diff --git a/translations/he/.co-op-translator.json b/translations/he/.co-op-translator.json index 8b0cf0845..80fa9955b 100644 --- a/translations/he/.co-op-translator.json +++ b/translations/he/.co-op-translator.json @@ -12,8 +12,8 @@ "language_code": "he" }, "1-Introduction/2-history-of-ML/README.md": { - "original_hash": "6a05fec147e734c3e6bfa54505648e2b", - "translation_date": "2025-09-05T19:41:23+00:00", + "original_hash": "e6b5247d6b4dc821434070bdb58e8285", + "translation_date": "2026-09-14T21:35:29+00:00", "source_file": "1-Introduction/2-history-of-ML/README.md", "language_code": "he" }, @@ -24,8 +24,8 @@ "language_code": "he" }, "1-Introduction/3-fairness/README.md": { - "original_hash": "0f00d72169a0d37eecfd16d71e01700a", - "translation_date": "2026-07-14T03:58:42+00:00", + "original_hash": "0c620ca2c6d2828e9a838ecec5f01265", + "translation_date": "2026-09-14T21:34:27+00:00", "source_file": "1-Introduction/3-fairness/README.md", "language_code": "he" }, @@ -54,8 +54,8 @@ "language_code": "he" }, "2-Regression/1-Tools/README.md": { - "original_hash": "0b8635427b582d03ea4ab7089b93e505", - "translation_date": "2026-07-14T03:53:36+00:00", + "original_hash": "1f4f6c95404d528041bcc36784771084", + "translation_date": "2026-09-14T21:36:34+00:00", "source_file": "2-Regression/1-Tools/README.md", "language_code": "he" }, @@ -282,8 +282,8 @@ "language_code": "he" }, "5-Clustering/README.md": { - "original_hash": "b28a3a4911584062772c537b653ebbc7", - "translation_date": "2025-09-05T19:10:12+00:00", + "original_hash": "c78940a1b03da1de13bd97527f9e6606", + "translation_date": "2026-09-14T21:32:49+00:00", "source_file": "5-Clustering/README.md", "language_code": "he" }, @@ -456,8 +456,8 @@ "language_code": "he" }, "7-TimeSeries/README.md": { - "original_hash": "61342603bad8acadbc6b2e4e3aab3f66", - "translation_date": "2025-09-05T18:57:42+00:00", + "original_hash": "722526664e764a2290e1def74afa5139", + "translation_date": "2026-09-14T21:33:00+00:00", "source_file": "7-TimeSeries/README.md", "language_code": "he" }, @@ -564,8 +564,8 @@ "language_code": "he" }, "README.md": { - "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", - "translation_date": "2026-04-20T20:50:23+00:00", + "original_hash": "8bba8faed876aa7bbc92b759a350b1d8", + "translation_date": "2026-09-14T21:28:31+00:00", "source_file": "README.md", "language_code": "he" }, @@ -592,11 +592,11 @@ "original_hash": "fba3b94d88bfb9b81369b869a1e9a20f", "source_file": "sketchnotes/LICENSE.md", "language_code": "he", - "failure_date": "2026-07-14T03:52:44+00:00", + "failure_date": "2026-09-14T21:32:35+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": "he" }, "for-teachers.md": { - "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8", - "translation_date": "2025-09-05T18:36:08+00:00", + "original_hash": "4b5b4e11bf182a803261b55a19d3ee70", + "translation_date": "2026-09-14T21:26:19+00:00", "source_file": "for-teachers.md", "language_code": "he" }, diff --git a/translations/he/1-Introduction/2-history-of-ML/README.md b/translations/he/1-Introduction/2-history-of-ML/README.md index 30fb51973..4fe54b54f 100644 --- a/translations/he/1-Introduction/2-history-of-ML/README.md +++ b/translations/he/1-Introduction/2-history-of-ML/README.md @@ -1,155 +1,157 @@ -# ההיסטוריה של למידת מכונה +# היסטוריה של למידת מכונה -![סיכום ההיסטוריה של למידת מכונה בסקצ'נוט](../../../../sketchnotes/ml-history.png) -> סקצ'נוט מאת [Tomomi Imura](https://www.twitter.com/girlie_mac) +![סיכום היסטוריית למידת מכונה בסקצ'נוט](../../../../translated_images/he/ml-history.a1bdfd4ce1f464d9.webp) +> סקצ'נוט מאת [טומומי אימורה](https://www.twitter.com/girlie_mac) -## [שאלון לפני השיעור](https://ff-quizzes.netlify.app/en/ml/) +## [מבחן טרום-הרצאה](https://ff-quizzes.netlify.app/en/ml/) --- -[![למידת מכונה למתחילים - ההיסטוריה של למידת מכונה](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "למידת מכונה למתחילים - ההיסטוריה של למידת מכונה") +[![לימוד ML למתחילים - היסטוריה של למידת מכונה](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "לימוד ML למתחילים - היסטוריה של למידת מכונה") -> 🎥 לחצו על התמונה למעלה לצפייה בסרטון קצר על השיעור הזה. +> 🎥 לחצו על התמונה למעלה לסרטון קצר שמסביר את השיעור הזה. -בשיעור זה נעבור על אבני הדרך המרכזיות בהיסטוריה של למידת מכונה ובינה מלאכותית. +בשיעור זה נעבור דרך ציוני דרך מרכזיים בהיסטוריה של למידת מכונה ואינטליגנציה מלאכותית. -ההיסטוריה של בינה מלאכותית (AI) כתחום קשורה קשר הדוק להיסטוריה של למידת מכונה, שכן האלגוריתמים וההתקדמות החישובית שמניעים את למידת המכונה תרמו להתפתחות הבינה המלאכותית. חשוב לזכור כי למרות שהתחומים הללו החלו להתגבש כתחומי מחקר נפרדים בשנות ה-50, [גילויים אלגוריתמיים, סטטיסטיים, מתמטיים, חישוביים וטכניים חשובים](https://wikipedia.org/wiki/Timeline_of_machine_learning) קדמו לתקופה זו ואף חפפו לה. למעשה, אנשים חשבו על שאלות אלו במשך [מאות שנים](https://wikipedia.org/wiki/History_of_artificial_intelligence): מאמר זה דן בבסיס האינטלקטואלי ההיסטורי של הרעיון של "מכונה חושבת". +ההיסטוריה של אינטליגנציה מלאכותית (AI) כתחום משולבת בהיסטוריה של למידת המכונה, שכן האלגוריתמים וההתפתחויות החישוביות שתומכות ב-ML הוזינו לפיתוח ה-AI. כדאי לזכור שבעוד שתחומים אלה התחילו להתגבש כשדות למידה מובחנים בשנות ה-50, [תגליות אלגוריתמיות, סטטיסטיות, מתמטיות, חישוביות וטכניות](https://wikipedia.org/wiki/Timeline_of_machine_learning) חשובות קדמו והתגלגלו לתקופה זו. למעשה, אנשים חשבו על שאלות אלה למשך [מאות שנים](https://wikipedia.org/wiki/History_of_artificial_intelligence): מאמר זה דן ביסודות האינטלקטואליים ההיסטוריים של רעיון 'מכונה חושבת'. --- -## גילויים חשובים +## תגליות בולטות -- 1763, 1812 [משפט בייס](https://wikipedia.org/wiki/Bayes%27_theorem) והקדמיו. משפט זה ויישומיו מהווים בסיס להסקה, ומתארים את ההסתברות להתרחשות אירוע בהתבסס על ידע קודם. -- 1805 [תורת הריבועים הפחותים](https://wikipedia.org/wiki/Least_squares) מאת המתמטיקאי הצרפתי אדריאן-מארי לז'נדר. תיאוריה זו, שתלמדו עליה ביחידת הרגרסיה שלנו, מסייעת בהתאמת נתונים. -- 1913 [שרשראות מרקוב](https://wikipedia.org/wiki/Markov_chain), על שם המתמטיקאי הרוסי אנדריי מרקוב, משמשות לתיאור רצף של אירועים אפשריים בהתבסס על מצב קודם. -- 1957 [פרספטרון](https://wikipedia.org/wiki/Perceptron) הוא סוג של מסווג ליניארי שהומצא על ידי הפסיכולוג האמריקאי פרנק רוזנבלט ומהווה בסיס להתקדמות בלמידה עמוקה. +- 1763, 1812 [משפט בייס](https://wikipedia.org/wiki/Bayes%27_theorem) וקודמיו. משפט זה ויישומיו הם הבסיס להסקה, המתאר את ההסתברות לאירוע בהתבסס על ידע קודם. +- 1805 [תאוריית הריבועים הפחותים](https://wikipedia.org/wiki/Least_squares) מאת המתמטיקאי הצרפתי אדריאן-מרי לגדר. תאוריה זו, שתלמדו עליה ביחידת הרגרסיה, מסייעת בהתאמת נתונים. +- 1913 [שרשרות מרקוב](https://wikipedia.org/wiki/Markov_chain), על שמו של המתמטיקאי הרוסי אנדריי מרקוב, משמשות לתיאור רציף אירועים אפשריים בהתבסס על מצב קודם. +- 1957 [פרספטרון](https://wikipedia.org/wiki/Perceptron) הוא סוג של מסווג לינארי שהומצא על ידי הפסיכולוג האמריקאי פרנק רוזנבלט ומהווה בסיס להתקדמויות בלמידה עמוקה. --- -- 1967 [השכן הקרוב](https://wikipedia.org/wiki/Nearest_neighbor) הוא אלגוריתם שתוכנן במקור למיפוי מסלולים. בהקשר של למידת מכונה הוא משמש לזיהוי דפוסים. -- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) משמש לאימון [רשתות עצביות קדמיות](https://wikipedia.org/wiki/Feedforward_neural_network). -- 1982 [רשתות עצביות חוזרות](https://wikipedia.org/wiki/Recurrent_neural_network) הן רשתות עצביות מלאכותיות שמקורן ברשתות עצביות קדמיות ויוצרות גרפים זמניים. +- 1967 [שכני הקרוב ביותר](https://wikipedia.org/wiki/Nearest_neighbor) הוא אלגוריתם שתוכנן במקור למיפוי מסלולים. בהקשר למידת מכונה משתמשים בו לזיהוי דפוסים. +- 1970 [בקפראופגיישן](https://wikipedia.org/wiki/Backpropagation) משמש לאימון [רשתות עצביות מזינות קדימה](https://wikipedia.org/wiki/Feedforward_neural_network). +- 1982 [רשתות עצביות חוזרות](https://wikipedia.org/wiki/Recurrent_neural_network) הן רשתות עצביות מלאכותיות הנובעות מרשתות מזינות קדימה ויוצרות גרפים זמן-סדרתיים. -✅ בצעו מחקר קטן. אילו תאריכים נוספים בולטים בהיסטוריה של למידת מכונה ובינה מלאכותית? +✅ עשו קצת מחקר. אילו תאריכים אחרים בולטים כהכרחיים בהיסטוריה של ML ו-AI? --- ## 1950: מכונות שחושבות -אלן טיורינג, אדם יוצא דופן שב-2019 נבחר [על ידי הציבור](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) כמדען הגדול ביותר של המאה ה-20, נחשב כמי שסייע להניח את היסודות לרעיון של "מכונה שיכולה לחשוב". הוא התמודד עם ספקנים ועם הצורך שלו עצמו בראיות אמפיריות לרעיון זה, בין היתר על ידי יצירת [מבחן טיורינג](https://www.bbc.com/news/technology-18475646), אותו תחקור בשיעורי עיבוד השפה הטבעית שלנו. +אלן טיורינג, אדם יוצא דופן באמת שנבחר [על ידי הציבור ב-2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) כמדען הגדול ביותר במאה ה-20, מיוחס לו שתרם להנחת היסוד למושג 'מכונה שיכולה לחשוב'. הוא התמודד עם ספקנים ועם הצורך שלו להוכחות אמפיריות למושג זה, בין היתר באמצעות יצירת [מבחן טיורינג](https://www.bbc.com/news/technology-18475646), אותו תחקור בשיעורי עיבוד שפה טבעית שלנו. --- -## 1956: פרויקט המחקר הקיץ בדארטמות' +## 1956: פרויקט מחקר הקיץ בדארטמות' -"פרויקט המחקר הקיץ בדארטמות' על בינה מלאכותית היה אירוע מכונן עבור תחום הבינה המלאכותית," ובו נטבע המונח 'בינה מלאכותית' ([מקור](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). +"פרויקט מחקר הקיץ בדארטמות' על אינטליגנציה מלאכותית היה אירוע מכונן עבור התחום," וכאן נוצר המונח 'אינטליגנציה מלאכותית' ([מקור](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). -> כל היבט של למידה או כל תכונה אחרת של אינטליגנציה ניתן לתיאור מדויק מספיק כך שניתן יהיה ליצור מכונה שתדמה אותו. +> כל היבט של למידה או כל תכונה אחרת של אינטליגנציה יכול, מבחינה עקרונית, להיות מתואר כל כך מדויק כך שניתן יהיה ליצור מכונה המדמה זאת. --- -החוקר הראשי, פרופסור למתמטיקה ג'ון מקארתי, קיווה "להתקדם על בסיס ההשערה שכל היבט של למידה או כל תכונה אחרת של אינטליגנציה ניתן לתיאור מדויק מספיק כך שניתן יהיה ליצור מכונה שתדמה אותו." בין המשתתפים היה גם מרווין מינסקי, דמות בולטת בתחום. +החוקר הראשי, פרופסור למתמטיקה ג'ון מקארתי, קיווה "להתקדם על בסיס ההשערה שכל היבט של למידה או כל תכונה אחרת של אינטליגנציה ניתן לתיאור מדויק שמאפשר ליצור מכונה המדמה זאת." בין המשתתפים היה גם דמות מוכרת נוספת בתחום, מרווין מינסקי. -הסדנה נחשבת כמי שיזמה ועודדה דיונים רבים, כולל "עליית השיטות הסמליות, מערכות שהתמקדו בתחומים מוגבלים (מערכות מומחה מוקדמות), ומערכות דדוקטיביות מול מערכות אינדוקטיביות." ([מקור](https://wikipedia.org/wiki/Dartmouth_workshop)). +הסדנה מיוחסת ככזו שיזמה ועודדה דיונים רבים כולל "עליית שיטות סימבוליות, מערכות ממוקדות תחומים מוגבלים (מערכות מומחים מוקדמות), ומערכות דדוקטיביות לעומת מערכות אינדוקטיביות." ([מקור](https://wikipedia.org/wiki/Dartmouth_workshop)). --- -## 1956 - 1974: "שנות הזהב" +## 1956 - 1974: "השנים הזהובות" -משנות ה-50 ועד אמצע שנות ה-70, שררה אופטימיות רבה לגבי היכולת של בינה מלאכותית לפתור בעיות רבות. ב-1967, מרווין מינסקי הצהיר בביטחון ש"בתוך דור ... הבעיה של יצירת 'בינה מלאכותית' תיפתר באופן משמעותי." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) +משנות ה-50 ועד אמצע שנות ה-70, האופטימיות הייתה רבה בתקווה ש-AI תפתור בעיות רבות. ב-1967, מרווין מינסקי טען בביטחון ש"בתוך דור ... הבעייה של יצירת 'אינטליגנציה מלאכותית' תיפתר במידה רבה." (מינסקי, מרווין (1967), חישוב: מכונות סופיות ואינסופיות, אנגלווד קליפס, ניו ג'רזי: פרנטיס-הול) -מחקר עיבוד שפה טבעית פרח, חיפוש שוכלל והפך לעוצמתי יותר, ונוצר הרעיון של 'עולמות מיקרו', שבהם משימות פשוטות הושלמו באמצעות הוראות בשפה פשוטה. +מחקר בעיבוד שפה טבעית שגשג, החיפוש שוכלל והועצם, ונוצר מושג ה'מיקרו-עולמות', שבו משימות פשוטות התבצעו באמצעות הוראות בשפה פשוטה. --- -המחקר מומן היטב על ידי סוכנויות ממשלתיות, התקדמות נעשתה בחישוב ובאלגוריתמים, ונבנו אב-טיפוס של מכונות חכמות. כמה מהמכונות הללו כוללות: +המחקר מומן היטב על ידי סוכנויות ממשלתיות, נעשו התקדמויות בחישוב ואלגוריתמים, ונבנו אב-טיפוסים של מכונות חכמות. כמה מהמכונות הללו כוללות: -* [שייקי הרובוט](https://wikipedia.org/wiki/Shakey_the_robot), שיכול היה לתמרן ולהחליט כיצד לבצע משימות בצורה 'חכמה'. +* [שייקי הרובוט](https://wikipedia.org/wiki/Shakey_the_robot), שיכול לנווט ולקבל החלטות כיצד לבצע משימות 'בחוכמה'. - ![שייקי, רובוט חכם](../../../../1-Introduction/2-history-of-ML/images/shakey.jpg) - > שייקי ב-1972 + ![שייקי, רובוט חכם](../../../../translated_images/he/shakey.4dc17819c447c05b.webp) + > שייקי בשנת 1972 --- -* אלייזה, 'צ'טרבוט' מוקדם, יכלה לשוחח עם אנשים ולשמש כ'מטפלת' פרימיטיבית. תלמדו עוד על אלייזה בשיעורי עיבוד השפה הטבעית. +* אליזה, 'צ'טבוט' מוקדם, יכלה לשוחח עם אנשים ולפעול כ'פסיכולוג' פרימיטיבי. תלמדו עוד על אליזה בשיעורי עיבוד שפה טבעית. - ![אלייזה, בוט](../../../../1-Introduction/2-history-of-ML/images/eliza.png) - > גרסה של אלייזה, צ'טבוט + ![אליזה, בוט](../../../../translated_images/he/eliza.84397454cda9559b.webp) + > גרסה של אליזה, צ'טבוט --- -* "עולם הקוביות" היה דוגמה לעולם מיקרו שבו ניתן היה לערום ולמיין קוביות, ונערכו ניסויים בלימוד מכונות לקבל החלטות. התקדמות שנעשתה עם ספריות כמו [SHRDLU](https://wikipedia.org/wiki/SHRDLU) סייעה לקדם את עיבוד השפה. +* "עולם הבניינים" היה דוגמה למיקרו-עולם שבו ניתן היה להניח ולמיין בניינים, ונערכו ניסויים ללמד מכונות לקבל החלטות. התקדמות שנבנתה עם ספריות כגון [SHRDLU](https://wikipedia.org/wiki/SHRDLU) סייעה לקידום עיבוד השפה. - [![עולם הקוביות עם SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "עולם הקוביות עם SHRDLU") + [![עולם הבניינים עם SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "עולם הבניינים עם SHRDLU") - > 🎥 לחצו על התמונה למעלה לצפייה בסרטון: עולם הקוביות עם SHRDLU + > 🎥 לחצו על התמונה למעלה לסרטון: עולם הבניינים עם SHRDLU --- -## 1974 - 1980: "חורף הבינה המלאכותית" +## 1974 - 1980: "חורף ה-AI" -עד אמצע שנות ה-70, התברר כי המורכבות של יצירת 'מכונות חכמות' הוערכה בחסר וכי ההבטחה שלה, בהתחשב בכוח החישוב הזמין, הוערכה יתר על המידה. המימון התייבש והאמון בתחום פחת. כמה בעיות שהשפיעו על האמון כוללות: +עד אמצע שנות ה-70 התברר שהמורכבות שביצירת 'מכונות חכמות' הייתה מוערכת פחות מדי, וההבטחה, בהתחשב בכוח המיחשוב הזמין, הייתה מופרזת. המימון התקצר והביטחון בתחום פחת. כמה מהנושאים שפגעו בביטחון כללו: --- -- **מגבלות**. כוח החישוב היה מוגבל מדי. -- **התפוצצות קומבינטורית**. כמות הפרמטרים שצריך לאמן גדלה באופן מעריכי ככל שנדרשו יותר מהמחשבים, ללא התפתחות מקבילה של כוח חישוב ויכולת. -- **מחסור בנתונים**. היה מחסור בנתונים שהקשה על תהליך הבדיקה, הפיתוח והעידון של אלגוריתמים. -- **האם אנו שואלים את השאלות הנכונות?**. עצם השאלות שנשאלו החלו להישאל מחדש. חוקרים החלו להתמודד עם ביקורת על הגישות שלהם: - - מבחני טיורינג הועמדו בסימן שאלה, בין היתר, על ידי תיאוריית "החדר הסיני" שטענה כי "תכנות מחשב דיגיטלי עשוי לגרום לו להיראות כאילו הוא מבין שפה אך לא יכול לייצר הבנה אמיתית." ([מקור](https://plato.stanford.edu/entries/chinese-room/)) - - האתיקה של הכנסת אינטליגנציות מלאכותיות כמו "המטפלת" אלייזה לחברה הועמדה בסימן שאלה. +- **מגבלות**. כוח המיחשוב היה מוגבל מדי. +- **התפוצצות קומבינטורית**. כמות הפרמטרים שצריך לאמן גדלה באופן אקספוננציאלי ככל שדרש יותר מהמחשבים, ללא התפתחות מקבילה בכוח וביכולת המיחשוב. +- **מחסור בנתונים**. היה מחסור בנתונים שהקשה על תהליך הבדיקה, הפיתוח והדיוק של האלגוריתמים. +- **האם אנחנו שואלים את השאלות הנכונות?**. השאלות שנשאלו החלו להיטען ולבקר. החוקרים נפגשו בביקורת על הגישות שלהם: + - מבחני טיורינג הובאו לשאלה באמצעות, בין היתר, 'תאוריית החדר הסיני' שהציעה ש"תכנות מחשב דיגיטלי עשוי להראות כאילו הוא מבין שפה אך לא יכול לייצר הבנה אמיתית." ([מקור](https://plato.stanford.edu/entries/chinese-room/)) + - האתיקה של הכנסת אינטליגנציות מלאכותיות כמו "הפסיכולוג" ELIZA לחברה הובלה לביקורת. --- -במקביל, החלו להיווצר אסכולות שונות בתחום הבינה המלאכותית. נוצרה דיכוטומיה בין ["בינה מלאכותית 'מבולגנת' לעומת 'מסודרת'"](https://wikipedia.org/wiki/Neats_and_scruffies). מעבדות 'מבולגנות' שיפצו תוכניות במשך שעות עד שהשיגו את התוצאות הרצויות. מעבדות 'מסודרות' "התמקדו בלוגיקה ובפתרון בעיות פורמלי". אלייזה ו-SHRDLU היו מערכות 'מבולגנות' ידועות. בשנות ה-80, עם הדרישה להפיק מערכות למידת מכונה שניתן לשחזר, הגישה ה'מסודרת' תפסה בהדרגה את הבכורה שכן תוצאותיה ניתנות להסבר טוב יותר. +באותו זמן החלו להיווצר זרמים שונים בתחום ה-AI. הוקם דיכוטומיה בין פרקטיקות ["מסודרות" לעומת "פרועות"](https://wikipedia.org/wiki/Neats_and_scruffies). מעבדות _פרועות_ שינו תוכניות שעות רבות עד שהגיעו לתוצאות הרצויות. מעבדות _מסודרות_ "מוקדות בלוגיקה ובפתרון פורמלי של בעיות". ELIZA ו-SHRDLU היו מערכות _פרועות_ ידועות. בשנות ה-80, כשהתעורר הביקוש להפוך מערכות ML לשחזריות, הגישה _המסודרת_ בהדרגה תפסה מקום מרכזי בגלל שניתן להסביר את תוצאותיה טוב יותר. --- -## שנות ה-80: מערכות מומחה +## מערכות מומחים בשנות ה-80 -ככל שהתחום גדל, היתרון שלו לעסקים הפך ברור יותר, ובשנות ה-80 כך גם התפשטותן של 'מערכות מומחה'. "מערכות מומחה היו בין הצורות הראשונות של תוכנות בינה מלאכותית (AI) שהצליחו באמת." ([מקור](https://wikipedia.org/wiki/Expert_system)). +ככל שהתחום גדל, היתרון העסקי שלו הפך ברור, ובשנות ה-80 צץ השימוש במערכות 'מומחים'. "מערכות מומחים היו בין הצורות הראשונות של תוכנות AI שהצליחו באמת." ([מקור](https://wikipedia.org/wiki/Expert_system)). -סוג זה של מערכת הוא למעשה _היברידי_, המורכב בחלקו ממנוע חוקים שמגדיר דרישות עסקיות, ובחלקו ממנוע הסקה שמנצל את מערכת החוקים כדי להסיק עובדות חדשות. +סוג זה של מערכת הוא למעשה _היברידי_, הכולל חלקית מנוע חוקים שמגדיר דרישות עסקיות, ומנוע הסקה שניצל את מערכת החוקים לגילוי עובדות חדשות. -התקופה הזו גם ראתה תשומת לב גוברת לרשתות עצביות. +תקופה זו ראתה גם התייחסות מוגברת לרשתות עצביות. --- -## 1987 - 1993: "הקיפאון של הבינה המלאכותית" +## 1987 - 1993: 'הקפאה' ב-AI -התפשטות החומרה המיוחדת של מערכות מומחה גרמה, למרבה הצער, להתמחות יתר. עלייתם של מחשבים אישיים גם התחרתה במערכות גדולות, מיוחדות ומרכזיות אלו. הדמוקרטיזציה של המחשוב החלה, והיא בסופו של דבר סללה את הדרך להתפוצצות המודרנית של נתונים גדולים. +ההתפשטות של חומרת מערכות מומחים מתמחות הייתה לתוצאה לא רצויה של התמקצעות יתר. עליית מחשבים אישיים התחרתה אף היא עם מערכות גדולות, ממוקדות ומרוכזות אלו. הדמוקרטיזציה של המחשוב החלה, ולבסוף סללה את הדרך לפריצת הנתונים הגדולה המודרנית. --- ## 1993 - 2011 -תקופה זו ראתה עידן חדש שבו למידת מכונה ובינה מלאכותית יכלו לפתור חלק מהבעיות שנגרמו קודם לכן בשל מחסור בנתונים ובכוח חישוב. כמות הנתונים החלה לגדול במהירות ולהיות זמינה יותר, לטוב ולרע, במיוחד עם הופעת הסמארטפון סביב 2007. כוח החישוב התרחב באופן מעריכי, והאלגוריתמים התפתחו במקביל. התחום החל להתבגר כאשר הימים החופשיים של העבר החלו להתגבש לכדי דיסציפלינה אמיתית. +תקופה זו סימנה עידן חדש ל-ML ו-AI כדי לפתור בעיות שנגרמו קודם למחסור בנתונים ובכוח מחשוב. כמות הנתונים התחילה לגדול במהירות ולהיות זמינה יותר, לטוב ולרע, במיוחד עם הופעת המכשיר הסלולרי סביב 2007. כוח המיחשוב התרחב באופן אקספוננציאלי, והאלגוריתמים התפתחו במקביל. התחום החל להתבגר כשהימים הפראיים של העבר החלו להתגבשות לדיסציפלינה אמיתית. --- ## היום -כיום למידת מכונה ובינה מלאכותית נוגעות כמעט בכל חלק בחיינו. תקופה זו דורשת הבנה זהירה של הסיכונים וההשפעות הפוטנציאליות של אלגוריתמים אלו על חיי אדם. כפי שבראד סמית' ממיקרוסופט אמר, "טכנולוגיית המידע מעלה סוגיות שנוגעות ללב ההגנות הבסיסיות של זכויות האדם כמו פרטיות וחופש הביטוי. סוגיות אלו מגבירות את האחריות של חברות טכנולוגיה שיוצרות את המוצרים הללו. לדעתנו, הן גם דורשות רגולציה ממשלתית מחושבת ופיתוח נורמות סביב שימושים מקובלים" ([מקור](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). +כיום למידת מכונה ו-AI נוגעות כמעט בכל תחומי חיינו. עידן זה דורש הבנה זהירה של הסיכונים וההשפעות הפוטנציאליות של אלגוריתמים אלו על חיי אדם. כפי שבראד סמית' ממיקרוסופט ציין, "טכנולוגיית המידע מעלה סוגיות שנוגעות ללב ההגנות על זכויות אדם יסודיות כמו פרטיות וחופש הביטוי. סוגיות אלה מחדדות את האחריות של חברות טכנולוגיה היוצרות מוצרים אלו. בעינינו, הן גם דורשות רגולציה ממשלתית מושכלת ופיתוח נורמות סביב שימושים מקובלים" ([מקור](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). --- -נותר לראות מה צופן העתיד, אך חשוב להבין את מערכות המחשוב הללו ואת התוכנה והאלגוריתמים שהם מפעילים. אנו מקווים שתוכנית הלימודים הזו תסייע לכם להבין טוב יותר כך שתוכלו להחליט בעצמכם. +נשאר לראות מה העתיד צופן, אך חשוב להבין את מערכות המחשב האלה ואת התוכנה והאלגוריתמים שמפעילים אותם. אנו מקווים שסילבוס זה יעזור לכם לרכוש הבנה טובה יותר כדי שתוכלו להחליט בעצמכם. [![ההיסטוריה של למידה עמוקה](https://img.youtube.com/vi/mTtDfKgLm54/0.jpg)](https://www.youtube.com/watch?v=mTtDfKgLm54 "ההיסטוריה של למידה עמוקה") -> 🎥 לחצו על התמונה למעלה לצפייה בסרטון: יאן לקון מדבר על ההיסטוריה של למידה עמוקה בהרצאה זו +> 🎥 לחצו על התמונה למעלה לסרטון: יאן לקון מדבר על ההיסטוריה של למידה עמוקה בהרצאה זו --- ## 🚀אתגר -התעמקו באחד מהרגעים ההיסטוריים הללו ולמדו עוד על האנשים שמאחוריהם. ישנם דמויות מרתקות, ואף גילוי