre diabetes, embutido no Scikit-learn para fins de aprendizado. Imagine que você queira testar um tratamento para pacientes diabéticos. Modelos de Machine Learning podem ajudar a determinar quais pacientes responderiam melhor ao tratamento, com base em combinações de variáveis. Mesmo um modelo de regressão bastante básico, quando visualizado, pode mostrar informações sobre variáveis que ajudariam a organizar seus supostos ensaios clínicos.
+Nesta seção, você vai trabalhar com um pequeno dataset sobre diabetes que já vem integrado no Scikit-learn para fins de aprendizado. Imagine que você queira testar um tratamento para pacientes diabéticos. Modelos de machine learning podem te ajudar a determinar quais pacientes responderiam melhor ao tratamento, com base em combinações de variáveis. Até mesmo um modelo de regressão bem básico, quando visualizado, pode mostrar informações sobre variáveis que ajudariam a organizar seus ensaios clínicos teóricos.
-✅ Existem muitos tipos de métodos de regressão, e qual você escolhe depende da resposta que procura. Se quiser prever a altura provável de uma pessoa de determinada idade, usará regressão linear, já que está buscando um **valor numérico**. Se estiver interessado em descobrir se um tipo de comida deve ser considerada vegana ou não, estará procurando uma **atribuição de categoria**, então usaria regressão logística. Você aprenderá mais sobre regressão logística mais adiante. Pense um pouco sobre algumas perguntas que você pode fazer aos dados e qual desses métodos seria mais apropriado.
+✅ Existem muitos tipos de métodos de regressão, e qual deles você escolhe depende da resposta que procura. Se você deseja prever a altura provável para uma pessoa de certa idade, usaria regressão linear, pois busca um **valor numérico**. Se quer descobrir se um tipo de cozinha deve ser considerado vegano ou não, está buscando uma **atribuição de categoria**, então usaria regressão logística. Você aprenderá mais sobre regressão logística depois. Pense um pouco sobre perguntas que você pode fazer sobre dados e quais desses métodos seriam mais adequados.
Vamos começar essa tarefa.
@@ -109,8 +109,8 @@ Vamos começar essa tarefa.
Para esta tarefa, vamos importar algumas bibliotecas:
-- **matplotlib**. É uma útil [ferramenta de gráficos](https://matplotlib.org/) e vamos usá-la para criar um gráfico de linha.
-- **numpy**. O [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) é uma biblioteca útil para manipular dados numéricos em Python.
+- **matplotlib**. É uma [ferramenta de gráficos](https://matplotlib.org/) útil e vamos usá-la para criar um gráfico de linha.
+- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) é uma biblioteca útil para manipular dados numéricos em Python.
- **sklearn**. Esta é a biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Importe algumas bibliotecas para ajudar nas suas tarefas.
@@ -123,26 +123,26 @@ Importe algumas bibliotecas para ajudar nas suas tarefas.
from sklearn import datasets, linear_model, model_selection
```
- Acima você está importando `matplotlib`, `numpy` e importando `datasets`, `linear_model` e `model_selection` do `sklearn`. `model_selection` é usado para dividir dados em conjuntos de treino e teste.
+ Acima você está importando `matplotlib`, `numpy` e também importando `datasets`, `linear_model` e `model_selection` do `sklearn`. `model_selection` é usado para dividir dados em conjuntos de treino e teste.
-### O conjunto de dados de diabetes
+### O dataset de diabetes
-O [conjunto de dados diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incluído possui 442 amostras relacionadas ao diabetes, com 10 variáveis características, algumas das quais incluem:
+O [dataset de diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) interno inclui 442 amostras de dados sobre diabetes, com 10 variáveis de características, algumas delas são:
-- age: idade em anos
+- idade: idade em anos
- bmi: índice de massa corporal
- bp: pressão arterial média
-- s1 tc: Células T (tipo de glóbulos brancos)
+- s1 tc: Células T (um tipo de glóbulos brancos)
-✅ Este conjunto de dados inclui o conceito de 'sexo' como uma variável característica importante para pesquisas sobre diabetes. Muitos conjuntos médicos incluem esse tipo de classificação binária. Pense um pouco sobre como categorias como essa podem excluir certas partes da população de tratamentos.
+✅ Esse dataset inclui o conceito de 'sexo' como uma variável de característica importante para pesquisas sobre diabetes. Muitos datasets médicos incluem esse tipo de classificação binária. Pense um pouco em como categorizações assim podem excluir partes da população de tratamentos.
Agora, carregue os dados X e y.
-> 🎓 Lembre-se, este é aprendizado supervisionado, e precisamos de um alvo chamado 'y'.
+> 🎓 Lembre-se, este é aprendizado supervisionado e precisamos de um alvo 'y' nomeado.
-Em uma nova célula de código, carregue o conjunto de dados diabetes chamando `load_diabetes()`. O parâmetro `return_X_y=True` indica que `X` será uma matriz de dados, e `y` será o alvo da regressão.
+Em uma nova célula de código, carregue o dataset de diabetes chamando `load_diabetes()`. O parâmetro `return_X_y=True` indica que `X` será uma matriz de dados e `y` será o alvo da regressão.
-1. Adicione alguns comandos print para mostrar a forma da matriz de dados e seu primeiro elemento:
+1. Adicione alguns comandos de impressão para mostrar a forma da matriz de dados e seu primeiro elemento:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@@ -150,9 +150,9 @@ Em uma nova célula de código, carregue o conjunto de dados diabetes chamando `
print(X[0])
```
- O que você está recebendo como resposta é uma tupla. O que você está fazendo é atribuir os dois primeiros valores da tupla para `X` e `y` respectivamente. Saiba mais [sobre tuplas](https://wikipedia.org/wiki/Tuple).
+ O que você está recebendo de volta como resposta é uma tupla. O que você está fazendo é atribuir os dois primeiros valores da tupla para `X` e `y`, respectivamente. Saiba mais [sobre tuplas](https://wikipedia.org/wiki/Tuple).
- Você pode ver que esses dados têm 442 itens organizados em arrays de 10 elementos:
+ Você pode ver que estes dados têm 442 itens formatados em arrays de 10 elementos:
```text
(442, 10)
@@ -160,18 +160,18 @@ Em uma nova célula de código, carregue o conjunto de dados diabetes chamando `
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
- ✅ Pense um pouco sobre a relação entre os dados e o alvo da regressão. A regressão linear prevê relações entre a característica X e a variável alvo y. Você consegue encontrar o [alvo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) no conjunto diabetes na documentação? O que esse conjunto demonstra, dado esse alvo?
+ ✅ Pense um pouco sobre a relação entre os dados e o alvo da regressão. Regressão linear prevê relações entre a característica X e a variável alvo y. Você pode encontrar o [alvo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para o dataset diabetes na documentação? O que este dataset está demonstrando, dado esse alvo?
-2. Em seguida, selecione uma parte desse conjunto para plotar, escolhendo a 3ª coluna do conjunto. Você pode usar o operador `:` para selecionar todas as linhas, e então selecione a terceira coluna pelo índice (2). Você também pode remodelar os dados para um array 2D — conforme exigido para plotagem — usando `reshape(n_linhas, n_colunas)`. Se um dos parâmetros for -1, a dimensão correspondente será calculada automaticamente.
+2. Em seguida, selecione uma parte desse dataset para plotar selecionando a 3ª coluna da matriz de dados. Você pode fazer isso usando o operador `:` para selecionar todas as linhas, e depois selecionando a coluna 3 com o índice (2). Você também pode remodelar os dados para que seja um array 2D - como exigido para plotagem - usando `reshape(n_linhas, n_colunas)`. Se um dos parâmetros for -1, a dimensão correspondente é calculada automaticamente.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
- ✅ A qualquer momento, imprima os dados para checar sua forma.
+ ✅ A qualquer momento, imprima os dados para verificar sua forma.
-3. Agora que você tem os dados prontos para plotar, veja se uma máquina pode ajudar a determinar uma divisão lógica entre os números deste conjunto. Para isso, você precisa dividir tanto os dados (X) quanto o alvo (y) em conjuntos de teste e treino. O Scikit-learn tem uma forma simples de fazer isso; você pode dividir seus dados de teste em um ponto dado.
+3. Agora que você tem os dados prontos para plotar, veja se a máquina pode ajudar a determinar uma divisão lógica entre os números neste dataset. Para fazer isso, você precisa dividir tanto os dados (X) quanto o alvo (y) em conjuntos de teste e treino. O Scikit-learn tem uma forma simples de fazer isso; você pode dividir seus dados de teste em um ponto determinado.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
@@ -186,13 +186,13 @@ Em uma nova célula de código, carregue o conjunto de dados diabetes chamando `
✅ `model.fit()` é uma função que você verá em muitas bibliotecas de ML como TensorFlow
-5. Depois, crie uma predição usando os dados de teste, usando a função `predict()`. Isso será usado para desenhar uma linha entre os grupos de dados.
+5. Depois, crie uma previsão usando dados de teste, usando a função `predict()`. Isso será usado para desenhar uma linha entre os grupos de dados
```python
y_pred = model.predict(X_test)
```
-6. Agora é hora de mostrar os dados em um gráfico. Matplotlib é uma ferramenta muito útil para essa tarefa. Crie um gráfico de dispersão de todos os dados X e y do teste, e use a predição para desenhar uma linha no lugar mais apropriado, entre os agrupamentos de dados do modelo.
+6. Agora é hora de mostrar os dados em um gráfico. Matplotlib é uma ferramenta muito útil para essa tarefa. Crie um gráfico de dispersão de todos os dados de teste X e y e use a previsão para desenhar uma linha no local mais apropriado, entre os agrupamentos de dados do modelo.
```python
plt.scatter(X_test, y_test, color='black')
@@ -205,22 +205,21 @@ Em uma nova célula de código, carregue o conjunto de dados diabetes chamando `
+ ✅ Pense um pouco no que está acontecendo aqui. Uma linha reta passa por vários pequenos pontos de dados, mas o que exatamente ela está fazendo? Você vê como deveria ser possível usar essa linha para prever onde um novo ponto de dados não visto deveria se encaixar em relação ao eixo y do gráfico? Tente colocar em palavras o uso prático desse modelo.
- ✅ Pense um pouco sobre o que está acontecendo aqui. Uma linha reta está passando por muitos pequenos pontos de dados, mas o que exatamente ela está fazendo? Você consegue ver como deveria poder usar essa linha para prever onde um novo ponto de dados, ainda não visto, deve encaixar em relação ao eixo y do gráfico? Tente colocar em palavras a utilidade prática desse modelo.
-
-Parabéns, você construiu seu primeiro modelo de regressão linear, criou uma previsão com ele e a exibiu em um gráfico!
+Parabéns, você construiu seu primeiro modelo de regressão linear, criou uma previsão com ele e exibiu em um gráfico!
---
## 🚀Desafio
-Plote uma variável diferente desse conjunto de dados. Dica: edite esta linha: `X = X[:,2]`. Considerando o alvo deste conjunto de dados, o que você consegue descobrir sobre a progressão do diabetes como doença?
+Plote uma variável diferente desse dataset. Dica: edite esta linha: `X = X[:,2]`. Dado o alvo deste dataset, o que você consegue descobrir sobre a progressão do diabetes como doença?
## [Quiz pós-aula](https://ff-quizzes.netlify.app/en/ml/)
-## Revisão & Autoestudo
+## Revisão & Estudo Autônomo
-Neste tutorial, você trabalhou com regressão linear simples, ao invés de regressão linear univariada ou múltipla. Leia um pouco sobre as diferenças entre esses métodos, ou dê uma olhada neste [vídeo](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
+Neste tutorial, você trabalhou com regressão linear simples, em vez de regressão linear univariada ou múltipla. Leia um pouco sobre as diferenças entre esses métodos, ou assista a [este vídeo](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
-Leia mais sobre o conceito de regressão e pense sobre que tipos de perguntas podem ser respondidas por essa técnica. Faça este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para aprofundar sua compreensão.
+Leia mais sobre o conceito de regressão e pense sobre quais tipos de perguntas podem ser respondidas por essa técnica. Faça este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para aprofundar seu entendimento.
## Tarefa
diff --git a/translations/pt-BR/5-Clustering/README.md b/translations/pt-BR/5-Clustering/README.md
index e03dc0bf9..bfa2ab0de 100644
--- a/translations/pt-BR/5-Clustering/README.md
+++ b/translations/pt-BR/5-Clustering/README.md
@@ -1,33 +1,35 @@
# Modelos de clustering para aprendizado de máquina
-Clustering é uma tarefa de aprendizado de máquina que busca encontrar objetos que se assemelham entre si e agrupá-los em grupos chamados clusters. O que diferencia o clustering de outras abordagens no aprendizado de máquina é que tudo acontece automaticamente. Na verdade, é justo dizer que é o oposto do aprendizado supervisionado.
+Clustering é uma tarefa de aprendizado de máquina que busca encontrar objetos que se parecem entre si e agrupá-los em grupos chamados clusters. O que diferencia o clustering de outras abordagens em aprendizado de máquina é que as coisas acontecem automaticamente, na verdade, é justo dizer que é o oposto do aprendizado supervisionado.
## Tópico regional: modelos de clustering para o gosto musical do público nigeriano 🎧
-O público diversificado da Nigéria tem gostos musicais igualmente variados. Usando dados extraídos do Spotify (inspirado por [este artigo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vamos analisar algumas músicas populares na Nigéria. Este conjunto de dados inclui informações sobre a pontuação de 'dançabilidade', 'acousticness', volume, 'speechiness', popularidade e energia de várias músicas. Será interessante descobrir padrões nesses dados!
+O público diversificado da Nigéria tem gostos musicais variados. Usando dados extraídos do Spotify (inspirados por [este artigo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vamos analisar algumas músicas populares na Nigéria. Este conjunto de dados inclui informações sobre a pontuação de 'dançabilidade', 'acústica', volume, 'fala', popularidade e energia de várias músicas. Será interessante descobrir padrões nesses dados!
-> Foto por Marcela Laskoski no Unsplash
+> Foto por Marcela Laskoski em Unsplash
-Nesta série de lições, você descobrirá novas maneiras de analisar dados usando técnicas de clustering. O clustering é particularmente útil quando seu conjunto de dados não possui rótulos. Se ele tiver rótulos, então técnicas de classificação, como as que você aprendeu em lições anteriores, podem ser mais úteis. Mas, em casos onde você deseja agrupar dados não rotulados, o clustering é uma ótima maneira de descobrir padrões.
+Nesta série de lições, você descobrirá novas formas de analisar dados usando técnicas de clustering. Clustering é particularmente útil quando o seu conjunto de dados não possui rótulos. Se ele tiver rótulos, então técnicas de classificação como as que você aprendeu nas lições anteriores podem ser mais úteis. Mas nos casos em que você quer agrupar dados não rotulados, o clustering é uma ótima maneira de descobrir padrões.
-> Existem ferramentas de baixo código úteis que podem ajudá-lo a aprender a trabalhar com modelos de clustering. Experimente [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
+> Existem ferramentas low-code úteis que podem ajudar você a aprender a trabalhar com modelos de clustering. Experimente [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lições
1. [Introdução ao clustering](1-Visualize/README.md)
-2. [Clustering com K-Means](2-K-Means/README.md)
+2. [Clustering K-Means](2-K-Means/README.md)
## Créditos
-Estas lições foram escritas com 🎶 por [Jen Looper](https://www.twitter.com/jenlooper) com revisões úteis de [Rishit Dagli](https://rishit_dagli) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
+Estas lições foram escritas com 🎶 por [Jen Looper](https://www.twitter.com/jenlooper) com revisões úteis de [Rishit Dagli](https://rishit_dagli/) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
-O conjunto de dados [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) foi obtido no Kaggle, extraído do Spotify.
+O conjunto de dados [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) foi obtido do Kaggle, extraído do Spotify.
-Exemplos úteis de K-Means que ajudaram na criação desta lição incluem esta [exploração de íris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), este [notebook introdutório](https://www.kaggle.com/prashant111/k-means-clustering-with-python) e este [exemplo hipotético de ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
+Exemplos úteis de K-Means que auxiliaram na criação desta lição incluem esta [exploração do índris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), este [notebook introdutório](https://www.kaggle.com/prashant111/k-means-clustering-with-python) e este [exemplo hipotético de ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-BR/7-TimeSeries/README.md b/translations/pt-BR/7-TimeSeries/README.md
index dc7708044..79a400ce1 100644
--- a/translations/pt-BR/7-TimeSeries/README.md
+++ b/translations/pt-BR/7-TimeSeries/README.md
@@ -2,27 +2,29 @@
O que é previsão de séries temporais? Trata-se de prever eventos futuros analisando tendências do passado.
-## Tópico regional: uso mundial de eletricidade ✨
+## Tema regional: uso mundial de eletricidade ✨
-Nestes dois módulos, você será introduzido à previsão de séries temporais, uma área um pouco menos conhecida do aprendizado de máquina, mas que é extremamente valiosa para aplicações industriais e empresariais, entre outros campos. Embora redes neurais possam ser usadas para aumentar a utilidade desses modelos, estudaremos o tema no contexto do aprendizado de máquina clássico, já que esses modelos ajudam a prever o desempenho futuro com base no passado.
+Nessas duas aulas, você será apresentado à previsão de séries temporais, uma área um pouco menos conhecida do aprendizado de máquina que, no entanto, é extremamente valiosa para aplicações na indústria e nos negócios, entre outros campos. Embora redes neurais possam ser usadas para melhorar a utilidade desses modelos, iremos estudá-los no contexto do aprendizado de máquina clássico, pois esses modelos ajudam a prever desempenho futuro baseado no passado.
-Nosso foco regional é o uso de eletricidade no mundo, um conjunto de dados interessante para aprender a prever o consumo futuro de energia com base em padrões de carga anteriores. Você verá como esse tipo de previsão pode ser extremamente útil em um ambiente empresarial.
+Nosso foco regional é o uso de eletricidade no mundo, um conjunto de dados interessante para aprender a prever o uso futuro de energia com base nos padrões da carga passada. Você pode ver como esse tipo de previsão pode ser extremamente útil em um ambiente de negócios.
-
+
-Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas em uma estrada em Rajasthan no [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
+Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas numa estrada em Rajasthan no [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
-## Módulos
+## Aulas
1. [Introdução à previsão de séries temporais](1-Introduction/README.md)
2. [Construindo modelos ARIMA para séries temporais](2-ARIMA/README.md)
-3. [Construindo um Support Vector Regressor para previsão de séries temporais](3-SVR/README.md)
+3. [Construindo Regressor de Vetores de Suporte para previsão de séries temporais](3-SVR/README.md)
## Créditos
-"Introdução à previsão de séries temporais" foi escrito com ⚡️ por [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). Os notebooks apareceram pela primeira vez online no [repositório "Deep Learning For Time Series" do Azure](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), originalmente escrito por Francesca Lazzeri. O módulo sobre SVR foi escrito por [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
+"Introdução à previsão de séries temporais" foi escrito com ⚡️ por [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). Os notebooks apareceram pela primeira vez online no [repositório Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) originalmente escrito por Francesca Lazzeri. A aula de SVR foi escrita por [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-BR/README.md b/translations/pt-BR/README.md
index e3d3aa6ed..e14d3a19d 100644
--- a/translations/pt-BR/README.md
+++ b/translations/pt-BR/README.md
@@ -1,23 +1,23 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Suporte Multilíngue
#### Suportado via GitHub Action (Automatizado e Sempre Atualizado)
-[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Tcheco](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estoniano](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalês](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polonês](../pl/README.md) | [Português (Brasil)](./README.md) | [Português (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
+[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Tcheco](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estoniano](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malaialam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polonês](../pl/README.md) | [Português (Brasil)](./README.md) | [Português (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
> **Prefere Clonar Localmente?**
>
-> Este repositório inclui traduções em mais de 50 idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem as traduções, use sparse checkout:
+> Este repositório inclui mais de 50 traduções de idiomas, o que aumenta significativamente o tamanho do download. Para clonar sem traduções, use checkout esparso:
>
> **Bash / macOS / Linux:**
> ```bash
@@ -33,32 +33,32 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
-> Isso fornece tudo que você precisa para completar o curso com um download muito mais rápido.