מדעי מעולם לא נוצר בוואקום תרבותי. מה תגלו? +התחפרו ברגע היסטורי אחד ולמדו עוד על האנשים שמאחוריו. יש דמויות מרתקות, ולא נוצרה תגלית מדעית באוויר תרבותי נקי. מה גיליתם? -## [שאלון לאחר השיעור](https://ff-quizzes.netlify.app/en/ml/) +## [מבחן פוסט-הרצאה](https://ff-quizzes.netlify.app/en/ml/) --- -## סקירה ולימוד עצמי +## סקירה ולמידה עצמית הנה פריטים לצפייה והאזנה: -[פודקאסט זה שבו איימי בויד דנה בהתפתחות הבינה המלאכותית](http://runasradio.com/Shows/Show/739) +[פודקאסט שבו Amy Boyd דנה בהתפתחות AI](http://runasradio.com/Shows/Show/739) -[![ההיסטוריה של בינה מלאכותית מאת איימי בויד](https://img.youtube.com/vi/EJt3_bFYKss/0.jpg)](https://www.youtube.com/watch?v=EJt3_bFYKss "ההיסטוריה של בינה מלאכותית מאת איימי בויד") +[![ההיסטוריה של AI מאת Amy Boyd](https://img.youtube.com/vi/EJt3_bFYKss/0.jpg)](https://www.youtube.com/watch?v=EJt3_bFYKss "ההיסטוריה של AI מאת Amy Boyd") --- -## משימה +## מטלה [צרו ציר זמן](assignment.md) --- -**כתב ויתור**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file + +**כתב ויתור**: +מסמך זה תורגם באמצעות שירות תרגום אוטומטי [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה. + \ No newline at end of file diff --git a/translations/he/1-Introduction/3-fairness/README.md b/translations/he/1-Introduction/3-fairness/README.md index 760291801..0bf48bc4f 100644 --- a/translations/he/1-Introduction/3-fairness/README.md +++ b/translations/he/1-Introduction/3-fairness/README.md @@ -1,46 +1,46 @@ # בניית פתרונות למידת מכונה עם בינה מלאכותית אחראית -![סיכום של בינה מלאכותית אחראית בלמידת מכונה בשרטוט](../../../../translated_images/he/ml-fairness.ef296ebec6afc98a.webp) -> שרטוט מאת [Tomomi Imura](https://www.twitter.com/girlie_mac) +![סיכום על בינה מלאכותית אחראית בלמידת מכונה בסקצ'נוט](../../../../translated_images/he/ml-fairness.ef296ebec6afc98a.webp) +> סקצ'נוט מאת [טומומי אימורה](https://www.twitter.com/girlie_mac) ## [חידון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/) ## מבוא -בתכנית לימודים זו, תתחילו לגלות כיצד למידת מכונה משפיעה וכבר משפיעה על חיי היומיום שלנו. כבר כיום, מערכות ודגמים מעורבים במשימות קבלת החלטות יומיומיות, כמו אבחנות בריאותיות, אישורי הלוואות או גילוי הונאה. לכן, חשוב שהדגמים הללו יעבדו היטב ויספקו תוצאות שניתן לסמוך עליהן. כמו כל יישום תוכנה, מערכות AI עלולות לא לעמוד בציפיות או להביא לתוצאות בלתי רצויות. לכן חיוני להיות מסוגל להבין ולהסביר את התנהגות מודל AI. +בתוכנית הלימודים הזו, תתחילו לגלות כיצד למידת מכונה יכולה ומשפיעה על חיינו היומיומיים. כבר עכשיו, מערכות ודגמים מעורבים במשימות קבלת החלטות יומיומיות, כגון אבחנות רפואיות, אישורי הלוואות או גילוי הונאות. לכן, חשוב שהדגמים הללו יעבדו היטב ויספקו תוצאות שניתן לסמוך עליהן. ממש כמו בכל אפליקציית תוכנה, מערכות בינה מלאכותית עלולות לא לעמוד בציפיות או להביא לתוצאה לא רצויה. לכן, חיוני להבין ולהסביר את התנהגות מודל הבינה המלאכותית. -דמיינו מה עלול לקרות כאשר הנתונים בהם אתם משתמשים לבניית דגמים אלו חסרים קבוצות דמוגרפיות מסוימות, כגון גזע, מין, השקפה פוליטית, דת, או מייצגים באופן לא פרופורציונלי את אותן קבוצות. מה קורה כאשר התוצאה של המודל מפורשת לטובת דמוגרפיה מסוימת? מה תהיה ההשלכה לאפליקציה? בנוסף, מה קורה כאשר למודל יש תוצאה שלילית ופוגע באנשים? מי אחראי להתנהגות מערכת ה-AI? אלה הן כמה מהשאלות שנחקור בתכנית לימודים זו. +דמיינו מה יכול להתרחש כאשר הנתונים שבהם אתם משתמשים לבניית דגמים אלה חסרים קבוצות דמוגרפיות מסוימות, כגון גזע, מגדר, השקפה פוליטית, דת, או מייצגים בצורה לא פרופורציונלית את הקבוצות הללו. מה קורה כאשר פלט המודל מתפרש לטובת דמוגרפיה מסוימת? מהי ההשפעה על היישום? בנוסף, מה קורה כשהמודל מביא לתוצאה מזיקה הפוגעת באנשים? מי אחראי להתנהגות מערכת הבינה המלאכותית? שאלות אלו ועוד נחקרות בתוכנית זו. בשיעור זה תלמדו: -- להעלות את המודעות לחשיבות ההוגנות בלמידת מכונה ולנזקים הקשורים להוגנות. -- להכיר את הנוהג לחקור חריגים ותסריטים יוצאי דופן כדי להבטיח אמינות ובטיחות. -- להבין את הצורך להעצים את כולם על ידי עיצוב מערכות מכילות. -- לחקור כמה חשוב להגן על פרטיות ואבטחת נתונים ואנשים. -- לראות את חשיבות הגישה של "קופסת זכוכית" כדי להסביר את התנהגות דגמי ה-AI. -- להיות מודעים לאופן בו האחריות חיונית לבניית אמון במערכות AI. +- להעלות את המודעות לחשיבות הצדק בלמידת מכונה ולהנזקים הקשורים לאי-צדק. +- להכיר את תהליך בחינת חריגים ותסריטים יוצאי דופן כדי להבטיח אמינות ובטיחות +- להבין את הצורך להעצים את כולם על ידי עיצוב מערכות כוללות +- לחקור עד כמה חשוב להגן על פרטיות וביטחון נתונים ואנשים +- לראות את חשיבות הגישה השקופה להסברת התנהגות מודלים של בינה מלאכותית +- להיות ערים לכך שחשבון-נפש הוא חיוני לבניית אמון במערכות בינה מלאכותית ## דרישות מוקדמות -כדרישה מוקדמת, אנא עברו את מסלול הלמידה "עקרונות בינה מלאכותית אחראית" וצפו בסרטון למטה בנושא: +כמקדמה, יש לעבור את מסלול הלמידה "עקרונות בינה מלאכותית אחראית" ולצפות בסרטון למטה בנושא: -למדו עוד על בינה מלאכותית אחראית במעקב אחר מסלול זה [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) +למדו עוד על בינה מלאכותית אחראית באמצעות [מסלול למידה](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) [![הגישה של מיקרוסופט לבינה מלאכותית אחראית](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "הגישה של מיקרוסופט לבינה מלאכותית אחראית") -> 🎥 לחצו על התמונה למעלה לסרטון: הגישה של מיקרוסופט לבינה מלאכותית אחראית +> 🎥 לחצו על התמונה למעלה לצפייה בסרטון: הגישה של מיקרוסופט לבינה מלאכותית אחראית -## הוגנות +## צדק -מערכות AI צריכות להתייחס לכולם בהוגנות ולהימנע מהשפעה שונה על קבוצות אנשים דומות. לדוגמה, כאשר מערכות AI מספקות הנחיות לטיפול רפואי, בקשות להלוואות או תעסוקה, הן צריכות לתת את אותן ההמלצות לכל מי שיש לו תסמינים דומים, מצב כלכלי דומה או הכשרה מקצועית דומה. כל אחד מאיתנו כנשא הטיות מונחות שמורשות המשפיעות על החלטותינו ופעולותינו. הטיות אלו יכולות להיות ברורות בנתונים שבהם אנו משתמשים לאימון מערכות AI. מניפולציה כזו יכולה להתרחש לפעמים בטעות. לעיתים קרובות קשה במודע לדעת מתי אתם מכניסים הטיה לנתונים. +מערכות בינה מלאכותית צריכות לטפל בכולם בהגינות ולהימנע משפעת בדרכים שונות על קבוצות דומות של אנשים. לדוגמה, במערכות בינה מלאכותית שמנחות טיפולים רפואיים, בקשות להלוואות או משרות, יש להמליץ באותו אופן לכולם עם תסמינים, נסיבות כלכליות או כישורים מקצועיים דומים. כל אחד מאיתנו נושא הדעות הקדומות שהורשתה שיכולה להשפיע על החלטותינו ופעולותינו. דעות אלו עשויות להופיע בנתונים שבהם אנו משתמשים לאימון מערכות בינה מלאכותית. לפעמים מתקיימת מניפולציה כזו ללא כוונה. פעמים רבות קשה לדעת במודע מתי מכניסים הטיה לנתונים. -**“אי-הוגנות”** כוללת השפעות שליליות, או "נזקים", עבור קבוצת אנשים, כגון אלה המוגדרים במונחים של גזע, מין, גיל או מצב נכות. הנזקים העיקריים הקשורים להוגנות יכולים להתחלק כך: +**"אי-הגינות"** כוללת השפעות שליליות, או "נזקים", לקבוצת אנשים, כמו אלה המוגדרים לפי גזע, מגדר, גיל או מצב נכות. הנזקים העיקריים הקשורים לצדק מיוצגים ב: -- **הקצאה**, אם מגדר או אתניות לדוגמה מועדפים על אחרים. -- **איכות השירות**. אם מאמנים את הנתונים לתרחיש ספציפי אך המציאות מורכבת יותר, זה מוביל לשירות ביצועי ירוד. לדוגמה, מתDisp מוזל יד לא הצליח לזהות אנשים עם עור כהה. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) -- **השמצה**. לבקר ולהתייג משהו או מישהו בצורה בלתי הוגנת. לדוגמה, טכנולוגיית סימון תמונות תויגה לשמצה כאשר סימנה בטעות תמונות של אנשים עם עור כהה ככלבים. -- **ייצוג מופרז או חסר**. הרעיון הוא שקבוצה מסוימת לא נראית במקצוע מסוים, וכל שירות או פונקציה שמקדם זאת תורם לנזק. -- **סטריאוטיפים**. לקשר קבוצה מסוימת עם תכונות מוקצות מראש. לדוגמה, מערכת תרגום שפות בין אנגלית לטורקית עלולה להכיל אי דיוקים בגלל מילים של סטריאוטיפים מגדריים. +- **הקצאה**, אם למשל מגדר או אתניות מועדפים על אחרים. +- **איכות השירות**. אם מאמנים עם נתונים לתסריט מסוים אבל המציאות מורכבת הרבה יותר, התוצאה היא שירות גרוע. למשל, מתקן סבון ידיים שלא הצליח לזהות אנשים עם עור כהה. [מקור](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) +- **התעמרות**. ביקורת ותיוג לא הוגנים של מישהו או משהו. לדוגמה, טכנולוגיית תיוג תמונות שייכת התמימה תייגה אנשים עם עור כהה כגורילות. +- **ייצוג יתר או חסר**. הרעיון שקבוצה מסוימת חסרה במקצוע מסוים, וכל שירות או פונקציה שמחזיקים על כך מגבירים נזק. +- **סטריאוטיפים**. שיוך קבוצה לתכונות מוקדמות שהוקצו לה. לדוגמה, מערכת תרגום בין אנגלית לטורקית עלולה לכלול שגיאות בגלל מילים עם קשרים סטריאוטיפיים למגדר. ![תרגום לטורקית](../../../../translated_images/he/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > תרגום לטורקית @@ -48,116 +48,115 @@ ![תרגום חזרה לאנגלית](../../../../translated_images/he/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) > תרגום חזרה לאנגלית -בעת עיצוב ובדיקת מערכות AI, עלינו לוודא שה-AI הוגן ואינו מתוכנת לקבל החלטות מוטות או מפלות, שהאדם גם אסור לו לקבל. הבטחת הוגנות ב-AI ולמידת מכונה נשארת אתגר טכנו-חברתי מורכב. +בעיצוב ובבדיקת מערכות בינה מלאכותית, אנו צריכים לוודא שהמערכת הוגנת ואינה מתוכנתת לקבל החלטות מוטות או מפלות, כפי שגם לאדם אסור לעשות זאת. הבטחת צדק בבינה מלאכותית ולמידת מכונה נשארת אתגר סוציו-טכני מורכב. ### אמינות ובטיחות -כדי לבנות אמון, מערכות AI צריכות להיות אמינות, בטוחות ועקביות בתנאים נורמליים ובלתי צפויים. חשוב לדעת כיצד מערכות AI יתנהגו במגוון מצבים, במיוחד כאשר הם חריגים. כאשר בונים פתרונות AI, יש צורך להקדיש דגש משמעותי כיצד להתמודד עם מגוון רחב של נסיבות שהפתרונות AI ייתקלו בהן. לדוגמה, רכב אוטונומי חייב לשים את בטיחות האנשים בראש סדר העדיפויות. כתוצאה מכך, ה-AI שמפעיל את הרכב צריך לקחת בחשבון את כל התסריטים האפשריים בהם הרכב עלול להיתקל, כגון לילה, סופות רעמים או סופות שלגים, ילדים שרצים מעבר לכביש, חיות מחמד, עבודות בכביש וכו'. כמה טוב מערכת AI מסוגלת להתמודד עם מגוון רחב של תנאים באופן אמין ובטוח משקף את רמת הצפייה שהמדען או המפתח של ה-AI שקל במהלך העיצוב או בדיקת המערכת. +לבניית אמון, על מערכות הבינה המלאכותית להיות אמינות, בטוחות ועקביות בתנאים רגילים ובלתי צפויים. חשוב לדעת כיצד מערכות הבינה המלאכותית יתנהגו במגוון מצבים, במיוחד בחריגים. בבניית פתרונות בינה מלאכותית יש להתמקד רבות בהתמודדות עם מגוון רחב של נסיבות שהמערכות עשויות להיתקל בהן. למשל, רכב אוטונומי צריך להעמיד את ביטחון האנשים בראש סדר העדיפויות. לכן, הבינה המלאכותית שמפעילה את הרכב חייבת לשקול את כל התרחישים האפשריים, כגון לילה, סופות רעמים או שלגים, ילדים שחוצים את הכביש, חיות מחמד, עבודות דרכים וכו'. יכולתה של מערכת בינה מלאכותית להתמודד בצורה אמינה ובטוחה עם מגוון תנאים רחב משקפת את רמת הצפייה המוקדמת שהמדען או מפתח הבינה המלאכותית לקחו בחשבון בתכנון או בבדיקה של המערכת. -> [🎥 לחצו כאן לסרטון: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl) +> [🎥 לחצו כאן לסרטון: אמינות ובטיחות בבינה מלאכותית](https://www.microsoft.com/videoplayer/embed/RE4vvIl) -### שיתופיות +### הכללה -מערכות AI צריכות להיות מעוצבות כדי לכלול ולהעצים את כולם. בעת עיצוב ויישום מערכות AI, מדעני נתונים ומפתחי AI מזהים ומתמודדים עם מחסומים פוטנציאליים במערכת שיכולים בטעות להוציא אנשים מחוץ. לדוגמה, ישנם מיליארד אנשים עם מוגבלויות ברחבי העולם. עם התקדמות ה-AI, הם יכולים לגשת למגוון רחב של מידע והזדמנויות בקלות רבה יותר בחיי היומיום שלהם. על ידי התמודדות עם המחסומים, נוצרות הזדמנויות לחדש ולפתח מוצרי AI עם חוויות טובות יותר שמועילות לכולם. +מערכות בינה מלאכותית צריכות להיות מעוצבות לעניין ולהעצים את כולם. בעת עיצוב ויישום מערכות, מדעני נתונים ומפתחי בינה מלאכותית מזהים ומתמודדים עם מחסומים במערכת שעשויים ללא כוונה להחריג אנשים. לדוגמה, יש כמיליארד אנשים עם מוגבלויות בעולם. עם התקדמות הבינה המלאכותית, הם יכולים לגשת למגוון רחב של מידע והזדמנויות בצורה נוחה יותר בחיי היומיום. כתוצאה מהתמודדות עם מחסומים נוצרות הזדמנויות לחדש ולפתח מוצרי בינה מלאכותית עם חוויות טובות יותר המועילות לכולם. -> [🎥 לחצו כאן לסרטון: שיתופיות ב-AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) +> [🎥 לחצו כאן לסרטון: הכללה בבינה מלאכותית](https://www.microsoft.com/videoplayer/embed/RE4vl9v) -### אבטחה ופרטיות +### ביטחון ופרטיות -מערכות AI צריכות להיות בטוחות ולכבד את פרטיות האנשים. אנשים סומכים פחות על מערכות שמסכנות את פרטיותם, מידעם או חייהם. כאשר מאמנים מודלים של למידת מכונה, אנו מסתמכים על נתונים כדי להפיק את התוצאות הטובות ביותר. בכך, יש לשקול את המקור והיושרה של הנתונים. לדוגמה, האם הנתונים הוגשו על ידי המשתמש או זמינים לציבור? לאחר מכן, בעת עבודה עם הנתונים, חיוני לפתח מערכות AI שיכולות להגן על מידע סודי ולהתנגד להתקפות. ככל שה-AI נעשה נפוץ יותר, ההגנה על הפרטיות ואבטחת מידע אישי ועסקי נעשות קריטיות ומורכבות יותר. סוגיות פריבטיות ואבטחת נתונים דורשות תשומת לב מיוחדת ב-AI כיוון שגישה לנתונים חיונית למערכות AI לעשות תחזיות והחלטות מדויקות ומושכלות על אנשים. +מערכות בינה מלאכותית צריכות להיות בטוחות ולכבד את פרטיות האנשים. אנשים סומכים פחות על מערכות שמסכנות את פרטיותם, מידעם או חייהם. כאשר מאמנים מודלי למידת מכונה, אנו מסתמכים על נתונים לתוצאות הטובות ביותר. ולכן יש להביא בחשבון את מקור הנתונים ושלמותם. לדוגמה, האם הנתונים הוגשו על ידי משתמש או היו נגישים לציבור? בנוסף, בעת עבודה עם הנתונים, חשוב לפתח מערכות שיכולות להגן על מידע סודי ולהתנגד להתקפות. ככל שהבינה המלאכותית הופכת נפוצה יותר, ההגנה על פרטיות ואבטחת מידע אישי ועסקי חשובים והופכים למורכבים יותר. סוגיות פרטיות ואבטחת נתונים דורשות תשומת לב מיוחדת בבינה מלאכותית משום שהגישה לנתונים היא חיונית כדי שמערכות הבינה תוכלנה לבצע תחזיות והחלטות מדויקים ומושכלים על אנשים. -> [🎥 לחצו כאן לסרטון: אבטחה ב-AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 לחצו כאן לסרטון: אבטחה בבינה מלאכותית](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- בתעשייה שלנו נעשו התפתחויות משמעותיות בפרטיות ואבטחה, שניזונו במידה רבה מה-GDPR (תקנת הגנת המידע הכללית). -- אך עם מערכות AI עלינו להכיר במתח בין הצורך בנתונים אישיים כדי להפוך מערכות ליותר אישיות ויעילות – לבין פרטיות. -- בדומה ללידת המחשבים המחוברים עם האינטרנט, אנו רואים גם עלייה משמעותית במספר סוגיות האבטחה הקשורות ל-AI. -- במקביל, ראינו שימוש ב-AI לשיפור האבטחה. לדוגמה, רוב הסורקים המודרניים נגד וירוסים מונעים היום על ידי אלגוריתמים AI. -- עלינו להבטיח שתהליכי מדעי הנתונים שלנו משולבים בהרמוניה עם השיטות האחרונות של פרטיות ואבטחה. +- בתעשייה עשינו התקדמות משמעותית בפרטיות ואבטחה, בתמיכה רבה מצד רגולציות כמו GDPR (תקנות הגנת מידע כלליות). +- עם מערכות בינה מלאכותית עלינו להכיר במתח בין הצורך בנתונים אישיים רבים יותר להנגשת מערכות אישיות ויעילות – לבין שמירת הפרטיות. +- ממש כמו עם הולדת המחשבים המחוברים לאינטרנט, אנו רואים גם עלייה עצומה במספר בעיות האבטחה הקשורות לבינה מלאכותית. +- במקביל, ראינו כיצד הבינה המלאכותית משפרת את האבטחה. לדוגמה, רוב סורקי האנטי-וירוס המודרניים מונעים כיום על ידי חישובים של בינה מלאכותית. +- עלינו לוודא שתהליכי מדע הנתונים שלנו משתלבים בצורה הרמונית עם שיטות הפרטיות והאבטחה העדכניות ביותר. ### שקיפות -מערכות AI צריכות להיות מובנות. חלק חשוב בשקיפות הוא הסבר התנהגות מערכות ה-AI והרכיבים שלהן. שיפור ההבנה של מערכות AI דורש מהמעורבים להבין כיצד ומדוע הן פועלות, כדי שיוכלו לזהות בעיות ביצועים פוטנציאליות, חששות בטיחות ופרטיות, הטיות, פרקטיקות הכללה לא ראויות או תוצאות בלתי מכוונות. אנו גם מאמינים כי אלה שמשתמשים במערכות AI צריכים להיות כנים וגלויים לגבי מתי, מדוע ואיך הם בוחרים ליישמן. כמו גם לגבי מגבלות המערכות שבהן הם משתמשים. לדוגמה, אם בנק משתמש במערכת AI לתמיכה בהחלטות ההלוואה לצרכנים, חשוב לבדוק את התוצאות ולהבין אילו נתונים משפיעים על המלצות המערכת. ממשלות מתחילות להסדיר את ה-AI ברחבי התעשיות, ולכן מדעני נתונים וארגונים חייבים להסביר אם מערכת AI עומדת בדרישות הרגולציה, במיוחד כאשר יש תוצאה לא רצויה. +מערכות בינה מלאכותית צריכות להיות מובנות. חלק חשוב בשקיפות הוא הסברת התנהגות מערכות הבינה המלאכותית והרכיבים שלהן. שיפור ההבנה של מערכות אלו מחייב את בעלי העניין להבין כיצד ולמה הן פועלות, כדי שאפשר יהיה לזהות בעיות ביצועים, חששות באבטחה ופרטיות, הטיות, פרקטיקות של הרחקה או תוצאות לא מכוונות. אנו גם סבורים שיש להיות כנים וגלויים לגבי מתי, מדוע וכיצד בוחרים לפרוס את המערכות. וכן לגבי המגבלות של המערכות בהן משתמשים. לדוגמה, אם בנק משתמש במערכת בינה מלאכותית לתמיכה בקבלת החלטות בהלוואות לצרכנים, חשוב לבדוק את התוצאות ולהבין אילו נתונים משפיעים על המלצות המערכת. ממשלות מתחילות להסדיר את הבינה המלאכותית בתעשיות שונות, לכן מדעני הנתונים וארגונים חייבים להסביר אם מערכת הבינה המלאכותית עומדת בדרישות הרגולטוריות, במיוחד כאשר יש תוצאה לא רצויה. -> [🎥 לחצו כאן לסרטון: שקיפות ב-AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 לחצו כאן לסרטון: שקיפות בבינה מלאכותית](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- משום שמערכות AI מורכבות כל כך, קשה להבין כיצד הן פועלות ולפרש את התוצאות. -- חוסר הבנה זה משפיע על האופן שבו מערכות אלו מנוהלות, מפעילות ומתועדות. -- חוסר ההבנה הזה חשוב אף יותר משפיע על החלטות שמתקבלות תוך שימוש בתוצאות שמערכות אלו מפיקות. +- כי מערכות בינה מלאכותית מורכבות מאוד, קשה להבין כיצד הן פועלות ולפרש את התוצאות. +- היעדר ההבנה הזו משפיע על אופן ניהולן, תפעולן ותיעודן. +- היעדר ההבנה הזו חשוב אף יותר כשמדובר בהחלטות שמתקבלות באמצעות התוצאות שהמערכות מייצרות. -### אחריות +### אחריות -האנשים שמעצבים ומפעילים מערכות AI צריכים להיות אחראים לאופן שבו מערכותיהם פועלות. הצורך באחריות הוא קריטי במיוחד בטכנולוגיות שימוש רגישות כמו זיהוי פנים. לאחרונה, יש דרישה גוברת לטכנולוגיית זיהוי פנים, במיוחד מארגוני אכיפת חוק שרואים את הפוטנציאל בטכנולוגיה לשימושים כמו מציאת ילדים נעדרים. עם זאת, טכנולוגיות אלו עלולות לשמש ממשלות לסכן את חירויות היסוד של אזרחיהם על ידי, למשל, הפעלה מתמדת של מעקב על אנשים מסוימים. לכן, מדעני נתונים וארגונים חייבים להיות אחראים לאופן בו מערכת ה-AI שלהם משפיעה על יחידים או על החברה. +האנשים שמתכננים ומפעילים מערכות בינה מלאכותית חייבים להיות אחראים לכל האופן בו פועלות המערכות שלהם. הצורך באחריות הוא קריטי במיוחד בטכנולוגיות רגישות כמו זיהוי פנים. לאחרונה יש ביקוש גובר לטכנולוגיית זיהוי פנים, בעיקר מצד ארגוני אכיפת חוק שרואים את הפוטנציאל בשימושים כמו מציאת ילדים נעדרים. עם זאת, טכנולוגיות אלה עלולות לשמש ממשלות לסכן את חירויות היסוד של אזרחיהן על ידי, למשל, הפעלת פיקוח רציף על אנשים מסוימים. לכן, מדעני נתונים וארגונים צריכים להיות אחראים על האופן שבו מערכת הבינה המלאכותית שלהם משפיעה על יחידים או על החברה. -[![חוקר בינה מוביל מזהיר מפני מעקב המוני באמצעות זיהוי פנים](../../../../translated_images/he/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "הגישה של מיקרוסופט לבינה מלאכותית אחראית") +[![חוקר AI מוביל מזהיר מפני פיקוח המוני באמצעות זיהוי פנים](../../../../translated_images/he/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "הגישה של מיקרוסופט לבינה מלאכותית אחראית") -> 🎥 לחצו על התמונה למעלה לסרטון: אזהרות ממעקב המוני באמצעות זיהוי פנים +> 🎥 לחצו על התמונה למעלה לסרטון: אזהרות על פיקוח המוני באמצעות זיהוי פנים -בסופו של דבר, אחת מהשאלות הגדולות של דורנו, כדור ראשון שמביא את ה-AI לחברה, היא איך להבטיח שמחשבים יישארו אחראים בפני אנשים ואיך להבטיח שאנשים שמעצבים מחשבים יישארו אחראים בפני כולם. +בסופו של דבר, אחת השאלות הגדולות ביותר עבור דורנו, כדור הראשון שמביא בינה מלאכותית לחברה, היא כיצד להבטיח שהמחשבים יישארו אחראיים לאנשים וכיצד להבטיח שאנשים שמתכננים מחשבים יישארו אחראיים כלפי כולם. ## הערכת השפעה -לפני אימון מודל למידת מכונה, חשוב לבצע הערכת השפעה כדי להבין את מטרת מערכת ה-AI; מה השימוש המיועד; היכן היא תופעל; ומי יתקשר עם המערכת. אלו מידע מועיל לבוחן או לבודק המעריך את המערכת לדעת אילו גורמים לקחת בחשבון בעת זיהוי סיכונים פוטנציאליים ותוצאות צפויות. +לפני אימון מודל למידת מכונה, חשוב לבצע הערכת השפעה כדי להבין את מטרת מערכת הבינה המלאכותית; מה השימוש המיועד; איפה היא תופעל; ומי יתקשר עם המערכת. זה מועיל למבקר(ים) או למבחנים להעריך את המערכת ולדעת אילו גורמים לקחת בחשבון בזיהוי סיכונים אפשריים ותוצאות צפויות. -להלן אזורי מיקוד בעת ביצוע הערכת השפעה: +הנושאים המרכזיים בעת ביצוע הערכת השפעה הם: -* **השפעה שלילית על יחידים**. חשוב להיות מודעים לכל מגבלה או דרישות, שימוש בלתי נתמך או כל הגבלה ידועה שמפריעה לביצועי המערכת כדי להבטיח שהמערכת לא תשמש בדרך שתווצר נזק ליחידים. -* **דרישות נתונים**. הבנת כיצד והיכן המערכת תשתמש בנתונים מאפשרת לבוחנים לחקור את דרישות הנתונים שעליכם לקחת בחשבון (למשל, תקנות GDPR או HIPAA). בנוסף, לבדוק אם מקור או כמות הנתונים מספיקה לאימון. -* **סיכום השפעה**. לאסוף רשימה של נזקים פוטנציאליים שעשויים לעלות משימוש במערכת. במהלך מחזור החיים של למידת המכונה, לבדוק האם בעיות שזוהו מומטות או מטופלות. -* **מטרות ישימות** עבור כל אחד מששת העקרונות המרכזיים. להעריך אם המטרות מכל עקרון מתקיימות והאם יש פערים. +* **השפעה שלילית על יחידים**. להיות מודעים לכל הגבלה או דרישה, שימוש בלתי נתמך או מגבלות ידועות שמגבילות את ביצועי המערכת חיוני כדי לוודא שהמערכת לא תשמש בצורה שיכולה לגרום נזק לפרטים. +* **דרישות הנתונים**. הבנת האופן והמקום בו המערכת תשתמש בנתונים מאפשרת למבקרים לבדוק דרישות נתונים שיש לקחת בחשבון (למשל, תקנות GDPR או HIPAA). בנוסף, חשוב לבחון אם מקור או כמות הנתונים מספקים לאימון. +* **סיכום ההשפעה**. לאסוף רשימת נזקים פוטנציאליים שעשויים להיווצר משימוש במערכת. לאורך מחזור החיים של למידת המכונה, לבדוק אם הבעיות שזוהו מטופלות או מופחתות. +* **יעדים חלים** עבור כל אחד מששת העקרונות המרכזיים. להעריך אם היעדים של כל עיקרון הושגו ואם קיימים פערים. -## איתור תקלות עם בינה מלאכותית אחראית +## איתור תקלות עם בינה מלאכותית