+> Isso lhe dá tudo o que precisa para completar o curso com um download muito mais rápido.
#### Junte-se à Nossa Comunidade
[](https://discord.gg/nTYy5BXMWG)
-Estamos conduzindo uma série no Discord chamada aprenda com IA, saiba mais e participe conosco em [Learn with AI Series](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Você receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.
+Temos uma série de aprendizado com IA no Discord, saiba mais e junte-se a nós em [Learn with AI Series](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Você receberá dicas e truques de como usar o GitHub Copilot para Ciência de Dados.
-
+
# Aprendizado de Máquina para Iniciantes - Um Currículo
-> 🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina por meio das culturas mundiais 🌍
+> 🌍 Viaje pelo mundo enquanto exploramos Aprendizado de Máquina por meio das culturas do mundo 🌍
-Os Cloud Advocates da Microsoft têm prazer em oferecer um currículo de 12 semanas, com 26 lições, totalmente dedicado ao **Aprendizado de Máquina**. Neste currículo, você aprenderá o que às vezes é chamado de **aprendizado de máquina clássico**, utilizando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado em nosso [currículo AI for Beginners](https://aka.ms/ai4beginners). Combine estas lições com nosso [currículo Ciência de Dados para Iniciantes](https://aka.ms/ds4beginners), também!
+Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, sobre **Aprendizado de Máquina**. Neste currículo, você aprenderá sobre o que às vezes é chamado de **aprendizado de máquina clássico**, usando principalmente a biblioteca Scikit-learn e evitando aprendizado profundo, que é abordado em nosso [currículo AI for Beginners](https://aka.ms/ai4beginners). Combine essas lições com nosso [currículo Data Science for Beginners](https://aka.ms/ds4beginners), também!
-Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de muitas regiões do planeta. Cada lição inclui quizzes pré e pós-aula, instruções escritas para completar a lição, uma solução, um exercício e muito mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma maneira comprovada de fixar novos conhecimentos.
+Viaje conosco pelo mundo enquanto aplicamos essas técnicas clássicas a dados de diversas regiões do mundo. Cada lição inclui quizzes pré e pós-aula, instruções escritas para completar a lição, uma solução, uma tarefa e mais. Nossa pedagogia baseada em projetos permite que você aprenda enquanto constrói, uma forma comprovada para que novas habilidades 'grudem'.
-**✍️ Nossos sinceros agradecimentos aos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
+**✍️ Agradecimentos sinceros aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
-**🎨 Agradecimentos também aos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
+**🎨 Agradecimentos também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
-**🙏 Agradecimentos especiais 🙏 aos autores, revisores e colaboradores de conteúdo que são Microsoft Student Ambassadors**, notadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
+**🙏 Agradecimentos especiais 🙏 aos nossos autores, revisores e colaboradores do conteúdo Microsoft Student Ambassador**, notavelmente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
-**🤩 Um agradecimento extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta por nossas lições de R!**
+**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta por nossas lições em R!**
# Começando
@@ -66,22 +66,24 @@ Siga estes passos:
1. **Faça um Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.
2. **Clone o Repositório**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
-> [encontre todos os recursos adicionais para este curso em nossa coleção do Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> 💡 **Dica de Início Rápido:** Quer começar no navegador sem configurar o Python localmente? Use [GitHub Codespaces](https://github.com/features/codespaces) para criar um ambiente de desenvolvimento na nuvem para seu fork. Abra o menu verde **Code**, selecione **Codespaces** e crie um codespace; instale as dependências necessárias de cada lição dentro dele conforme necessário.
-> 🔧 **Precisa de ajuda?** Confira nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções comuns relacionadas à instalação, configuração e execução das lições.
+> [encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+> 🔧 **Precisa de ajuda?** Confira nosso [Guia de Solução de Problemas](TROUBLESHOOTING.md) para soluções de problemas comuns com instalação, configuração e execução das lições.
-**[Estudantes](https://aka.ms/student-page)**, para utilizar este currículo, faça um fork de todo o repositório para sua conta no GitHub e complete os exercícios sozinho ou em grupo:
+
+**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça um fork do repositório inteiro para sua conta no GitHub e complete os exercícios sozinho ou em grupo:
- Comece com um quiz pré-aula.
-- Leia a aula e complete as atividades, parando e refletindo a cada verificação de conhecimento.
-- Tente criar os projetos compreendendo as lições em vez de apenas executar o código da solução; porém esse código está disponível nas pastas `/solution` em cada lição orientada a projetos.
+- Leia a aula e complete as atividades, pausando e refletindo em cada verificação de conhecimento.
+- Tente criar os projetos entendendo as lições, em vez de apenas executar o código da solução; contudo, o código está disponível nas pastas `/solution` de cada lição orientada a projetos.
- Faça o quiz pós-aula.
- Complete o desafio.
-- Faça o exercício.
-- Após concluir um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo o formulário PAT apropriado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é uma rubrica que você preenche para aprofundar seu aprendizado. Você também pode reagir aos PATs de outros para aprendermos juntos.
+- Complete a tarefa.
+- Após concluir um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo o formulário PAT apropriado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é um formulário que você preenche para aprofundar seu aprendizado. Você também pode reagir a outros PATs para aprendermos juntos.
-> Para estudos adicionais, recomendamos seguir estes módulos e trilhas de aprendizado do [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
+> Para estudo adicional, recomendamos seguir esses módulos e trilhas de aprendizado [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Professores**, incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
@@ -89,82 +91,83 @@ Siga estes passos:
## Vídeos explicativos
-Algumas lições estão disponíveis em vídeos curtos. Você pode encontrar todos eles embutidos nas lições, ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
+Algumas das lições estão disponíveis em vídeo curto. Você pode encontrá-los embutidos nas lições ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
-[](https://aka.ms/ml-beginners-videos)
+[](https://aka.ms/ml-beginners-videos)
---
## Conheça a Equipe
-[](https://youtu.be/Tj1XWrDSYJU)
+[](https://youtu.be/Tj1XWrDSYJU)
**Gif por** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
-> 🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!
+> 🎥 Clique na imagem acima para um vídeo sobre o projeto e as pessoas que o criaram!
---
## Pedagogia
-Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja prático e **baseado em projetos** e que inclua **quizzes frequentes**. Além disso, este currículo tem um **tema** comum para dar coerência.
+Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que ele seja prático e **baseado em projetos** e que inclua **quizzes frequentes**. Além disso, este currículo tem um **tema** comum para dar coesão.
-Garantindo que o conteúdo esteja alinhado aos projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes da aula prepara a intenção do estudante para aprender um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito inteiro ou parcialmente. Os projetos começam pequenos e ficam progressivamente mais complexos ao longo do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais do Aprendizado de Máquina, que pode ser usado como crédito extra ou como base para discussão.
+Garantindo que o conteúdo esteja alinhado com os projetos, o processo se torna mais envolvente para os alunos e a retenção dos conceitos será aumentada. Além disso, um quiz de baixa pressão antes da aula define a intenção do aluno em aprender um tópico, enquanto um segundo quiz após a aula garante maior retenção. Este currículo foi projetado para ser flexível e divertido, podendo ser feito na íntegra ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos até o final do ciclo de 12 semanas. Este currículo também inclui um posfácio sobre aplicações reais de ML, que pode ser usado como crédito extra ou como base para discussão.
-> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Guia para Contribuições](CONTRIBUTING.md), [Traduções](..) e [Solucionando Problemas](TROUBLESHOOTING.md). Agradecemos seu feedback construtivo!
+> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuindo](CONTRIBUTING.md), [Traduções](..) e diretrizes de [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos seu feedback construtivo!
## Cada lição inclui
-- esboço opcional (sketchnote)
+- esboço opcional
- vídeo suplementar opcional
-- vídeo explicativo (algumas lições apenas)
-- [quiz preparatório pré-aula](https://ff-quizzes.netlify.app/en/ml/)
+- vídeo explicativo (em algumas lições)
+- [quiz pré-aula de aquecimento](https://ff-quizzes.netlify.app/en/ml/)
- lição escrita
- para lições baseadas em projetos, guias passo a passo para construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
-- exercício
+- tarefa
- [quiz pós-aula](https://ff-quizzes.netlify.app/en/ml/)
-> **Uma nota sobre idiomas**: Essas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para concluir uma lição em R, vá para a pasta `/solution` e procure por lições em R. Elas incluem uma extensão .rmd que representa um arquivo **R Markdown**, que pode ser simplesmente definido como uma incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas, como PDF) em um `documento Markdown`. Como tal, serve como uma estrutura exemplar para autoria em ciência de dados, pois permite combinar seu código, sua saída e seus pensamentos, permitindo que você os escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
-
-> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), com 52 quizzes no total, cada um com três perguntas. Eles são vinculados dentro das lições, mas o aplicativo de quizzes pode ser executado localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
-
-| Número da Lição | Tópico | Agrupamento da Lição | Objetivos de Aprendizagem | Lição Vinculada | Autor |
-| :-------------: | :------------------------------------------------------------: | :------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------: |
-| 01 | Introdução ao aprendizado de máquina | [Introdução](1-Introduction/README.md) | Aprender os conceitos básicos por trás do aprendizado de máquina | [Lição](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
-| 02 | A História do aprendizado de máquina | [Introdução](1-Introduction/README.md) | Conhecer a história que fundamenta esse campo | [Lição](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
-| 03 | Justiça e aprendizado de máquina | [Introdução](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | [Lição](1-Introduction/3-fairness/README.md) | Tomomi |
-| 04 | Técnicas para aprendizado de máquina | [Introdução](1-Introduction/README.md) | Quais técnicas os pesquisadores de ML usam para construir modelos de ML? | [Lição](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
-| 05 | Introdução à regressão | [Regressão](2-Regression/README.md) | Comece com Python e Scikit-learn para modelos de regressão | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
-| 06 | Preços de abóboras na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Visualize e limpe dados em preparação para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
-| 07 | Preços de abóboras na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Construa modelos de regressão linear e polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
-| 08 | Preços de abóboras na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Construa um modelo de regressão logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
-| 09 | Um App Web 🔌 | [Web App](3-Web-App/README.md) | Crie um app web para usar seu modelo treinado | [Python](3-Web-App/1-Web-App/README.md) | Jen |
-| 10 | Introdução à classificação | [Classificação](4-Classification/README.md) | Limpar, preparar e visualizar seus dados; introdução à classificação | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
-| 11 | Culinárias deliciosas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Introdução a classificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
-| 12 | Culinárias deliciosas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Mais classificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
-| 13 | Culinárias deliciosas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Crie um app web recomendador usando seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
-| 14 | Introdução a clustering | [Clustering](5-Clustering/README.md) | Limpar, preparar e visualizar seus dados; Introdução a clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
-| 15 | Explorando gostos musicais nigerianos 🎧 | [Clustering](5-Clustering/README.md) | Explore o método de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
-| 16 | Introdução ao processamento de linguagem natural ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprenda o básico sobre PLN construindo um bot simples | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
-| 17 | Tarefas comuns em PLN ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprofunde seus conhecimentos em PLN entendendo tarefas comuns necessárias para lidar com estruturas de linguagem | [Python](6-NLP/2-Tasks/README.md) | Stephen |
-| 18 | Tradução e análise de sentimento ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Tradução e análise de sentimentos com Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
-| 19 | Hotéis românticos da Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
-| 20 | Hotéis românticos da Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
-| 21 | Introdução à previsão de séries temporais | [Séries temporais](7-TimeSeries/README.md) | Introdução à previsão de séries temporais | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
-| 22 | ⚡️ Consumo mundial de energia ⚡️ - previsão com ARIMA | [Séries temporais](7-TimeSeries/README.md) | Previsão de séries temporais com ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
-| 23 | ⚡️ Consumo mundial de energia ⚡️ - previsão com SVR | [Séries temporais](7-TimeSeries/README.md) | Previsão de séries temporais com Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
-| 24 | Introdução ao aprendizado por reforço | [Aprendizado por reforço](8-Reinforcement/README.md) | Introdução ao aprendizado por reforço com Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
-| 25 | Ajude Peter a evitar o lobo! 🐺 | [Aprendizado por reforço](8-Reinforcement/README.md) | Aprendizado por reforço usando Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
-| Pós-escrito | Cenários e aplicações reais de ML | [ML na prática](9-Real-World/README.md) | Aplicações interessantes e reveladoras do aprendizado de máquina clássico | [Lição](9-Real-World/1-Applications/README.md) | Equipe |
-| Pós-escrito | Depuração de modelos de ML usando painel RAI | [ML na prática](9-Real-World/README.md) | Depuração de modelos de aprendizado de máquina usando componentes do painel Responsible AI | [Lição](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
-
-> [encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+
+> **Uma nota sobre idiomas**: Estas lições são escritas principalmente em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta `/solution` e procure lições em R. Elas incluem uma extensão .rmd que representa um arquivo **R Markdown**, que pode ser simplesmente definido como uma incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas como PDF) em um `documento Markdown`. Como tal, serve como uma estrutura de autoria exemplares para ciência de dados, pois permite que você combine seu código, sua saída e seus pensamentos escrevendo-os em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
+
+> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 quizzes com três perguntas cada. Eles são vinculados dentro das lições, mas o aplicativo de quiz pode ser executado localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
+
+| Número da Lição | Tópico | Agrupamento de Lições | Objetivos de Aprendizagem | Lição Vinculada | Autor |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | Introdução ao aprendizado de máquina | [Introduction](1-Introduction/README.md) | Aprenda os conceitos básicos por trás do aprendizado de máquina | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
+| 02 | A História do aprendizado de máquina | [Introduction](1-Introduction/README.md) | Aprenda a história por trás deste campo | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
+| 03 | Justiça e aprendizado de máquina | [Introduction](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
+| 04 | Técnicas para aprendizado de máquina | [Introduction](1-Introduction/README.md) | Quais técnicas os pesquisadores de ML usam para construir modelos de ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
+| 05 | Introdução à regressão | [Regression](2-Regression/README.md) | Comece com Python e Scikit-learn para modelos de regressão | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
+| 06 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Visualize e limpe dados em preparação para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
+| 07 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Construa modelos de regressão linear e polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
+| 08 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Construa um modelo de regressão logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
+| 09 | Um Aplicativo Web 🔌 | [Web App](3-Web-App/README.md) | Construa um aplicativo web para usar seu modelo treinado | [Python](3-Web-App/1-Web-App/README.md) | Jen |
+| 10 | Introdução à classificação | [Classification](4-Classification/README.md) | Limpe, prepare e visualize seus dados; introdução à classificação | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
+| 11 | Deliciosas culinárias asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Introdução aos classificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
+| 12 | Deliciosas culinárias asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Mais classificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
+| 13 | Deliciosas culinárias asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Construa um aplicativo web recomendador usando seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
+| 14 | Introdução ao clustering | [Clustering](5-Clustering/README.md) | Limpe, prepare e visualize seus dados; Introdução ao clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
+| 15 | Explorando gostos musicais da Nigéria 🎧 | [Clustering](5-Clustering/README.md) | Explore o método de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
+| 16 | Introdução ao processamento de linguagem natural ☕️ | [Natural language processing](6-NLP/README.md) | Aprenda o básico sobre PLN construindo um bot simples | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
+| 17 | Tarefas comuns de PLN ☕️ | [Natural language processing](6-NLP/README.md) | Aprofunde seu conhecimento em PLN entendendo as tarefas comuns necessárias ao lidar com estruturas linguísticas | [Python](6-NLP/2-Tasks/README.md) | Stephen |
+| 18 | Tradução e análise de sentimento ♥️ | [Natural language processing](6-NLP/README.md) | Tradução e análise de sentimento com Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
+| 19 | Hotéis românticos da Europa ♥️ | [Natural language processing](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
+| 20 | Hotéis românticos da Europa ♥️ | [Natural language processing](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
+| 21 | Introdução à previsão de séries temporais | [Time series](7-TimeSeries/README.md) | Introdução à previsão de séries temporais | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
+| 22 | ⚡️ Consumo Mundial de Energia ⚡️ - previsão de séries temporais com ARIMA | [Time series](7-TimeSeries/README.md) | Previsão de séries temporais com ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
+| 23 | ⚡️ Consumo Mundial de Energia ⚡️ - previsão de séries temporais com SVR | [Time series](7-TimeSeries/README.md) | Previsão de séries temporais com Regressor de Vetores de Suporte | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
+| 24 | Introdução ao aprendizado por reforço | [Reinforcement learning](8-Reinforcement/README.md) | Introdução ao aprendizado por reforço com Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
+| 25 | Ajude Peter a evitar o lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Aprendizado por reforço Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
+| Posfácio | Cenários e aplicações reais de ML | [ML in the Wild](9-Real-World/README.md) | Aplicações reais interessantes e reveladoras de ML clássico | [Lesson](9-Real-World/1-Applications/README.md) | Team |
+| Posfácio | Depuração de Modelo em ML usando o painel RAI | [ML in the Wild](9-Real-World/README.md) | Depuração de Modelos em Aprendizado de Máquina usando componentes do painel Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
+
+> [encontre todos os recursos adicionais para este curso em nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Acesso offline
-Você pode executar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) na sua máquina local e, em seguida, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 no seu localhost: `localhost:3000`.
+Você pode acessar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) em sua máquina local, e então, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 em seu localhost: `localhost:3000`.
## PDFs
@@ -177,73 +180,73 @@ Nossa equipe produz outros cursos! Confira:
### LangChain
-[](https://aka.ms/langchain4j-for-beginners)
-[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
-[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://aka.ms/langchain4j-for-beginners)
+[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
+[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agentes
-[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série de IA Generativa
-[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
-### Aprendizado Fundamental
-[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+### Aprendizado Básico
+[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série Copilot
-[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## Obtendo Ajuda
-Se você ficar travado ou tiver dúvidas enquanto aprende Machine Learning ou desenvolve aplicações de IA, não se preocupe — ajuda está disponível.
+Se você ficar preso ou tiver dúvidas enquanto aprende Aprendizado de Máquina ou constrói aplicações de IA, não se preocupe — ajuda está disponível.
-Você pode participar de discussões com outros alunos e desenvolvedores, fazer perguntas e compartilhar suas ideias com a comunidade.
+Você pode participar de discussões com outros aprendizes e desenvolvedores, fazer perguntas e compartilhar suas ideias com a comunidade.
-- Participe da comunidade para fazer perguntas e aprender com outros
-- Discuta conceitos de Machine Learning e ideias para projetos
+- Junte-se à comunidade para fazer perguntas e aprender com outros
+- Discuta conceitos de Aprendizado de Máquina e ideias de projetos
- Obtenha orientação de desenvolvedores experientes
-Uma comunidade solidária é uma ótima maneira de aprimorar suas habilidades e resolver problemas mais rápido.
+Uma comunidade acolhedora é uma ótima forma de desenvolver suas habilidades e resolver problemas mais rápido.
-[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG)
+[Comunidade Microsoft Foundry Discord](https://discord.gg/nTYy5BXMWG)
-Se você encontrar bugs, erros ou tiver sugestões para melhorias, também pode abrir um **Issue** neste repositório para relatar o problema.
+Se você encontrar bugs, erros ou tiver sugestões para melhorias, também pode abrir uma **Issue** neste repositório para relatar o problema.