אחראית -בדומה לאיתור תקלות בתוכנה, איתור תקלות במערכת AI הוא תהליך נחוץ של זיהוי ופתרון בעיות במערכת. ישנם גורמים רבים שעשויים להשפיע על כך שמודל לא יבצע כמצופה או בצורה אחראית. רוב מדדי הביצועים המסורתיים של מודלים הם ערכים מספריים מרכזיים של ביצועי המודל, שאינם מספקים לנתח כיצד מודל מפר את עקרונות ה-AI האחראית. נוסף על כך, מודל למידת מכונה הוא תיבת שחורה המקשה להבין מה מניע את תוצאתו או לספק הסבר כאשר הוא טועה. בהמשך הקורס, נלמד כיצד להשתמש בלוח הבקרה של בינה מלאכותית אחראית כדי לסייע באיתור תקלות במערכות AI. לוח הבקרה מספק כלי הוליסטי למדעני נתונים ומפתחי AI לבצע: +בדומה לאיתור תקלות באפליקציית תוכנה, איתור תקלות במערכת בינה מלאכותית הוא תהליך הכרחי של זיהוי ופתרון בעיות במערכת. ישנם גורמים רבים שיכולים להשפיע על כך שמודל לא מתפקד כצפוי או באחריות. רוב מדדי הביצועים המסורתיים של מודל הם סיכומים כמותיים של ביצועי המודל, שאינם מספקים לניתוח כיצד מודל פוגע בעקרונות הבינה המלאכותית האחראית. בנוסף, מודל למידת מכונה הוא תיבה שחורה שקשה להבין מה מניע את התוצאה שלו או לתת הסבר כשמתבצעת טעות. בהמשך הקורס נלמד כיצד להשתמש בלוח המחוונים של בינה מלאכותית אחראית כדי לעזור באיתור תקלות. לוח המחוונים מספק כלי כולל למדעני נתונים ומפתחי AI לבצע: -* **ניתוח שגיאות**. כדי לזהות את התפלגות השגיאות של המודל אשר עלולה להשפיע על ההוגנות או האמינות של המערכת. -* **סקירת מודל**. כדי לגלות היכן קיימים פערים בביצועי המודל בקרב קבוצות נתונים. -* **ניתוח נתונים**. כדי להבין את התפלגות הנתונים ולזהות הטיות פוטנציאליות שעלולות להוביל לבעיות של הוגנות, שיתופיות ואמינות. -* **פירושיות המודל**. כדי להבין מה משפיע או משפעל את תחזיות המודל. זה מסייע בהסברת התנהגות המודל, החשובה לשקיפות ואחריות. +* **ניתוח שגיאות**. לזיהוי התפלגות השגיאות במודל שעלולה להשפיע על ההגינות או האמינות של המערכת. +* **סקירת מודל**. לאיתור פערים בביצועי המודל בין קבוצות נתונים שונות. +* **ניתוח נתונים**. להבנת התפלגות הנתונים ולזהוי הטיות אפשריות בנתונים שעלולות לגרום לבעיות בהגינות, הכללה ואמינות. +* **פרשנות המודל**. להבנת מה משפיע או משפעל את תחזיות המודל. זה עוזר להסביר את התנהגות המודל, החשובה לשקיפות ולאחריות. ## 🚀 אתגר -כדי למנוע נזקים כבר בשלב הראשוני, עלינו: +כדי למנוע נזקים מלכתחילה, עלינו: -- שיהיה גיוון רקעי והשקפות בין האנשים שעובדים על המערכות -- להשקיע בסטי נתונים שמשקפים את הגיוון של החברה שלנו -- לפתח שיטות טובות יותר לאורך מחזור חיי למידת המכונה לזיהוי ותיקון בינה מלאכותית אחראית כשהיא מתרחשת +- שיהיה מגוון רקעים ופרספקטיבות בקרב האנשים שעובדים על מערכות +- להשקיע במאגרי נתונים המשקפים את המגוון בחברה שלנו +- לפתח שיטות טובות יותר לאורך מחזור החיים של למידת מכונה לזיהוי ותיקון בינה מלאכותית לא אחראית כאשר היא מתרחשת -חשבו על תסריטים מחיי היום-יום שבהם חוסר אמינות של מודל ניכר בבנייתו ובשימוש בו. מה עוד צריך להתחשב בו? +חשבו על תסריטי חיים אמיתיים בהם חוסר האמינות של מודל נראה בבנייתו ובשימושו. מה עוד יש לקחת בחשבון? -## [חידון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/) +## [חידון אחרי ההרצאה](https://ff-quizzes.netlify.app/en/ml/) ## סקירה ולמידה עצמית - -בשיעור זה, למדתם כמה יסודות של מושגי הוגנות ואי-הוגנות בלמידת מכונה. +בשיעור זה למדתם עיקרי מושגי הצדק והאי-הגינות בלמידת מכונה. -צפו בסדנה זו כדי להעמיק בנושאים: +צפו בסדנא זו להעמקה בנושאים: -- במרדף אחרי בינה מלאכותית אחראית: הבאת עקרונות אל הפרקטיקה מאת בסמירה נושי, מהרנווש סמאקי ואמיט שרמה +- במרדף אחר בינה מלאכותית אחראית: מיישמים עקרונות בפועל, מאת בסמירה נושי, מהרנווש סמאקי ואמיט שארמה -[![ערכת כלים לבינה מלאכותית אחראית: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "ערכת כלים לבינה מלאכותית אחראית: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית") +[![ערכת כלים בינה מלאכותית אחראית: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "ערכת כלים RAI: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית") -> 🎥 לחצו על התמונה למעלה לסרטון: ערכת כלים לבינה מלאכותית אחראית: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית מאת בסמירה נושי, מהרנווש סמאקי, ואמיט שרמה +> 🎥 לחצו על התמונה למעלה עבור וידאו: ערכת כלים RAI: מסגרת קוד פתוח לבניית בינה מלאכותית אחראית מאת בסמירה נושי, מהרנוש סמאקי ואמיט שארמה -בנוסף, קראו: +קראו גם: -- מרכז המשאבים של מיקרוסופט לבינה מלאכותית אחראית: [משאבי בינה מלאכותית אחראית – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) +- מרכז המשאבים RAI של מיקרוסופט: [משאבי בינה מלאכותית אחראית – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) -- קבוצת המחקר FATE של מיקרוסופט: [FATE: הוגנות, אחריות, שקיפות ואתיקה בבינה מלאכותית - מחקר מיקרוסופט](https://www.microsoft.com/research/theme/fate/) +- קבוצת המחקר FATE של מיקרוסופט: [FATE: הגינות, אחריות, שקיפות ואתיקה בבינה מלאכותית - מחקר מיקרוסופט](https://www.microsoft.com/research/theme/fate/) -ערכת כלים לבינה מלאכותית אחראית: +ערכת כלים RAI: -- [מאגר GitHub של ערכת כלים לבינה מלאכותית אחראית](https://github.com/microsoft/responsible-ai-toolbox) +- [מאגר GitHub של ערכת כלים בינה מלאכותית אחראית](https://github.com/microsoft/responsible-ai-toolbox) -קראו על כלי Azure Machine Learning להבטחת הוגנות: +קראו על כלי Azure Machine Learning להבטחת הגינות: - [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) -## מטלה +## משימה -[חקור את ערכת הכלים לבינה מלאכותית אחראית](assignment.md) +[חקור את ערכת כלים RAI](assignment.md) --- diff --git a/translations/he/2-Regression/1-Tools/README.md b/translations/he/2-Regression/1-Tools/README.md index de344abea..c80c1a226 100644 --- a/translations/he/2-Regression/1-Tools/README.md +++ b/translations/he/2-Regression/1-Tools/README.md @@ -1,121 +1,121 @@ -# התחילו עם פייתון ו-Scikit-learn למודלי רגרסיה +# התחילו עם Python ו-Scikit-learn למודלי רגרסיה ![סיכום של רגרסיות בסקצ'נוט](../../../../translated_images/he/ml-regression.4e4f70e3b3ed446e.webp) -> סקטצ'נוט מאת [Tomomi Imura](https://www.twitter.com/girlie_mac) +> סקצ'נוט מאת [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [מבחן טרום-הרצאה](https://ff-quizzes.netlify.app/en/ml/) +## [חידון לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/) -> ### [שיעור זה זמין ב-R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) +> ### [שיעור זה זמין בר!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) -## مقدّمة +## מבוא -בארבעת השיעורים האלה תגלה כיצד לבנות מודלי רגרסיה. נדון במה הם מיועדים בקרוב. אבל לפני שתגשים משהו, ודא שיש לך את הכלים המתאימים להתחלת התהליך! +בארבעת השיעורים האלה תגלה כיצד לבנות מודלי רגרסיה. נדון למי הם מיועדים בקרוב. אבל לפני שתעשה משהו, וודא שיש לך את הכלים הנכונים על מנת להתחיל את התהליך! בשיעור זה תלמד כיצד: - להגדיר את המחשב שלך למשימות למידת מכונה מקומיות. -- לעבוד עם פנקסי Jupyter. +- לעבוד עם מחברות Jupyter. - להשתמש ב-Scikit-learn, כולל התקנה. -- לחקור את הרגרסיה הליניארית באמצעות תרגיל מעשי. +- לחקור רגרסיה ליניארית באמצעות תרגיל מעשי. ## התקנות והגדרות -[![ML למתחילים - התקן את הכלים שלך כדי לבנות מודלי למידת מכונה](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML למתחילים - התקן את הכלים שלך כדי לבנות מודלי למידת מכונה") +[![למידת מכונה למתחילים - התקן את הכלים כדי לבנות מודלי למידת מכונה](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "למידת מכונה למתחילים - התקן את הכלים כדי לבנות מודלי למידת מכונה") -> 🎥 לחץ על התמונה למעלה לסרטון קצר שמראה כיצד להגדיר את המחשב ללמידת מכונה. +> 🎥 לחצו על התמונה למעלה לסרטון קצר שעובר על הגדרת המחשב שלך ללמידת מכונה. -1. **התקן את פייתון**. ודא ש-[Python](https://www.python.org/downloads/) מותקן על המחשב שלך. תשתמש ב-Python עבור משימות רבות במדעי הנתונים ולמידת מכונה. רוב המחשבים כבר כוללים התקנת Python. יש גם חבילות קידוד [Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) שימושיות להקלת ההתקנה עבור חלק מהמשתמשים. +1. **התקן Python**. ודא כי [Python](https://www.python.org/downloads/) מותקן במחשב שלך. תשתמש ב-Python במשימות מדעי הנתונים ולמידת מכונה רבות. מערכות מחשב רבות כבר כוללות התקנת Python. יש גם [חבילות קידוד בפייתון](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) שימושיות הזמינות, כדי להקל על ההתקנה עבור משתמשים מסוימים. - עם זאת, שימושים שונים של Python דורשים גרסאות שונות של התוכנה. לכן, כדאי להשתמש בסביבת עבודה וירטואלית ([virtual environment](https://docs.python.org/3/library/venv.html)). + יש מקרים שבהם שימוש בפייתון דורש גרסה אחת של התוכנה, ואחרים דורשים גרסה שונה. לכן, מומלץ לעבוד בתוך [סביבה וירטואלית](https://docs.python.org/3/library/venv.html). -2. **התקן את Visual Studio Code**. ודא שיש לך את Visual Studio Code מותקן על המחשב שלך. עקוב אחר ההוראות ל-[התקנת Visual Studio Code](https://code.visualstudio.com/) להתקנה בסיסית. תלמד להשתמש ב-Python בתוך Visual Studio Code בקורס זה, אז כדאי לחדד את הידע שלך כיצד [להגדיר Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) לפיתוח Python. +2. **התקן Visual Studio Code**. ודא שיש לך Visual Studio Code מותקן במחשבך. עקוב אחר ההוראות כדי [להתקין את Visual Studio Code](https://code.visualstudio.com/) להתקנה בסיסית. בקורס זה תשתמש בפייתון ב-Visual Studio Code, לכן ייתכן ותרצה להתעדכן כיצד [להגדיר את Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) לפיתוח Python. - > הכירו את Python באמצעות עבודה עם אוסף זה של [מודולים ללמידה](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) + > התוודע לפייתון על ידי עבודה דרך אוסף זה של [מודולים ללמידה](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) > - > [![הגדר Python עם Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "הגדר Python עם Visual Studio Code") + > [![התקן Python עם Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "התקן Python עם Visual Studio Code") > - > 🎥 לחץ על התמונה למעלה לסרטון: שימוש ב-Python בתוך VS Code. + > 🎥 לחצו על התמונה למעלה לסרטון: שימוש בפייתון ב-VS Code. -3. **התקן את Scikit-learn**, על ידי עקיבה אחרי [הוראות אלה](https://scikit-learn.org/stable/install.html). מכיוון שעליך לוודא שאתה משתמש ב-Python 3, מומלץ שתשתמש בסביבה וירטואלית. שים לב, אם אתה מתקין את הספרייה הזו על מחשב M1 של Mac, יש הוראות מיוחדות בדף המקושר לעיל. +3. **התקן Scikit-learn**, על ידי ביצוע [הוראות אלה](https://scikit-learn.org/stable/install.html). מאחר ואתה צריך לוודא שאתה משתמש בפייתון 3, מומלץ להשתמש בסביבה וירטואלית. שים לב, אם אתה מתקין את הספרייה הזו על Mac M1, קיימות הוראות מיוחדות בעמוד המקושר לעיל. -1. **התקן את Jupyter Notebook**. תצטרך [להתקין את חבילת Jupyter](https://pypi.org/project/jupyter/). +1. **התקן Jupyter Notebook**. תצטרך [להתקין את חבילת Jupyter](https://pypi.org/project/jupyter/). -## סביבת הפיתוח שלך ללמידת מכונה +## סביבת הפיתוח ללמידת מכונה שלך -תשתמש ב-**פנקסים (notebooks)** לפיתוח קוד פייתון ולבניית מודלי למידת מכונה. קובץ מסוג זה הוא כלי נפוץ למדעני נתונים, וניתן לזהות אותם לפי הסיומת שלהם `.ipynb`. +תשתמש ב**מחברות** כדי לפתח את קוד הפייתון שלך וליצור מודלי למידת מכונה. קבצים מסוג זה הם כלי נפוץ למדעני נתונים, והם מזוהים על פי הסיומת `.ipynb`. -פנקסים הם סביבה אינטראקטיבית שמאפשרת למפתח גם לקודד וגם להוסיף הערות ולכתוב תיעוד סביב הקוד, דבר שעוזר מאוד בפרויקטים ניסיוניים או מחקריים. +מחברות הן סביבה אינטראקטיבית שמאפשרת למפתח גם לקודד וגם להוסיף הערות וכתיבת תיעוד סביב הקוד, מה שמועיל לפרויקטים ניסיוניים או מחקריים. -[![ML למתחילים - התקן פנקסי Jupyter כדי להתחיל לבנות מודלי רגרסיה](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML למתחילים - התקן פנקסי Jupyter כדי להתחיל לבנות מודלי רגרסיה") +[![למידת מכונה למתחילים - התקן מחברות Jupyter כדי להתחיל לבנות מודלי רגרסיה](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "למידת מכונה למתחילים - התקן מחברות Jupyter כדי להתחיל לבנות מודלי רגרסיה") -> 🎥 לחץ על התמונה למעלה לסרטון קצר שמראה את התרגיל. +> 🎥 לחצו על התמונה למעלה לסרטון קצר שעובר על התרגיל הזה. -### תרגיל - עבודה עם פנקס +### תרגיל - עבודה עם מחברת בתיקייה זו תמצא את הקובץ _notebook.ipynb_. -1. פתח את הקובץ _notebook.ipynb_ ב-Visual Studio Code. +1. פתח את _notebook.ipynb_ ב-Visual Studio Code. - יופעל שרת Jupyter עם פייתון 3+. תמצא אזורים בפנקס שניתן `להריץ`, קטעי קוד. אתה יכול להריץ קוד על ידי בחירת האייקון שנראה כמו כפתור הפעלה. + שרת Jupyter יתחיל עם Python 3+ פעיל. תמצא חלקים במחברת שניתן `להריץ`, קטעי קוד. תוכל להריץ בלוק קוד על ידי בחירת סמל הדומה לכפתור הפעלה. -1. בחר באייקון `md` והוסף קצת מרקדאון, עם הטקסט הבא **# Welcome to your notebook**. +1. בחר את סמל `md` והוסף קצת markdown, ואת הטקסט הבא **# Welcome to your notebook**. - לאחר מכן, הוסף קצת קוד פייתון. + לאחר מכן, הוסף קוד פייתון. -1. הקלד **print('hello notebook')** בקטע הקוד. -1. בחר בחץ כדי להריץ את הקוד. +1. הקלד **print('hello notebook')** בבלוק הקוד. +1. לחץ על החץ כדי להריץ את הקוד. - תראה את ההצהרה המודפסת: + תראה את הפלט המודפס: ```output hello notebook ``` -![VS Code עם פנקס פתוח](../../../../translated_images/he/notebook.4a3ee31f396b8832.webp) +![VS Code עם מחברת פתוחה](../../../../translated_images/he/notebook.4a3ee31f396b8832.webp) -אתה יכול לסרוג את הקוד שלך עם הערות לתיעוד פנקס עצמאי. +אתה יכול לשזור את הקוד שלך עם הערות להוספת תיעוד עצמי למחברת. -✅ חשוב לרגע איך הסביבה של מפתח ווב שונה מאוד מזו של מדען נתונים. +✅ חשוב לרגע עד כמה סביבה העבודה של מפתח ווב שונה מזו של מדען נתונים. -## התחלת עבודה עם Scikit-learn +## עלה והרץ עם Scikit-learn -כעת שפייתון מוגדר במחשב המקומי שלך, ואתה רגיל עם פנקסי Jupyter, נעבור להיות נוחים גם עם Scikit-learn (מבוטא `sci` כמו במילה `science`). Scikit-learn מציעה [API נרחב](https://scikit-learn.org/stable/modules/classes.html#api-ref) כדי לעזור לך לבצע משימות ML. +עכשיו שפייתון מוגדרת בסביבה המקומית שלך, ואתה שולט במחברות Jupyter, בוא נרגיש נוח עם Scikit-learn (מבוטא `sci` כמו ב`science`). Scikit-learn מספקת [API נרחב](https://scikit-learn.org/stable/modules/classes.html#api-ref) שיעזור לך לבצע משימות למידת מכונה. -בהתאם ל-[אתר שלהם](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn היא ספריית קוד פתוח ללמידת מכונה שתומכת בלמידה מפוקחת ובלמידה לא מפוקחת. היא גם מספקת כלים שונים להתאמת מודלים, טרום-עיבוד נתונים, בחירת מודלים והערכה, ורבות אחרות." +על פי [האתר שלהם](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn היא ספריית קוד פתוח ללמידת מכונה התומכת בלמידה מונחית ולמידה בלתי מונחית. היא גם מספקת כלים שונים להתאמת מודלים, קדם-עיבוד נתונים, בחירת מודל והערכה, ועוד שימושים רבים." -בקורס זה תשתמש ב-Scikit-learn וכלים אחרים לבניית מודלי למידת מכונה לביצוע מה שאנו קוראים 'משימות למידת מכונה מסורתיות'. הימנענו במכוון מרשתות עצביות ולמידה עמוקה, שכן הם מטופלים טוב יותר בקורס הקרוב שלנו 'AI למתחילים'. +בקורס זה תשתמש ב-Scikit-learn וכלים נוספים לבניית מודלי למידת מכונה לביצוע מה שאנו קוראים 'משימות למידה מכונתית מסורתית'. נמנענו בכוונה מרשתות עצביות ולמידה עמוקה, שכן נושא זה מטופל טוב יותר בתכנית הלימודים הקרובה שלנו 'AI למתחילים'. -Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. היא מתמקדת בעיקר בשימוש בנתונים מספריים וכוללת כמה מערכי נתונים מוכנים לשימוש ככלי למידה. היא כוללת גם מודלים מוכנים שמאפשרים לתלמידים לנסות. בוא נחקור תחילה את תהליך טעינת נתונים מוכנים לשימוש ושימוש באסטרטגיה מובנית למודל ML ראשון עם Scikit-learn עם נתונים בסיסיים. +Scikit-learn עושה את זה פשוט לבנות מודלים ולהעריכם לשימוש. היא מתמקדת בעיקר בשימוש בנתונים מספריים וכוללת מספר מערכי נתונים מוכנים לשימוש ככלי למידה. כמו כן כוללת מודלים מוכנים לנסות עבור תלמידים. בוא נחקור את תהליך טעינת נתונים מוכנים מראש ושימוש באסטימטור מובנה ליצירת מודל ML ראשון עם Scikit-learn ונתונים בסיסיים. -## תרגיל - פנקס Scikit-learn הראשון שלך +## תרגיל - מחברת Scikit-learn שלך הראשונה -> מדריך זה הושפע מ-[דוגמת הרגרסיה הליניארית](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) באתר Scikit-learn. +> הדרכה זו הושתתה מ[דוגמת רגרסיה ליניארית](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) באתר Scikit-learn. -[![ML למתחילים - פרויקט הרגרסיה הליניארית הראשון שלך בפייתון](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML למתחילים - פרויקט הרגרסיה הליניארית הראשון שלך בפייתון") +[![למידת מכונה למתחילים - הפרויקט הראשון שלך ברגרסיה ליניארית בפייתון](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "למידת מכונה למתחילים - הפרויקט הראשון שלך ברגרסיה ליניארית בפייתון") -> 🎥 לחץ על התמונה למעלה לסרטון קצר שמראה תרגיל זה. +> 🎥 לחצו על התמונה למעלה לסרטון קצר שעובר על התרגיל הזה. בקובץ _notebook.ipynb_ המשויך לשיעור זה, נקה את כל התאים על ידי לחיצה על אייקון פח האשפה. -בחלק זה תעבוד עם מערך נתונים קטן על סוכרת שנבנה בתוך Scikit-learn למטרות למידה. דמיין שאתה רוצה לבדוק טיפול לחולי סוכרת. מודלי למידת מכונה עשויים לעזור לך לקבוע אילו מטופלים יגיבו טוב יותר לטיפול, בהתבסס על שילובים של משתנים. אפילו מודל רגרסיה בסיסי, כשהוא מוצג, עשוי להראות מידע על משתנים שיעזור לך לארגן ניסויים קליניים תיאורטיים. +בסעיף זה תעבוד עם מערך נתונים קטן על סוכרת שנבנה לתוך Scikit-learn למטרות למידה. דמיין שרצית לבדוק טיפול לחולי סוכרת. מודלי למידת מכונה עשויים לעזור לך לקבוע אילו מטופלים יגיבו טוב יותר לטיפול, בהתבסס על שילוב משתנים. אפילו מודל רגרסיה בסיסי, כאשר הוא מוצג ויזואלית, יכול להראות מידע על משתנים שיעזרו לך לארגן ניסויים קליניים תאורטיים. -✅ יש הרבה סוגים של שיטות רגרסיה, ואיזו תבחר תלוי בתוצאה שאתה מחפש. אם אתה רוצה לנבא את הגובה הסביר לאדם בגיל מסוים, תשתמש ברגרסיה ליניארית, כי אתה מחפש **ערך מספרי**. אם אתה מעוניין לגלות האם סוג מטבח מוגדר כצמחוני או לא, אתה מחפש **שייכות קטגוריאלית** ולכן תשתמש בלוגיסטית. תלמד על רגרסיה לוגיסטית מאוחר יותר. חשוב קצת על שאלות שאתה יכול לשאול את הנתונים ואיזו שיטה מתאימה יותר. +✅ ישנם סוגים רבים של שיטות רגרסיה, ואיזו תבחר תלוי בתשובה שאתה מחפש. אם ברצונך לחזות את הגובה הסביר של אדם בגיל מסוים, תשתמש ברגרסיה ליניארית, מכיוון שאתה מחפש **ערך מספרי**. אם אתה מעוניין לגלות האם סוג מאכל מסוים צריך להיחשב כווגני או לא, אתה מחפש **הקצאת קטגוריה** ולכן תשתמש ברגרסיה לוגיסטית. תלמד על רגרסיה לוגיסטית בהמשך. חשוב לרגע על שאלות שיכולות להישאל בנתונים, ואיזו מהשיטות תהיה מתאימה יותר. -בוא נתחיל במשימה הזו. +בוא נתחיל במשימה זו. ### ייבוא ספריות -למשימה הזו נייבא כמה ספריות: +למשימה זו נייבא כמה ספריות: -- **matplotlib**. זהו [כלי גרפים](https://matplotlib.org/) שימושי ואנו נשתמש בו ליצירת גרף קווים. -- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) היא ספרייה שימושית לניהול נתונים מספריים בפייתון. +- **matplotlib**. זהו [כלי גרפים](https://matplotlib.org/) שימושי ונשתמש בו ליצירת תרשים קווי. +- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) היא ספרייה שימושית לטיפול בנתונים מספריים בפייתון. - **sklearn**. זו ספריית [Scikit-learn](https://scikit-learn.org/stable/user_guide.html). ייבא כמה ספריות שיעזרו במשימות שלך. -1. הוסף ייבואים על ידי הקלדת הקוד הבא: +1. הוסף ייבוא על ידי הקלדת הקוד הבא: ```python import matplotlib.pyplot as plt @@ -123,26 +123,26 @@ Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. from sklearn import datasets, linear_model, model_selection ``` - למעלה אתה מייבא את `matplotlib`, `numpy` ואת `datasets`, `linear_model` ו-`model_selection` מ-`sklearn`. `model_selection` משמש לחלוקת הנתונים לקבוצות אימון ובדיקה. + למעלה אתה מייבא את `matplotlib`, `numpy` ואת `datasets`, `linear_model` ו-`model_selection` מ-`sklearn`. `model_selection` משמשת לפיצול הנתונים לערכות אימון ובדיקה. ### מערך הנתונים של סוכרת -מערך הנתונים המובנה [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) כולל 442 דגימות מידע על סוכרת, עם 10 משתני תכונות, חלקם כוללים: +מערך הנתונים [diabetes](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) הכלול מכיל 442 דגימות על סוכרת, עם 10 משתני תכונה, ביניהם: - גיל: גיל בשנים -- bmi: מדד מסת גוף -- לחץ דם: לחץ דם ממוצע +- bmi: אינדקס מסת גוף +- לחץ דם ממוצע - s1 tc: תאי T (סוג של תאי דם לבנים) -✅ מערך זה כולל את המשתנה 'מין' כמשתנה חשוב למחקר סביב סוכרת. מערכות רפואיות רבות כוללות סיווג בינארי כזה. חשוב לחשוב כיצד קטגוריזציות כאלה עשויות להוציא חלקים מסוימים של אוכלוסייה מהטיפולים. +✅ מערך נתונים זה כולל את הקונספט של 'מין' כמשתנה תכונה חשוב למחקר בנושא סוכרת. מאגרי נתונים רפואיים רבים כוללים הסיווג הבינארי הזה. חשוב לחשוב כיצד סיווגים כאלה עשויים להפלות חלקים מהאוכלוסייה מטיפולים. -עכשיו, טען את הנתונים של X ו-y. +כעת, טען את הנתונים X ואת היעד y. -> 🎓 זכור, זו למידה מפוקחת, ונדרש משתנה מטרה מוכר בשם 'y'. +> 🎓 זכור, זו למידה מונחית, ואנו זקוקים ליעד בשם 'y'. -בתא קוד חדש, טען את מערך הנתונים של סוכרת על ידי קריאה ל-`load_diabetes()`. הפרמטר `return_X_y=True` מציין ש-`X` יהיה מטריצת נתונים, ו-`y` יהיה משתנה המטרה של הרגרסיה. +בתא קוד חדש, טען את מערך הנתונים של סוכרת על ידי קריאה ל-`load_diabetes()`. הקלט `return_X_y=True` מציין ש-`X` יהיה מטריצת נתונים, ו-`y` יהיה יעד הרגרסיה. -1. הוסף כמה פקודות הדפסה להראות את מימדי מטריצת הנתונים ואת האלמנט הראשון שלה: +1. הוסף כמה פקודות הדפסה כדי להראות את צורת מטריצת הנתונים ואת הפריט הראשון שלה: ```python X, y = datasets.load_diabetes(return_X_y=True) @@ -150,9 +150,9 @@ Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. print(X[0]) ``` - מה שמוחזר הוא זוג ערכים (tuple). אתה מקצה את שני הערכים הראשונים של הזוג ל-`X` ול-`y` בהתאמה. למד עוד על [tuples](https://wikipedia.org/wiki/Tuple). + מה שאתה מקבל בחזרה כתשובה, הוא טופל. אתה מייעד את שני הערכים הראשונים של הטופל ל-`X` ו-`y` בהתאמה. למד עוד [על טופלים](https://wikipedia.org/wiki/Tuple). - ניתן לראות שמדובר ב-442 פריטים במערכי 10 אלמנטים: + ניתן לראות שמדובר בנתונים של 442 פריטים המכווצים במערכים של 10 אלמנטים: ```text (442, 10) @@ -160,9 +160,9 @@ Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. -0.04340085 -0.00259226 0.01990842 -0.01764613] ``` - ✅ חשוב לחשוב על הקשר בין הנתונים למשתנה המטרה ברגרסיה. הרגרסיה הליניארית מנבאת קשרים בין תכונת X למשתנה המטרה y. האם תוכל למצוא את [המטרה](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) של מערך הסוכרת בתיעוד? מה מערך הנתונים מדגים, בהתחשב במטרה זו? + ✅ חשוב לחשוב על הקשר בין הנתונים ליעד הרגרסיה. רגרסיה ליניארית חוזה קשרים בין תכונה X למשתנה היעד y. האם אתה יכול למצוא את ה[יעד](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) למערך הנתונים של סוכרת בתיעוד? מה מערך נתונים זה מדגים, בהתחשב ביעד? -2. עכשיו בחר חלק ממערך הנתונים לציור על ידי בחירת העמודה השלישית. ניתן לעשות זאת באמצעות האופרטור `:` לבחירת כל השורות, ואז בחירת העמודה השלישית באמצעות האינדקס (2). אפשר גם לעצב את הנתונים כמערך דו-ממדי - כנדרש לציור - באמצעות `reshape(n_rows, n_columns)`. אם אחד הפרמטרים הוא -1, המימד המקביל מחושב אוטומטית. +2. לאחר מכן, בחר חלק ממערך הנתונים לתצוגה על ידי בחירת העמודה השלישית במערך הנתונים. אפשר לעשות זאת באמצעות אופרטור `:` לבחירת כל השורות, ואז לבחור את העמודה השלישית לפי אינדקס (2). אפשר גם לשנות את צורת הנתונים למערך דו-ממדי - כפי שנדרש לציור גרפים - באמצעות `reshape(n_rows, n_columns)`. אם אחד הפרמטרים הוא -1, המימד המתאים מחושב אוטומטית. ```python X = X[:, 2] @@ -171,28 +171,28 @@ Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. ✅ בכל עת, הדפס את הנתונים כדי לבדוק את צורתם. -3. כעת כשיש לך נתונים מוכנים לציור, תראה אם מכונה יכולה לסייע לקבוע חלוקה הגיונית בין המספרים במערך זה. לשם כך, יש לחלק את הנתונים (X) ואת המשתנה המטרה (y) לקבוצות אימון ובדיקה. ל-Scikit-learn יש דרך פשוטה לעשות זאת; אתה יכול לחלק את הנתונים בנקודה נתונה. +3. עכשיו שיש לך נתונים מוכנים להציג, תוכל לבדוק האם מכונה יכולה לסייע בקביעת חלוקה הגיונית בין המספרים במערך הנתונים הזה. לשם כך, צריך לחלק את הנתונים (X) ואת היעד (y) לשטחי אימון ובדיקה. ל-Scikit-learn יש דרך פשוטה לעשות זאת; ניתן לחלק את נתוני הבדיקה בנקודה שנקבעה. ```python X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33) ``` -4. עכשיו אתה מוכן לאמן את המודל שלך! טען את מודל הרגרסיה הליניארית ואמן אותו עם קבוצות האימון X ו-y באמצעות `model.fit()`: +4. עכשיו אתה מוכן לאמן את המודל שלך! טען את מודל הרגרסיה הליניארית ואמן אותו עם קבוצות האימון X ו-y שלך באמצעות `model.fit()`: ```python model = linear_model.LinearRegression() model.fit(X_train, y_train) ``` - ✅ `model.fit()` היא פונקציה שתראה בהרבה ספריות ML כגון TensorFlow + ✅ `model.fit()` היא פונקציה שתראה בספריות רבות ללמידת מכונה כמו TensorFlow -5. לאחר מכן, צור חיזוי באמצעות נתוני הבדיקה, באמצעות הפונקציה `predict()`. היא תשמש לשרטוט קו בין קבוצות הנתונים. +5. לאחר מכן, צור תחזית באמצעות נתוני הבדיקה, באמצעות הפונקציה `predict()`. זוהי הפונקציה שתשמש לציור הקו בין קבוצות הנתונים. ```python y_pred = model.predict(X_test) ``` -6. עכשיו הזמן להציג את הנתונים בגרף. Matplotlib הוא כלי מאוד שימושי למשימה זו. צור גרף פיזור של כל נתוני הבדיקה X ו-y, והשתמש בחיזוי כדי לשרטט קו במקום המתאים ביותר, בין קבוצות הנתונים של המודל. +6. כעת הגיע הזמן להראות את הנתונים בתרשים. Matplotlib הוא כלי שימושי מאוד למשימה זו. צור תרשים פיזור של כל נתוני הבדיקה X ו-y, והשתמש בתחזית כדי לצייר קו במקום המתאים ביותר, בין קבוצות הנתונים של המודל. ```python plt.scatter(X_test, y_test, color='black') @@ -203,28 +203,27 @@ Scikit-learn מקלה על בניית מודלים והערכתם לשימוש. plt.show() ``` - ![גרף פיזור המציג נקודות מידע סביב סוכרת](../../../../translated_images/he/scatterplot.ad8b356bcbb33be6.webp) + ![תרשים פיזור המציג נקודות נתונים סביב סוכרת](../../../../translated_images/he/scatterplot.ad8b356bcbb33be6.webp) + ✅ חשוב לרגע על מה קורה כאן. קו ישר עובר דרך נקודות קטנות רבות של נתונים, אבל מה הוא עושה בדיוק? האם אתה יכול לראות כיצד עליך להיות מסוגל להשתמש בקו זה כדי לחזות היכן נקודת נתונים חדשה, שלא נראתה קודם, תתאים ביחס לציר y של התרשים? נסה לנסח במילים את השימוש המעשי של מודל זה. - ✅ חשוב קצת על מה שקורה כאן. קו ישר עובר דרך נקודות נתונים קטנות רבות, אבל מה הוא בעצם עושה? האם אתה רואה כיצד אתה אמור להיות מסוגל להשתמש בקו הזה כדי לחזות היכן נקודת נתונים חדשה ובלתי נראית צריכה להתאים ביחס לציר ה- y של הגרף? נסה לנסח במילים את השימוש המעשי במודל זה. - -מזל טוב, בנית את מודל הרגרסיה הליניארית הראשון שלך, יצרת באמצעותו תחזית והצגת אותה בגרף! +ברכות, בנית את מודל הרגרסיה הליניארית הראשון שלך, יצרת טיפול תחזיתי איתו, והצגת את זה בגרף! --- ## 🚀אתגר -הצג משתנה שונה ממערכת הנתונים הזו. רמז: ערוך את השורה הזו: `X = X[:,2]`. בהתחשב במטרה של מערכת נתונים זו, מה אתה יכול לגלות על התקדמות הסוכרת כמחלה? -## [מבחן לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/) +צייר משתנה שונה ממערך הנתונים הזה. רמז: ערוך את השורה הזו: `X = X[:,2]`. בהתחשב ביעד של מערך הנתונים הזה, מה תוכל לגלות על התקדמות הסוכרת כמחלה? +## [חידון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/) -## סקירה ולימוד עצמי +## סקירה ולמידה עצמית -במדריך זה עבדת עם רגרסיה ליניארית פשוטה, ולא עם רגרסיה חד-משתנית או רב-משתנית. קרא מעט על ההבדלים בין השיטות הללו, או צפה ב[וידאו הזה](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) +במדריך זה עבדת עם רגרסיה ליניארית פשוטה, ולא עם רגרסיה ליניארית חד-משתנית או רב-משתנית. קרא מעט על ההבדלים בין השיטות האלו, או צפה ב[סרטון זה](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) -קרא עוד על מושג הרגרסיה וחשוב על אילו סוגי שאלות ניתן לענות באמצעות טכניקה זו. עשה את [המדריך הזה](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) כדי להעמיק את הבנתך. +קרא עוד על מושג הרגרסיה וחשוב אילו סוגי שאלות ניתן לענות באמצעות טכניקה זו. קח את ה[מדריך](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) כדי להעמיק את הבנתך. ## משימה -[מערכת נתונים שונה](assignment.md) +[מערך נתונים שונה](assignment.md) --- diff --git a/translations/he/5-Clustering/README.md b/translations/he/5-Clustering/README.md index 30bbfa49a..5afb8ccd0 100644 --- a/translations/he/5-Clustering/README.md +++ b/translations/he/5-Clustering/README.md @@ -1,18 +1,18 @@ # מודלים של אשכולות ללמידת מכונה -אשכולות הם משימה בלמידת מכונה שבה מחפשים למצוא אובייקטים הדומים זה לזה ולחבר אותם לקבוצות הנקראות אשכולות. מה שמבדיל אשכולות מגישות אחרות בלמידת מכונה הוא שהדברים מתרחשים באופן אוטומטי, למעשה, אפשר לומר שזה ההפך מלמידה מונחית. +אשכולות היא משימת למידת מכונה שבה מנסים למצוא אובייקטים הדומים זה לזה ולקבץ אותם לקבוצות הנקראות אשכולות. מה שמבדיל את האשכולות מגישות אחרות בלמידת מכונה הוא שהדברים קורים אוטומטית, למעשה, אפשר לומר שזה ההפך מלמידה מונחית. -## נושא אזורי: מודלים של אשכולות לטעמי מוזיקה של קהל ניגרי 🎧 +## נושא אזורי: מודלי אשכולות לטעמי מוזיקה של קהל נגרי 🎧 -הקהל המגוון בניגריה מתאפיין בטעמי מוזיקה מגוונים. באמצעות נתונים שנאספו מ-Spotify (בהשראת [המאמר הזה](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), נבחן כמה מהמוזיקה הפופולרית בניגריה. מערך הנתונים הזה כולל מידע על ציוני 'ריקודיות', 'אקוסטיות', עוצמת קול, 'דיבוריות', פופולריות ואנרגיה של שירים שונים. יהיה מעניין לגלות דפוסים בנתונים האלה! +לקהל המגוון של ניגריה יש טעמי מוזיקה מגוונים. באמצעות נתונים שנאספו מ-Spotify (בהשראת [מאמר זה](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421), נבחן מוזיקה פופולרית בניגריה. מערך נתונים זה כולל מידע על ציון 'danceability', 'acousticness', רמת עוצמת הקול, 'speechiness', פופולריות ואנרגיה של שירים שונים. יהיה מעניין לגלות דפוסים בנתונים אלו! -![פלטת תקליטים](../../../5-Clustering/images/turntable.jpg) +![מערכת טורנーブル](../../../translated_images/he/turntable.f2b86b13c53302dc.webp) -> צילום מאת Marcela Laskoski ב-Unsplash +> תמונה מאת מרסלה לאסקוסקי ב-Unsplash -בסדרת השיעורים הזו, תגלו דרכים חדשות לנתח נתונים באמצעות טכניקות אשכולות. אשכולות שימושיים במיוחד כאשר מערך הנתונים שלכם חסר תוויות. אם יש לו תוויות, אז טכניקות סיווג כמו אלו שלמדתם בשיעורים קודמים עשויות להיות מועילות יותר. אבל במקרים שבהם אתם מחפשים לקבץ נתונים ללא תוויות, אשכולות הם דרך מצוינת לגלות דפוסים. +בסדרת שיעורים זו תגלו דרכים חדשות לנתח נתונים באמצעות טכניקות אשכולות. אשכולות היא שימושית במיוחד כשהמערך שלך חסר תוויות. אם יש לו תוויות, טכניקות סיווג כמו שלמדת בשיעורים קודמים עשויות להיות מועילות יותר. אבל במקרים בהם אתה מחפש לקבץ נתונים ללא תוויות, אשכולות היא דרך מצוינת לגלות דפוסים. -> ישנם כלים שימושיים בעלי קוד נמוך שיכולים לעזור לכם ללמוד לעבוד עם מודלים של אשכולות. נסו [Azure ML למשימה זו](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) +> יש כלים מועילים עם מעט קוד שיכולים לעזור לך ללמוד על עבודה עם מודלי אשכולות. נסה את [Azure ML עבור המשימה הזו](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ## שיעורים @@ -21,13 +21,15 @@ ## קרדיטים -השיעורים הללו נכתבו עם 🎶 על ידי [Jen Looper](https://www.twitter.com/jenlooper) עם ביקורות מועילות מאת [Rishit Dagli](https://rishit_dagli) ו-[Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). +שיעורים אלה נכתבו עם 🎶 על ידי [ג'ן לופר](https://www.twitter.com/jenlooper) עם סקירות מועילות של [רישיט דגלי](https://rishit_dagli/) ו-[מוחמד סאקיב חאן אינאן](https://twitter.com/Sakibinan). -מערך הנתונים [שירים ניגריים](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) נלקח מ-Kaggle ונאסף מ-Spotify. +מערך הנתונים של [שירי ניגריה](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) נוצר מ-Kaggle תוך גרידה מ-Spotify. -דוגמאות שימושיות של K-Means שסייעו ביצירת השיעור כוללות את [חקירת האיריס הזו](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [מחברת מבוא זו](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ואת [דוגמת ה-NGO ההיפותטית הזו](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). +דוגמאות שימושיות של K-Means שעזרו ביצירת שיעור זה כוללות את [חקירת האירוס](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), את [מחברת מבוא זו](https://www.kaggle.com/prashant111/k-means-clustering-with-python), ואת [דוגמת NGO היפותטית זו](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). --- -**כתב ויתור**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file + +**כתב ויתור**: +מסמך זה תורגם באמצעות שירות תרגום אוטומטי [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה. + \ No newline at end of file diff --git a/translations/he/7-TimeSeries/README.md b/translations/he/7-TimeSeries/README.md index 3587ba0ee..f880f15e7 100644 --- a/translations/he/7-TimeSeries/README.md +++ b/translations/he/7-TimeSeries/README.md @@ -1,28 +1,30 @@ -# מבוא לחיזוי סדרות זמן +# הקדמה לחיזוי סדרות זמן -מהו חיזוי סדרות זמן? מדובר בניבוי אירועים עתידיים על ידי ניתוח מגמות מהעבר. +מהו חיזוי סדרות זמן? זהו תהליך של חיזוי אירועים עתידיים על ידי ניתוח מגמות מהעבר. -## נושא אזורי: שימוש עולמי בחשמל ✨ +## נושא אזורי: שימוש חשמל עולמי ✨ -בשני השיעורים הללו, תיחשפו לחיזוי סדרות זמן, תחום פחות מוכר בלמידת מכונה, אך בעל ערך רב ליישומים בתעשייה ובעסקים, בין היתר. למרות שניתן להשתמש ברשתות עצביות כדי לשפר את יעילות המודלים הללו, נלמד אותם בהקשר של למידת מכונה קלאסית, כאשר המודלים מסייעים לנבא ביצועים עתידיים בהתבסס על העבר. +בשיעורים אלו תכירו את חיזוי סדרות הזמן, תחום פחות מוכר במידה מסוימת בלמידת מכונה, אך עם זאת בעל ערך רב לתעשייה ויישומי עסקים, בין תחומים נוספים. בעוד שניתן להשתמש ברשתות עצביות להגברת יעילות המודלים, נבחן אותם בהקשר של למידת מכונה קלאסית, שכן המודלים מסייעים לחזות ביצועים עתידיים בהתבסס על העבר. -המיקוד האזורי שלנו הוא שימוש בחשמל בעולם, מערך נתונים מעניין ללמידה על חיזוי צריכת חשמל עתידית בהתבסס על דפוסי עומס מהעבר. ניתן לראות כיצד סוג כזה של חיזוי יכול להיות מועיל מאוד בסביבה עסקית. +מוקד הקורס האזורי שלנו הוא שימוש בחשמל בעולם, אוסף נתונים מעניין ללמידה על חיזוי שימוש עתידי באנרגיה על בסיס דפוסי העומס מהעבר. ניתן לראות כיצד סוג זה של חיזוי יכול להיות מועיל מאוד בסביבת עסק. -![רשת חשמל](../../../7-TimeSeries/images/electric-grid.jpg) +![electric grid](../../../translated_images/he/electric-grid.0c21d5214db09ffa.webp) -תמונה מאת [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) של עמודי חשמל על כביש ברג'סטאן ב-[Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) +צילום מאת [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) של מגדלי חשמל על כביש ברג'סתאן ב-[Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## שיעורים -1. [מבוא לחיזוי סדרות זמן](1-Introduction/README.md) -2. [בניית מודלים ARIMA לחיזוי סדרות זמן](2-ARIMA/README.md) -3. [בניית Support Vector Regressor לחיזוי סדרות זמן](3-SVR/README.md) +1. [הקדמה לחיזוי סדרות זמן](1-Introduction/README.md) +2. [בניית מודלים ARIMA לסדרות זמן](2-ARIMA/README.md) +3. [בניית רג'סור וקטור תמיכה (SVR) לחיזוי סדרות זמן](3-SVR/README.md) ## קרדיטים -"מבוא לחיזוי סדרות זמן" נכתב עם ⚡️ על ידי [Francesca Lazzeri](https://twitter.com/frlazzeri) ו-[Jen Looper](https://twitter.com/jenlooper). המחברות הופיעו לראשונה באופן מקוון ב-[מאגר Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) שנכתב במקור על ידי Francesca Lazzeri. השיעור על SVR נכתב על ידי [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) +"הקדמה לחיזוי סדרות זמן" נכתבה ב⚡️ על ידי [פרנצ'סקה לזורי](https://twitter.com/frlazzeri) ו[ג'ן לופר](https://twitter.com/jenlooper). המחברות הופיעו לראשונה ברשת ב[מאגר Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) שנכתב במקור על ידי פרנצ'סקה לזורי. שיעור ה-SVR נכתב על ידי [אנירבן מוקהרג'י](https://github.com/AnirbanMukherjeeXD) --- -**כתב ויתור**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). בעוד שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file + +**כתב ויתור**: +מסמך זה תורגם באמצעות שירות תרגום אוטומטי [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה. + \ No newline at end of file diff --git a/translations/he/README.md b/translations/he/README.md index b9d95f3ed..e4ecb2756 100644 --- a/translations/he/README.md +++ b/translations/he/README.md @@ -1,95 +1,97 @@ [![רישיון GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![תורמים ל-GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![נושאים ב-GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![תורמי GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![בעיות GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![בקשות משיכה ב-GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![צופים ב-GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![מזלגות ב-GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![כוכבים ב-GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![כוכבי GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 תמיכה ברב-שפות +### 🌐 תמיכה בריבוי שפות -#### נתמך דרך GitHub Action (אוטומטי ותמיד מעודכן) +#### נתמך באמצעות פעולה של GitHub (מאורגן אוטומטית ותמיד מעודכן) -[ערבית](../ar/README.md) | [בנגלית](../bn/README.md) | [בולגרית](../bg/README.md) | [בורמזית (מיאנמר)](../my/README.md) | [סינית (מפושטת)](../zh-CN/README.md) | [סינית (מסורתית, הונג קונג)](../zh-HK/README.md) | [סינית (מסורתית, מאקאו)](../zh-MO/README.md) | [סינית (מסורתית, טייוואן)](../zh-TW/README.md) | [קרואטית](../hr/README.md) | [צ'כית](../cs/README.md) | [דנית](../da/README.md) | [הולנדית](../nl/README.md) | [אסטונית](../et/README.md) | [פינית](../fi/README.md) | [צרפתית](../fr/README.md) | [גרמנית](../de/README.md) | [יוונית](../el/README.md) | [עברית](./README.md) | [הינדי](../hi/README.md) | [הונגרית](../hu/README.md) | [אינדונזית](../id/README.md) | [איטלקית](../it/README.md) | [יפנית](../ja/README.md) | [קאנדה](../kn/README.md) | [חמרית](../km/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מלאיאלאם](../ml/README.md) | [מרתהי](../mr/README.md) | [נפאלית](../ne/README.md) | [פידג'ין ניגרי](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פרסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../pt-BR/README.md) | [פורטוגזית (פורטוגל)](../pt-PT/README.md) | [פנג'אבי (גורמוכי)](../pa/README.md) | [רומנית](../ro/README.md) | [רוסית](../ru/README.md) | [סרבית (קירילית)](../sr/README.md) | [סלובקית](../sk/README.md) | [סלובנית](../sl/README.md) | [ספרדית](../es/README.md) | [סווהילית](../sw/README.md) | [שוודית](../sv/README.md) | [טגלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלוגו](../te/README.md) | [תאית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [וייטנאמית](../vi/README.md) +[ערבית](../ar/README.md) | [בנגלית](../bn/README.md) | [בולגרית](../bg/README.md) | [בורמזית (מיאנמר)](../my/README.md) | [סינית (פשוטה)](../zh-CN/README.md) | [סינית (מסורתית, הונג קונג)](../zh-HK/README.md) | [סינית (מסורתית, מקאו)](../zh-MO/README.md) | [סינית (מסורתית, טייוואן)](../zh-TW/README.md) | [קרואטית](../hr/README.md) | [צ'כית](../cs/README.md) | [דנית](../da/README.md) | [הולנדית](../nl/README.md) | [אסטונית](../et/README.md) | [פינית](../fi/README.md) | [צרפתית](../fr/README.md) | [גרמנית](../de/README.md) | [יוונית](../el/README.md) | [עברית](./README.md) | [הינדי](../hi/README.md) | [הונגרית](../hu/README.md) | [אינדונזית](../id/README.md) | [איטלקית](../it/README.md) | [יפנית](../ja/README.md) | [קנאדה](../kn/README.md) | [חמר](../km/README.md) | [קוריאנית](../ko/README.md) | [ליטאית](../lt/README.md) | [מלאית](../ms/README.md) | [מלאיאלאם](../ml/README.md) | [מרטהי](../mr/README.md) | [נפאלית](../ne/README.md) | [פיג'ין ניגרי](../pcm/README.md) | [נורווגית](../no/README.md) | [פרסית (פרסי)](../fa/README.md) | [פולנית](../pl/README.md) | [פורטוגזית (ברזיל)](../pt-BR/README.md) | [פורטוגזית (פורטוגל)](../pt-PT/README.md) | [פונג'אבית (גורמוכי)](../pa/README.md) | [רומנית](../ro/README.md) | [רוסית](../ru/README.md) | [סרבית (קירילית)](../sr/README.md) | [סלובקית](../sk/README.md) | [סלובנית](../sl/README.md) | [ספרדית](../es/README.md) | [סווהילית](../sw/README.md) | [שוודית](../sv/README.md) | [טאגאלוג (פיליפינית)](../tl/README.md) | [טמילית](../ta/README.md) | [טלווגו](../te/README.md) | [תאית](../th/README.md) | [טורקית](../tr/README.md) | [אוקראינית](../uk/README.md) | [אורדו](../ur/README.md) | [וייטנאמית](../vi/README.md) -> **מעדיפים לשכפל מקומית?** +> **מעוניינים לשכפל מקומית?** > -> מאגר זה כולל יותר מ-50 תרגומים של שפות שמגדילים משמעותית את גודל ההורדה. כדי לשכפל ללא תרגומים, השתמשו ב-sparse checkout: +> מאגר זה כולל 50+ תרגומים לשפות שמגדילים משמעותית את גודל ההורדה. לשכפל ללא תרגומים, השתמשו בביצוע Sparse checkout: > -> **באש / macOS / לינוקס:** +> **Bash / macOS / Linux:** > ```bash > git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git > cd ML-For-Beginners > git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' > ``` > -> **CMD (ווינדוס):** +> **CMD (Windows):** > ```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" > ``` > -> זה נותן לכם את כל מה שצריך כדי לסיים את הקורס עם הורדה מהירה יותר. +> כך תקבלו את כל מה שצריך כדי לסיים את הקורס עם הורדה מהירה בהרבה. #### הצטרפו לקהילה שלנו [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -יש לנו סדרת לימוד ב-Discord עם AI, למדו עוד והצטרפו אלינו ב-[Learn with AI Series](https://aka.ms/learnwithai/discord) בין התאריכים 18 - 30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot במדעי הנתונים. +יש לנו סדרת למידה עם בינה מלאכותית ב-Discord שממשיכה, למדו עוד והצטרפו אלינו בסדרת [Learn with AI Series](https://aka.ms/learnwithai/discord) מ-18 עד 30 ספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot למדעי הנתונים. -![סדרת Learn with AI](../../translated_images/he/3.9b58fd8d6c373c20.webp) +![סדרת למידה עם AI](../../translated_images/he/3.9b58fd8d6c373c20.webp) -# למידת מכונה למתחילים - תכנית לימודים +# למידת מכונה למתחילים - תוכנית לימודים -> 🌍 טוסו ברחבי העולם כשאנחנו חוקרים למידת מכונה באמצעות תרבויות העולם 🌍 +> 🌍 טוסו ברחבי העולם כשאנחנו חוקרים למידת מכונה דרך תרבויות עולם שונות 🌍 -הצוות של Cloud Advocates במיקרוסופט שמח להציע תכנית לימודים בת 12 שבועות ו-26 שיעורים בנושא **למידת מכונה**. בתכנית זו תלמדו על מה שלעיתים נקרא **למידת מכונה קלאסית**, תוך שימוש בעיקר בספריית Scikit-learn ולהימנע מלמידה עמוקה, הנלמדת בתכנית שלנו ל-[AI למתחילים](https://aka.ms/ai4beginners). שילבו שיעורים אלו גם עם תכנית ['מדעי הנתונים למתחילים'](https://aka.ms/ds4beginners)! +צוות Cloud Advocates במיקרוסופט שמח להציע תוכנית לימודים של 12 שבועות, 26 שיעורים, בנושא **למידת מכונה**. בתוכנית זו תלמדו על מה שמכונה לפעמים **למידת מכונה קלאסית**, כאשר משתמשים בעיקר בספריית Scikit-learn ומיד נימנע מלמידה עמוקה, הנלמדת בתוכנית שלנו [AI for Beginners' curriculum](https://aka.ms/ai4beginners). אפשר לשלב שיעורים אלו גם עם תוכנית ה-['Data Science for Beginners'](https://aka.ms/ds4beginners) שלנו! -נסעו איתנו סביב העולם כשניישם את הטכניקות הקלאסיות הללו על נתונים מאזורים רבים ברחבי העולם. כל שיעור כולל מבחני קדם ואחרי השיעור, הוראות כתובות לסיום השיעור, פתרון, משימה ועוד. הפדגוגיה מבוססת פרויקטים מאפשרת לכם ללמוד תוך כדי בנייה, שיטה מוכחת שגורמת לכישורים החדשים 'להידבק'. +טיילו איתנו ברחבי העולם כשאנחנו מיישמים את הטכניקות הקלאסיות הללו על נתונים מאזורים רבים בעולם. כל שיעור כולל מבחנים לפני ואחרי השיעור, הוראות כתובות לסיום השיעור, פתרון, משימה, ועוד. הפדגוגיה המבוססת פרויקטים שלנו מאפשרת לכם ללמוד תוך כדי בנייה, דרך מוכחת שיכולות חדשות "ידבקו". -**✍️ תודה רבה למחברים שלנו** ג'ן לופר, סטיבן האואל, פרנצ'סקה לזארי, תומומי אימורה, קאסי ברוויו, דמיטרי סושניקוב, כריס נורינג, אנירבאן מוכהרי, אורנלה אלטוניאן, רות יקובו ואיימי בויד +**✍️ תודה ענקית למחברים שלנו** ג'ן לופר, סטיבן האול, פרנססקה לזֶרִי, טומומי אימורה, קסי בריוויו, דמיטרי סושניקוב, כריס נורינג, אנירבן מוקֶ'רְג'י, אורנלה אלטוניאן, רות יאקובו ואיימי בויד -**🎨 תודה גם לאיורים** תומומי אימורה, דאסאני מדיפאלי וג'ן לופר +**🎨 תודה גם למאיירים שלנו** טומומי אימורה, דסאני מדיפאלי, וג'ן לופר -**🙏 תודה מיוחדת 🙏 למחברי ומבקרי התוכן של שגרירי סטודנטים של מיקרוסופט**, בייחוד רישיט דגלי, מחמד סאקיב חאן אינן, רוהאן רג', אלכסנדרו פטרסקו, אבישק ג'ייסוול, נאורין טבסום, יואן סמויאלה, וסנידה אגרוואל +**🙏 תודה מיוחדת 🙏 למחברי השגרירים הסטודנטים של מיקרוסופט, הסוקרים ותורמי התוכן שלנו**, בין היתר רישיט דג'לי, מוחמד סאכיב חאן אינאן, רוהאן ראג', אלכסנדרו פטרסקו, אבישק ג'ייסוואל, נאורין טאבאסום, יואן סמויאלה, וסניגדה אגרוואל -**🤩 תודה נוספת לשגרירי הסטודנטים של מיקרוסופט אריק ואנג'או, גאסלין סונדהי ווידושי גופטה עבור שיעורי R שלנו!