-Para feedback sobre o produto ou para pesquisar posts existentes na comunidade, visite o Fórum de Desenvolvedores:
+Para feedback sobre o produto ou para buscar posts existentes da comunidade, visite o Fórum de Desenvolvedores:
-[](https://aka.ms/foundry/forum)
+[](https://aka.ms/foundry/forum)
## Dicas Adicionais de Aprendizado
-- Revise os notebooks após cada aula para melhor compreensão.
-- Pratique implementar os algoritmos por conta própria.
+- Reveja os cadernos após cada aula para melhor compreensão.
+- Pratique implementando algoritmos por conta própria.
- Explore conjuntos de dados do mundo real usando os conceitos aprendidos.
---
**Aviso Legal**:
-Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, por favor, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.
+Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/pt-BR/for-teachers.md b/translations/pt-BR/for-teachers.md
index c957fd41f..a1164d545 100644
--- a/translations/pt-BR/for-teachers.md
+++ b/translations/pt-BR/for-teachers.md
@@ -2,27 +2,29 @@
Gostaria de usar este currículo em sua sala de aula? Fique à vontade!
-Na verdade, você pode utilizá-lo diretamente no GitHub, usando o GitHub Classroom.
+Na verdade, você pode usá-lo dentro do próprio GitHub usando o GitHub Classroom.
-Para isso, faça um fork deste repositório. Você precisará criar um repositório para cada aula, então será necessário extrair cada pasta em um repositório separado. Dessa forma, [GitHub Classroom](https://classroom.github.com/classrooms) poderá identificar cada aula individualmente.
+Para isso, faça um fork deste repositório. Você precisará criar um repositório para cada lição, então precisará extrair cada pasta em um repositório separado. Dessa forma, o [GitHub Classroom](https://classroom.github.com/classrooms) pode capturar cada lição individualmente.
-Estas [instruções completas](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vão te ajudar a configurar sua sala de aula.
+Estas [instruções completas](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) lhe darão uma ideia de como configurar sua sala de aula.
## Usando o repositório como está
-Se você preferir usar este repositório no formato atual, sem utilizar o GitHub Classroom, isso também é possível. Você precisará comunicar aos seus alunos qual aula trabalhar juntos.
+Se você quiser usar este repositório do jeito que está, sem usar o GitHub Classroom, isso também pode ser feito. Você precisará comunicar aos seus alunos qual lição trabalhar juntos.
-Em um formato online (Zoom, Teams ou outro), você pode criar salas de grupo para os quizzes e orientar os alunos para ajudá-los a se prepararem para aprender. Depois, convide os alunos para os quizzes e peça que enviem suas respostas como 'issues' em um horário determinado. Você pode fazer o mesmo com as tarefas, caso queira que os alunos trabalhem colaborativamente de forma aberta.
+Em um formato online (Zoom, Teams ou outro), você pode formar salas separadas para os questionários e orientar os alunos para ajudá-los a se prepararem para aprender. Depois, convide os alunos a fazerem os questionários e enviarem as respostas como 'issues' em um determinado horário. Você pode fazer o mesmo com as tarefas, se quiser que os alunos trabalhem colaborativamente de forma aberta.
-Se preferir um formato mais privado, peça aos seus alunos para fazerem fork do currículo, aula por aula, para seus próprios repositórios privados no GitHub e concederem acesso a você. Assim, eles podem completar quizzes e tarefas de forma privada e enviá-los para você via issues no repositório da sua sala de aula.
+Se preferir um formato mais privado, peça aos seus alunos que façam fork do currículo, lição por lição, para os próprios repositórios GitHub como repositórios privados, e lhe deem acesso. Assim, eles podem completar questionários e tarefas de forma privada e enviá-los para você como issues em seu repositório da sala de aula.
-Existem várias maneiras de fazer isso funcionar em um formato de sala de aula online. Por favor, nos informe o que funciona melhor para você!
+Existem várias formas de fazer isso funcionar em um formato de sala de aula online. Por favor, nos informe o que funciona melhor para você!
-## Por favor, compartilhe suas opiniões!
+## Por favor, nos dê seu feedback!
-Queremos que este currículo funcione para você e seus alunos. Por favor, nos envie [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
+Queremos fazer este currículo funcionar para você e seus alunos. Por favor, nos dê [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido usando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, por favor, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-PT/.co-op-translator.json b/translations/pt-PT/.co-op-translator.json
index b517e2ae3..b86f1a0cb 100644
--- a/translations/pt-PT/.co-op-translator.json
+++ b/translations/pt-PT/.co-op-translator.json
@@ -12,8 +12,8 @@
"language_code": "pt-PT"
},
"1-Introduction/2-history-of-ML/README.md": {
- "original_hash": "6a05fec147e734c3e6bfa54505648e2b",
- "translation_date": "2025-09-05T08:45:22+00:00",
+ "original_hash": "e6b5247d6b4dc821434070bdb58e8285",
+ "translation_date": "2026-09-14T21:05:06+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "pt-PT"
},
@@ -24,8 +24,8 @@
"language_code": "pt-PT"
},
"1-Introduction/3-fairness/README.md": {
- "original_hash": "0f00d72169a0d37eecfd16d71e01700a",
- "translation_date": "2026-07-14T03:10:20+00:00",
+ "original_hash": "0c620ca2c6d2828e9a838ecec5f01265",
+ "translation_date": "2026-09-14T21:04:24+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "pt-PT"
},
@@ -54,8 +54,8 @@
"language_code": "pt-PT"
},
"2-Regression/1-Tools/README.md": {
- "original_hash": "0b8635427b582d03ea4ab7089b93e505",
- "translation_date": "2026-07-14T03:05:40+00:00",
+ "original_hash": "1f4f6c95404d528041bcc36784771084",
+ "translation_date": "2026-09-14T21:05:56+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "pt-PT"
},
@@ -282,8 +282,8 @@
"language_code": "pt-PT"
},
"5-Clustering/README.md": {
- "original_hash": "b28a3a4911584062772c537b653ebbc7",
- "translation_date": "2025-09-03T17:02:00+00:00",
+ "original_hash": "c78940a1b03da1de13bd97527f9e6606",
+ "translation_date": "2026-09-14T21:03:30+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "pt-PT"
},
@@ -456,8 +456,8 @@
"language_code": "pt-PT"
},
"7-TimeSeries/README.md": {
- "original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
- "translation_date": "2025-09-03T16:46:07+00:00",
+ "original_hash": "722526664e764a2290e1def74afa5139",
+ "translation_date": "2026-09-14T21:03:37+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "pt-PT"
},
@@ -564,8 +564,8 @@
"language_code": "pt-PT"
},
"README.md": {
- "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0",
- "translation_date": "2026-04-20T18:56:38+00:00",
+ "original_hash": "8bba8faed876aa7bbc92b759a350b1d8",
+ "translation_date": "2026-09-14T21:00:06+00:00",
"source_file": "README.md",
"language_code": "pt-PT"
},
@@ -592,11 +592,11 @@
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "pt-PT",
- "failure_date": "2026-07-14T03:04:41+00:00",
+ "failure_date": "2026-09-14T21:03:14+00:00",
"status": "failed",
"error_type": "TranslationIncompleteError",
"error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.",
- "translator_version": "0.20.0",
+ "translator_version": "0.20.1",
"failure_policy_version": 1
}
},
@@ -607,8 +607,8 @@
"language_code": "pt-PT"
},
"for-teachers.md": {
- "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
- "translation_date": "2025-09-03T16:15:32+00:00",
+ "original_hash": "4b5b4e11bf182a803261b55a19d3ee70",
+ "translation_date": "2026-09-14T20:58:45+00:00",
"source_file": "for-teachers.md",
"language_code": "pt-PT"
},
diff --git a/translations/pt-PT/1-Introduction/2-history-of-ML/README.md b/translations/pt-PT/1-Introduction/2-history-of-ML/README.md
index 6a89bae65..9387f642e 100644
--- a/translations/pt-PT/1-Introduction/2-history-of-ML/README.md
+++ b/translations/pt-PT/1-Introduction/2-history-of-ML/README.md
@@ -1,141 +1,141 @@
# História da aprendizagem automática
-
+
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
-## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ml/)
+## [Teste pré-aula](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML para iniciantes - História da Aprendizagem Automática")
-> 🎥 Clique na imagem acima para assistir a um vídeo curto sobre esta lição.
+> 🎥 Clique na imagem acima para um vídeo curto a trabalhar esta lição.
-Nesta lição, vamos explorar os principais marcos na história da aprendizagem automática e da inteligência artificial.
+Nesta lição, iremos percorrer os principais marcos na história da aprendizagem automática e da inteligência artificial.
-A história da inteligência artificial (IA) como campo está entrelaçada com a história da aprendizagem automática, já que os algoritmos e avanços computacionais que sustentam a aprendizagem automática contribuíram para o desenvolvimento da IA. É útil lembrar que, embora esses campos como áreas distintas de investigação tenham começado a se cristalizar na década de 1950, importantes [descobertas algorítmicas, estatísticas, matemáticas, computacionais e técnicas](https://wikipedia.org/wiki/Timeline_of_machine_learning) precederam e se sobrepuseram a essa era. Na verdade, as pessoas têm pensado sobre essas questões há [centenas de anos](https://wikipedia.org/wiki/History_of_artificial_intelligence): este artigo discute os fundamentos intelectuais históricos da ideia de uma 'máquina pensante'.
+A história da inteligência artificial (IA) enquanto campo está interligada com a história da aprendizagem automática, pois os algoritmos e avanços computacionais que sustentam a aprendizagem automática contribuíram para o desenvolvimento da IA. É útil lembrar que, embora estas áreas enquanto domínios distintos tenham começado a cristalizar-se na década de 1950, importantes [descobertas algorítmicas, estatísticas, matemáticas, computacionais e técnicas](https://wikipedia.org/wiki/Timeline_of_machine_learning) precederam e sobrepuseram-se a esta era. De facto, as pessoas têm vindo a pensar nestas questões há [centenas de anos](https://wikipedia.org/wiki/History_of_artificial_intelligence): este artigo discute os fundamentos intelectuais históricos da ideia de uma ‘máquina pensante’.
---
## Descobertas notáveis
-- 1763, 1812 [Teorema de Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e seus predecessores. Este teorema e suas aplicações fundamentam a inferência, descrevendo a probabilidade de um evento ocorrer com base em conhecimento prévio.
-- 1805 [Teoria dos Mínimos Quadrados](https://wikipedia.org/wiki/Least_squares) pelo matemático francês Adrien-Marie Legendre. Esta teoria, que você aprenderá na nossa unidade de Regressão, ajuda no ajuste de dados.
-- 1913 [Cadeias de Markov](https://wikipedia.org/wiki/Markov_chain), nomeadas em homenagem ao matemático russo Andrey Markov, são usadas para descrever uma sequência de eventos possíveis com base em um estado anterior.
-- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) é um tipo de classificador linear inventado pelo psicólogo americano Frank Rosenblatt que fundamenta avanços em aprendizagem profunda.
+- 1763, 1812 [Teorema de Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e os seus predecessores. Este teorema e as suas aplicações fundamentam a inferência, descrevendo a probabilidade de um evento ocorrer com base no conhecimento prévio.
+- 1805 [Teoria dos Mínimos Quadrados](https://wikipedia.org/wiki/Least_squares) pelo matemático francês Adrien-Marie Legendre. Esta teoria, que aprenderá na nossa unidade de Regressão, ajuda no ajuste de dados.
+- 1913 [Cadeias de Markov](https://wikipedia.org/wiki/Markov_chain), nomeadas em honra do matemático russo Andrey Markov, são usadas para descrever uma sequência de eventos possíveis com base no estado anterior.
+- 1957 [Perceptrão](https://wikipedia.org/wiki/Perceptron) é um tipo de classificador linear inventado pelo psicólogo americano Frank Rosenblatt que sustenta avanços no aprendizado profundo.
---
-- 1967 [Vizinho Mais Próximo](https://wikipedia.org/wiki/Nearest_neighbor) é um algoritmo originalmente projetado para mapear rotas. No contexto de aprendizagem automática, é usado para detectar padrões.
+- 1967 [Vizinhança Mais Próxima](https://wikipedia.org/wiki/Nearest_neighbor) é um algoritmo originalmente projetado para mapear rotas. Em contexto de aprendizagem automática é usado para detectar padrões.
- 1970 [Retropropagação](https://wikipedia.org/wiki/Backpropagation) é usada para treinar [redes neurais feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
-- 1982 [Redes Neurais Recorrentes](https://wikipedia.org/wiki/Recurrent_neural_network) são redes neurais artificiais derivadas de redes neurais feedforward que criam gráficos temporais.
+- 1982 [Redes Neurais Recorrentes](https://wikipedia.org/wiki/Recurrent_neural_network) são redes neurais artificiais derivadas das redes neurais feedforward que criam grafos temporais.
-✅ Faça uma pequena pesquisa. Quais outras datas se destacam como marcos na história da aprendizagem automática e da IA?
+✅ Faça uma pequena pesquisa. Quais outras datas se destacam como cruciais na história da aprendizagem automática e da IA?
---
## 1950: Máquinas que pensam
-Alan Turing, uma pessoa verdadeiramente notável que foi eleito [pelo público em 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) como o maior cientista do século XX, é creditado por ajudar a estabelecer as bases para o conceito de uma 'máquina que pode pensar'. Ele enfrentou críticos e sua própria necessidade de evidências empíricas desse conceito, em parte criando o [Teste de Turing](https://www.bbc.com/news/technology-18475646), que você explorará nas nossas lições de PNL.
+Alan Turing, uma pessoa verdadeiramente notável que foi eleito [pelo público em 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) como o maior cientista do século XX, é reconhecido por ter ajudado a lançar as bases para o conceito de uma ‘máquina que pode pensar.’ Ele enfrentou críticos e a sua própria necessidade de evidência empírica deste conceito, parcialmente criando o [Teste de Turing](https://www.bbc.com/news/technology-18475646), que irá explorar nas nossas lições de PLN.
---
-## 1956: Projeto de Pesquisa de Verão em Dartmouth
+## 1956: Projeto de Pesquisa de Verão de Dartmouth
-"O Projeto de Pesquisa de Verão em Dartmouth sobre inteligência artificial foi um evento seminal para a inteligência artificial como campo", e foi aqui que o termo 'inteligência artificial' foi cunhado ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
+"O Projeto de Pesquisa de Verão de Dartmouth sobre inteligência artificial foi um evento seminal para a inteligência artificial enquanto campo," e foi aqui que o termo “inteligência artificial” foi cunhado ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
-> Todo aspecto de aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo.
+> Cada aspeto da aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito com tanta precisão que uma máquina possa ser feita para o simular.
---
-O pesquisador principal, professor de matemática John McCarthy, esperava "prosseguir com base na conjectura de que todo aspecto de aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina pode ser feita para simulá-lo." Os participantes incluíram outro luminar na área, Marvin Minsky.
+O investigador principal, o professor de matemática John McCarthy, esperava "prosseguir com a conjectura de que cada aspeto da aprendizagem ou qualquer outra característica da inteligência pode, em princípio, ser descrito tão precisamente que uma máquina possa ser feita para o simular." Os participantes incluíram outra figura ilustre na área, Marvin Minsky.
-O workshop é creditado por ter iniciado e incentivado várias discussões, incluindo "a ascensão de métodos simbólicos, sistemas focados em domínios limitados (primeiros sistemas especialistas) e sistemas dedutivos versus sistemas indutivos." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
+O workshop é creditado por ter iniciado e encorajado várias discussões incluindo "a ascensão dos métodos simbólicos, sistemas focados em domínios limitados (os primeiros sistemas peritos) e sistemas dedutivos versus sistemas indutivos." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Os anos dourados"
-Dos anos 1950 até meados dos anos 70, o otimismo era alto na esperança de que a IA pudesse resolver muitos problemas. Em 1967, Marvin Minsky afirmou confiantemente que "Dentro de uma geração ... o problema de criar 'inteligência artificial' será substancialmente resolvido." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
+Desde os anos 50 até meados dos anos 70, o otimismo estava elevado na esperança que a IA pudesse resolver muitos problemas. Em 1967, Marvin Minsky afirmou confiantemente que "Dentro de uma geração ... o problema de criar ‘inteligência artificial’ estará substancialmente resolvido." (Minsky, Marvin (1967), Computação: Máquinas Finitas e Infinitas, Englewood Cliffs, N.J.: Prentice-Hall)
-A pesquisa em processamento de linguagem natural floresceu, a busca foi refinada e tornou-se mais poderosa, e o conceito de 'micro-mundos' foi criado, onde tarefas simples eram realizadas usando instruções em linguagem simples.
+A pesquisa em processamento de linguagem natural floresceu, a busca foi refinada e tornou-se mais poderosa, e o conceito de ‘micro-mundos’ foi criado, onde tarefas simples eram completadas usando instruções em linguagem natural.
---
-A pesquisa foi bem financiada por agências governamentais, avanços foram feitos em computação e algoritmos, e protótipos de máquinas inteligentes foram construídos. Algumas dessas máquinas incluem:
+A pesquisa recebeu bom financiamento por agências governamentais, houve avanços na computação e algoritmos, e protótipos de máquinas inteligentes foram construídos. Algumas destas máquinas incluem:
-* [Shakey o robô](https://wikipedia.org/wiki/Shakey_the_robot), que podia se movimentar e decidir como realizar tarefas 'inteligentemente'.
+* [Shakey o robô](https://wikipedia.org/wiki/Shakey_the_robot), que podia manobrar e decidir como executar tarefas ‘inteligentemente’.
- 
+ 
> Shakey em 1972
---
-* Eliza, um dos primeiros 'chatterbots', podia conversar com pessoas e agir como um 'terapeuta' primitivo. Você aprenderá mais sobre Eliza nas lições de PNL.
+* Eliza, uma das primeiras ‘chatterbots’, podia conversar com pessoas e atuar como uma ‘terapeuta’ primitiva. Vai aprender mais sobre Eliza nas lições de PLN.
- 
- > Uma versão de Eliza, um chatbot
+ 
+ > Uma versão da Eliza, um chatbot
---
-* "Blocks world" foi um exemplo de micro-mundo onde blocos podiam ser empilhados e organizados, e experimentos em ensinar máquinas a tomar decisões podiam ser testados. Avanços construídos com bibliotecas como [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ajudaram a impulsionar o processamento de linguagem.
+* "Mundo dos blocos" foi um exemplo de micro-mundo onde blocos podiam ser empilhados e ordenados, e testes de ensinar máquinas a tomar decisões podiam ser realizados. Avanços construídos com bibliotecas como [SHRDLU](https://wikipedia.org/wiki/SHRDLU) ajudaram a impulsionar o processamento de linguagem.
- [](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world com SHRDLU")
+ [](https://www.youtube.com/watch?v=QAJz4YKUwqw "mundo dos blocos com SHRDLU")
- > 🎥 Clique na imagem acima para assistir a um vídeo: Blocks world com SHRDLU
+ > 🎥 Clique na imagem acima para um vídeo: Mundo dos blocos com SHRDLU
---
## 1974 - 1980: "Inverno da IA"
-Por volta de meados dos anos 1970, tornou-se evidente que a complexidade de criar 'máquinas inteligentes' havia sido subestimada e que sua promessa, dada a potência computacional disponível, havia sido exagerada. O financiamento secou e a confiança na área diminuiu. Alguns problemas que impactaram a confiança incluíram:
+Por meados dos anos 70, tornou-se claro que a complexidade de criar ‘máquinas inteligentes’ tinha sido subestimada e que a sua promessa, dado o poder computacional disponível, tinha sido exagerada. O financiamento secou e a confiança no campo diminuiu. Algumas questões que impactaram a confiança incluíram:
---
-- **Limitações**. A potência computacional era muito limitada.