** +**🤩 תודה מיוחדת לשגרירי הסטודנטים של מיקרוסופט אריק ואנג'או, ג'סלין סונדי, ווידושי גופטה על שיעורי R שלנו!** -# להתחיל +# התחלה -עקבו אחר השלבים: -1. **אצלו את המאגר**: לחצו על כפתור "Fork" בפינה הימנית העליונה של העמוד הזה. +עקבו אחר השלבים הבאים: +1. **פיצלו את המאגר**: לחצו על כפתור "Fork" בפינה הימנית העליונה של דף זה. 2. **שכפלו את המאגר**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +> 💡 **טיפ התחלה מהירה:** רוצים להתחיל בדפדפן מבלי להגדיר פייתון מקומית? השתמשו ב-[GitHub Codespaces](https://github.com/features/codespaces) ליצירת סביבת פיתוח בענן עבור הפיצול שלכם. פתחו את תפריט **Code** הירוק, בחרו **Codespaces**, וצרו codespace; התקינו את התלויות הדרושות לכל שיעור כנדרש. + > [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **צריכים עזרה?** בדקו את [מדריך פתרון הבעיות](TROUBLESHOOTING.md) עבור פתרונות לבעיות נפוצות בהתקנה, הגדרה והרצת שיעורים. +> 🔧 **צריכים עזרה?** בדקו את [מדריך פתרון בעיות](TROUBLESHOOTING.md) למענה על בעיות נפוצות בהתקנה, הגדרה והרצת שיעורים. -**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתכנית לימודים זו, בצעו fork לכל המאגר לחשבון GitHub האישי שלכם וסיימו את התרגילים בעצמכם או עם קבוצה: +**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתוכנית הלימודים הזו, פיצלו את כל המאגר לחשבון GitHub שלכם ושלמו את התרגילים לבד או בקבוצה: -- התחילו במבחן חימום לפני ההרצאה. -- קראו את ההרצאה ושלימו את הפעילויות, עצרו והרהרו בכל בדיקת ידע. -- נסו ליצור את הפרויקטים בהבנת השיעורים במקום רק להריץ את קוד הפתרון; עם זאת, הקוד זמין בתיקיות `/solution` בכל שיעור מבוסס פרויקט. -- עברו את מבחן סוף ההרצאה. +- התחילו במבחן טרום-ההרצאה. +- קראו את ההרצאה וסיימו את הפעילויות, הפסקו והרהרו בכל בדיקת ידע. +- נסו ליצור את הפרויקטים על ידי הבנה את השיעורים במקום להריץ את קוד הפתרון; עם זאת הקוד זמין בתיקיות `/solution` בכל שיעור ממוקד פרויקט. +- עברו מבחן לאחר ההרצאה. - השלימו את האתגר. - השלימו את המשימה. -- לאחר השלמת קבוצת שיעורים, בקרו ב-[לוח הדיונים](https://github.com/microsoft/ML-For-Beginners/discussions) ו"למדו בקול" על ידי מילוי טופס PAT המתאים. 'PAT' הוא כלי הערכת התקדמות שהוא טופס שאתם ממלאים להעמקת הלמידה. תוכלו גם להגיב על PATs אחרים כדי ללמוד יחד. +- לאחר השלמת קבוצת שיעורים, בקרו ב-[לוח הדיונים](https://github.com/microsoft/ML-For-Beginners/discussions) ו"למדו בקול רם" על ידי מילוי הטופס PAT המתאים. 'PAT' הוא כלי הערכת התקדמות שהוא טופס שאתם ממלאים כדי לקדם את הלמידה שלכם. תוכלו גם להגיב לטפסי PAT אחרים כדי שנלמד יחד. -> ללמידה נוספת, אנו ממליצים לעקוב אחרי מודולים ונתיבי לימוד ב-[Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> ללימוד נוסף, אנו ממליצים לעקוב אחר אלה [מודולי Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ונתיבי למידה. -**מורים**, כללנו [הצעות לשימוש בתכנית זו](for-teachers.md). +**מורים**, כללנו [כמה הצעות](for-teachers.md) לגבי השימוש בתוכנית הלימודים הזו. --- -## סירטוני הסבר +## וידאו להליכה צעד-אחר-צעד -חלק מהשיעורים זמינים כסרטונים קצרים. תוכלו למצוא את כולם בתוך השיעורים או בפלייליסט [ML for Beginners בערוץ Microsoft Developer ביוטיוב](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה. +חלק מהשיעורים זמינים כוידאו קצר. ניתן למצוא את כולם בשיעורים עצמם, או ברשימת ההשמעה [ML for Beginners ב-Chanel YouTube של מיקרוסופט למפתחים](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה. [![באנר ML למתחילים](../../translated_images/he/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) @@ -97,81 +99,82 @@ ## הכירו את הצוות -[![סרטון פרומו](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![וידאו פרומו](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**GIF מאת** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**גיף מאת** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 לחצו על התמונה למעלה לסרטון על הפרויקט והאנשים שיצרו אותו! +> 🎥 לחצו על התמונה למעלה לצפייה בסרטון על הפרויקט ועל האנשים שיצרו אותו! --- ## פדגוגיה -בחרנו שני יסודות פדגוגיים בבניית תכנית זו: הבטחה שהיא **מבוססת פרויקטים** עם התנסות מעשית וכוללת **מבחנים תכופים**. בנוסף, לתכנית זו יש **נושא משותף** שנותן לה אחידות. +בחרנו שני עקרונות פדגוגיים בעת בניית תוכנית הלימודים הזו: הבטחה שהתוכנית היא פרויקט-מבוסס ולאפשר קיום מבחנים תכופים. בנוסף, לתוכנית יש נושא משותף כדי לתת לה קוהרנטיות. -על ידי התאמת התוכן לפרויקטים, התהליך הופך למעורב יותר עבור התלמידים והשמירה על המושגים מתעצמת. בנוסף, מבחן בעל סיכון נמוך לפני השיעור מגדיר את כוונת התלמיד ללמידת הנושא, בעוד שמבחן שני אחרי השיעור מבטיח שמירה נוספת. תכנית זו עוצבה להיות גמישה וכיפית וניתן לקחת אותה בשלמותה או בחלקים. הפרויקטים מתחילים קטנים והופכים למורכבים יותר לקראת סוף המחזור של 12 השבועות. בתכנית כלול גם נספח על יישומים אמיתיים של למידת מכונה, שניתן להשתמש בו כניקוד נוסף או כבסיס לדיון. +על ידי התאמת התוכן לפרויקטים, התהליך הופך למענין יותר לסטודנטים והחזקת הידע תוגבר. בנוסף, מבחן בעל סיכון נמוך לפני כיתה מייצב את כוונת הסטודנט ללמידת הנושא, ומבחן שני לאחר הכיתה מוודא החזקה נוספת. התוכנית מעוצבת להיות גמישה ומהנה וניתנת ללמידה בשלמותה או בחלקים. הפרויקטים מתחילים קטנים והופכים למורכבים יותר עד סוף מחזור 12 השבועות. תוכנית זו כוללת גם פוסט-סקריפט על יישומים מעשיים של למידת מכונה, שניתן להשתמש בו כנקודות נוספות או בסיס לדיון. -> מצאו את [קוד ההתנהגות](CODE_OF_CONDUCT.md), הנחיות [לתרומה](CONTRIBUTING.md), [תרגומים](..) ו-[פתרון תקלות](TROUBLESHOOTING.md). נשמח למשוב בונה מצידכם! +> מצאו את [קוד ההתנהגות שלנו](CODE_OF_CONDUCT.md), [תרומה](CONTRIBUTING.md), [תרגומים](..), ו[מדריך פתרון בעיות](TROUBLESHOOTING.md). נשמח לקבל את המשוב הבונה שלכם! ## כל שיעור כולל -- אפשרות לרישום הערות סקיצה -- אפשרות לסרטון משלים -- סרטון הסבר (בחלק מהשיעורים בלבד) +- הערת סקיצה אופציונלית +- וידאו משלימה אופציונלי +- סיור וידאו (בחלק מהשיעורים בלבד) - [מבחן חימום לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/) - שיעור כתוב -- בשיעורים מבוססי פרויקט, מדריכים שלב-אחר-שלב כיצד לבנות את הפרויקט +- לשיעורים מבוססי פרויקט, מדריכים שלב-אחר-שלב על בניית הפרויקט - בדיקות ידע - אתגר - קריאה משלימה - משימה -- [מבחן סוף הרצאה](https://ff-quizzes.netlify.app/en/ml/) -> **הערה לגבי שפות**: שיעורים אלה כתובים בעיקר בפייתון, אך רבים זמינים גם ב-R. כדי להשלים שיעור ב-R, גש לתיקיית `/solution` וחפש שיעורים ב-R. הם כוללים סיומת .rmd המייצגת קובץ **R Markdown** שניתן להגדירו פשוט כהטמעה של `קטעי קוד` (של R או שפות אחרות) ו`כותרת YAML` (המנחה כיצד לעצב פלטים כמו PDF) ב`מסמך Markdown`. כמו כן, הוא משמש כמסגרת כתיבה דוגמתית למדעי הנתונים שכן הוא מאפשר לשלב את הקוד שלך, את הפלט שלו ואת מחשבותיך על ידי כתיבתן ב-Markdown. יתר על כן, ניתן להפיק ממסמכי R Markdown פורמטים לפלט כגון PDF, HTML או Word. - -> **הערה לגבי חידונים**: כל החידונים נמצאים בתוך [תיקיית אפליקציית החידון](../../quiz-app), הכוללת 52 חידונים בסך הכל, כל אחד עם שלוש שאלות. הם מקושרים מתוך השיעורים אך ניתן להריץ את אפליקציית החידונים באופן מקומי; פעל לפי ההוראות שבתיקיית `quiz-app` לאירוח מקומי או פריסה ב-Azure. - -| מספר שיעור | נושא | קבוצת השיעור | מטרות למידה | שיעור מקושר | מחבר | -| :--------: | :------------------------------------------------------------: | :------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | -| 01 | מבוא ללמידת מכונה | [מבוא](1-Introduction/README.md) | ללמוד את המושגים הבסיסיים מאחורי למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | מוחמד | -| 02 | היסטוריית למידת מכונה | [מבוא](1-Introduction/README.md) | ללמוד את ההיסטוריה הבסיסית של התחום | [שיעור](1-Introduction/2-history-of-ML/README.md) | ג'ן ואיימי | -| 03 | הוגנות ולמידת מכונה | [מבוא](1-Introduction/README.md) | מהם הסוגיות הפילוסופיות החשובות בנושא הוגנות שמומלץ לסטודנטים לקחת בחשבון כאשר בונים ומיישמים מודלים של למידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | טומומי | -| 04 | טכניקות ללמידת מכונה | [מבוא](1-Introduction/README.md) | אילו טכניקות חוקרי למידת מכונה משתמשים כדי לבנות מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | כריס וג'ן | -| 05 | מבוא לרגרסיה | [רגרסיה](2-Regression/README.md) | התחל עם פייתון ו-Scikit-learn למודלים של רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ג'ן • אריק ונג'או | -| 06 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | ויזואליזציה וניקוי נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ג'ן • אריק וונג'או | -| 07 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בניית מודלים של רגרסיה ליניארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ג'ן ודמיטרי • אריק וונג'או | -| 08 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בניית מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ג'ן • אריק וונג'או | -| 09 | אפליקציית אינטרנט 🔌 | [Web App](3-Web-App/README.md) | בניית אפליקציית אינטרנט לשימוש במודל שאומן | [Python](3-Web-App/1-Web-App/README.md) | ג'ן | -| 10 | מבוא למיון (classification) | [מיון](4-Classification/README.md) | ניקוי, הכנה וויזואליזציה של הנתונים שלך; מבוא למיון | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ג'ן וקאסי • אריק וונג'או | -| 11 | מטבחים אסייתיים והודיים טעימים 🍜 | [מיון](4-Classification/README.md) | מבוא לממיינים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ג'ן וקאסי • אריק וונג'או | -| 12 | מטבחים אסייתיים והודיים טעימים 🍜 | [מיון](4-Classification/README.md) | עוד ממיינים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ג'ן וקאסי • אריק וונג'או | -| 13 | מטבחים אסייתיים והודיים טעימים 🍜 | [מיון](4-Classification/README.md) | בניית אפליקציית אינטרנט להמלצות באמצעות המודל שלך | [Python](4-Classification/4-Applied/README.md) | ג'ן | -| 14 | מבוא לקיבוץ (clustering) | [קיבוץ](5-Clustering/README.md) | ניקוי, הכנה וויזואליזציה של הנתונים שלך; מבוא לקיבוץ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ג'ן • אריק וונג'או | -| 15 | חקר טעמי מוזיקה ניגרית 🎧 | [קיבוץ](5-Clustering/README.md) | בחינת שיטת קיבוץ K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ג'ן • אריק וונג'או | -| 16 | מבוא לעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | ללמוד את היסודות של NLP על ידי בניית בוט פשוט | [Python](6-NLP/1-Introduction-to-NLP/README.md) | סטיבן | -| 17 | משימות NLP נפוצות ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | העמקת הידע ב-NLP על ידי הבנת משימות נפוצות הנדרשות בעבודה עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | סטיבן | -| 18 | תרגום וניתוח רגשות ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | תרגום וניתוח רגשות בעזרת ג'יין אוסטן | [Python](6-NLP/3-Translation-Sentiment/README.md) | סטיבן | -| 19 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם ביקורות על מלונות 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | סטיבן | -| 20 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם ביקורות על מלונות 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | סטיבן | -| 21 | מבוא לחיזוי סדרות זמן | [סדרות זמן](7-TimeSeries/README.md) | מבוא לחיזוי סדרות זמן | [Python](7-TimeSeries/1-Introduction/README.md) | פרנססקה | -| 22 | ⚡️ שימוש עולמי בחשמל ⚡️ - חיזוי סדרות זמן עם ARIMA | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | פרנססקה | -| 23 | ⚡️ שימוש עולמי בחשמל ⚡️ - חיזוי סדרות זמן עם SVR | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם רגרסור וקטור תמיכה (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | אנירבן | -| 24 | מבוא ללמידה מחוזקת | [למידה מחוזקת](8-Reinforcement/README.md) | מבוא ללמידה מחוזקת עם Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | דמיטרי | -| 25 | עזור לפיטר להימנע מהזאב! 🐺 | [למידה מחוזקת](8-Reinforcement/README.md) | למידה מחוזקת עם Gym | [Python](8-Reinforcement/2-Gym/README.md) | דמיטרי | -| פרוסטקריפט | תרחישי למידת מכונה במציאות | [ML במציאות](9-Real-World/README.md) | יישומים מעניינים וחושפניים של למידת מכונה קלאסית | [שיעור](9-Real-World/1-Applications/README.md) | צוות | -| פרוסטקריפט | איתור באגים במודלים של למידת מכונה באמצעות לוח RAI | [ML במציאות](9-Real-World/README.md) | איתור באגים במודלים של למידת מכונה באמצעות רכיבי לוח המחוונים של Responsible AI | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | רות יקובו | +- [מבחן אחרי ההרצאה](https://ff-quizzes.netlify.app/en/ml/) + +> **הערה על שפות:** שיעורים אלו כתובים בעיקר בפייתון, אך רבים מהם זמינים גם ב-R. להשלמת שיעור ב-R, גשו לתיקיית `/solution` וחפשו שיעורי R. הם כוללים סיומת .rmd המייצגת קובץ **R Markdown** שניתן להגדרה פשוטה כהטמעת `חתיכות קוד` (של R או שפות אחרות) ו`כותרת YAML` (המדריכה כיצד לעצב תוצרי פלט כמו PDF) בתוך מסמך `Markdown`. כך הוא משמש כמסגרת מחברת מוכרת למדע הנתונים המאפשרת לשלב בין הקוד שלכם, הפלט שלו, והמחשבות שלכם על ידי כתיבתן ב-Markdown. יתרה מכך, קבצי R Markdown ניתנים להמרה לפורמטים כגון PDF, HTML, או Word. + +> **הערה על מבחנים:** כל המבחנים נמצאים בתיקיית [Quiz App](../../quiz-app), הכוללת 52 מבחנים בסך הכל, כל אחד עם שלוש שאלות. הם מקושרים מתוך השיעורים אך את אפליקציית המבחנים ניתן להריץ מקומית; עקבו אחרי ההנחיות בתיקיית `quiz-app` לאירוח מקומי או פריסה ל-Azure. + +| מספר השיעור | נושא | קיבוץ שיעורים | מטרות למידה | שיעור מקושר | מחבר | +| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | +| 01 | מבוא ללמידת מכונה | [הקדמה](1-Introduction/README.md) | ללמוד את המושגים הבסיסיים שמאחורי למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | מוחמד | +| 02 | ההיסטוריה של למידת מכונה | [הקדמה](1-Introduction/README.md) | ללמוד את ההיסטוריה העומדת מאחורי תחום זה | [שיעור](1-Introduction/2-history-of-ML/README.md) | ג'ן ואיימי | +| 03 | הוגנות ולמידת מכונה | [הקדמה](1-Introduction/README.md) | מהם הנושאים הפילוסופיים החשובים סביב הוגנות שעל הסטודנטים לקחת בחשבון בעת בנייה ויישום של מודלי למידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | טומומי | +| 04 | טכניקות ללמידת מכונה | [הקדמה](1-Introduction/README.md) | אילו טכניקות חוקרי למידה מכונה משתמשים כדי לבנות מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | כריס וג'ן | +| 05 | מבוא לרגרסיה | [רגרסיה](2-Regression/README.md) | התחילו עם Python ו-Scikit-learn למודלי רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | ג'ן • אריק וואנג'או | +| 06 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | להמחיש ולנקות נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | ג'ן • אריק וואנג'או | +| 07 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | לבנות מודלי רגרסיה ליניארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | ג'ן ודמיטרי • אריק וואנג'או | +| 08 | מחירי דלעות בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | לבנות מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | ג'ן • אריק וואנג'או | +| 09 | אפליקציית רשת 🔌 | [אפליקציית רשת](3-Web-App/README.md) | לבנות אפליקציית רשת לשימוש במודל שאומן | [Python](3-Web-App/1-Web-App/README.md) | ג'ן | +| 10 | מבוא למיון | [סיווג](4-Classification/README.md) | לנקות, להכין ולהמחיש את הנתונים; מבוא למיון | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | ג'ן וקסי • אריק וואנג'או | +| 11 | מטבח אסייתי והודי טעים 🍜 | [סיווג](4-Classification/README.md) | מבוא למסווגים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | ג'ן וקסי • אריק וואנג'או | +| 12 | מטבח אסייתי והודי טעים 🍜 | [סיווג](4-Classification/README.md) | מסווגים נוספים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | ג'ן וקסי • אריק וואנג'או | +| 13 | מטבח אסייתי והודי טעים 🍜 | [סיווג](4-Classification/README.md) | לבנות אפליקציית רשת מומלצת באמצעות המודל | [Python](4-Classification/4-Applied/README.md) | ג'ן | +| 14 | מבוא לאשכולות | [אשכולות](5-Clustering/README.md) | לנקות, להכין ולהמחיש את הנתונים; מבוא לאשכולות | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | ג'ן • אריק וואנג'או | +| 15 | חקר טעמי המוזיקה בניגריה 🎧 | [אשכולות](5-Clustering/README.md) | חקור את שיטת האשכולות K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | ג'ן • אריק וואנג'או | +| 16 | מבוא לעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | למד את היסודות של NLP על ידי בניית בוט פשוט | [Python](6-NLP/1-Introduction-to-NLP/README.md) | סטיבן | +| 17 | משימות NLP נפוצות ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | העמק את הידע שלך ב-NLP על ידי הבנת משימות נפוצות הנדרשות בעבודה עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | סטיבן | +| 18 | תרגום וניתוח סנטימנט ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | תרגום וניתוח סנטימנט עם ג'יין אוסטן | [Python](6-NLP/3-Translation-Sentiment/README.md) | סטיבן | +| 19 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח סנטימנט עם ביקורות על בתי מלון 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | סטיבן | +| 20 | בתי מלון רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח סנטימנט עם ביקורות על בתי מלון 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | סטיבן | +| 21 | מבוא לחיזוי סדרות זמן | [סדרות זמן](7-TimeSeries/README.md) | מבוא לחיזוי סדרות זמן | [Python](7-TimeSeries/1-Introduction/README.md) | פרנצ'סקה | +| 22 | ⚡️ שימוש עולמי בחשמל ⚡️ - חיזוי סדרות זמן עם ARIMA | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | פרנצ'סקה | +| 23 | ⚡️ שימוש עולמי בחשמל ⚡️ - חיזוי סדרות זמן עם SVR | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן עם מתאם וקטורים תמיכה | [Python](7-TimeSeries/3-SVR/README.md) | אנירבן | +| 24 | מבוא ללמידה מחזקת | [למידה מחזקת](8-Reinforcement/README.md) | מבוא ללמידה מחזקת עם Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | דמיטרי | +| 25 | עזור לפיטר להמנע מהזאב! 