-- **Explosão combinatória**. A quantidade de parâmetros necessários para treinar cresceu exponencialmente à medida que mais era exigido dos computadores, sem uma evolução paralela da potência e capacidade computacional.
-- **Escassez de dados**. Havia uma escassez de dados que dificultava o processo de testar, desenvolver e refinar algoritmos.
-- **Estamos fazendo as perguntas certas?**. As próprias perguntas que estavam sendo feitas começaram a ser questionadas. Pesquisadores começaram a enfrentar críticas sobre suas abordagens:
- - Os testes de Turing foram questionados por meio, entre outras ideias, da 'teoria da sala chinesa', que postulava que, "programar um computador digital pode fazê-lo parecer entender a linguagem, mas não poderia produzir compreensão real." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
- - A ética de introduzir inteligências artificiais como o "terapeuta" ELIZA na sociedade foi desafiada.
+- **Limitações**. O poder computacional era demasiado limitado.
+- **Explosão combinatória**. A quantidade de parâmetros a treinar cresceu exponencialmente à medida que se pedia mais aos computadores, sem uma evolução paralela do poder computacional e capacidade.
+- **Escassez de dados**. Havia falta de dados que dificultava o processo de testar, desenvolver e refinar algoritmos.
+- **Estamos a fazer as perguntas certas?**. As próprias perguntas começaram a ser questionadas. Os pesquisadores começaram a receber críticas às suas abordagens:
+ - O Teste de Turing foi questionado por meio, entre outras ideias, da ‘teoria da sala chinesa’ que postulava que, "programar um computador digital pode fazê-lo parecer compreender linguagem, mas não pode produzir entendimento real." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
+ - A ética de introduzir inteligências artificiais como a “terapeuta” ELIZA na sociedade foi posta em causa.
---
-Ao mesmo tempo, várias escolas de pensamento sobre IA começaram a se formar. Uma dicotomia foi estabelecida entre práticas de ["IA desleixada" vs. "IA organizada"](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratórios _desleixados_ ajustavam programas por horas até obterem os resultados desejados. Laboratórios _organizados_ "focavam em lógica e resolução formal de problemas". ELIZA e SHRDLU eram sistemas _desleixados_ bem conhecidos. Nos anos 1980, à medida que surgia a demanda por tornar os sistemas de aprendizagem automática reproduzíveis, a abordagem _organizada_ gradualmente tomou a dianteira, pois seus resultados são mais explicáveis.
+Ao mesmo tempo, começaram a formar-se várias escolas de pensamento em IA. Estabeleceu-se uma dicotomia entre práticas ["desleixadas" vs. "arrumadas" em IA](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratórios _desleixados_ ajustavam programas durante horas até conseguirem os resultados desejados. Laboratórios _arrumados_ "focavam-se na lógica e resolução formal de problemas". ELIZA e SHRDLU eram sistemas _desleixados_ bem conhecidos. Nos anos 80, à medida que surgiu a demanda para tornar sistemas de aprendizagem automática reproduzíveis, a abordagem _arrumada_ gradualmente tomou a dianteira visto que os seus resultados são mais explicáveis.
---
-## Sistemas especialistas nos anos 1980
+## Sistemas especialistas nos anos 80
-À medida que a área crescia, seus benefícios para os negócios tornaram-se mais claros, e nos anos 1980 também ocorreu a proliferação de 'sistemas especialistas'. "Os sistemas especialistas estavam entre as primeiras formas verdadeiramente bem-sucedidas de software de inteligência artificial (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
+À medida que o campo cresceu, o seu benefício para os negócios tornou-se mais claro e nos anos 80 também se deu a proliferação dos ‘sistemas especialistas’. "Os sistemas especialistas foram uma das primeiras formas verdadeiramente bem sucedidas de software de inteligência artificial (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
-Este tipo de sistema é na verdade _híbrido_, consistindo parcialmente de um motor de regras que define os requisitos de negócios e um motor de inferência que utiliza o sistema de regras para deduzir novos fatos.
+Este tipo de sistema é na verdade _híbrido_, consistindo parcialmente de um motor de regras definindo requisitos de negócio, e um motor de inferência que utilizava o sistema de regras para deduzir novos factos.
Esta era também viu uma atenção crescente às redes neurais.
---
-## 1987 - 1993: "Resfriamento da IA"
+## 1987 - 1993: ‘Pausa’ da IA
-A proliferação de hardware especializado para sistemas especialistas teve o efeito infeliz de se tornar muito especializado. O surgimento dos computadores pessoais também competiu com esses sistemas grandes, especializados e centralizados. A democratização da computação havia começado, e isso eventualmente abriu caminho para a explosão moderna de big data.
+A proliferação do hardware especializado para sistemas especialistas teve o infeliz efeito de se tornar demasiado especializado. A ascensão dos computadores pessoais também competiu contra estes sistemas grandes, especializados e centralizados. A democratização da computação tinha começado, e eventualmente pavimentou o caminho para a explosão moderna dos big data.
---
## 1993 - 2011
-Este período viu uma nova era para a aprendizagem automática e a IA resolverem alguns dos problemas causados anteriormente pela falta de dados e potência computacional. A quantidade de dados começou a aumentar rapidamente e a se tornar mais amplamente disponível, para o bem e para o mal, especialmente com o advento do smartphone por volta de 2007. A potência computacional expandiu-se exponencialmente, e os algoritmos evoluíram junto. A área começou a ganhar maturidade à medida que os dias livres do passado começaram a se cristalizar em uma verdadeira disciplina.
+Esta época viu uma nova era para que a aprendizagem automática e a IA pudessem resolver alguns dos problemas causados anteriormente pela falta de dados e poder computacional. A quantidade de dados começou a crescer rapidamente e tornou-se mais amplamente disponível, para melhor e para pior, especialmente com o advento do smartphone por volta de 2007. O poder computacional expandiu-se exponencialmente, e os algoritmos evoluíram em paralelo. O campo começou a ganhar maturidade à medida que os dias desregrados do passado começaram a cristalizar numa verdadeira disciplina.
---
-## Hoje
+## Agora
-Hoje, a aprendizagem automática e a IA tocam quase todas as partes de nossas vidas. Esta era exige uma compreensão cuidadosa dos riscos e dos potenciais efeitos desses algoritmos na vida humana. Como Brad Smith, da Microsoft, afirmou: "A tecnologia da informação levanta questões que vão ao cerne das proteções fundamentais dos direitos humanos, como privacidade e liberdade de expressão. Essas questões aumentam a responsabilidade das empresas de tecnologia que criam esses produtos. Em nossa visão, elas também exigem uma regulamentação governamental cuidadosa e o desenvolvimento de normas sobre usos aceitáveis" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
+Hoje a aprendizagem automática e a IA tocam quase todas as partes das nossas vidas. Esta era exige uma compreensão cuidadosa dos riscos e potenciais efeitos destes algoritmos nas vidas humanas. Como afirmou Brad Smith, da Microsoft, "A tecnologia da informação levanta questões que vão ao cerne das proteções fundamentais dos direitos humanos como a privacidade e a liberdade de expressão. Estas questões aumentam a responsabilidade das empresas de tecnologia que criam estes produtos. Na nossa opinião, chamam também a uma regulação governamental ponderada e ao desenvolvimento de normas em torno de usos aceitáveis" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
-Ainda não se sabe o que o futuro reserva, mas é importante entender esses sistemas computacionais e o software e os algoritmos que eles executam. Esperamos que este currículo o ajude a obter uma melhor compreensão para que você possa decidir por si mesmo.
+Resta saber o que o futuro reserva, mas é importante compreender estes sistemas computacionais e o software e algoritmos que executam. Esperamos que este currículo o ajude a ganhar uma melhor compreensão para que possa decidir por si mesmo.
-[](https://www.youtube.com/watch?v=mTtDfKgLm54 "A história da aprendizagem profunda")
-> 🎥 Clique na imagem acima para assistir a um vídeo: Yann LeCun discute a história da aprendizagem profunda nesta palestra
+[](https://www.youtube.com/watch?v=mTtDfKgLm54 "A história do aprendizado profundo")
+> 🎥 Clique na imagem acima para um vídeo: Yann LeCun discute a história do aprendizado profundo nesta palestra
---
## 🚀Desafio
-Aprofunde-se em um desses momentos históricos e aprenda mais sobre as pessoas por trás deles. Há personagens fascinantes, e nenhuma descoberta científica foi criada em um vácuo cultural. O que você descobre?
+Aprofunde-se num destes momentos históricos e descubra mais sobre as pessoas por detrás deles. Há personagens fascinantes, e nenhuma descoberta científica foi criada num vácuo cultural. O que descobre?
-## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ml/)
+## [Teste pós-aula](https://ff-quizzes.netlify.app/en/ml/)
---
-## Revisão e Estudo Individual
+## Revisão & Estudo autónomo
Aqui estão itens para assistir e ouvir:
@@ -147,9 +147,11 @@ Aqui estão itens para assistir e ouvir:
## Tarefa
-[Criar uma linha do tempo](assignment.md)
+[Crie uma linha do tempo](assignment.md)
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte oficial. Para informações críticas, recomenda-se uma tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-PT/1-Introduction/3-fairness/README.md b/translations/pt-PT/1-Introduction/3-fairness/README.md
index 53fba3712..4cc558b4c 100644
--- a/translations/pt-PT/1-Introduction/3-fairness/README.md
+++ b/translations/pt-PT/1-Introduction/3-fairness/README.md
@@ -1,46 +1,46 @@
-# Construir soluções de Machine Learning com IA responsável
+# Construir soluções de Aprendizagem Automática com IA responsável
-
+
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Questionário pré-aula](https://ff-quizzes.netlify.app/en/ml/)
## Introdução
-Neste currículo, irá começar a descobrir como o machine learning pode e está a impactar a nossa vida quotidiana. Mesmo agora, sistemas e modelos estão envolvidos em tarefas diárias de tomada de decisão, como diagnósticos de saúde, aprovações de empréstimos ou deteção de fraude. Por isso, é importante que estes modelos funcionem bem para fornecer resultados em que se possa confiar. Tal como qualquer aplicação de software, os sistemas de IA vão falhar expectativas ou terão um resultado indesejado. É por isso que é essencial conseguir compreender e explicar o comportamento de um modelo de IA.
+Neste currículo, irá começar a descobrir como a aprendizagem automática pode e está a impactar as nossas vidas quotidianas. Mesmo agora, sistemas e modelos estão envolvidos em tarefas diárias de tomada de decisão, como diagnósticos de saúde, aprovação de empréstimos ou deteção de fraudes. Por isso, é importante que estes modelos funcionem bem para fornecer resultados em que se possa confiar. Tal como qualquer aplicação de software, os sistemas de IA podem não corresponder às expectativas ou ter um resultado indesejado. É por isso que é essencial conseguir compreender e explicar o comportamento de um modelo de IA.
-Imagine o que pode acontecer quando os dados que está a usar para construir estes modelos não contêm certos grupos demográficos, como raça, género, visão política, religião, ou representam desproporcionalmente esses grupos demográficos. E se o resultado do modelo for interpretado para favorecer algum grupo demográfico? Qual a consequência para a aplicação? Além disso, o que acontece quando o modelo tem um resultado adverso e é prejudicial para as pessoas? Quem é responsável pelo comportamento dos sistemas de IA? Estas são algumas das questões que iremos explorar neste currículo.
+Imagine o que pode acontecer quando os dados que está a utilizar para construir estes modelos carecem de determinados dados demográficos, como raça, género, visão política, religião, ou representam desproporcionalmente tais dados demográficos. E quando o resultado do modelo é interpretado para favorecer algum grupo demográfico? Qual é a consequência para a aplicação? Além disso, o que acontece quando o modelo tem um resultado adverso e prejudica pessoas? Quem é responsável pelo comportamento dos sistemas de IA? Estas são algumas das questões que iremos explorar neste currículo.
Nesta lição, irá:
-- Aumentar a sua consciência da importância da justiça em machine learning e dos danos relacionados com a justiça.
-- Familiarizar-se com a prática de explorar outliers e cenários invulgares para garantir fiabilidade e segurança.
-- Compreender a necessidade de capacitar todos ao desenhar sistemas inclusivos.
-- Explorar a importância vital de proteger a privacidade e a segurança dos dados e das pessoas.
-- Ver a importância de ter uma abordagem de caixa transparente para explicar o comportamento dos modelos de IA.
-- Ser consciente de como a responsabilidade é essencial para construir confiança em sistemas de IA.
+- Aumentar a sua consciência sobre a importância da equidade na aprendizagem automática e os prejuízos relacionados com a equidade.
+- Familiarizar-se com a prática de explorar outliers e cenários invulgares para garantir fiabilidade e segurança
+- Compreender a necessidade de capacitar todos através do design de sistemas inclusivos
+- Explorar a importância vital de proteger a privacidade e segurança dos dados e das pessoas
+- Ver a importância de ter uma abordagem transparente para explicar o comportamento dos modelos de IA
+- Estar atento a como a responsabilidade é essencial para construir confiança nos sistemas de IA
-## Pré-requisitos
+## Pré-requisito
-Como pré-requisito, por favor faça o Learn Path "Princípios de IA Responsável" e assista ao vídeo abaixo sobre o tema:
+Como pré-requisito, por favor faça o "Princípios da IA Responsável" caminho de aprendizagem e veja o vídeo abaixo sobre o tema:
-Saiba mais sobre IA Responsável seguindo este [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
+Saiba mais sobre IA Responsável seguindo este [Caminho de Aprendizagem](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
-[](https://youtu.be/dnC8-uUZXSc "Abordagem da Microsoft à IA responsável")
+[](https://youtu.be/dnC8-uUZXSc "Abordagem da Microsoft para IA Responsável")
-> 🎥 Clique na imagem acima para um vídeo: Abordagem da Microsoft à IA responsável
+> 🎥 Clique na imagem acima para ver um vídeo: Abordagem da Microsoft para IA Responsável
-## Justiça
+## Equidade
-Os sistemas de IA devem tratar todos com justiça e evitar afetar grupos semelhantes de pessoas de forma diferente. Por exemplo, quando sistemas de IA fornecem orientação sobre tratamentos médicos, candidaturas a empréstimos ou emprego, devem fazer as mesmas recomendações a todos com sintomas semelhantes, circunstâncias financeiras ou qualificações profissionais. Cada um de nós, como humanos, carrega preconceitos herdados que afetam as nossas decisões e ações. Esses preconceitos podem estar evidentes nos dados que usamos para treinar sistemas de IA. Essa manipulação pode ocorrer às vezes involuntariamente. Muitas vezes é difícil saber conscientemente quando estamos a introduzir preconceito nos dados.
+Os sistemas de IA devem tratar todas as pessoas de forma justa e evitar afetar grupos semelhantes de maneiras diferentes. Por exemplo, quando sistemas de IA fornecem orientação sobre tratamentos médicos, pedidos de empréstimos ou emprego, devem fazer as mesmas recomendações para todos com sintomas semelhantes, condições financeiras ou qualificações profissionais. Cada um de nós, como humanos, traz inerentes preconceitos que afetam as nossas decisões e ações. Estes preconceitos podem ser evidentes nos dados que usamos para treinar sistemas de IA. Tal manipulação pode ocorrer, por vezes, involuntariamente. Geralmente é difícil saber conscientemente quando se está a introduzir um preconceito nos dados.
-**“Injustiça”** engloba impactos negativos, ou “danos”, para um grupo de pessoas, como aqueles definidos em termos de raça, género, idade ou estado de deficiência. Os principais danos relacionados com a justiça podem ser classificados como:
+**“Injustiça”** abrange impactos negativos, ou “prejuízos”, para um grupo de pessoas, tais como aqueles definidos em termos de raça, género, idade ou condição de incapacidade. Os principais prejuízos relacionados com a equidade podem ser classificados como:
-- **Alocação**, se, por exemplo, um género ou etnia é favorecido em detrimento de outro.
-- **Qualidade do serviço**. Se treinar os dados para um cenário específico, mas a realidade for muito mais complexa, leva a um serviço com fraco desempenho. Por exemplo, um dispensador de sabão que aparentemente não conseguia detetar pessoas com pele escura. [Referência](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
-- **Difamação**. Criticar injustamente e rotular algo ou alguém. Por exemplo, uma tecnologia de rotulagem de imagens rotulou infamemente imagens de pessoas de pele escura como gorilas.
-- **Sobre ou subrepresentação**. A ideia é que um certo grupo não é visto numa determinada profissão, e qualquer serviço ou função que continue a promover isso está a contribuir para o dano.
-- **Estereotipagem**. Associar um dado grupo a atributos pré-atribuídos. Por exemplo, um sistema de tradução linguística entre inglês e turco pode apresentar imprecisões devido a palavras com associações estereotipadas ao género.
+- **Alocação**, se um género ou etnia, por exemplo, é favorecido em relação a outro.
+- **Qualidade do serviço**. Se treinar os dados para um cenário específico mas a realidade for muito mais complexa, leva a um serviço de fraco desempenho. Por exemplo, um dispensador de sabão que não conseguia detetar pessoas com pele escura. [Referência](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
+- **Denigração**. Criticar e rotular injustamente algo ou alguém. Por exemplo, uma tecnologia de etiquetagem de imagens que infamemente rotulou imagens de pessoas de pele escura como gorilas.
+- **Sobre- ou sub-representação**. A ideia é que um certo grupo não é visto numa certa profissão, e qualquer serviço ou função que promova isso contribui para o prejuízo.
+- **Estereotipagem**. Associar um dado grupo com atributos pré-atribuídos. Por exemplo, um sistema de tradução linguística entre inglês e turco pode ter imprecisões devido a palavras com associações estereotipadas ao género.
> tradução para turco
@@ -48,116 +48,115 @@ Os sistemas de IA devem tratar todos com justiça e evitar afetar grupos semelha
> tradução de volta para inglês
-Ao desenhar e testar sistemas de IA, precisamos garantir que a IA é justa e não programada para tomar decisões enviesadas ou discriminatórias, que os próprios humanos também são proibidos de tomar. Garantir a justiça na IA e no machine learning continua a ser um desafio sociotécnico complexo.
+Ao conceber e testar sistemas de IA, precisamos garantir que a IA seja justa e não esteja programada para tomar decisões tendenciosas ou discriminatórias, algo que também é proibido aos seres humanos. Garantir a equidade na IA e na aprendizagem automática continua a ser um desafio sociotécnico complexo.
### Fiabilidade e segurança
-Para construir confiança, os sistemas de IA precisam de ser fiáveis, seguros e consistentes em condições normais e inesperadas. É importante saber como os sistemas de IA vão comportar-se numa variedade de situações, especialmente quando são outliers. Ao construir soluções de IA, deve haver uma atenção substancial sobre como lidar com uma grande variedade de circunstâncias que as soluções IA possam encontrar. Por exemplo, um carro autónomo tem de colocar a segurança das pessoas como prioridade máxima. Como resultado, a IA que alimenta o carro precisa de considerar todos os possíveis cenários que o carro pode encontrar, tais como de noite, tempestades ou nevascas, crianças a atravessarem a rua, animais de estimação, obras na estrada, etc. Quão bem um sistema de IA consegue lidar com uma ampla gama de condições fiável e seguramente reflete o nível de antecipação que o cientista de dados ou o programador de IA consideraram durante o design ou teste do sistema.
+Para construir confiança, os sistemas de IA precisam de ser fiáveis, seguros e consistentes em condições normais e inesperadas. É importante saber como os sistemas de IA se vão comportar em várias situações, especialmente quando são outliers. Ao construir soluções de IA, deve haver um foco substancial em como gerir uma vasta variedade de circunstâncias que as soluções de IA possam encontrar. Por exemplo, um carro autónomo deve colocar a segurança das pessoas como prioridade máxima. Como resultado, a IA que impulsiona o carro precisa considerar todos os cenários possíveis que o carro possa encontrar, como noite, tempestades ou nevascas, crianças a atravessar a rua a correr, animais de estimação, obras na estrada, etc. O quão bem um sistema de IA consegue lidar de forma fiável e segura com uma ampla gama de condições reflete o nível de antecipação que o cientista de dados ou programador de IA considerou durante o desenho ou teste do sistema.
-> [🎥 Clique aqui para um vídeo: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
+> [🎥 Clique aqui para ver um vídeo: Fiabilidade e segurança na IA](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inclusividade
-Os sistemas de IA devem ser desenhados para envolver e capacitar todos. Ao desenhar e implementar sistemas de IA, os cientistas de dados e programadores identificam e resolvem potenciais barreiras no sistema que poderiam excluir pessoas involuntariamente. Por exemplo, existem 1 bilião de pessoas com deficiência em todo o mundo. Com o avanço da IA, podem aceder a uma ampla gama de informações e oportunidades mais facilmente no seu dia a dia. Ao resolver as barreiras, criam-se oportunidades para inovar e desenvolver produtos de IA com melhores experiências que beneficiem todos.
+Os sistemas de IA devem ser concebidos para envolver e capacitar todos. Ao conceber e implementar sistemas de IA, cientistas de dados e programadores de IA identificam e abordam barreiras potenciais no sistema que possam excluir pessoas inadvertidamente. Por exemplo, existem 1 bilião de pessoas com deficiências no mundo. Com o avanço da IA, podem aceder de forma mais fácil a uma vasta gama de informações e oportunidades no dia a dia. Ao eliminar barreiras, cria-se oportunidade para inovar e desenvolver produtos de IA com melhores experiências que beneficiem todos.
-> [🎥 Clique aqui para um vídeo: inclusividade na IA](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
+> [🎥 Clique aqui para ver um vídeo: Inclusividade na IA](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Segurança e privacidade
-Os sistemas de IA devem ser seguros e respeitar a privacidade das pessoas. As pessoas confiam menos em sistemas que colocam a sua privacidade, informação ou vidas em risco. Ao treinar modelos de machine learning, dependemos dos dados para produzir os melhores resultados. Ao fazê-lo, a origem dos dados e a integridade devem ser consideradas. Por exemplo, os dados foram submetidos pelo utilizador ou estavam disponíveis publicamente? Depois, ao trabalhar com os dados, é crucial desenvolver sistemas de IA que possam proteger informações confidenciais e resistir a ataques. À medida que a IA se revela mais comum, proteger a privacidade e garantir a segurança da informação pessoal e empresarial importante torna-se mais crítico e complexo. Questões de privacidade e segurança de dados requerem especial atenção para a IA porque o acesso aos dados é essencial para que os sistemas de IA façam previsões e decisões precisas e informadas sobre as pessoas.
+Os sistemas de IA devem ser seguros e respeitar a privacidade das pessoas. As pessoas confiam menos em sistemas que colocam em risco a sua privacidade, informações ou vidas. Ao treinar modelos de aprendizagem automática, dependemos dos dados para produzir os melhores resultados. Para tal, a origem dos dados e a integridade devem ser consideradas. Por exemplo, foram os dados fornecidos pelo utilizador ou estavam publicamente disponíveis? Depois, ao trabalhar com os dados, é crucial desenvolver sistemas de IA que possam proteger informação confidencial e resistir a ataques. À medida que a IA se torna mais prevalente, proteger a privacidade e assegurar informação pessoal e empresarial importante torna-se cada vez mais crítico e complexo. Questões de privacidade e segurança dos dados requerem especial atenção para a IA porque o acesso aos dados é essencial para que os sistemas de IA façam previsões e decisões precisas e informadas sobre as pessoas.
-> [🎥 Clique aqui para um vídeo: segurança na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 Clique aqui para ver um vídeo: Segurança na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- Como indústria, fizemos avanços significativos em Privacidade & segurança, impulsionados significativamente por regulamentos como o GDPR (Regulamento Geral de Proteção de Dados).
-- Contudo, com sistemas de IA, devemos reconhecer a tensão entre a necessidade de mais dados pessoais para tornar os sistemas mais pessoais e eficazes – e a privacidade.
-- Tal como com o nascimento dos computadores ligados à internet, estamos a ver também um grande aumento no número de problemas de segurança relacionados com a IA.
-- Ao mesmo tempo, temos visto a IA a ser usada para melhorar a segurança. Por exemplo, a maioria dos scanners antivírus modernos hoje é guiada por heurísticas de IA.
-- Precisamos garantir que os nossos processos de Ciência de Dados se misturam harmoniosamente com as práticas mais recentes de privacidade e segurança.
+- Como indústria, fizemos avanços significativos em Privacidade e segurança, impulsionados significativamente por regulamentações como o GDPR (Regulamento Geral sobre a Proteção de Dados).
+- Ainda assim, com sistemas de IA devemos reconhecer a tensão entre a necessidade de mais dados pessoais para tornar os sistemas mais pessoais e eficazes – e a privacidade.
+- Tal como no nascimento dos computadores ligados à internet, também estamos a assistir a um grande aumento no número de questões de segurança relacionadas com a IA.
+- Ao mesmo tempo, temos visto a IA ser usada para melhorar a segurança. Por exemplo, a maioria dos antivírus modernos é hoje movida por heurísticas de IA.
+- Precisamos garantir que os nossos processos de Ciência de Dados se alinhem harmoniosamente com as mais recentes práticas de privacidade e segurança.
### Transparência
-Os sistemas de IA devem ser compreensíveis. Uma parte crucial da transparência é explicar o comportamento dos sistemas de IA e dos seus componentes. Melhorar a compreensão dos sistemas de IA requer que as partes interessadas percebam como e por que funcionam, para poderem identificar potenciais problemas de desempenho, preocupações de segurança e privacidade, preconceitos, práticas exclusivas ou resultados indesejados. Também acreditamos que quem usa sistemas de IA deve ser honesto e transparente sobre quando, porquê e como decide implementá-los, bem como sobre as limitações dos sistemas utilizados. Por exemplo, se um banco usa um sistema de IA para suportar as suas decisões de crédito ao consumidor, é importante examinar os resultados e perceber quais os dados que influenciam as recomendações do sistema. Os governos estão a começar a regular a IA em várias indústrias, pelo que os cientistas de dados e organizações devem explicar se um sistema de IA cumpre os requisitos regulamentares, especialmente quando ocorre um resultado indesejado.
+Os sistemas de IA devem ser compreensíveis. Uma parte crucial da transparência é explicar o comportamento dos sistemas de IA e dos seus componentes. Melhorar a compreensão dos sistemas de IA requer que os intervenientes percebam como e porquê funcionam para que possam identificar potenciais problemas de desempenho, preocupações de segurança e privacidade, preconceitos, práticas de exclusão ou resultados indesejados. Acreditamos também que quem usa sistemas de IA deve ser honesto e claro sobre quando, porquê, e como escolhem implementá-los, bem como sobre as limitações dos sistemas que usam. Por exemplo, se um banco usa um sistema de IA para apoiar as suas decisões de concessão de crédito ao consumidor, é importante examinar os resultados e compreender quais dados influenciam as recomendações do sistema. Os governos estão a começar a regulamentar IA em diversas indústrias, por isso cientistas de dados e organizações devem explicar se um sistema de IA cumpre os requisitos regulamentares, especialmente quando há um resultado indesejado.
-> [🎥 Clique aqui para um vídeo: transparência na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
+> [🎥 Clique aqui para ver um vídeo: Transparência na IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
-- Porque os sistemas de IA são tão complexos, é difícil compreender como funcionam e interpretar os resultados.
-- Esta falta de compreensão afeta a forma como esses sistemas são geridos, operacionalizados e documentados.
-- Esta falta de compreensão, mais importante, afeta as decisões tomadas com base nos resultados que esses sistemas produzem.
+- Porque os sistemas de IA são tão complexos, é difícil entender como funcionam e interpretar os resultados.
+- Esta falta de compreensão afeta a forma como estes sistemas são geridos, operacionalizados e documentados.
+- Esta falta de compreensão, mais importante ainda, afeta as decisões tomadas com base nos resultados que estes sistemas produzem.
-### Responsabilização
+### Responsabilidade
-As pessoas que desenham e implementam sistemas de IA devem ser responsáveis por como os seus sistemas operam. A necessidade de responsabilização é particularmente crucial com tecnologias de uso sensível como o reconhecimento facial. Recentemente, tem havido uma crescente procura pela tecnologia de reconhecimento facial, especialmente por parte de organizações de aplicação da lei que veem o potencial da tecnologia em usos como encontrar crianças desaparecidas. No entanto, essas tecnologias podem ser potencialmente usadas por um governo para pôr em risco as liberdades fundamentais dos seus cidadãos, por exemplo, permitindo vigilância contínua de indivíduos específicos. Por isso, os cientistas de dados e organizações precisam de ser responsáveis pelo impacto do seu sistema de IA sobre indivíduos ou a sociedade.
+As pessoas que concebem e implementam sistemas de IA devem ser responsáveis pelo modo como os seus sistemas operam. A necessidade de responsabilidade é particularmente crucial com tecnologias de uso sensível como o reconhecimento facial. Recentemente, tem havido um crescimento da procura por tecnologia de reconhecimento facial, sobretudo por parte de organizações policiais que veem o potencial da tecnologia em aplicações como encontrar crianças desaparecidas. No entanto, estas tecnologias podem ser potencialmente usadas por um governo para pôr em risco as liberdades fundamentais dos seus cidadãos, por exemplo, permitindo vigilância contínua de indivíduos específicos. Por isso, cientistas de dados e organizações precisam ser responsáveis pelo impacto do seu sistema de IA nos indivíduos ou na sociedade.
-[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Abordagem da Microsoft à IA responsável")
+[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Abordagem da Microsoft para IA Responsável")
-> 🎥 Clique na imagem acima para um vídeo: Avisos sobre vigilância em massa através do reconhecimento facial
+> 🎥 Clique na imagem acima para ver um vídeo: Alertas sobre Vigilância Massiva através do Reconhecimento Facial
-Em última análise, uma das maiores questões para a nossa geração, como a primeira geração que está a trazer a IA para a sociedade, é como garantir que os computadores permanecerão responsáveis perante as pessoas e como garantir que as pessoas que desenham computadores permanecem responsáveis perante todos os outros.
+Em última análise, uma das maiores questões para a nossa geração, como a primeira geração a trazer IA para a sociedade, é como garantir que os computadores continuam responsáveis perante as pessoas e como garantir que as pessoas que concebem computadores permanecem responsáveis perante todos os outros.
-## Avaliação do impacto
+## Avaliação de impacto
-Antes de treinar um modelo de machine learning, é importante realizar uma avaliação de impacto para entender o propósito do sistema de IA; qual é o uso pretendido; onde será implementado; e quem interagirá com o sistema. Isto é útil para revisores ou testadores avaliarem o sistema e saberem que fatores considerar ao identificar riscos potenciais e consequências esperadas.
+Antes de treinar um modelo de aprendizagem automática, é importante conduzir uma avaliação de impacto para entender o propósito do sistema de IA; qual o uso previsto; onde será implementado; e quem irá interagir com o sistema. Estas informações são úteis para o(s) revisor(es) ou testador(es) que avaliam o sistema para saber que fatores devem ter em conta ao identificar riscos potenciais e consequências esperadas.
As seguintes são áreas de foco ao conduzir uma avaliação de impacto:
-* **Impacto adverso sobre indivíduos**. Estar ciente de quaisquer restrições ou requisitos, uso não suportado ou quaisquer limitações conhecidas que prejudiquem o desempenho do sistema é vital para garantir que o sistema não seja usado de forma a causar dano às pessoas.
-* **Requisitos de dados**. Compreender como e onde o sistema usará dados permite aos revisores explorar quaisquer requisitos de dados que deva ter em conta (exemplos: regulamentos GDPR ou HIPAA). Além disso, analisar se a fonte ou quantidade de dados é substancial para o treino.
-* **Resumo do impacto**. Reunir uma lista de potenciais danos que podem surgir do uso do sistema. Ao longo do ciclo de vida da ML, rever se os problemas identificados são mitigados ou resolvidos.
-* **Objetivos aplicáveis** para cada um dos seis princípios centrais. Avaliar se os objetivos de cada um dos princípios são cumpridos e se existem lacunas.
+* **Impacto adverso nos indivíduos**. Estar ciente de quaisquer restrições ou requisitos, uso não suportado ou quaisquer limitações conhecidas que prejudiquem o desempenho do sistema é vital para garantir que o sistema não seja usado de forma a causar danos a pessoas.
+* **Requisitos de dados**. Compreender como e onde o sistema usará dados permite aos revisores explorar quaisquer requisitos de dados a ter em conta (ex.: regulamentos GDPR ou HIPAA). Além disso, verificar se a fonte ou a quantidade de dados é substancial para o treino.
+* **Resumo do impacto**. Recolher uma lista de possíveis prejuízos que podem surgir do uso do sistema. Ao longo do ciclo de vida da aprendizagem automática, rever se as questões identificadas são mitigadas ou resolvidas.
+* **Objetivos aplicáveis** para cada um dos seis princípios fundamentais. Avaliar se os objetivos de cada princípio são atingidos e se existem lacunas.
## Depuração com IA responsável
-Tal como depurar uma aplicação de software, depurar um sistema de IA é um processo necessário de identificar e resolver problemas no sistema. Existem muitos fatores que podem fazer com que um modelo não funcione conforme o esperado ou responsável. A maioria das métricas tradicionais de desempenho do modelo são agregados quantitativos do desempenho do modelo, que não são suficientes para analisar como um modelo viola os princípios de IA responsável. Além disso, um modelo de machine learning é uma caixa negra, o que dificulta perceber o que conduz ao seu resultado ou fornecer explicações quando comete um erro. Mais adiante neste curso, aprenderemos como usar o dashboard de IA responsável para ajudar a depurar sistemas de IA. O dashboard oferece uma ferramenta holística para cientistas de dados e programadores de IA realizarem:
+Tal como depurar uma aplicação de software, depurar um sistema de IA é um processo necessário para identificar e resolver problemas no sistema. Existem muitos fatores que podem afetar o desempenho de um modelo, fazendo com que não cumpra as expectativas ou princípios da IA responsável. A maioria das métricas tradicionais de desempenho de modelo são agregados quantitativos de desempenho, que não são suficientes para analisar como um modelo viola os princípios da IA responsável. Além disso, um modelo de aprendizagem automática é uma caixa preta, o que dificulta compreender o que impulsiona o seu resultado ou fornecer explicações quando comete um erro. Mais adiante neste curso, iremos aprender a usar o painel de IA Responsável para ajudar a depurar sistemas de IA. Este painel fornece uma ferramenta holística para cientistas de dados e programadores de IA para realizar:
-* **Análise de erros**. Para identificar a distribuição de erros do modelo que pode afetar a justiça ou fiabilidade do sistema.
-* **Visão geral do modelo**. Para descobrir onde há disparidades no desempenho do modelo através de grupos de dados.
-* **Análise de dados**. Para entender a distribuição dos dados e identificar qualquer possível viés nos dados que possa levar a problemas de justiça, inclusividade e fiabilidade.
-* **Interpretabilidade do modelo**. Para compreender o que afeta ou influencia as previsões do modelo. Isso ajuda a explicar o comportamento do modelo, importante para transparência e responsabilidade.
+* **Análise de erros**. Para identificar a distribuição de erros do modelo que podem afetar a equidade ou fiabilidade do sistema.
+* **Visão geral do modelo**. Para descobrir onde existem disparidades no desempenho do modelo entre diferentes cohortes de dados.
+* **Análise de dados**. Para compreender a distribuição dos dados e identificar quaisquer preconceitos potenciais nos dados que possam levar a problemas de equidade, inclusão e fiabilidade.
+* **Interpretabilidade do modelo**. Para entender o que afeta ou influencia as previsões do modelo. Isto ajuda a explicar o comportamento do modelo, importante para transparência e responsabilidade.
## 🚀 Desafio
-Para prevenir que danos sejam introduzidos em primeiro lugar, devemos:
+Para prevenir que prejuízos sejam introduzidos desde o início, devemos:
-- ter uma diversidade de origens e perspetivas entre as pessoas que trabalham nos sistemas
-- investir em conjuntos de dados que reflitam a diversidade da nossa sociedade
-- desenvolver melhores métodos ao longo do ciclo de vida do machine learning para detetar e corrigir IA responsável quando esta ocorrer
+- ter diversidade de origens e perspetivas entre as pessoas que trabalham nos sistemas
+- investir em conjuntos de dados que refletem a diversidade da nossa sociedade
+- desenvolver melhores métodos ao longo do ciclo de vida da aprendizagem automática para detetar e corrigir IA irresponsável quando ocorre
-Pense em cenários da vida real onde a falta de confiança num modelo é evidente na construção e uso do modelo. O que mais deveríamos considerar?
+Pense em cenários reais onde a falta de confiança num modelo é evidente na construção e uso do modelo. O que mais devemos considerar?
## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ml/)
## Revisão & Estudo autónomo
-
-Nesta lição, aprendeu alguns conceitos básicos sobre justiça e injustiça no machine learning.
+Nesta lição, aprendeu alguns conceitos básicos sobre equidade e injustiça na aprendizagem automática.
-Veja este workshop para aprofundar os temas:
+Veja este workshop para aprofundar os temas:
-- Na busca por uma IA responsável: Aplicar princípios na prática por Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
+- À procura de IA responsável: Trazendo princípios para a prática por Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
-[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
+[](https://www.youtube.com/watch?v=tGgJCrA-MZU "Caixa de Ferramentas RAI: Um framework open-source para construir IA responsável")
-> 🎥 Clique na imagem acima para um vídeo: RAI Toolbox: Um framework open-source para construir IA responsável por Besmira Nushi, Mehrnoosh Sameki, e Amit Sharma
+> 🎥 Clique na imagem acima para um vídeo: Caixa de Ferramentas RAI: Um framework open-source para construir IA responsável por Besmira Nushi, Mehrnoosh Sameki, e Amit Sharma
-Também leia:
+Leia também:
-- Centro de recursos de RAI da Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
+- Centro de recursos de IA Responsável da Microsoft: [Recursos de IA Responsável – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
-- Grupo de investigação FATE da Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
+- Grupo de investigação FATE da Microsoft: [FATE: Justiça, Responsabilidade, Transparência, e Ética em IA - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
-RAI Toolbox:
+Caixa de Ferramentas RAI:
-- [Repositório GitHub do Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
+- [Repositório GitHub da Caixa de Ferramentas de IA Responsável](https://github.com/microsoft/responsible-ai-toolbox)
-Leia sobre as ferramentas do Azure Machine Learning para garantir a justiça:
+Saiba mais sobre as ferramentas do Azure Machine Learning para garantir justiça:
- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott)
-## Tarefa
+## Exercício
-[Explore o RAI Toolbox](assignment.md)
+[Explore a Caixa de Ferramentas RAI](assignment.md)
---
diff --git a/translations/pt-PT/2-Regression/1-Tools/README.md b/translations/pt-PT/2-Regression/1-Tools/README.md
index e3abb8b36..a62e87656 100644
--- a/translations/pt-PT/2-Regression/1-Tools/README.md
+++ b/translations/pt-PT/2-Regression/1-Tools/README.md
@@ -1,6 +1,6 @@
# Comece com Python e Scikit-learn para modelos de regressão
-
+
> Sketchnote por [Tomomi Imura](https://www.twitter.com/girlie_mac)
@@ -10,54 +10,54 @@
## Introdução
-Nestes quatro lições, você vai descobrir como construir modelos de regressão. Falaremos em breve para que servem estes modelos. Mas antes de fazer qualquer coisa, certifique-se de que tem as ferramentas certas instaladas para começar o processo!