🐺 | [למידה מחזקת](8-Reinforcement/README.md) | למידה מחזקת עם Gym | [Python](8-Reinforcement/2-Gym/README.md) | דמיטרי | +| פוסטסקריפט | תרחישי למידת מכונה בעולם האמיתי ויישומים | [ML ביער](9-Real-World/README.md) | יישומים מעניינים וחושפניים של למידת מכונה קלאסית | [שיעור](9-Real-World/1-Applications/README.md) | הצוות | +| פוסטסקריפט | איתור תקלות בדגם למידת מכונה באמצעות לוח בקרה RAI | [ML ביער](9-Real-World/README.md) | איתור תקלות במודלי למידת מכונה באמצעות רכיבי לוח הבקרה של Responsible AI | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | רות יעקובו | > [מצא את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## גישה לא מקוונת -אתה יכול להפעיל את התיעוד הזה לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). פצל את הריפוזיטורי הזה, [התקן את Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלך, ואז בתיקיית השורש של הריפו, הקלד `docsify serve`. האתר יהיה זמין בכתובת `localhost:3000` ביציאה 3000 במחשב שלך. +ניתן להריץ את התיעוד הזה באופן לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). פצל את המאגר הזה, [התקן את Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלך, ואז בתיקיית השורש של המאגר, הקלד `docsify serve`. האתר יוגש על פורט 3000 ב-localhost שלך: `localhost:3000`. ## קבצי PDF -מצא קובץ pdf של תכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +מצא קובץ PDF של תוכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 קורסים נוספים +## 🎒 קורסים אחרים הצוות שלנו מייצר קורסים נוספים! בדוק: @@ -186,64 +189,64 @@ [![AZD למתחילים](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI למתחילים](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP למתחילים](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![סוכני בינה מלאכותית למתחילים](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![סוכני AI למתחילים](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### סדרת בינה מלאכותית יוצרת -[![בינה מלאכותית יוצרת למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![בינה מלאכותית יוצרת (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![בינה מלאכותית יוצרת (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![בינה מלאכותית יוצרת (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### סדרת AI יצרני +[![AI יצרני למתחילים](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI יצרני (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![AI יצרני (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![AI יצרני (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### למידה בסיסית +### הלמידה המרכזית [![למידת מכונה למתחילים](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![מדעי הנתונים למתחילים](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![בינה מלאכותית למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![אבטחת סייבר למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![פיתוח ווב למתחילים](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![AI למתחילים](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![סייברסקיוריטי למתחילים](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![פיתוח רשת למתחילים](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![IoT למתחילים](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [![פיתוח XR למתחילים](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### סדרת Copilot -[![Copilot לתכנות משותף עם בינה מלאכותית](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot לתכנות זוגי עם AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot ל-C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![הרפתקאות Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![הרפתקת Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## לקבלת עזרה -אם אתה נתקע או יש לך שאלות בזמן הלמידה של למידת מכונה או בניית יישומי בינה מלאכותית, אל דאגה — עזרה זמינה. +אם נתקלת בבלבול או יש לך שאלות בזמן למידת למידת מכונה או בניית יישומי AI, אל תדאג — עזרה זמינה. -אתה יכול להצטרף לדיונים עם לומדים ומפתחים אחרים, לשאול שאלות, ולשתף את הרעיונות שלך עם הקהילה. +תוכל להצטרף לדיונים עם לומדים ומפתחים אחרים, לשאול שאלות, ולשתף רעיונות עם הקהילה. -- הצטרף לקהילה כדי לשאול שאלות וללמוד עם אחרים -- דון במושגי למידת מכונה ורעיונות לפרויקטים -- קבל הנחיות ממפתחים מנוסים +- הצטרף לקהילה לשאול שאלות וללמוד עם אחרים +- לדון במושגי למידת מכונה וברעיונות לפרויקטים +- לקבל הנחיות ממפתחים מנוסים -קהילה תומכת היא דרך נהדרת לפיתוח מיומנויות ולפתור בעיות מהר יותר. +קהילה תומכת היא דרך מצוינת לפתח את הכישורים שלך ולפתור בעיות במהירות. -[קהילת דיסקורד Microsoft Foundry](https://discord.gg/nTYy5BXMWG) +[קהילת Discord של Microsoft Foundry](https://discord.gg/nTYy5BXMWG) -אם אתה נתקל בבאגים, שגיאות, או יש לך הצעות לשיפורים, אתה יכול לפתוח **Issue** במאגר הזה כדי לדווח על הבעיה. +אם אתה נתקל בבאגים, שגיאות, או יש לך הצעות לשיפורים, תוכל גם לפתוח **בעיה** במאגר זה כדי לדווח על הבעיה. -למשוב על המוצר או כדי לחפש פוסטים קיימים בקהילה, בקר בפורום המפתחים: +למשוב על המוצר או לחיפוש פוסטים קיימים בקהילה, בקר בפורום המפתחים: -[![פורום מפתחים Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![פורום מפתחי Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## טיפים ללמידה נוספים +## טיפים נוספים ללמידה -- סקור מחברות אחרי כל שיעור להבנה טובה יותר. +- סקור פנקסים אחרי כל שיעור להבנה טובה יותר. - תרגל יישום אלגוריתמים בעצמך. -- חקור מערכי נתונים מהעולם האמיתי באמצעות המושגים שנלמדו. +- חקור מערכי נתונים מהעולם האמיתי באמצעות המושגים שלמדת. --- -**כתב התרעה**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש להיות מודעים לכך שתרגומים אוטומטיים עלולים לכלול טעויות או אי דיוקים. יש להתייחס למסמך המקורי בשפת המקור כמקור הסמכות הרשמי. למידע קריטי מומלץ להיעזר בתרגום מקצועי אנושי. איננו אחראים לכל אי הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה. +**כתב ויתור**: +מסמך זה תורגם באמצעות שירות תרגום אוטומטי [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה. \ No newline at end of file diff --git a/translations/he/for-teachers.md b/translations/he/for-teachers.md index f36cd00a2..95434ff78 100644 --- a/translations/he/for-teachers.md +++ b/translations/he/for-teachers.md @@ -1,28 +1,30 @@ ## למורים -האם תרצו להשתמש בתוכנית הלימודים הזו בכיתה שלכם? אתם מוזמנים לעשות זאת! +האם תרצו להשתמש בתכנית הלימודים הזו בכיתה שלכם? בבקשה, תרגישו חופשיים! -למעשה, תוכלו להשתמש בה ישירות בתוך GitHub באמצעות GitHub Classroom. +למעשה, אתם יכולים להשתמש בה בתוך GitHub עצמו על ידי שימוש ב-GitHub Classroom. -כדי לעשות זאת, בצעו fork למאגר הזה. תצטרכו ליצור מאגר עבור כל שיעור, ולכן תצטרכו להפריד כל תיקייה למאגר נפרד. כך [GitHub Classroom](https://classroom.github.com/classrooms) יוכל לזהות כל שיעור בנפרד. +כדי לעשות זאת, פצלו את המאגר הזה. תצטרכו ליצור מאגר לכל שיעור, ולכן תצטרכו לחלץ כל תיקיה למאגר נפרד. כך, [GitHub Classroom](https://classroom.github.com/classrooms) יוכל לקלוט כל שיעור בנפרד. -הוראות [מלאות](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) אלו יספקו לכם רעיון כיצד להקים את הכיתה שלכם. +ההוראות המלאות האלה [full instructions](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) יתנו לכם מושג כיצד להקים את הכיתה שלכם. -## שימוש במאגר כפי שהוא +## שימוש במאגר כמו שהוא -אם תרצו להשתמש במאגר כפי שהוא כרגע, מבלי להשתמש ב-GitHub Classroom, גם זה אפשרי. תצטרכו לתקשר עם התלמידים שלכם איזה שיעור לעבוד עליו יחד. +אם תרצו להשתמש במאגר הזה כפי שהוא כרגע, ללא שימוש ב-GitHub Classroom, זה אפשרי גם כן. תצטרכו לתקשר עם התלמידים שלכם איזה שיעור לעבור יחד. -בפורמט מקוון (Zoom, Teams או אחר) תוכלו ליצור חדרי עבודה עבור החידונים, ולהנחות את התלמידים כדי להכין אותם ללמידה. לאחר מכן, הזמינו את התלמידים להשתתף בחידונים ולהגיש את תשובותיהם כ-'issues' בזמן מסוים. תוכלו לעשות את אותו הדבר עם משימות, אם תרצו שהתלמידים יעבדו בשיתוף פעולה באופן פתוח. +בפורמט מקוון (Zoom, Teams או אחר) תוכלו ליצור חדרים נפרדים עבור החידונים, ולהדריך תלמידים כדי לעזור להם להתכונן ללמידה. לאחר מכן הזמינו את התלמידים לקחת את החידונים ולהגיש את התשובות שלהם כ'issues' בזמן מסוים. אפשר לעשות את אותו הדבר עם משימות, אם תרצו שהתלמידים יעבדו בצורה שיתופית על גבי הפלטפורמה. -אם אתם מעדיפים פורמט יותר פרטי, בקשו מהתלמידים לבצע fork לתוכנית הלימודים, שיעור אחר שיעור, למאגרים פרטיים משלהם ב-GitHub, ותנו לכם גישה. כך הם יוכלו להשלים חידונים ומשימות באופן פרטי ולהגיש אותם לכם דרך 'issues' במאגר הכיתה שלכם. +אם אתם מעדיפים פורמט פרטי יותר, בקשו מהתלמידים לפצל את תכנית הלימודים, שיעור אחר שיעור, אל מאגרי GitHub פרטיים של עצמם, ולתת לכם גישה. אז הם יכולים להשלים חידונים ומשימות באופן פרטי ולהגיש אותם אליכם דרך ה-issues במאגר הכיתה שלכם. -ישנן דרכים רבות לגרום לזה לעבוד בפורמט כיתה מקוון. אנא שתפו אותנו מה עובד הכי טוב עבורכם! +ישנן דרכים רבות להפוך את זה לעבודה מוצלחת בפורמט של כיתה מקוונת. בבקשה הודיעו לנו מה הכי מתאים לכם! -## נשמח לשמוע את דעתכם! +## אנא שתפו אותנו במחשבותיכם! -אנחנו רוצים שהתוכנית הזו תתאים לכם ולתלמידים שלכם. אנא שתפו אותנו [משוב](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). +אנו רוצים לעשות שתכנית הלימודים הזו תעבוד עבורכם ועבור תלמידיכם. אנא הרכיבו לנו [משוב](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). --- -**כתב ויתור**: -מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה. \ No newline at end of file + +**כתב ויתור**: +מסמך זה תורגם באמצעות שירות תרגום אוטומטי [Co-op Translator](https://github.com/Azure/co-op-translator). למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה. + \ No newline at end of file diff --git a/translations/nl/.co-op-translator.json b/translations/nl/.co-op-translator.json index dd78b6090..c03d91468 100644 --- a/translations/nl/.co-op-translator.json +++ b/translations/nl/.co-op-translator.json @@ -12,8 +12,8 @@ "language_code": "nl" }, "1-Introduction/2-history-of-ML/README.md": { - "original_hash": "6a05fec147e734c3e6bfa54505648e2b", - "translation_date": "2025-09-05T19:40:50+00:00", + "original_hash": "e6b5247d6b4dc821434070bdb58e8285", + "translation_date": "2026-09-14T21:25:24+00:00", "source_file": "1-Introduction/2-history-of-ML/README.md", "language_code": "nl" }, @@ -24,8 +24,8 @@ "language_code": "nl" }, "1-Introduction/3-fairness/README.md": { - "original_hash": "0f00d72169a0d37eecfd16d71e01700a", - "translation_date": "2026-07-14T03:49:28+00:00", + "original_hash": "0c620ca2c6d2828e9a838ecec5f01265", + "translation_date": "2026-09-14T21:24:52+00:00", "source_file": "1-Introduction/3-fairness/README.md", "language_code": "nl" }, @@ -54,8 +54,8 @@ "language_code": "nl" }, "2-Regression/1-Tools/README.md": { - "original_hash": "0b8635427b582d03ea4ab7089b93e505", - "translation_date": "2026-07-14T03:46:49+00:00", + "original_hash": "1f4f6c95404d528041bcc36784771084", + "translation_date": "2026-09-14T21:26:05+00:00", "source_file": "2-Regression/1-Tools/README.md", "language_code": "nl" }, @@ -282,8 +282,8 @@ "language_code": "nl" }, "5-Clustering/README.md": { - "original_hash": "b28a3a4911584062772c537b653ebbc7", - "translation_date": "2025-09-05T19:10:02+00:00", + "original_hash": "c78940a1b03da1de13bd97527f9e6606", + "translation_date": "2026-09-14T21:23:53+00:00", "source_file": "5-Clustering/README.md", "language_code": "nl" }, @@ -456,8 +456,8 @@ "language_code": "nl" }, "7-TimeSeries/README.md": { - "original_hash": "61342603bad8acadbc6b2e4e3aab3f66", - "translation_date": "2025-09-05T18:57:34+00:00", + "original_hash": "722526664e764a2290e1def74afa5139", + "translation_date": "2026-09-14T21:24:08+00:00", "source_file": "7-TimeSeries/README.md", "language_code": "nl" }, @@ -564,8 +564,8 @@ "language_code": "nl" }, "README.md": { - "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", - "translation_date": "2026-04-20T20:46:16+00:00", + "original_hash": "8bba8faed876aa7bbc92b759a350b1d8", + "translation_date": "2026-09-14T21:19:27+00:00", "source_file": "README.md", "language_code": "nl" }, @@ -592,11 +592,11 @@ "original_hash": "fba3b94d88bfb9b81369b869a1e9a20f", "source_file": "sketchnotes/LICENSE.md", "language_code": "nl", - "failure_date": "2026-07-14T03:45:59+00:00", + "failure_date": "2026-09-14T21:23:44+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": "nl" }, "for-teachers.md": { - "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8", - "translation_date": "2025-09-05T18:35:59+00:00", + "original_hash": "4b5b4e11bf182a803261b55a19d3ee70", + "translation_date": "2026-09-14T21:17:19+00:00", "source_file": "for-teachers.md", "language_code": "nl" }, diff --git a/translations/nl/1-Introduction/2-history-of-ML/README.md b/translations/nl/1-Introduction/2-history-of-ML/README.md index dfe10b201..2376d207f 100644 --- a/translations/nl/1-Introduction/2-history-of-ML/README.md +++ b/translations/nl/1-Introduction/2-history-of-ML/README.md @@ -1,80 +1,80 @@ # Geschiedenis van machine learning -![Samenvatting van de geschiedenis van machine learning in een sketchnote](../../../../sketchnotes/ml-history.png) +![Samenvatting van de geschiedenis van machine learning in een sketchnote](../../../../translated_images/nl/ml-history.a1bdfd4ce1f464d9.webp) > Sketchnote door [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Quiz voorafgaand aan de les](https://ff-quizzes.netlify.app/en/ml/) +## [Pre-college quiz](https://ff-quizzes.netlify.app/en/ml/) --- -[![ML voor beginners - Geschiedenis van Machine Learning](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "ML voor beginners - Geschiedenis van Machine Learning") +[![ML voor beginners - Geschiedenis van machine learning](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "ML voor beginners - Geschiedenis van machine learning") -> 🎥 Klik op de afbeelding hierboven voor een korte video over deze les. +> 🎥 Klik op de afbeelding hierboven voor een korte video waarin deze les wordt doorgenomen. -In deze les lopen we door de belangrijkste mijlpalen in de geschiedenis van machine learning en kunstmatige intelligentie. +In deze les doorlopen we de belangrijkste mijlpalen in de geschiedenis van machine learning en kunstmatige intelligentie. -De geschiedenis van kunstmatige intelligentie (AI) als vakgebied is nauw verweven met de geschiedenis van machine learning, omdat de algoritmen en computationele vooruitgangen die ML ondersteunen hebben bijgedragen aan de ontwikkeling van AI. Het is nuttig om te onthouden dat, hoewel deze vakgebieden als afzonderlijke onderzoeksgebieden in de jaren 1950 begonnen te kristalliseren, belangrijke [algoritmische, statistische, wiskundige, computationele en technische ontdekkingen](https://wikipedia.org/wiki/Timeline_of_machine_learning) voorafgingen aan en overlapten met deze periode. Mensen denken zelfs al [honderden jaren](https://wikipedia.org/wiki/History_of_artificial_intelligence) na over deze vragen: dit artikel bespreekt de historische intellectuele basis van het idee van een 'denkende machine.' +De geschiedenis van kunstmatige intelligentie (AI) als vakgebied is verweven met de geschiedenis van machine learning, omdat de algoritmen en computationele ontwikkelingen die aan ML ten grondslag liggen, bijdroegen aan de ontwikkeling van AI. Het is nuttig te onthouden dat, terwijl deze vakgebieden als afzonderlijke onderzoeksgebieden in de jaren 1950 begonnen te kristalliseren, belangrijke [algoritmische, statistische, wiskundige, computationele en technische ontdekkingen](https://wikipedia.org/wiki/Timeline_of_machine_learning) deze periode voorafgingen en overlappen. Mensen hebben al [honderden jaren](https://wikipedia.org/wiki/History_of_artificial_intelligence) over deze vragen nagedacht: dit artikel bespreekt de historische intellectuele fundamenten van het idee van een 'denkende machine'. --- -## Belangrijke ontdekkingen +## Opmerkelijke ontdekkingen -- 1763, 1812 [Bayesiaanse stelling](https://wikipedia.org/wiki/Bayes%27_theorem) en zijn voorlopers. Deze stelling en de toepassingen ervan vormen de basis van inferentie en beschrijven de kans dat een gebeurtenis plaatsvindt op basis van eerdere kennis. -- 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) door de Franse wiskundige Adrien-Marie Legendre. Deze theorie, die je zult leren in onze regressie-eenheid, helpt bij het aanpassen van data. -- 1913 [Markovketens](https://wikipedia.org/wiki/Markov_chain), genoemd naar de Russische wiskundige Andrey Markov, worden gebruikt om een reeks mogelijke gebeurtenissen te beschrijven op basis van een vorige toestand. -- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) is een type lineaire classifier uitgevonden door de Amerikaanse psycholoog Frank Rosenblatt, die de basis vormt voor vooruitgangen in deep learning. +- 1763, 1812 [Bayesiaanse Theorema](https://wikipedia.org/wiki/Bayes%27_theorem) en zijn voorgangers. Dit theorema en de toepassingen ervan liggen ten grondslag aan inferentie, die de waarschijnlijkheid van een gebeurtenis op basis van voorafgaande kennis beschrijft. +- 1805 [Methode van de kleinste kwadraten](https://wikipedia.org/wiki/Least_squares) door de Franse wiskundige Adrien-Marie Legendre. Deze theorie, die je zult leren in onze Regressie-eenheid, helpt bij het passend maken van gegevens. +- 1913 [Markov-ketens](https://wikipedia.org/wiki/Markov_chain), genoemd naar de Russische wiskundige Andrey Markov, worden gebruikt om een reeks mogelijke gebeurtenissen te beschrijven op basis van een vorige toestand. +- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) is een type lineaire classifier uitgevonden door de Amerikaanse psycholoog Frank Rosenblatt die ten grondslag ligt aan vooruitgang in deep learning. --- -- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) is een algoritme dat oorspronkelijk is ontworpen om routes in kaart te brengen. In een ML-context wordt het gebruikt om patronen te detecteren. -- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) wordt gebruikt om [feedforward neural networks](https://wikipedia.org/wiki/Feedforward_neural_network) te trainen. -- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) zijn kunstmatige neurale netwerken afgeleid van feedforward neurale netwerken die temporele grafieken creëren. +- 1967 [Dichtstbijzijnde buur](https://wikipedia.org/wiki/Nearest_neighbor) is een algoritme dat oorspronkelijk werd ontworpen om routes in kaart te brengen. In een ML-context wordt het gebruikt om patronen te detecteren. +- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) wordt gebruikt om [feedforward neurale netwerken](https://wikipedia.org/wiki/Feedforward_neural_network) te trainen. +- 1982 [Terugkerende neurale netwerken](https://wikipedia.org/wiki/Recurrent_neural_network) zijn kunstmatige neurale netwerken die zijn afgeleid van feedforward neurale netwerken die temporele grafieken creëren. -✅ Doe wat onderzoek. Welke andere data springen eruit als cruciaal in de geschiedenis van ML en AI? +✅ Doe wat onderzoek. Welke andere data springen eruit als belangrijke mijlpalen in de geschiedenis van ML en AI? --- ## 1950: Machines die denken -Alan Turing, een werkelijk opmerkelijk persoon die [door het publiek in 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) werd verkozen tot de grootste wetenschapper van de 20e eeuw, wordt gecrediteerd met het helpen leggen van de basis voor het concept van een 'machine die kan denken.' Hij worstelde met sceptici en zijn eigen behoefte aan empirisch bewijs van dit concept, onder andere door het creëren van de [Turingtest](https://www.bbc.com/news/technology-18475646), die je zult verkennen in onze NLP-lessen. +Alan Turing, een werkelijk opmerkelijk persoon die [door het publiek in 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) werd gekozen tot de grootste wetenschapper van de 20e eeuw, wordt erkend voor het helpen leggen van de basis voor het concept van een 'machine die kan denken.' Hij worstelde met tegenstanders en zijn eigen behoefte aan empirisch bewijs van dit concept, deels door het creëren van de [Turing-test](https://www.bbc.com/news/technology-18475646), die je zult verkennen in onze NLP-lessen. --- ## 1956: Dartmouth Summer Research Project -"Het Dartmouth Summer Research Project over kunstmatige intelligentie was een baanbrekende gebeurtenis voor kunstmatige intelligentie als vakgebied," en hier werd de term 'kunstmatige intelligentie' bedacht ([bron](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). +"Het Dartmouth Summer Research Project over kunstmatige intelligentie was een baanbrekend evenement voor kunstmatige intelligentie als vakgebied," en het was hier dat de term 'kunstmatige intelligentie' werd bedacht ([bron](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). -> Elk aspect van leren of een ander kenmerk van intelligentie kan in principe zo precies worden beschreven dat een machine kan worden gemaakt om het te simuleren. +> Elk aspect van leren of een ander kenmerk van intelligentie kan in principe zo nauwkeurig beschreven worden dat een machine het kan nabootsen. --- -De hoofdonderzoeker, wiskundeprofessor John McCarthy, hoopte "voort te gaan op basis van de veronderstelling dat elk aspect van leren of een ander kenmerk van intelligentie in principe zo precies kan worden beschreven dat een machine kan worden gemaakt om het te simuleren." De deelnemers omvatten een andere grootheid in het veld, Marvin Minsky. +De hoofdonderzoeker, wiskundeprofessor John McCarthy, hoopte "op basis van de veronderstelling door te gaan dat elk aspect van leren of een ander kenmerk van intelligentie in principe zo nauwkeurig kan worden beschreven dat een machine het kan nabootsen." Onder de deelnemers bevond zich een andere grootheid op het gebied, Marvin Minsky. -De workshop wordt gecrediteerd met het initiëren en aanmoedigen van verschillende discussies, waaronder "de opkomst van symbolische methoden, systemen gericht op beperkte domeinen (vroege expertsystemen), en deductieve systemen versus inductieve systemen." ([bron](https://wikipedia.org/wiki/Dartmouth_workshop)). +De workshop wordt gecrediteerd voor het initieren en aanmoedigen van verschillende discussies, waaronder "de opkomst van symbolische methoden, systemen gericht op beperkte domeinen (vroege expertsystemen) en deductieve systemen versus inductieve systemen." ([bron](https://wikipedia.org/wiki/Dartmouth_workshop)). --- ## 1956 - 1974: "De gouden jaren" -Van de jaren 1950 tot halverwege de jaren '70 was er veel optimisme over de hoop dat AI veel problemen kon oplossen. In 1967 verklaarde Marvin Minsky vol vertrouwen: "Binnen een generatie ... zal het probleem van het creëren van 'kunstmatige intelligentie' substantieel zijn opgelost." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) +Vanaf de jaren 1950 tot halverwege de jaren '70 was het optimisme groot dat AI veel problemen zou kunnen oplossen. In 1967 stelde Marvin Minsky vol vertrouwen dat "Binnen een generatie ... het probleem van het creëren van 'kunstmatige intelligentie' grotendeels zal zijn opgelost." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) -Onderzoek naar natuurlijke taalverwerking bloeide, zoekmethoden werden verfijnd en krachtiger gemaakt, en het concept van 'micro-werelden' werd gecreëerd, waar eenvoudige taken werden uitgevoerd met behulp van eenvoudige taalopdrachten. +Onderzoek naar natuurlijke taalverwerking bloeide, zoeken werd verfijnd en krachtiger, en het concept van 'micro-werelden' werd gecreëerd, waarbij eenvoudige taken werden uitgevoerd met gewone taalopdrachten. --- -Onderzoek werd goed gefinancierd door overheidsinstanties, vooruitgangen werden geboekt in computation en algoritmen, en prototypes van intelligente machines werden gebouwd. Enkele van deze machines zijn: +Onderzoek werd goed gefinancierd door overheidsinstanties, er werden vooruitgangen geboekt in berekeningen en algoritmen, en prototypes van intelligente machines werden gebouwd. Enkele van deze machines zijn onder andere: -* [Shakey de robot](https://wikipedia.org/wiki/Shakey_the_robot), die kon manoeuvreren en beslissen hoe taken 'intelligent' moesten worden uitgevoerd. +* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), die kon manoeuvreren en beslissen hoe taken 'intelligent' uit te voeren. - ![Shakey, een intelligente robot](../../../../1-Introduction/2-history-of-ML/images/shakey.jpg) + ![Shakey, een intelligente robot](../../../../translated_images/nl/shakey.4dc17819c447c05b.webp) > Shakey in 1972 --- -* Eliza, een vroege 'chatterbot', kon met mensen praten en fungeren als een primitieve 'therapeut'. Je leert meer over Eliza in de NLP-lessen. +* Eliza, een vroege 'chatterbot', kon met mensen converseren en fungeren als een primitieve 'therapeut'. Je leert meer over Eliza in de NLP-lessen. - ![Eliza, een bot](../../../../1-Introduction/2-history-of-ML/images/eliza.png) + ![Eliza, een bot](../../../../translated_images/nl/eliza.84397454cda9559b.webp) > Een versie van Eliza, een chatbot --- -* "Blocks world" was een voorbeeld van een micro-wereld waar blokken konden worden gestapeld en gesorteerd, en experimenten in het leren van machines om beslissingen te nemen konden worden getest. Vooruitgangen gebouwd met bibliotheken zoals [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hielpen de taalverwerking vooruit te stuwen. +* "Blocks world" was een voorbeeld van een micro-wereld waar blokken gestapeld en gesorteerd konden worden en experimenten in het leren van besluitvorming door machines konden worden getest. Vooruitgangen gebouwd met bibliotheken zoals [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hielpen taalverwerking vooruit te brengen. [![blocks world met SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world met SHRDLU") @@ -83,46 +83,46 @@ Onderzoek werd goed gefinancierd door overheidsinstanties, vooruitgangen werden --- ## 1974 - 1980: "AI Winter" -Halverwege de jaren '70 werd duidelijk dat de complexiteit van het maken van 'intelligente machines' was onderschat en dat de belofte ervan, gezien de beschikbare rekenkracht, was overdreven. Financiering droogde op en het vertrouwen in het veld nam af. Enkele problemen die het vertrouwen beïnvloedden waren: +Halverwege de jaren 1970 werd duidelijk dat de complexiteit van het maken van 'intelligente machines' was onderschat en dat de belofte ervan, gezien de beschikbare rekenkracht, was overdreven. De financiering droogde op en het vertrouwen in het vakgebied nam af. Enkele factoren die het vertrouwen beïnvloedden, waren onder andere: --- - **Beperkingen**. De rekenkracht was te beperkt. -- **Combinatorische explosie**. Het aantal parameters dat moest worden getraind groeide exponentieel naarmate er meer van computers werd gevraagd, zonder een parallelle evolutie van rekenkracht en capaciteit. -- **Gebrek aan data**. Er was een gebrek aan data dat het proces van testen, ontwikkelen en verfijnen van algoritmen hinderde. -- **Stellen we de juiste vragen?**. De vragen die werden gesteld begonnen zelf ter discussie te staan. Onderzoekers kregen kritiek op hun benaderingen: - - Turingtests werden in twijfel getrokken door middel van onder andere de 'Chinese kamer theorie', die stelde dat "het programmeren van een digitale computer het misschien kan laten lijken alsof het taal begrijpt, maar geen echte begrip kan produceren." ([bron](https://plato.stanford.edu/entries/chinese-room/)) - - De ethiek van het introduceren van kunstmatige intelligenties zoals de "therapeut" ELIZA in de samenleving werd uitgedaagd. +- **Combinatoire explosie**. Het aantal parameters dat getraind moest worden groeide exponentieel naarmate er meer van computers werd gevraagd, zonder dat de rekenkracht en capaciteit evenredig toenamen. +- **Gebrek aan data**. Het gebrek aan data bemoeilijkte het proces van testen, ontwikkelen en verfijnen van algoritmen. +- **Stellen we de juiste vragen?**. De vragen zelf begonnen in twijfel getrokken te worden. Onderzoekers kregen kritiek op hun benaderingen: + - De Turing-testen kwamen onder vraag te staan via onder andere de 'Chinese Kamer-theorie' die stelde dat "programmeren van een digitale computer het lijkt alsof die taal begrijpt maar het geen echt begrip kan produceren." ([bron](https://plato.stanford.edu/entries/chinese-room/)) + - De ethiek van het introduceren van kunstmatige intelligenties zoals de "therapeut" ELIZA in de samenleving werd ter discussie gesteld. --- -Tegelijkertijd begonnen verschillende AI-denkrichtingen te ontstaan. Er werd een dichotomie vastgesteld tussen ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) praktijken. _Scruffy_ labs pasten programma's urenlang aan totdat ze het gewenste resultaat hadden. _Neat_ labs "richtten zich op logica en formele probleemoplossing". ELIZA en SHRDLU waren bekende _scruffy_ systemen. In de jaren '80, toen de vraag ontstond om ML-systemen reproduceerbaar te maken, nam de _neat_ benadering geleidelijk de voorgrond omdat de resultaten ervan beter uitlegbaar zijn. +Tegelijkertijd begonnen verschillende AI-denkrichtingen zich te vormen. Een tweedeling ontstond tussen ["slordige" en "nette AI"](https://wikipedia.org/wiki/Neats_and_scruffies) praktijken. _Slordige_ labs sleutelden uren aan programma's tot ze de gewenste resultaten hadden. _Nette_ labs "concentreerden zich op logica en formele probleemoplossing". ELIZA en SHRDLU waren bekende _slordige_ systemen. In de jaren 1980, toen de vraag ontstond om ML-systemen reproduceerbaar te maken, kreeg de _nette_ benadering geleidelijk de voorkeur omdat de resultaten daarvan beter uitlegbaar zijn. --- -## 1980s Expertsystemen +## Jaren 1980 Expertsystemen -Naarmate het veld groeide, werd het voordeel ervan voor bedrijven duidelijker, en in de jaren '80 nam ook de proliferatie van 'expertsystemen' toe. "Expertsystemen waren een van de eerste echt succesvolle vormen van kunstmatige intelligentie (AI) software." ([bron](https://wikipedia.org/wiki/Expert_system)). +Naarmate het vakgebied groeide, werd het nut voor het bedrijfsleven duidelijker, en in de jaren 1980 nam ook de verspreiding van 'expertsystemen' toe. "Expertsystemen waren onder de eerste echt succesvolle vormen van kunstmatige intelligentie (AI) software." ([bron](https://wikipedia.org/wiki/Expert_system)). -Dit type systeem is eigenlijk _hybride_, bestaande gedeeltelijk uit een regelsysteem dat bedrijfsvereisten definieert, en een inferentie-engine die het regelsysteem gebruikt om nieuwe feiten af te leiden. +Dit type systeem is eigenlijk _hybride_, deels bestaande uit een regelsysteem dat zakelijke vereisten definieert, en een inferentiesysteem dat het regelsysteem gebruikte om nieuwe feiten af te leiden. -Deze periode zag ook toenemende aandacht voor neurale netwerken. +In dit tijdperk was er ook toenemende aandacht voor neurale netwerken. --- -## 1987 - 1993: AI 'Chill' +## 1987 - 1993: AI 'pauze' -De proliferatie van gespecialiseerde hardware voor expertsystemen had het ongelukkige effect dat het te gespecialiseerd werd. De opkomst van personal computers concurreerde ook met deze grote, gespecialiseerde, gecentraliseerde systemen. De democratisering van computing was begonnen, en het effende uiteindelijk de weg voor de moderne explosie van big data. +De verspreiding van gespecialiseerd expertsysteem-hardware had het ongelukkige effect dat het te gespecialiseerd werd. De opkomst van personal computers concurreerde ook met deze grote, gespecialiseerde, gecentraliseerde systemen. De democratisering van computing was begonnen en legde uiteindelijk het fundament voor de moderne explosie van big data. --- ## 1993 - 2011 -Deze periode zag een nieuw tijdperk voor ML en AI om enkele van de problemen op te lossen die eerder waren veroorzaakt door het gebrek aan data en rekenkracht. De hoeveelheid data begon snel toe te nemen en breder beschikbaar te worden, zowel ten goede als ten kwade, vooral met de komst van de smartphone rond 2007. Rekenkracht breidde exponentieel uit, en algoritmen evolueerden mee. Het veld begon volwassen te worden naarmate de vrije dagen van het verleden begonnen te kristalliseren in een echte discipline. +Deze periode markeerde een nieuw tijdperk voor ML en AI waarin ze enkele problemen konden oplossen die eerder waren veroorzaakt door een gebrek aan data en rekenkracht. De hoeveelheid data begon snel toe te nemen en breder beschikbaar te worden, voor beter en slechter, vooral met de opkomst van de smartphone rond 2007. De rekenkracht nam exponentieel toe en de algoritmen evolueerden mee. Het vakgebied begon volwassen te worden na de wilde dagen van vroeger. --- ## Nu -Vandaag de dag raken machine learning en AI bijna elk aspect van ons leven. Dit tijdperk vraagt om een zorgvuldige begrip van de risico's en potentiële effecten van deze algoritmen op mensenlevens. Zoals Microsoft's Brad Smith heeft verklaard: "Informatietechnologie roept kwesties op die raken aan de kern van fundamentele mensenrechtenbescherming zoals privacy en vrijheid van meningsuiting. Deze kwesties vergroten de verantwoordelijkheid voor technologiebedrijven die deze producten creëren. Naar onze mening vragen ze ook om doordachte overheidsregulering en de ontwikkeling van normen rond acceptabel gebruik" ([bron](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). +Tegenwoordig raken machine learning en AI bijna elk aspect van ons leven. Dit tijdperk vraagt om een zorgvuldige afweging van de risico's en potentiële effecten van deze algoritmen op menselijke levens. Zoals Brad Smith van Microsoft heeft gezegd: "Informatietechnologie roept kwesties op die gaan over fundamentele mensenrechtenbeschermingen zoals privacy en vrijheid van meningsuiting. Deze kwesties vergroten de verantwoordelijkheid voor technologiebedrijven die deze producten creëren. Wij vinden ook dat het thoughtful overheidsregulatie en de ontwikkeling van normen rond aanvaardbare toepassingen vraagt." ([bron](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). --- -Het blijft afwachten wat de toekomst brengt, maar het is belangrijk om deze computersystemen en de software en algoritmen die ze draaien te begrijpen. We hopen dat dit curriculum je zal helpen om een beter begrip te krijgen zodat je zelf kunt beslissen. +Het is nog onduidelijk wat de toekomst brengt, maar het is belangrijk deze computersystemen en de software en algoritmen die ze gebruiken te begrijpen. We hopen dat dit curriculum je helpt een beter begrip te krijgen zodat je zelf kunt beslissen. [![De geschiedenis van deep learning](https://img.youtube.com/vi/mTtDfKgLm54/0.jpg)](https://www.youtube.com/watch?v=mTtDfKgLm54 "De geschiedenis van deep learning") > 🎥 Klik op de afbeelding hierboven voor een video: Yann LeCun bespreekt de geschiedenis van deep learning in deze lezing @@ -130,14 +130,14 @@ Het blijft afwachten wat de toekomst brengt, maar het is belangrijk om deze comp --- ## 🚀Uitdaging -Duik in een van deze historische momenten en leer meer over de mensen erachter. Er zijn fascinerende personages, en geen enkele wetenschappelijke ontdekking is ooit in een culturele vacuüm gecreëerd. Wat ontdek je? +Duik in een van deze historische momenten en leer meer over de mensen erachter. Er zijn fascinerende figuren en geen enkele wetenschappelijke ontdekking is ooit in een cultureel vacuüm ontstaan. Wat ontdek jij? -## [Quiz na de les](https://ff-quizzes.netlify.app/en/ml/) +## [Post-college quiz](https://ff-quizzes.netlify.app/en/ml/) --- -## Review & Zelfstudie +## Herziening & Zelfstudie -Hier zijn items om te bekijken en te beluisteren: +Hier zijn items om naar te luisteren en te kijken: [Deze podcast waarin Amy Boyd de evolutie van AI bespreekt](http://runasradio.com/Shows/Show/739) @@ -151,5 +151,7 @@ Hier zijn items om te bekijken en te beluisteren: --- -**Disclaimer**: -Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file + +**Disclaimer**: +Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. + \ No newline at end of file diff --git a/translations/nl/1-Introduction/3-fairness/README.md b/translations/nl/1-Introduction/3-fairness/README.md index 771a8ad55..edcb51236 100644 --- a/translations/nl/1-Introduction/3-fairness/README.md +++ b/translations/nl/1-Introduction/3-fairness/README.md @@ -1,157 +1,156 @@ -# Het bouwen van Machine Learning-oplossingen met verantwoordelijke AI +# Machine Learning-oplossingen bouwen met verantwoorde AI -![Samenvatting van verantwoordelijke AI in Machine Learning in een schetsnotitie](../../../../translated_images/nl/ml-fairness.ef296ebec6afc98a.webp) -> Schetsnotitie door [Tomomi Imura](https://www.twitter.com/girlie_mac) +![Samenvatting van verantwoorde AI in Machine Learning in een sketchnote](../../../../translated_images/nl/ml-fairness.ef296ebec6afc98a.webp) +> Sketchnote door [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Voor-college quiz](https://ff-quizzes.netlify.app/en/ml/) +## [Pre-college quiz](https://ff-quizzes.netlify.app/en/ml/) ## Introductie -In dit lesprogramma begin je te ontdekken hoe machine learning onze dagelijkse levens kan en doet beïnvloeden. Zelfs nu al zijn systemen en modellen betrokken bij dagelijkse besluitvormingstaken, zoals diagnoses in de gezondheidszorg, leninggoedkeuringen of het opsporen van fraude. Het is dus belangrijk dat deze modellen goed functioneren om uitkomsten te bereiken die betrouwbaar zijn. Net als bij elke softwaretoepassing zullen AI-systemen verwachtingen niet altijd waarmaken of een ongewenst resultaat geven. Daarom is het essentieel om het gedrag van een AI-model te kunnen begrijpen en uitleggen. +In dit curriculum ga je ontdekken hoe machine learning onze dagelijkse levens kan beïnvloeden en al beïnvloedt. Zelfs nu zijn systemen en modellen betrokken bij dagelijkse beslissingen, zoals diagnoses in de gezondheidszorg, lening goedkeuringen of het opsporen van fraude. Daarom is het belangrijk dat deze modellen goed functioneren om uitkomsten te leveren die betrouwbaar zijn. Net als elke softwaretoepassing zullen AI-systemen soms niet aan verwachtingen voldoen of een ongewenste uitkomst hebben. Daarom is het essentieel om het gedrag van een AI-model te kunnen begrijpen en uitleggen. -Stel je voor wat er kan gebeuren als de data die je gebruikt om deze modellen te bouwen bepaalde demografische groepen mist, zoals ras, geslacht, politieke opvatting, religie, of die dergelijke groepen onevenredig vertegenwoordigt. Wat als de output van het model zo wordt geïnterpreteerd dat deze sommige demografische groepen bevoordeelt? Wat zijn de gevolgen voor de toepassing? Bovendien, wat gebeurt er wanneer het model een nadelige uitkomst heeft en schadelijk is voor mensen? Wie is verantwoordelijk voor het gedrag van het AI-systeem? Dit zijn enkele vragen die we in dit lesprogramma zullen verkennen. +Stel je voor wat er kan gebeuren als de data die je gebruikt om deze modellen te bouwen bepaalde demografische groepen mist, zoals ras, geslacht, politieke opvatting, religie, of die groepen onevenredig vertegenwoordigt. Wat als de output van het model wordt geïnterpreteerd als bevooroordeeld ten gunste van een bepaalde demografie? Wat is de consequentie voor de toepassing? Daarnaast, wat gebeurt er wanneer het model een nadelige uitkomst heeft en schadelijk is voor mensen? Wie is verantwoordelijk voor het gedrag van AI-systemen? Dit zijn enkele vragen die we in dit curriculum zullen onderzoeken. In deze les zul je: -- Je bewust maken van het belang van eerlijkheid in machine learning en de aan eerlijkheid gerelateerde schaden. -- Vertrouwd raken met de praktijk van het onderzoeken van outliers en ongebruikelijke scenario’s om betrouwbaarheid en veiligheid te waarborgen. +- Je bewust maken van het belang van eerlijkheid in machine learning en aan eerlijkheid gerelateerde schade. +- Vertrouwd raken met de praktijk van het verkennen van uitschieters en ongewone scenario's om betrouwbaarheid en veiligheid te waarborgen. - Inzicht krijgen in de noodzaak om iedereen te versterken door inclusieve systemen te ontwerpen. -- Verkennen hoe belangrijk het is om de privacy en veiligheid van data en mensen te beschermen. -- Het belang zien van een open aanpak om het gedrag van AI-modellen uit te leggen. -- Bewust zijn van hoe verantwoordelijkheid essentieel is om vertrouwen in AI-systemen op te bouwen. +- Verkennen hoe belangrijk het is om privacy en veiligheid van data en mensen te beschermen. +- Het belang inzien van een transparante aanpak om het gedrag van AI-modellen uit te leggen. +- Rekening houden met hoe verantwoordelijkheid essentieel is voor het opbouwen van vertrouwen in AI-systemen. -## Vereiste voorkennis +## Vereisten -Als vereiste, doorloop je het Leertraject "Principes van Verantwoordelijke AI" en bekijk je de onderstaande video over dit onderwerp: +Als vereiste volg je het leertraject "Principes van verantwoorde AI" en bekijk je de onderstaande video over dit onderwerp: -Leer meer over Verantwoordelijke AI door dit [Leertraject](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) te volgen. +Leer meer over Verantwoorde AI door dit [Leertraject](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) te volgen -[![Microsofts Benadering van Verantwoordelijke AI](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI") +[![Microsoft's Benadering van Verantwoorde AI](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "Microsoft's Benadering van Verantwoorde AI") -> 🎥 Klik op de afbeelding hierboven voor een video: Microsofts Benadering van Verantwoordelijke AI +> 🎥 Klik op de afbeelding hierboven voor een video: Microsoft's Benadering van Verantwoorde AI ## Eerlijkheid -AI-systemen moeten iedereen eerlijk behandelen en voorkomen dat vergelijkbare groepen mensen op verschillende manieren worden beïnvloed. Bijvoorbeeld, wanneer AI-systemen richtlijnen geven over medische behandelingen, leningaanvragen of werkgelegenheid, moeten ze aan iedereen met vergelijkbare symptomen, financiële omstandigheden of professionele kwalificaties dezelfde aanbevelingen doen. Wij mensen dragen allen aangeboren vooroordelen mee die onze beslissingen en acties beïnvloeden. Deze vooroordelen kunnen zichtbaar zijn in de data die we gebruiken om AI-systemen te trainen. Dergelijke