+Nestes quatro módulos, irá descobrir como construir modelos de regressão. Falaremos para que servem dentro de pouco tempo. Mas antes de fazer qualquer coisa, certifique-se de que tem as ferramentas certas para iniciar o processo!
Nesta lição, vai aprender a:
-- Configurar o seu computador para tarefas locais de machine learning.
+- Configurar o seu computador para tarefas de machine learning local.
- Trabalhar com Jupyter Notebooks.
- Usar Scikit-learn, incluindo a instalação.
- Explorar regressão linear com um exercício prático.
## Instalações e configurações
-[](https://youtu.be/-DfeD2k2Kj0 "ML para iniciantes - Configure as suas ferramentas para construir modelos de Machine Learning")
+[](https://youtu.be/-DfeD2k2Kj0 "ML para iniciantes -Prepare as suas ferramentas para construir modelos de Machine Learning")
-> 🎥 Clique na imagem acima para um vídeo curto a mostrar como configurar o seu computador para ML.
+> 🎥 Clique na imagem acima para assistir a um vídeo breve explicando como configurar o seu computador para ML.
-1. **Instale o Python**. Certifique-se que o [Python](https://www.python.org/downloads/) está instalado no seu computador. Você vai usar Python para muitas tarefas de ciência de dados e machine learning. A maioria dos sistemas informáticos já inclui uma instalação de Python. Existem [Pacotes de Código Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) úteis disponíveis, para facilitar a configuração a alguns utilizadores.
+1. **Instale Python**. Certifique-se de que o [Python](https://www.python.org/downloads/) está instalado no seu computador. Vai usar Python para muitas tarefas de ciência de dados e machine learning. A maioria dos sistemas informáticos já inclui uma instalação Python. Existem também [pacotes de programação Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) úteis para facilitar a configuração para alguns utilizadores.
- Alguns usos do Python, no entanto, requerem uma versão do software, enquanto outros requerem uma versão diferente. Por isso, é útil trabalhar num [ambiente virtual](https://docs.python.org/3/library/venv.html).
+ Alguns usos do Python, no entanto, requerem uma versão do software, enquanto outros precisam de uma versão diferente. Por isso, é útil trabalhar num [ambiente virtual](https://docs.python.org/3/library/venv.html).
-2. **Instale o Visual Studio Code**. Certifique-se que tem o Visual Studio Code instalado no seu computador. Siga estas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) para uma instalação básica. Vai usar Python no Visual Studio Code neste curso, por isso pode querer rever como [configurar o Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desenvolvimento Python.
+2. **Instale o Visual Studio Code**. Certifique-se de que tem o Visual Studio Code instalado no seu computador. Siga estas instruções para [instalar o Visual Studio Code](https://code.visualstudio.com/) para a instalação básica. Vai usar Python no Visual Studio Code neste curso, por isso pode querer familiarizar-se com a forma de [configurar o Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) para desenvolvimento em Python.
- > Fique confortável com Python trabalhando nestas coleções de [módulos Learn](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
+ > Familiarize-se com Python trabalhando nestes [módulos de aprendizagem](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
- > [](https://youtu.be/yyQM70vi7V8 "Configurar Python com Visual Studio Code")
+ > [](https://youtu.be/yyQM70vi7V8 "Configure Python com Visual Studio Code")
>
> 🎥 Clique na imagem acima para um vídeo: usar Python dentro do VS Code.
-3. **Instale o Scikit-learn**, seguindo [estas instruções](https://scikit-learn.org/stable/install.html). Como precisa garantir que usa o Python 3, é recomendado usar um ambiente virtual. Nota, se estiver a instalar esta biblioteca num Mac M1, há instruções especiais na página indicada acima.
+3. **Instale o Scikit-learn**, seguindo [estas instruções](https://scikit-learn.org/stable/install.html). Como precisa de assegurar que usa Python 3, recomenda-se que trabalhe num ambiente virtual. Note que, se estiver a instalar esta biblioteca num Mac M1, existem instruções especiais na página acima ligada.
1. **Instale o Jupyter Notebook**. Vai precisar de [instalar o pacote Jupyter](https://pypi.org/project/jupyter/).
-## O seu ambiente de criação ML
+## O seu ambiente de autoria ML
-Vai usar **notebooks** para desenvolver o seu código Python e criar modelos de machine learning. Este tipo de ficheiro é uma ferramenta comum para cientistas de dados, e podem ser identificados pela extensão `.ipynb`.
+Vai usar **notebooks** para desenvolver o seu código Python e criar modelos de machine learning. Este tipo de ficheiro é uma ferramenta comum para cientistas de dados e pode ser identificado pelo seu sufixo ou extensão `.ipynb`.
-Os notebooks são um ambiente interativo que permite ao programador tanto codificar como adicionar notas e escrever documentação em torno do código, o que é bastante útil para projetos experimentais ou orientados para investigação.
+Os notebooks são um ambiente interativo que permite ao programador tanto codificar como adicionar notas e escrever documentação em redor do código, o que é bastante útil para projetos experimentais ou orientados para investigação.
[](https://youtu.be/7E-jC8FLA2E "ML para iniciantes - Configure Jupyter Notebooks para começar a construir modelos de regressão")
-> 🎥 Clique na imagem acima para um vídeo curto a mostrar este exercício.
+> 🎥 Clique na imagem acima para um vídeo curto trabalhando este exercício.
-### Exercício - trabalhar com um notebook
+### Exercício - trabalhe com um notebook
Nesta pasta, vai encontrar o ficheiro _notebook.ipynb_.
1. Abra _notebook.ipynb_ no Visual Studio Code.
- Um servidor Jupyter vai arrancar com Python 3+ iniciado. Vai encontrar áreas do notebook que podem ser `executadas`, blocos de código. Pode executar um bloco de código selecionando o ícone que parece um botão de play.
+ Um servidor Jupyter vai arrancar com Python 3+ iniciado. Vai encontrar áreas do notebook que podem ser `executadas`, pedaços de código. Pode executar um bloco de código, selecionando o ícone que parece um botão de 'play'.
1. Selecione o ícone `md` e adicione um pouco de markdown, e o seguinte texto **# Bem-vindo ao seu notebook**.
@@ -66,7 +66,7 @@ Nesta pasta, vai encontrar o ficheiro _notebook.ipynb_.
1. Escreva **print('hello notebook')** no bloco de código.
1. Selecione a seta para executar o código.
- Deve ver a declaração impressa:
+ Deve ver a frase impressa:
```output
hello notebook
@@ -76,46 +76,46 @@ Nesta pasta, vai encontrar o ficheiro _notebook.ipynb_.
Pode intercalar o seu código com comentários para auto-documentar o notebook.
-✅ Pense por um minuto na diferença entre o ambiente de trabalho de um programador web e de um cientista de dados.
+✅ Pense por um minuto na diferença entre o ambiente de trabalho de um programador web e o de um cientista de dados.
-## A funcionar com Scikit-learn
+## A funcionar com o Scikit-learn
-Agora que o Python está configurado no seu ambiente local, e que está confortável com Jupyter Notebooks, vamos ficar igualmente confortáveis com o Scikit-learn (pronuncie `sci` como em `science`). O Scikit-learn fornece uma [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para ajudar a realizar tarefas de ML.
+Agora que o Python está instalado no seu ambiente local e se sente confortável com os Jupyter Notebooks, vamos sentir o mesmo em relação ao Scikit-learn (pronuncia-se `sci` como em `science`). O Scikit-learn fornece uma [API extensa](https://scikit-learn.org/stable/modules/classes.html#api-ref) para o ajudar a realizar tarefas de ML.
-Segundo o seu [website](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn é uma biblioteca open source de machine learning que suporta aprendizado supervisionado e não supervisionado. Fornece também várias ferramentas para ajuste de modelos, pré-processamento de dados, seleção e avaliação de modelos, e muitas outras utilidades."
+De acordo com o seu [site](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn é uma biblioteca open source de machine learning que suporta aprendizagem supervisionada e não supervisionada. Também fornece várias ferramentas para ajustar modelos, pré-processar dados, seleção e avaliação de modelos, e muitas outras utilidades."
-Neste curso, vai usar Scikit-learn e outras ferramentas para construir modelos de machine learning para realizar o que chamamos tarefas de 'machine learning tradicional'. Evitámos de propósito redes neurais e deep learning, pois são melhor abordados no nosso próximo currículo 'AI para Iniciantes'.
+Neste curso, vai usar o Scikit-learn e outras ferramentas para construir modelos de machine learning para realizar o que chamamos de tarefas de 'machine learning tradicional'. Evitámos propositadamente redes neuronais e deep learning, pois são mais bem abordados no nosso futuro currículo 'IA para Iniciantes'.
-O Scikit-learn torna simples construir modelos e avaliá-los para uso. Está focado principalmente no uso de dados numéricos e contém vários datasets prontos para uso como ferramentas de aprendizagem. Inclui ainda modelos pré-construídos para os estudantes experimentarem. Vamos explorar o processo de carregar dados pré-embalados e usar um estimador incorporado, primeiro modelo ML com Scikit-learn com alguns dados básicos.
+O Scikit-learn torna simples construir modelos e avaliá-los para utilização. Está focado principalmente em usar dados numéricos e contém vários conjuntos de dados prontos a usar como ferramentas de aprendizagem. Também inclui modelos pré-construídos para os estudantes experimentarem. Vamos explorar o processo de carregar dados pré-embalados e usar um estimador incorporado para criar o seu primeiro modelo ML com Scikit-learn usando alguns dados básicos.
## Exercício - o seu primeiro notebook Scikit-learn
-> Este tutorial foi inspirado no [exemplo de regressão linear](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) no site do Scikit-learn.
+> Este tutorial foi inspirado pelo [exemplo de regressão linear](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) no site do Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML para iniciantes - O seu Primeiro Projeto de Regressão Linear em Python")
-> 🎥 Clique na imagem acima para um vídeo curto a mostrar este exercício.
+> 🎥 Clique na imagem acima para um vídeo breve a trabalhar este exercício.
-No ficheiro _notebook.ipynb_ associado a esta lição, limpe todas as células clicando no ícone da 'lixeira'.
+No ficheiro _notebook.ipynb_ associado a esta lição, limpe todas as células pressionando o ícone do 'balde de lixo'.
-Nesta secção, vai trabalhar com um pequeno conjunto de dados sobre diabetes que está incorporado no Scikit-learn para fins didáticos. Imagine que quer testar um tratamento para pacientes diabéticos. Modelos de Machine Learning podem ajudar a determinar quais os pacientes que responderiam melhor ao tratamento, com base em combinações de variáveis. Mesmo um modelo muito básico de regressão, quando visualizado, pode mostrar informações sobre variáveis que o ajudariam a organizar os seus ensaios clínicos teóricos.
+Nesta secção, vai trabalhar com um pequeno conjunto de dados sobre diabetes integrado no Scikit-learn para fins de aprendizagem. Imagine que queria testar um tratamento para pacientes diabéticos. Modelos de Machine Learning podem ajudá-lo a determinar quais os pacientes que responderiam melhor ao tratamento, com base em combinações de variáveis. Mesmo um modelo de regressão muito básico, visualizado, pode mostrar informações sobre variáveis que o ajudariam a organizar os seus ensaios clínicos teóricos.
-✅ Existem muitos tipos de métodos de regressão, e qual escolher depende da resposta que procura. Se quiser prever a altura provável de uma pessoa numa dada idade, usaria regressão linear, pois busca um **valor numérico**. Se estiver interessado em descobrir se um tipo de culinária deve ser considerado vegan ou não, está a procurar uma **atribuição de categoria**, pelo que usaria regressão logística. Vai aprender mais sobre regressão logística mais tarde. Pense um pouco em algumas perguntas que pode fazer sobre dados, e qual destes métodos seria mais apropriado.
+✅ Existem vários tipos de métodos de regressão, e qual escolher depende da resposta que procura. Se quiser prever a altura provável de uma pessoa para uma dada idade, use regressão linear, pois procura um **valor numérico**. Se estiver interessado em descobrir se um tipo de cozinha deve ser considerado vegan ou não, procura uma **atribuição de categoria**, por isso usaria regressão logística. Vai aprender mais sobre regressão logística mais tarde. Pense um pouco em algumas perguntas que pode fazer aos dados, e qual destes métodos seria mais apropriado.
Vamos começar esta tarefa.
### Importar bibliotecas
-Para esta tarefa vamos importar algumas bibliotecas:
+Para esta tarefa, vamos importar algumas bibliotecas:
-- **matplotlib**. É uma útil [ferramenta de gráficos](https://matplotlib.org/) e vamos usá-la para criar um gráfico de linhas.
+- **matplotlib**. É uma [ferramenta de gráficos](https://matplotlib.org/) útil e vamos usá-la para criar um gráfico de linhas.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) é uma biblioteca útil para manipular dados numéricos em Python.
- **sklearn**. Esta é a biblioteca [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Importe algumas bibliotecas para ajudar nas suas tarefas.
-1. Adicione as importações digitando o seguinte código:
+1. Adicione as importações escrevendo o seguinte código:
```python
import matplotlib.pyplot as plt
@@ -123,26 +123,26 @@ Importe algumas bibliotecas para ajudar nas suas tarefas.
from sklearn import datasets, linear_model, model_selection
```
- Aqui está a importar `matplotlib`, `numpy` e está a importar `datasets`, `linear_model` e `model_selection` do `sklearn`. `model_selection` é usado para dividir os dados em conjuntos de treino e teste.
+ Acima está a importar `matplotlib`, `numpy` e está a importar `datasets`, `linear_model` e `model_selection` de `sklearn`. `model_selection` é usado para dividir dados em conjuntos de treino e teste.
-### O conjunto de dados de diabetes
+### O conjunto de dados diabetes
-O [conjunto de dados diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incluído tem 442 amostras de dados sobre diabetes, com 10 variáveis características, algumas das quais incluem:
+O [conjunto de dados diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) incorporado inclui 442 amostras de dados sobre diabetes, com 10 variáveis características, algumas das quais incluem:
- idade: idade em anos
-- bmi: índice de massa corporal
-- bp: pressão arterial média
-- s1 tc: células T (um tipo de glóbulos brancos)
+- IMC: índice de massa corporal
+- pressão arterial média
+- s1 tc: Células T (um tipo de glóbulos brancos)
-✅ Este conjunto de dados inclui o conceito de 'sexo' como uma variável característica importante para pesquisas sobre diabetes. Muitos conjuntos de dados médicos incluem este tipo de classificação binária. Pense um pouco em como categorias como esta podem excluir certas partes da população de tratamentos.
+✅ Este conjunto de dados inclui o conceito de 'sexo' como uma variável característica importante para investigação em diabetes. Muitos conjuntos de dados médicos incluem este tipo de classificação binária. Pense um pouco em como categorizações como esta podem excluir certas partes da população de tratamentos.
Agora, carregue os dados X e y.
-> 🎓 Lembre-se, este é aprendizado supervisionado, e precisamos de um alvo nomeado 'y'.
+> 🎓 Lembre-se, este é um aprendizado supervisionado, e precisamos de um alvo 'y' nomeado.
-Numa nova célula de código, carregue o conjunto de dados diabetes chamando `load_diabetes()`. A entrada `return_X_y=True` indica que `X` será uma matriz de dados, e `y` será o alvo de regressão.
+Numa nova célula de código, carregue o conjunto de dados diabetes chamando `load_diabetes()`. A entrada `return_X_y=True` indica que `X` será uma matriz de dados e `y` será o alvo de regressão.
-1. Acrescente alguns comandos print para mostrar a forma da matriz de dados e o seu primeiro elemento:
+1. Adicione alguns comandos print para mostrar a forma da matriz de dados e o seu primeiro elemento:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@@ -150,9 +150,9 @@ Numa nova célula de código, carregue o conjunto de dados diabetes chamando `lo
print(X[0])
```
- O que está a obter como resposta é uma tupla. O que está a fazer é atribuir os dois primeiros valores da tupla a `X` e `y` respetivamente. Saiba mais [sobre tuplas](https://wikipedia.org/wiki/Tuple).
+ O que está a receber de volta como resposta é uma tupla. O que está a fazer é atribuir os dois primeiros valores da tupla a `X` e `y`, respetivamente. Saiba mais [sobre tuplas](https://wikipedia.org/wiki/Tuple).
- Pode ver que este conjunto tem 442 itens organizados em arrays de 10 elementos:
+ Pode ver que estes dados têm 442 itens estruturados em arrays de 10 elementos:
```text
(442, 10)
@@ -160,39 +160,39 @@ Numa nova célula de código, carregue o conjunto de dados diabetes chamando `lo
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
- ✅ Pense um pouco na relação entre os dados e o alvo da regressão. A regressão linear prevê relações entre a característica X e a variável alvo y. Consegue encontrar o [alvo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para o conjunto de dados diabetes na documentação? O que este conjunto demonstra, dado esse alvo?
+ ✅ Pense um pouco na relação entre os dados e o alvo da regressão. A regressão linear prevê relações entre a característica X e a variável alvo y. Consegue encontrar o [alvo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) para o conjunto de dados diabetes na documentação? O que este conjunto de dados demonstra, dado esse alvo?
-2. A seguir, selecione uma parte deste conjunto para representar num gráfico, escolhendo a 3ª coluna do dataset. Pode fazer isto usando o operador `:` para selecionar todas as linhas, e depois a 3ª coluna usando o índice (2). Pode também mudar a forma dos dados para um array 2D - como exigido para graficar - usando `reshape(n_linhas, n_colunas)`. Se um dos parâmetros for -1, a dimensão correspondente é calculada automaticamente.
+2. A seguir, selecione uma parte deste conjunto de dados para plotar selecionando a 3ª coluna do conjunto. Pode fazer isto usando o operador `:` para selecionar todas as linhas, e depois selecionar a 3ª coluna usando o índice (2). Também pode remodelar os dados para uma matriz 2D - como exigido para plotar - usando `reshape(n_linhas, n_colunas)`. Se um dos parâmetros for -1, a dimensão correspondente é calculada automaticamente.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
- ✅ Em qualquer altura, imprima os dados para verificar a sua forma.
+ ✅ Em qualquer momento, imprima os dados para verificar a sua forma.
-3. Agora que tem dados prontos para graficar, pode ver se uma máquina pode ajudar a determinar uma divisão lógica entre os números neste conjunto. Para isso, precisa dividir os dados (X) e o alvo (y) em conjuntos de treino e teste. Scikit-learn tem uma forma simples de fazer isto; pode dividir os seus dados de teste num dado ponto.
+3. Agora que tem dados prontos para plotar, pode verificar se uma máquina pode ajudar a determinar uma divisão lógica entre os números deste conjunto de dados. Para isso, precisa de dividir tanto os dados (X) como o alvo (y) em conjuntos de teste e treino. O Scikit-learn tem uma forma simples de fazer isso; pode dividir os seus dados teste num ponto dado.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
-4. Agora está pronto para treinar o seu modelo! Carregue o modelo de regressão linear e treine-o com os seus conjuntos X e y de treino usando `model.fit()`:
+4. Agora está pronto para treinar o seu modelo! Carregue o modelo de regressão linear e treine-o com os seus conjuntos de treino X e y usando `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
- ✅ `model.fit()` é uma função que verá em muitas bibliotecas ML como TensorFlow
+ ✅ `model.fit()` é uma função que verá em muitas bibliotecas ML, como o TensorFlow
-5. Depois, crie uma previsão usando os dados de teste, usando a função `predict()`. Isto será usado para traçar a linha entre grupos de dados
+5. Depois, crie uma previsão usando dados de teste, usando a função `predict()`. Esta será usada para desenhar a linha entre os grupos de dados
```python
y_pred = model.predict(X_test)
```
-6. Agora é hora de mostrar os dados num gráfico. Matplotlib é uma ferramenta muito útil para esta tarefa. Crie um scatterplot com todos os dados X e y do teste, e use a previsão para desenhar uma linha na posição mais adequada, entre os grupos de dados do modelo.
+6. Agora é altura de mostrar os dados num gráfico. O Matplotlib é uma ferramenta muito útil para esta tarefa. Crie um gráfico de dispersão de todos os dados de teste X e y, e use a previsão para desenhar uma linha no local mais apropriado, entre as agrupações dos dados do modelo.
```python
plt.scatter(X_test, y_test, color='black')
@@ -203,26 +203,25 @@ Numa nova célula de código, carregue o conjunto de dados diabetes chamando `lo
plt.show()
```
- 
+ 
+ ✅ Pense um pouco sobre o que está a acontecer aqui. Uma linha reta atravessa muitos pequenos pontos de dados, mas o que está a fazer exatamente? Consegue ver como deve usar esta linha para prever onde um novo ponto de dados, não visto antes, deve encaixar em relação ao eixo y do gráfico? Tente pôr em palavras a utilização prática deste modelo.
- ✅ Pense um pouco sobre o que está a acontecer aqui. Uma linha reta está a passar por muitos pequenos pontos de dados, mas o que está ela a fazer exatamente? Consegue ver como deve ser capaz de usar esta linha para prever onde um novo ponto de dados, nunca antes visto, deve encaixar em relação ao eixo y do gráfico? Tente pôr em palavras a utilidade prática deste modelo.
-
-Parabéns, construiu o seu primeiro modelo de regressão linear, criou uma previsão com ele e apresentou-a num gráfico!
+Parabéns, construiu o seu primeiro modelo de regressão linear, criou uma previsão com ele e exibiu-o num gráfico!
---
## 🚀Desafio
-Plote uma variável diferente deste conjunto de dados. Dica: edite esta linha: `X = X[:,2]`. Dado o alvo deste conjunto de dados, o que consegue descobrir sobre a progressão da diabetes como doença?
+Plote uma variável diferente deste conjunto de dados. Dica: edite esta linha: `X = X[:,2]`. Dado o alvo deste conjunto de dados, o que consegue descobrir sobre a progressão da diabetes enquanto doença?
## [Questionário pós-aula](https://ff-quizzes.netlify.app/en/ml/)
## Revisão & Autoestudo
Neste tutorial, trabalhou com regressão linear simples, em vez de regressão linear univariada ou múltipla. Leia um pouco sobre as diferenças entre estes métodos, ou veja [este vídeo](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
-Leia mais sobre o conceito de regressão e pense que tipos de questões podem ser respondidas por esta técnica. Faça este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para aprofundar o seu entendimento.
+Leia mais sobre o conceito de regressão e pense em que tipos de questões podem ser respondidas por esta técnica. Faça este [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) para aprofundar a sua compreensão.
-## Exercício
+## Tarefa
[Um conjunto de dados diferente](assignment.md)
diff --git a/translations/pt-PT/5-Clustering/README.md b/translations/pt-PT/5-Clustering/README.md
index bcefa827e..cbfd8dacd 100644
--- a/translations/pt-PT/5-Clustering/README.md
+++ b/translations/pt-PT/5-Clustering/README.md
@@ -1,33 +1,35 @@
# Modelos de clustering para aprendizagem automática
-Clustering é uma tarefa de aprendizagem automática que procura encontrar objetos semelhantes entre si e agrupá-los em grupos chamados clusters. O que diferencia o clustering de outras abordagens na aprendizagem automática é que tudo acontece de forma automática; na verdade, é justo dizer que é o oposto da aprendizagem supervisionada.
+Clustering é uma tarefa de aprendizagem automática onde se procura encontrar objetos que se assemelham entre si e agrupá-los em grupos chamados clusters. O que diferencia o clustering de outros métodos na aprendizagem automática é que as coisas acontecem automaticamente, na verdade, é justo dizer que é o oposto da aprendizagem supervisionada.
-## Tópico regional: modelos de clustering para o gosto musical do público nigeriano 🎧
+## Tema regional: modelos de clustering para o gosto musical do público nigeriano 🎧
-O público diversificado da Nigéria tem gostos musicais igualmente variados. Usando dados extraídos do Spotify (inspirado por [este artigo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vamos analisar algumas músicas populares na Nigéria. Este conjunto de dados inclui informações sobre o 'danceability', 'acousticness', volume, 'speechiness', popularidade e energia de várias músicas. Será interessante descobrir padrões nesses dados!
+O público diverso da Nigéria tem gostos musicais diversos. Usando dados recolhidos do Spotify (inspirado por [este artigo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421), vejamos alguma música popular na Nigéria. Este conjunto de dados inclui informações sobre a pontuação de 'danceabilidade', 'acousticness', volume, 'speechiness', popularidade e energia de várias músicas. Será interessante descobrir padrões nestes dados!
-
+
-> Foto de Marcela Laskoski no Unsplash
+> Foto de Marcela Laskoski em Unsplash
-Nesta série de lições, vais descobrir novas formas de analisar dados utilizando técnicas de clustering. O clustering é particularmente útil quando o teu conjunto de dados não tem etiquetas. Se tiver etiquetas, então técnicas de classificação, como as que aprendeste em lições anteriores, podem ser mais úteis. Mas, em casos onde procuras agrupar dados não etiquetados, o clustering é uma ótima forma de descobrir padrões.
+Nesta série de lições, vai descobrir novas formas de analisar dados usando técnicas de clustering. O clustering é particularmente útil quando o seu conjunto de dados não tem rótulos. Se os tiver, técnicas de classificação como aquelas que aprendeu em lições anteriores podem ser mais úteis. Mas nos casos em que procura agrupar dados não rotulados, o clustering é uma ótima forma de descobrir padrões.
-> Existem ferramentas úteis de baixo código que podem ajudar-te a aprender a trabalhar com modelos de clustering. Experimenta [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
+> Existem ferramentas low-code úteis que podem ajudar a aprender a trabalhar com modelos de clustering. Experimente [Azure ML para esta tarefa](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lições
1. [Introdução ao clustering](1-Visualize/README.md)
-2. [Clustering com K-Means](2-K-Means/README.md)
+2. [Clustering K-Means](2-K-Means/README.md)
## Créditos
-Estas lições foram escritas com 🎶 por [Jen Looper](https://www.twitter.com/jenlooper) com revisões úteis de [Rishit Dagli](https://rishit_dagli) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
+Estas lições foram escritas com 🎶 por [Jen Looper](https://www.twitter.com/jenlooper) com revisões úteis de [Rishit Dagli](https://rishit_dagli/) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
-O conjunto de dados [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) foi obtido no Kaggle, extraído do Spotify.
+O conjunto de dados [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) foi obtido na Kaggle, extraído do Spotify.
-Exemplos úteis de K-Means que ajudaram na criação desta lição incluem esta [exploração de íris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), este [notebook introdutório](https://www.kaggle.com/prashant111/k-means-clustering-with-python) e este [exemplo hipotético de ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
+Exemplos úteis de K-Means que ajudaram na criação desta lição incluem esta [exploração do iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), este [notebook introdutório](https://www.kaggle.com/prashant111/k-means-clustering-with-python), e este [exemplo hipotético de ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-PT/7-TimeSeries/README.md b/translations/pt-PT/7-TimeSeries/README.md
index a53cd6561..caf3e6675 100644
--- a/translations/pt-PT/7-TimeSeries/README.md
+++ b/translations/pt-PT/7-TimeSeries/README.md
@@ -1,28 +1,30 @@
# Introdução à previsão de séries temporais
-O que é previsão de séries temporais? Trata-se de prever eventos futuros analisando tendências do passado.
+O que é a previsão de séries temporais? Trata-se de prever eventos futuros analisando as tendências do passado.
## Tema regional: consumo mundial de eletricidade ✨
-Nestes dois módulos, será introduzido o conceito de previsão de séries temporais, uma área um pouco menos conhecida do machine learning, mas que é extremamente valiosa para aplicações na indústria e nos negócios, entre outros campos. Embora redes neurais possam ser usadas para aumentar a utilidade desses modelos, vamos estudá-los no contexto do machine learning clássico, já que esses modelos ajudam a prever o desempenho futuro com base no passado.
+Nestas duas lições, será apresentado à previsão de séries temporais, uma área um pouco menos conhecida do machine learning que é, no entanto, extremamente valiosa para aplicações na indústria e negócios, entre outros campos. Embora redes neurais possam ser usadas para melhorar a utilidade destes modelos, vamos estudá-las no contexto do machine learning clássico, pois os modelos ajudam a prever o desempenho futuro com base no passado.
-O nosso foco regional é o consumo de eletricidade no mundo, um conjunto de dados interessante para aprender a prever o consumo futuro de energia com base nos padrões de carga do passado. É possível perceber como este tipo de previsão pode ser extremamente útil em ambientes empresariais.
+O nosso foco regional é o consumo elétrico no mundo, um conjunto de dados interessante para aprender a prever o consumo futuro de energia com base nos padrões de carga anteriores. Pode ver como este tipo de previsão pode ser extremamente útil num ambiente empresarial.
-
+
-Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas numa estrada em Rajasthan no [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
+Foto de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de torres elétricas numa estrada em Rajasthan em [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
-## Módulos
+## Lições
1. [Introdução à previsão de séries temporais](1-Introduction/README.md)
-2. [Construção de modelos ARIMA para séries temporais](2-ARIMA/README.md)
-3. [Construção de um Support Vector Regressor para previsão de séries temporais](3-SVR/README.md)
+2. [Construção de modelos ARIMA de séries temporais](2-ARIMA/README.md)
+3. [Construção de Support Vector Regressor para previsão de séries temporais](3-SVR/README.md)
## Créditos
-"A introdução à previsão de séries temporais" foi escrita com ⚡️ por [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). Os notebooks foram publicados pela primeira vez online no [repositório "Deep Learning For Time Series" da Azure](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), originalmente escrito por Francesca Lazzeri. O módulo sobre SVR foi escrito por [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
+"Introdução à previsão de séries temporais" foi escrito com ⚡️ por [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). Os notebooks apareceram primeiro online no [repositório Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) originalmente escrito por Francesca Lazzeri. A lição SVR foi escrita por [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante ter em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.
+
\ No newline at end of file
diff --git a/translations/pt-PT/README.md b/translations/pt-PT/README.md
index 35411c7d2..ebae538a0 100644
--- a/translations/pt-PT/README.md
+++ b/translations/pt-PT/README.md
@@ -1,23 +1,23 @@
-[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
-[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
-[](http://makeapullrequest.com)
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
-[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
-[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Suporte Multilingue
-#### Suportado via GitHub Action (Automatizado e Sempre Atualizado)
+#### Suportado via GitHub Action (Automatizado & Sempre Atualizado)
-[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](./README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
+[Árabe](../ar/README.md) | [Bengali](../bn/README.md) | [Búlgaro](../bg/README.md) | [Birmanês (Myanmar)](../my/README.md) | [Chinês (Simplificado)](../zh-CN/README.md) | [Chinês (Tradicional, Hong Kong)](../zh-HK/README.md) | [Chinês (Tradicional, Macau)](../zh-MO/README.md) | [Chinês (Tradicional, Taiwan)](../zh-TW/README.md) | [Croata](../hr/README.md) | [Checo](../cs/README.md) | [Dinamarquês](../da/README.md) | [Holandês](../nl/README.md) | [Estónio](../et/README.md) | [Finlandês](../fi/README.md) | [Francês](../fr/README.md) | [Alemão](../de/README.md) | [Grego](../el/README.md) | [Hebraico](../he/README.md) | [Hindi](../hi/README.md) | [Húngaro](../hu/README.md) | [Indonésio](../id/README.md) | [Italiano](../it/README.md) | [Japonês](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malaio](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norueguês](../no/README.md) | [Persa (Farsi)](../fa/README.md) | [Polaco](../pl/README.md) | [Português (Brasil)](../pt-BR/README.md) | [Português (Portugal)](./README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romeno](../ro/README.md) | [Russo](../ru/README.md) | [Sérvio (Cirílico)](../sr/README.md) | [Eslovaco](../sk/README.md) | [Esloveno](../sl/README.md) | [Espanhol](../es/README.md) | [Suaíli](../sw/README.md) | [Sueco](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tâmil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandês](../th/README.md) | [Turco](../tr/README.md) | [Ucraniano](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
> **Prefere Clonar Localmente?**
>
-> Este repositório inclui traduções para mais de 50 idiomas que aumentam significativamente o tamanho do download. Para clonar sem traduções, use o sparse checkout:
+> Este repositório inclui mais de 50 traduções, o que aumenta significativamente o tamanho do download. Para clonar sem traduções, use o checkout esparso:
>
> **Bash / macOS / Linux:**
> ```bash
@@ -40,63 +40,66 @@
[](https://discord.gg/nTYy5BXMWG)
-Temos uma série Discord de aprendizagem com IA em curso, saiba mais e junte-se a nós em [Learn with AI Series](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Receberá dicas e truques para usar o GitHub Copilot para Ciência de Dados.
+Temos uma série Discord de aprender com IA em curso, saiba mais e junte-se a nós em [Learn with AI Series](https://aka.ms/learnwithai/discord) de 18 a 30 de setembro de 2025. Vai obter dicas e truques sobre como usar o GitHub Copilot para Ciência de Dados.
-# Aprendizagem Automática para Iniciantes - Um Currículo
+# Aprendizagem Automática para Iniciantes - Uma Currículo
> 🌍 Viaje pelo mundo enquanto exploramos Aprendizagem Automática através das culturas mundiais 🌍
-Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, todo sobre **Aprendizagem Automática**. Neste currículo, aprenderá sobre o que por vezes é chamado **aprendizagem automática clássica**, usando principalmente a biblioteca Scikit-learn e evitando deep learning, que é abordado no nosso [currículo AI for Beginners](https://aka.ms/ai4beginners). Combine estas lições com o nosso ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), também!
+Os Cloud Advocates da Microsoft têm o prazer de oferecer um currículo de 12 semanas, com 26 lições, todo sobre **Aprendizagem Automática**. Neste currículo, aprenderá sobre o que às vezes é chamado de **aprendizagem automática clássica**, usando principalmente a biblioteca Scikit-learn e evitando aprendizagem profunda, que é abordada no nosso [currículo de IA para Iniciantes](https://aka.ms/ai4beginners). Combine estas lições com o nosso ['Data Science para Iniciantes'](https://aka.ms/ds4beginners)!
-Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de muitas áreas do mundo. Cada lição inclui questionários antes e depois da lição, instruções escritas para completar a lição, uma solução, uma tarefa e mais. A nossa pedagogia baseada em projetos permite aprender enquanto se constrói, uma forma comprovada para que novas competências 'ficarem'.
+Viaje connosco pelo mundo enquanto aplicamos estas técnicas clássicas a dados de várias partes do mundo. Cada lição inclui quizzes antes e depois, instruções escritas para completar a lição, uma solução, um desafio e mais. A nossa pedagogia baseada em projetos permite aprender enquanto se constrói, uma maneira comprovada para as novas competências se fixarem.
-**✍️ Sinceros agradecimentos aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
+**✍️ Agradecimentos sinceros aos nossos autores** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
-**🎨 Obrigado também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
+**🎨 Agradecimentos também aos nossos ilustradores** Tomomi Imura, Dasani Madipalli e Jen Looper
-**🙏 Agradecimento especial 🙏 aos nossos autores, revisores e colaboradores de conteúdo do Microsoft Student Ambassador**, nomeadamente Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
+**🙏 Agradecimento especial 🙏 aos nossos Microsoft Student Ambassador autores, revisores e colaboradores de conteúdo**, destacando Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
-**🤩 Agradecimento especial extra aos Embaixadores Estudantes Microsoft Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pelas nossas lições R!**
+**🤩 Gratidão extra aos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta pela nossas lições em R!**
-# Começar
+# Como Começar
Siga estes passos:
-1. **Faça Fork do Repositório**: Clique no botão "Fork" no canto superior direito desta página.
+1. **Fork ao Repositório**: Clique no botão "Fork" no canto superior direito desta página.
2. **Clone o Repositório**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
+> 💡 **Dica para Início Rápido:** Quer começar no navegador sem configurar o Python localmente? Use [GitHub Codespaces](https://github.com/features/codespaces) para criar um ambiente de desenvolvimento em nuvem para o seu fork. Abra o menu verde **Code**, selecione **Codespaces** e crie um codespace; instale as dependências necessárias de cada lição conforme precisar.
+
> [encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
-> 🔧 **Precisa de ajuda?** Consulte o nosso [Guia de Resolução de Problemas](TROUBLESHOOTING.md) para soluções para problemas comuns com instalação, configuração e execução das lições.
+> 🔧 **Precisa de ajuda?** Consulte o nosso [Guia de Resolução de Problemas](TROUBLESHOOTING.md) para soluções comuns sobre instalação, configuração e execução das lições.
+
-**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork de todo o repositório para sua própria conta GitHub e complete os exercícios sozinho ou em grupo:
+**[Estudantes](https://aka.ms/student-page)**, para usar este currículo, faça fork do repositório para sua própria conta GitHub e complete os exercícios sozinho ou em grupo:
-- Comece com um quiz pré-lectura.
-- Leia a aula e complete as atividades, pausando e refletindo em cada verificação de conhecimento.
-- Tente criar os projetos compreendendo as lições em vez de executar o código da solução; no entanto, esse código está disponível nas pastas `/solution` em cada lição orientada por projeto.
-- Faça o quiz pós-lectura.
+- Comece com um quiz pré-lecture.
+- Leia a aula e complete as atividades, fazendo pausas para refletir em cada verificação de conhecimento.
+- Tente criar os projetos compreendendo as lições, em vez de executar o código da solução; contudo, esse código está disponível nas pastas `/solution` em cada lição orientada a projetos.
+- Faça o quiz pós-lecture.
- Complete o desafio.
-- Complete a tarefa.
-- Depois de completar um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo o formulário de avaliação PAT adequado. Um 'PAT' é uma Ferramenta de Avaliação de Progresso que é um formulário que preenche para aprofundar seu aprendizado. Pode também reagir a outros PATs para aprendermos juntos.
+- Complete o trabalho.
+- Depois de completar um grupo de lições, visite o [Fórum de Discussão](https://github.com/microsoft/ML-For-Beginners/discussions) e "aprenda em voz alta" preenchendo a rubrica PAT apropriada. Um 'PAT' é uma Ferramenta de Avaliação de Progresso, que é uma rubrica que preenche para aprofundar o seu aprendizado. Pode também reagir a outros PATs para aprendermos juntos.
-> Para estudo adicional, recomendamos seguir estes módulos e caminhos de aprendizagem [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
+> Para estudo adicional, recomendamos seguir estes módulos e percursos de aprendizagem [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Professores**, incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo.
---
-## Guias em Vídeo
+## Vídeos explicativos
-Algumas das lições estão disponíveis em vídeo curto. Pode encontrá-los embutidos nas lições ou na [playlist ML for Beginners no canal Microsoft Developer no YouTube](https://aka.ms/ml-beginners-videos) clicando na imagem abaixo.
+Algumas das lições estão disponíveis em formato de vídeo curto. Pode encontrá-los integrados nas lições, ou na [playlist ML for Beginners no canal Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos), clicando na imagem abaixo.
-[](https://aka.ms/ml-beginners-videos)
+[](https://aka.ms/ml-beginners-videos)
---
## Conheça a Equipa
-[](https://youtu.be/Tj1XWrDSYJU)
+[](https://youtu.be/Tj1XWrDSYJU)
**Gif por** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
@@ -106,72 +109,74 @@ Algumas das lições estão disponíveis em vídeo curto. Pode encontrá-los emb
## Pedagogia
-Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que é prático e **baseado em projetos** e que inclui **quizzes frequentes**. Além disso, este currículo tem um **tema** comum para lhe dar coesão.
+Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que seja prático e **baseado em projetos** e que inclua **quizzes frequentes**. Além disso, este currículo tem um **tema** comum para lhe dar coesão.
-Ao garantir que o conteúdo está alinhado com projetos, o processo torna-se mais envolvente para os estudantes e a retenção de conceitos é aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do aluno na aprendizagem de um tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi concebido para ser flexível e divertido e pode ser realizado na totalidade ou em partes. Os projetos começam pequenos e tornam-se progressivamente mais complexos ao longo do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais da aprendizagem automática, que pode ser usado como crédito extra ou como base para discussão.
+Ao garantir que o conteúdo se alinha com projetos, o processo torna-se mais envolvente para os alunos e a retenção de conceitos será aumentada. Além disso, um quiz de baixo risco antes da aula define a intenção do aluno para aprender o tópico, enquanto um segundo quiz após a aula assegura maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser feito na íntegra ou em parte. Os projetos começam pequenos e tornam-se progressivamente mais complexos até o fim do ciclo de 12 semanas. Este currículo inclui também um posfácio sobre aplicações reais da ML, que pode ser usado como crédito extra ou base para discussão.
-> Encontre o nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Contributos](CONTRIBUTING.md), [Traduções](..) e [Resolução de Problemas](TROUBLESHOOTING.md). Agradecemos o seu feedback construtivo!
+> Encontre as nossas diretrizes [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuição](CONTRIBUTING.md), [Traduções](..) e [Resolução de Problemas](TROUBLESHOOTING.md). Acolhemos o seu feedback construtivo!
## Cada lição inclui
-- esboço opcional
+- sketchnote opcional
- vídeo suplementar opcional
-- guia em vídeo (apenas algumas lições)
-- [quiz de aquecimento pré-lectura](https://ff-quizzes.netlify.app/en/ml/)
+- vídeo explicativo (em algumas lições apenas)
+- [quiz pré-lecture](https://ff-quizzes.netlify.app/en/ml/)
- lição escrita
- para lições baseadas em projeto, guias passo a passo para construir o projeto
- verificações de conhecimento
- um desafio
- leitura suplementar
-- tarefa
-- [quiz pós-lectura](https://ff-quizzes.netlify.app/en/ml/)
-> **Uma nota sobre línguas**: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá para a pasta `/solution` e procure lições em R. Elas incluem uma extensão .rmd que representa um ficheiro **R Markdown**, que pode ser simplesmente definido como uma incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas como PDF) num `documento Markdown`. Como tal, serve como um exemplo de estrutura de autoria para ciência de dados, pois permite combinar o seu código, a sua saída e os seus pensamentos ao permitir que os escreva em Markdown. Além disso, documentos R Markdown podem ser renderizados para formatos de saída como PDF, HTML ou Word.
-
-> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), totalizando 52 quizzes de três perguntas cada. Estão ligados dentro das lições, mas a aplicação de quizzes pode ser executada localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
-
-| Número da Lição | Tema | Agrupamento da Lição | Objetivos de Aprendizagem | Lição Ligada | Autor |
-| :-------------: | :----------------------------------------------------------: | :------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
-| 01 | Introdução ao machine learning | [Introdução](1-Introduction/README.md) | Aprender os conceitos básicos por trás do machine learning | [Lição](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
-| 02 | História do machine learning | [Introdução](1-Introduction/README.md) | Aprender a história por trás desta área | [Lição](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
-| 03 | Justiça e machine learning | [Introdução](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os alunos devem considerar ao construir e aplicar modelos de ML? | [Lição](1-Introduction/3-fairness/README.md) | Tomomi |
-| 04 | Técnicas para machine learning | [Introdução](1-Introduction/README.md) | Que técnicas os investigadores de ML usam para construir modelos de ML? | [Lição](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
-| 05 | Introdução à regressão | [Regressão](2-Regression/README.md) | Começar com Python e Scikit-learn para modelos de regressão | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
-| 06 | Preços da abóbora na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Visualizar e limpar dados em preparação para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
-| 07 | Preços da abóbora na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Construir modelos de regressão linear e polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
-| 08 | Preços da abóbora na América do Norte 🎃 | [Regressão](2-Regression/README.md) | Construir um modelo de regressão logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
-| 09 | Uma Web App 🔌 | [Web App](3-Web-App/README.md) | Construir uma aplicação web para usar o seu modelo treinado | [Python](3-Web-App/1-Web-App/README.md) | Jen |
-| 10 | Introdução à classificação | [Classificação](4-Classification/README.md) | Limpar, preparar e visualizar os seus dados; introdução à classificação | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
-| 11 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Introdução a classificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
-| 12 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Mais classificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
-| 13 | Deliciosas cozinhas asiáticas e indianas 🍜 | [Classificação](4-Classification/README.md) | Construir uma aplicação web recomendadora usando o seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
-| 14 | Introdução ao clustering | [Clustering](5-Clustering/README.md) | Limpar, preparar e visualizar os seus dados; introdução ao clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
-| 15 | Explorando gostos musicais na Nigéria 🎧 | [Clustering](5-Clustering/README.md) | Explorar o método de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
-| 16 | Introdução ao processamento de linguagem natural ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprender o básico sobre PLP construindo um bot simples | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
-| 17 | Tarefas comuns de PLP ☕️ | [Processamento de linguagem natural](6-NLP/README.md) | Aprofundar o seu conhecimento em PLP, entendendo as tarefas comuns necessárias ao lidar com estruturas linguísticas | [Python](6-NLP/2-Tasks/README.md) | Stephen |
-| 18 | Tradução e análise de sentimento ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Tradução e análise de sentimento com Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
-| 19 | Hotéis românticos na Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
-| 20 | Hotéis românticos na Europa ♥️ | [Processamento de linguagem natural](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
-| 21 | Introdução à previsão de séries temporais | [Séries temporais](7-TimeSeries/README.md) | Introdução à previsão de séries temporais | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
-| 22 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com ARIMA | [Séries temporais](7-TimeSeries/README.md) | Previsão de séries temporais com ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
-| 23 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com SVR | [Séries temporais](7-TimeSeries/README.md) | Previsão de séries temporais com Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
-| 24 | Introdução ao aprendizado por reforço | [Aprendizado por reforço](8-Reinforcement/README.md) | Introdução ao aprendizado por reforço com Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
-| 25 | Ajudar o Peter a evitar o lobo! 🐺 | [Aprendizado por reforço](8-Reinforcement/README.md) | Aprendizado por reforço Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
-| Pós-escrito | Cenários e aplicações reais de ML | [ML na vida real](9-Real-World/README.md) | Aplicações interessantes e reveladoras do ML clássico | [Lição](9-Real-World/1-Applications/README.md) | Equipa |
-| Pós-escrito | Depuração de modelos em ML usando dashboard RAI | [ML na vida real](9-Real-World/README.md) | Depuração de modelos em Machine Learning usando componentes do painel Responsible AI | [Lição](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
+- trabalho
+- [quiz pós-lecture](https://ff-quizzes.netlify.app/en/ml/)
+
+> **Uma nota sobre línguas**: Estas lições são principalmente escritas em Python, mas muitas também estão disponíveis em R. Para completar uma lição em R, vá à pasta `/solution` e procure pelas lições em R. Incluem uma extensão .rmd que representa um ficheiro **R Markdown** que pode ser simplesmente definido como a incorporação de `blocos de código` (de R ou outras linguagens) e um `cabeçalho YAML` (que orienta como formatar saídas como PDF) num `documento Markdown`. Como tal, serve como uma excelente estrutura para autoria em ciência de dados, pois permite combinar o código, sua saída e os seus pensamentos ao escrever em Markdown. Além disso, os documentos R Markdown podem ser convertidos para formatos como PDF, HTML ou Word.
+
+> **Uma nota sobre quizzes**: Todos os quizzes estão contidos na [pasta Quiz App](../../quiz-app), num total de 52 quizzes com três perguntas cada. Eles são ligados de dentro das lições, mas a aplicação de quiz pode ser executada localmente; siga as instruções na pasta `quiz-app` para hospedar localmente ou implantar no Azure.
+
+| Número da Lição | Tópico | Agrupamento da Lição | Objetivos de Aprendizagem | Lição Ligada | Autor |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | Introdução ao machine learning | [Introduction](1-Introduction/README.md) | Aprenda os conceitos básicos por detrás do machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
+| 02 | A História do machine learning | [Introduction](1-Introduction/README.md) | Aprenda a história subjacente a esta área | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
+| 03 | Justiça e machine learning | [Introduction](1-Introduction/README.md) | Quais são as questões filosóficas importantes sobre justiça que os estudantes devem considerar ao construir e aplicar modelos ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
+| 04 | Técnicas para machine learning | [Introduction](1-Introduction/README.md) | Que técnicas utilizam os investigadores de ML para construir modelos ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
+| 05 | Introdução à regressão | [Regression](2-Regression/README.md) | Comece com Python e Scikit-learn para modelos de regressão | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
+| 06 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Visualize e limpe dados em preparação para ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
+| 07 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Construa modelos de regressão linear e polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
+| 08 | Preços das abóboras na América do Norte 🎃 | [Regression](2-Regression/README.md) | Construa um modelo de regressão logística | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
+| 09 | Uma App Web 🔌 | [Web App](3-Web-App/README.md) | Construa uma app web para usar o seu modelo treinado | [Python](3-Web-App/1-Web-App/README.md) | Jen |
+| 10 | Introdução à classificação | [Classification](4-Classification/README.md) | Limpe, prepare e visualize os seus dados; introdução à classificação | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
+| 11 | Cozinhas deliciosas asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Introdução aos classificadores | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
+| 12 | Cozinhas deliciosas asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Mais classificadores | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
+| 13 | Cozinhas deliciosas asiáticas e indianas 🍜 | [Classification](4-Classification/README.md) | Construa uma app web recomendadora usando o seu modelo | [Python](4-Classification/4-Applied/README.md) | Jen |
+| 14 | Introdução à clustering | [Clustering](5-Clustering/README.md) | Limpe, prepare e visualize os seus dados; Introdução ao clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
+| 15 | Explorar os gostos musicais da Nigéria 🎧 | [Clustering](5-Clustering/README.md) | Explore o método de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
+| 16 | Introdução ao processamento de linguagem natural ☕️ | [Natural language processing](6-NLP/README.md) | Aprenda o básico sobre NLP construindo um bot simples | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
+| 17 | Tarefas comuns de NLP ☕️ | [Natural language processing](6-NLP/README.md) | Aprofunde o seu conhecimento de NLP ao entender as tarefas comuns exigidas ao lidar com estruturas linguísticas | [Python](6-NLP/2-Tasks/README.md) | Stephen |
+| 18 | Tradução e análise de sentimento ♥️ | [Natural language processing](6-NLP/README.md) | Tradução e análise de sentimento com Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
+| 19 | Hotéis românticos da Europa ♥️ | [Natural language processing](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
+| 20 | Hotéis românticos da Europa ♥️ | [Natural language processing](6-NLP/README.md) | Análise de sentimento com avaliações de hotéis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
+| 21 | Introdução a previsões de séries temporais | [Time series](7-TimeSeries/README.md) | Introdução à previsão de séries temporais | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
+| 22 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com ARIMA | [Time series](7-TimeSeries/README.md) | Previsão de séries temporais com ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
+| 23 | ⚡️ Uso mundial de energia ⚡️ - previsão de séries temporais com SVR | [Time series](7-TimeSeries/README.md) | Previsão de séries temporais com Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
+| 24 | Introdução ao reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introdução ao reinforcement learning com Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
+| 25 | Ajuda o Peter a evitar o lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
+| Postscript | Cenários e aplicações reais de ML | [ML in the Wild](9-Real-World/README.md) | Aplicações reais interessantes e reveladoras do ML clássico | [Lesson](9-Real-World/1-Applications/README.md) | Team |
+| Postscript | Depuração de modelos em ML usando o dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Depuração de modelos em Machine Learning usando componentes do painel Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [encontre todos os recursos adicionais para este curso na nossa coleção Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Acesso offline
-Pode executar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) na sua máquina local e depois, na pasta raiz deste repositório, digite `docsify serve`. O website será servido na porta 3000 no seu localhost: `localhost:3000`.
+Pode executar esta documentação offline usando o [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) na sua máquina local, e depois, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 do seu localhost: `localhost:3000`.
## PDFs
Encontre um pdf do currículo com links [aqui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
+
## 🎒 Outros Cursos
-A nossa equipa produz outros cursos! Veja:
+A nossa equipa produz outros cursos! Confira:
### LangChain
@@ -183,65 +188,65 @@ A nossa equipa produz outros cursos! Veja:
### Azure / Edge / MCP / Agentes
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série de IA Generativa
-[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
-[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
-[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
-[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
+[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
+[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
+[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Aprendizagem Fundamental
-[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
-[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
+[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série Copilot
-[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
-[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
+[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
+[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
## Obter Ajuda
-Se ficar preso ou tiver dúvidas enquanto aprende Aprendizagem Automática ou desenvolve aplicações de IA, não se preocupe — a ajuda está disponível.
+Se ficar bloqueado ou tiver dúvidas enquanto aprende Machine Learning ou constrói aplicações de IA, não se preocupe — existe ajuda disponível.
-Pode juntar-se a discussões com outros aprendizes e desenvolvedores, fazer perguntas e partilhar as suas ideias com a comunidade.
+Pode juntar-se a discussões com outros aprendizes e programadores, fazer perguntas, e partilhar as suas ideias com a comunidade.
-- Junte-se à comunidade para fazer perguntas e aprender com outros
-- Discuta conceitos de Aprendizagem Automática e ideias para projetos
-- Obtenha orientação de desenvolvedores experientes
+- Junte-se à comunidade para fazer perguntas e aprender com os outros
+- Discuta conceitos de Machine Learning e ideias para projetos
+- Obtenha orientação por parte de programadores experientes
-Uma comunidade de apoio é uma ótima forma de desenvolver as suas competências e resolver problemas mais rapidamente.
+Uma comunidade solidária é uma ótima forma de desenvolver as suas competências e resolver problemas mais rapidamente.
-[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG)
+[Comunidade Microsoft Foundry no Discord](https://discord.gg/nTYy5BXMWG)
-Se encontrar bugs, erros ou tiver sugestões para melhorias, também pode abrir um **Issue** neste repositório para reportar o problema.
+Se encontrar bugs, erros, ou tiver sugestões para melhorias, também pode abrir uma **Issue** neste repositório para reportar o problema.
-Para feedback sobre produtos ou para pesquisar posts existentes na comunidade, visite o Fórum de Desenvolvedores:
+Para feedback do produto ou para pesquisar publicações já existentes na comunidade, visite o Fórum de Programadores:
-[](https://aka.ms/foundry/forum)
+[](https://aka.ms/foundry/forum)
-## Dicas Adicionais para Aprendizagem
+## Dicas adicionais para aprendizagem
-- Reveja os notebooks após cada lição para melhor compreensão.
-- Pratique implementar algoritmos por si próprio.
-- Explore conjuntos de dados do mundo real usando os conceitos aprendidos.
+- Reveja os notebooks após cada aula para melhor compreensão.
+- Pratique a implementação dos algoritmos por si próprio.
+- Explore conjuntos de dados reais utilizando os conceitos aprendidos.
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes do uso desta tradução.
+**Aviso Legal**:
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.
\ No newline at end of file
diff --git a/translations/pt-PT/for-teachers.md b/translations/pt-PT/for-teachers.md
index ca26a482a..9514e24a3 100644
--- a/translations/pt-PT/for-teachers.md
+++ b/translations/pt-PT/for-teachers.md
@@ -1,28 +1,30 @@
## Para Educadores
-Gostaria de usar este currículo na sua sala de aula? Fique à vontade!
+Gostaria de usar este currículo na sua sala de aula? Sinta-se à vontade!
-Na verdade, pode utilizá-lo diretamente no GitHub, através do GitHub Classroom.
+De facto, pode usá-lo diretamente no GitHub através do GitHub Classroom.
-Para isso, faça um fork deste repositório. Vai precisar criar um repositório para cada aula, então será necessário extrair cada pasta para um repositório separado. Dessa forma, [GitHub Classroom](https://classroom.github.com/classrooms) poderá identificar cada aula individualmente.
+Para isso, faça um fork deste repositório. Vai precisar de criar um repositório para cada aula, por isso terá de extrair cada pasta para um repositório separado. Assim, o [GitHub Classroom](https://classroom.github.com/classrooms) pode detectar cada aula individualmente.
-Estas [instruções completas](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) irão ajudá-lo a configurar a sua sala de aula.
+Estas [instruções completas](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vão dar-lhe uma ideia de como configurar a sua sala de aula.
## Utilizar o repositório como está
-Se preferir usar este repositório no formato atual, sem recorrer ao GitHub Classroom, isso também é possível. Apenas precisará comunicar aos seus alunos qual aula devem trabalhar em conjunto.
+Se preferir usar este repositório na sua forma atual, sem usar o GitHub Classroom, isso também é possível. Terá de comunicar aos seus alunos qual a aula que deverão trabalhar em conjunto.
-Num formato online (Zoom, Teams ou outro), pode criar salas de grupo para os questionários e orientar os alunos para que estejam prontos para aprender. Depois, convide os alunos a realizar os questionários e submeter as respostas como 'issues' num momento específico. Pode fazer o mesmo com os trabalhos, caso deseje que os alunos colaborem de forma aberta.
+Num formato online (Zoom, Teams ou outro) pode formar salas de grupos para os questionários, e orientar os alunos para os ajudar a preparar-se para aprender. Depois, convide os alunos a realizarem os questionários e a submeterem as respostas como 'issues' a uma certa hora. Pode fazer o mesmo com tarefas, se quiser que os alunos trabalhem colaborativamente em aberto.
-Se preferir um formato mais privado, peça aos seus alunos para fazerem fork do currículo, aula por aula, para os seus próprios repositórios GitHub como repositórios privados, e conceda-lhe acesso. Assim, poderão completar os questionários e trabalhos de forma privada e submetê-los através de issues no repositório da sua sala de aula.
+Se preferir um formato mais privado, peça aos seus alunos que façam fork do currículo, aula a aula, para os seus próprios repositórios GitHub como repositórios privados, e que lhe dêem acesso. Assim, eles podem completar questionários e tarefas de forma privada e submetê-los a si via issues no seu repositório da sala de aula.
-Existem várias formas de fazer isto funcionar num formato de sala de aula online. Por favor, informe-nos sobre o que funciona melhor para si!
+Existem várias formas de fazer isto funcionar num formato de sala de aula online. Por favor, diga-nos o que funciona melhor para si!
-## Partilhe connosco a sua opinião!
+## Por favor, dê-nos a sua opinião!
-Queremos que este currículo funcione para si e para os seus alunos. Por favor, envie-nos o seu [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
+Queremos fazer este currículo funcionar para si e para os seus alunos. Por favor, dê-nos [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
-**Aviso Legal**:
-Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante ter em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.
\ No newline at end of file
+
+**Aviso Legal**:
+Este documento foi traduzido utilizando o serviço de tradução automática [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.
+
\ No newline at end of file