manipulatie kan soms onbedoeld gebeuren. Het is vaak moeilijk bewust te weten wanneer je vooringenomenheid in data introduceert. +AI-systemen moeten iedereen eerlijk behandelen en voorkomen dat vergelijkbare groepen mensen op verschillende manieren worden getroffen. Bijvoorbeeld, wanneer AI-systemen advies geven over medische behandeling, leningaanvragen of werkgelegenheid, zouden ze aan iedereen met vergelijkbare symptomen, financiële omstandigheden of professionele kwalificaties dezelfde aanbevelingen moeten doen. Wij mensen dragen allemaal aangeboren vooroordelen mee die onze beslissingen en acties beïnvloeden. Deze vooroordelen kunnen zichtbaar zijn in de data die we gebruiken om AI-systemen te trainen. Soms gebeurt zo’n manipulatie onbedoeld. Het is vaak moeilijk bewust te weten wanneer je vooringenomenheid in data introduceert. -**“Oneerlijkheid”** omvat negatieve effecten, of “schade”, voor een groep mensen, bijvoorbeeld gedefinieerd op basis van ras, geslacht, leeftijd of handicapstatus. De belangrijkste aan eerlijkheid gerelateerde schaden kunnen worden ingedeeld als: +**“Oneerlijkheid”** omvat negatieve gevolgen, of “schade”, voor een groep mensen, zoals die gedefinieerd worden op basis van ras, geslacht, leeftijd of handicapstatus. De belangrijkste aan eerlijkheid gerelateerde schade kan worden ingedeeld als: -- **Toewijzing**, als bijvoorbeeld een geslacht of etniciteit boven een ander wordt bevoordeeld. -- **Kwaliteit van dienstverlening**. Als je data traint voor één specifiek scenario maar de werkelijkheid veel complexer is, leidt dat tot een slecht presterende dienst. Bijvoorbeeld een handzeepdispenser die mensen met een donkere huid niet lijkt te kunnen detecteren. [Referentie](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) -- **Beschimpen**. Onrechtvaardig iets of iemand bekritiseren en labelen. Bijvoorbeeld, een technologie voor beeldherkenning die berucht is omdat die beelden van mensen met een donkere huid als gorilla’s labelde. -- **Over- of ondervertegenwoordiging**. Het idee is dat een bepaalde groep niet wordt gezien in een bepaald beroep, en elke dienst of functie die dat promoot draagt bij aan schade. -- **Stereotypering**. Een bepaalde groep associëren met vooropgezette eigenschappen. Bijvoorbeeld, een vertaalsysteem tussen Engels en Turks kan onnauwkeurigheden bevatten door stereotypische associaties met geslacht. +- **Toewijzing**, als bijvoorbeeld een geslacht of etniciteit wordt bevoordeeld boven een ander. +- **Kwaliteit van de dienstverlening**. Als je de data traint voor één specifiek scenario, terwijl de werkelijkheid veel complexer is, leidt dat tot een slecht presterende dienst. Bijvoorbeeld, een handzeepdispenser die mensen met een donkere huid blijkbaar niet kon detecteren. [Referentie](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) +- **Vernedering**. Onterecht bekritiseren en labelen van iets of iemand. Bijvoorbeeld, een beeldlabeltechnologie die berucht was omdat hij afbeeldingen van donkergekleurde mensen verkeerd labelde als gorilla's. +- **Over- of ondervertegenwoordiging**. Het idee dat een bepaalde groep niet zichtbaar is in een bepaald beroep, en dat elke dienst of functie die dat blijft promoten bijdraagt aan schade. +- **Stereotypering**. Het associëren van een bepaalde groep met vooraf toegewezen kenmerken. Bijvoorbeeld, een taalvertalingssysteem tussen Engels en Turks kan onnauwkeurigheden hebben door woorden met stereotiepe associaties met geslacht. ![vertaling naar Turks](../../../../translated_images/nl/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > vertaling naar Turks -![vertaling terug naar Engels](../../../../translated_images/nl/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) -> vertaling terug naar Engels +![terugvertaling naar Engels](../../../../translated_images/nl/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) +> terugvertaling naar Engels -Bij het ontwerpen en testen van AI-systemen moeten we ervoor zorgen dat AI eerlijk is en niet geprogrammeerd is om bevooroordeelde of discriminerende beslissingen te nemen, iets wat mensen ook niet mogen doen. Het garanderen van eerlijkheid in AI en machine learning blijft een complexe sociotechnische uitdaging. +Bij het ontwerpen en testen van AI-systemen moeten we ervoor zorgen dat AI eerlijk is en niet geprogrammeerd om bevooroordeelde of discriminerende beslissingen te nemen, wat mensen ook verboden is. Het waarborgen van eerlijkheid in AI en machine learning blijft een complexe sociotechnische uitdaging. ### Betrouwbaarheid en veiligheid -Om vertrouwen op te bouwen, moeten AI-systemen betrouwbaar, veilig en consistent zijn onder normale en onvoorziene omstandigheden. Het is belangrijk om te weten hoe AI-systemen zich in verschillende situaties gedragen, vooral bij outliers. Bij het bouwen van AI-oplossingen moet er veel aandacht zijn voor het omgaan met een grote diversiteit aan omstandigheden die de AI-oplossingen kunnen tegenkomen. Bijvoorbeeld, een zelfrijdende auto moet de veiligheid van mensen als hoogste prioriteit hebben. Daardoor moet de AI van de auto alle mogelijke scenario’s overwegen, zoals nacht, onweersbuien of sneeuwstormen, kinderen die de straat oversteken, huisdieren, wegwerkzaamheden enzovoorts. Hoe goed een AI-systeem een breed scala aan omstandigheden op betrouwbare en veilige wijze kan behandelen, weerspiegelt het niveau van anticipatie van de data scientist of AI-ontwikkelaar tijdens het ontwerp en testen van het systeem. +Om vertrouwen op te bouwen, moeten AI-systemen betrouwbaar, veilig en consistent zijn onder normale en onverwachte omstandigheden. Het is belangrijk om te weten hoe AI-systemen zich gedragen in diverse situaties, vooral als het om uitschieters gaat. Bij het bouwen van AI-oplossingen moet er veel aandacht zijn voor het omgaan met de verschillende omstandigheden die de AI-oplossingen zullen tegenkomen. Bijvoorbeeld, een zelfrijdende auto moet de veiligheid van mensen als hoogste prioriteit stellen. Daarom moet de AI die de auto aandrijft alle mogelijke scenario’s overwegen zoals nacht, onweersbuien of sneeuwstormen, kinderen die de straat oversteken, huisdieren, wegwerkzaamheden, enzovoort. Hoe goed een AI-systeem betrouwbaar en veilig een breed scala aan omstandigheden kan hanteren, weerspiegelt het niveau van anticipatie dat de datawetenschapper of AI-ontwikkelaar in het ontwerp of testen van het systeem heeft meegenomen. -> [🎥 Klik hier voor een video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl) +> [🎥 Klik hier voor een video: Betrouwbaarheid en veiligheid in AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl) ### Inclusiviteit -AI-systemen moeten zo worden ontworpen dat ze iedereen betrekken en versterken. Bij het ontwerpen en implementeren van AI-systemen identificeren en adresseren datawetenschappers en AI-ontwikkelaars potentiële barrières in het systeem die mensen onbedoeld kunnen uitsluiten. Er zijn bijvoorbeeld 1 miljard mensen met een handicap wereldwijd. Met de vooruitgang van AI kunnen ze gemakkelijker toegang krijgen tot een breed scala aan informatie en kansen in hun dagelijks leven. Door barrières weg te nemen, creëren we kansen om te innoveren en AI-producten te ontwikkelen met betere ervaringen die iedereen ten goede komen. +AI-systemen moeten worden ontworpen om iedereen te betrekken en te versterken. Bij het ontwerpen en implementeren van AI-systemen identificeren datawetenschappers en AI-ontwikkelaars potentiële barrières in het systeem die er onbedoeld toe kunnen leiden dat mensen worden uitgesloten. Bijvoorbeeld, er zijn 1 miljard mensen met een handicap wereldwijd. Met de vooruitgang van AI kunnen zij makkelijker toegang krijgen tot een breed scala aan informatie en kansen in hun dagelijks leven. Door barrières aan te pakken ontstaan kansen om te innoveren en AI-producten te ontwikkelen met betere ervaringen die iedereen ten goede komen. -> [🎥 Klik hier voor een video: inclusiviteit in AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) +> [🎥 Klik hier voor een video: Inclusiviteit in AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) ### Beveiliging en privacy -AI-systemen moeten veilig zijn en de privacy van mensen respecteren. Mensen hebben minder vertrouwen in systemen die hun privacy, informatie of leven in gevaar brengen. Bij het trainen van machine learning modellen vertrouwen we op data om de beste resultaten te leveren. Daarbij moet rekening worden gehouden met de herkomst van de data en de integriteit ervan. Bijvoorbeeld, is de data door gebruikers ingediend of is het openbaar beschikbaar? Vervolgens is het cruciaal om bij het werken met data AI-systemen te ontwikkelen die vertrouwelijke informatie kunnen beschermen en bestand zijn tegen aanvallen. Naarmate AI meer voorkomt, wordt het steeds belangrijker en complexer om privacy te beschermen en belangrijke persoonlijke en bedrijfsinformatie te beveiligen. Privacy- en dataveiligheidskwesties vergen speciale aandacht bij AI omdat toegang tot data essentieel is voor AI-systemen om nauwkeurige en geïnformeerde voorspellingen en beslissingen over mensen te maken. +AI-systemen moeten veilig zijn en de privacy van mensen respecteren. Mensen hebben minder vertrouwen in systemen die hun privacy, informatie of leven in gevaar brengen. Bij het trainen van machine learning-modellen vertrouwen we op data om de beste resultaten te produceren. Daarbij moeten de oorsprong van de data en de integriteit in overweging worden genomen. Bijvoorbeeld, was de data door gebruikers ingediend of publiekelijk beschikbaar? Vervolgens is het cruciaal om AI-systemen te ontwikkelen die vertrouwelijke informatie kunnen beschermen en bestand zijn tegen aanvallen. Naarmate AI steeds vaker wordt gebruikt, wordt het beschermen van privacy en het beveiligen van belangrijke persoonlijke en zakelijke informatie steeds kritischer en complexer. Privacy- en databeveiligingskwesties vereisen bijzondere aandacht in AI, omdat toegang tot data essentieel is voor AI-systemen om nauwkeurige en geïnformeerde voorspellingen en beslissingen over mensen te maken. -> [🎥 Klik hier voor een video: beveiliging in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 Klik hier voor een video: Beveiliging in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- Als industrie hebben we aanzienlijke vooruitgang geboekt op het gebied van privacy en beveiliging, mede aangedreven door regelgeving zoals de AVG (Algemene Verordening Gegevensbescherming). -- Toch moeten we bij AI-systemen erkennen dat er een spanning bestaat tussen de behoefte aan meer persoonlijke data om systemen persoonlijker en effectiever te maken – en privacy. -- Net als bij de komst van verbonden computers met het internet, zien we ook een grote toename van beveiligingsproblemen gerelateerd aan AI. -- Tegelijkertijd wordt AI gebruikt om beveiliging te verbeteren. Bijvoorbeeld, de meeste moderne antivirus scanners worden tegenwoordig aangestuurd door AI-heuristieken. +- Als sector hebben we aanzienlijke vooruitgang geboekt op het gebied van privacy & beveiliging, mede dankzij regelgeving zoals de GDPR (Algemene Verordening Gegevensbescherming). +- Toch moeten we bij AI-systemen de spanning erkennen tussen de behoefte aan meer persoonlijke gegevens om systemen persoonlijker en effectiever te maken – en privacy. +- Net zoals bij de opkomst van verbonden computers met internet, zien we ook een sterke toename van beveiligingsproblemen gerelateerd aan AI. +- Tegelijkertijd wordt AI ook ingezet om beveiliging te verbeteren. Bijvoorbeeld, de meeste moderne antivirusprogramma’s worden tegenwoordig aangestuurd door AI-heuristieken. - We moeten ervoor zorgen dat onze Data Science-processen harmonieus samengaan met de nieuwste privacy- en beveiligingspraktijken. ### Transparantie -AI-systemen moeten begrijpelijk zijn. Een cruciaal onderdeel van transparantie is het uitleggen van het gedrag van AI-systemen en hun componenten. Het verbeteren van het begrip van AI-systemen vereist dat belanghebbenden begrijpen hoe en waarom ze functioneren, zodat ze potentiële prestatieproblemen, veiligheids- en privacyzorgen, vooroordelen, uitsluitingspraktijken of onbedoelde uitkomsten kunnen identificeren. Wij vinden ook dat degenen die AI-systemen gebruiken eerlijk en open moeten zijn over wanneer, waarom en hoe ze ervoor kiezen die te implementeren. En over de beperkingen van de systemen die ze gebruiken. Bijvoorbeeld, als een bank een AI-systeem gebruikt om zijn consumentenleningsbeslissingen te ondersteunen, is het belangrijk de uitkomsten te onderzoeken en te begrijpen welke data de aanbevelingen van het systeem beïnvloeden. Overheden beginnen AI industriebreed te reguleren, dus datawetenschappers en organisaties moeten uitleggen of een AI-systeem aan de regelgeving voldoet, vooral als er een ongewenste uitkomst is. +AI-systemen moeten begrijpelijk zijn. Een cruciaal onderdeel van transparantie is het uitleggen van het gedrag van AI-systemen en hun componenten. Om het begrip van AI-systemen te verbeteren, moeten belanghebbenden begrijpen hoe en waarom ze functioneren, zodat zij mogelijke prestatieproblemen, veiligheids- en privacyzorgen, vooroordelen, uitsluitingspraktijken of onbedoelde uitkomsten kunnen identificeren. We vinden ook dat degenen die AI-systemen gebruiken eerlijk en open moeten zijn over wanneer, waarom, en hoe zij ervoor kiezen deze in te zetten. Evenals over de beperkingen van de systemen die zij gebruiken. Bijvoorbeeld, als een bank een AI-systeem gebruikt ter ondersteuning van haar consumentenkredietbeslissingen, is het belangrijk de uitkomsten te onderzoeken en te begrijpen welke data de aanbevelingen van het systeem beïnvloeden. Overheden beginnen AI te reguleren in diverse sectoren, dus datawetenschappers en organisaties moeten kunnen uitleggen of een AI-systeem aan de regelgeving voldoet, vooral wanneer er een ongewenste uitkomst is. -> [🎥 Klik hier voor een video: transparantie in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 Klik hier voor een video: Transparantie in AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- Omdat AI-systemen zo complex zijn, is het moeilijk om te begrijpen hoe ze werken en de resultaten te interpreteren. -- Dit gebrek aan begrip beïnvloedt de manier waarop deze systemen worden beheerd, in productie worden genomen en worden gedocumenteerd. -- Dit gebrek aan begrip beïnvloedt vooral de beslissingen die worden genomen op basis van de uitkomsten van deze systemen. +- Omdat AI-systemen zo complex zijn, is het moeilijk te begrijpen hoe ze werken en de resultaten te interpreteren. +- Dit gebrek aan begrip beïnvloedt hoe deze systemen worden beheerd, operationeel gemaakt en gedocumenteerd. +- Dit gebrek aan begrip beïnvloedt belangrijker nog de beslissingen die worden genomen op basis van de resultaten die deze systemen produceren. ### Verantwoordingsplicht -De mensen die AI-systemen ontwerpen en inzetten moeten verantwoordelijk zijn voor hoe hun systemen functioneren. De behoefte aan verantwoordelijkheid is vooral cruciaal bij gevoelige technologieën zoals gezichtsherkenning. Onlangs is er een groeiende vraag naar gezichtsherkenningstechnologie, vooral van wetshandhavingsorganisaties die de potentie van de technologie zien bij toepassingen als het vinden van vermiste kinderen. Deze technologieën zouden echter ook kunnen worden gebruikt door een overheid om fundamentele vrijheden van hun burgers in gevaar te brengen, bijvoorbeeld door voortdurende surveillance van specifieke personen mogelijk te maken. Daarom moeten datawetenschappers en organisaties verantwoordelijk zijn voor de impact van hun AI-systeem op individuen of de samenleving. +De mensen die AI-systemen ontwerpen en inzetten moeten verantwoordelijk zijn voor hoe hun systemen functioneren. De noodzaak van verantwoordelijkheid is bijzonder cruciaal bij gevoelige technologieën zoals gezichtsherkenning. Onlangs is de vraag naar gezichtsherkenningstechnologie toegenomen, vooral van wetshandhavingsinstanties die de potentie van de technologie zien bij toepassingen zoals het vinden van vermiste kinderen. Echter, deze technologieën zouden ook door een overheid kunnen worden gebruikt om de fundamentele vrijheden van burgers in gevaar te brengen, bijvoorbeeld door continue bewaking van specifieke individuen mogelijk te maken. Daarom moeten datawetenschappers en organisaties verantwoordelijk zijn voor hoe hun AI-systeem individuen of de samenleving beïnvloedt. -[![Toonaangevende AI-onderzoeker waarschuwt voor massale surveillance via gezichtsherkenning](../../../../translated_images/nl/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +[![Toonaangevende AI-onderzoeker waarschuwt voor massale surveillance door gezichtsherkenning](../../../../translated_images/nl/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Benadering van Verantwoorde AI") -> 🎥 Klik op de afbeelding hierboven voor een video: Waarschuwingen voor massale surveillance via gezichtsherkenning +> 🎥 Klik op de afbeelding hierboven voor een video: Waarschuwingen over massale surveillance via gezichtsherkenning -Uiteindelijk is een van de grootste vragen voor onze generatie, als de eerste generatie die AI in de samenleving brengt, hoe we kunnen waarborgen dat computers verantwoordelijk blijven tegenover mensen en hoe we kunnen garanderen dat de mensen die computers ontwerpen verantwoordelijk blijven tegenover iedereen. +Uiteindelijk is een van de belangrijkste vragen voor onze generatie, als de eerste generatie die AI naar de maatschappij brengt, hoe ervoor te zorgen dat computers verantwoordelijk blijven aan mensen en hoe te verzekeren dat de mensen die computers ontwerpen verantwoordelijk blijven aan iedereen. -## Impactbeoordeling +## Effectbeoordeling -Voor het trainen van een machine learning model is het belangrijk een impactbeoordeling uit te voeren om het doel van het AI-systeem te begrijpen; wat het beoogde gebruik is; waar het wordt ingezet; en wie er met het systeem zal communiceren. Dit is nuttig voor beoordelaars of testers die het systeem evalueren, zodat zij weten welke factoren in acht genomen moeten worden bij het identificeren van potentiële risico’s en verwachte gevolgen. +Voordat je een machine learning-model traint, is het belangrijk een effectbeoordeling uit te voeren om het doel van het AI-systeem te begrijpen; wat het beoogde gebruik is; waar het zal worden ingezet; en wie met het systeem zal interacteren. Dit is nuttig voor beoordelaar(s) of testers om te weten welke factoren ze moeten overwegen bij het identificeren van potentiële risico’s en verwachtte gevolgen. -De volgende aandachtsgebieden zijn belangrijk bij het uitvoeren van een impactbeoordeling: +De volgende aandachtsgebieden gelden bij het uitvoeren van een effectbeoordeling: -* **Nadelige impact op individuen**. Bewust zijn van beperkingen of vereisten, ongeoorloofd gebruik of bekende beperkingen die het systeem bij de prestaties belemmeren, is essentieel om te voorkomen dat het systeem op een manier wordt gebruikt die schade kan veroorzaken aan individuen. -* **Data vereisten**. Begrijpen hoe en waar het systeem data zal gebruiken stelt beoordelaars in staat om op de hoogte te zijn van eventuele datavereisten waar je rekening mee moet houden (bijv. AVG of HIPAA regelgeving). Daarnaast moet worden onderzocht of de bron of hoeveelheid data voldoende is voor training. -* **Samenvatting van impact**. Verzamel een lijst met mogelijke schaden die kunnen ontstaan door het gebruik van het systeem. Tijdens de gehele ML levenscyclus moet worden bekeken of de geïdentificeerde problemen worden gemitigeerd of aangepakt. -* **Toepasselijke doelstellingen** voor elk van de zes kernprincipes. Beoordeel of de doelstellingen van elk principe worden gehaald en of er hiaten zijn. +* **Nadelig effect op individuen**. Bewust zijn van beperkingen of vereisten, ongeoorloofd gebruik of bekende beperkingen die de prestaties van het systeem belemmeren, is cruciaal om te voorkomen dat het systeem op een schadelijke manier wordt gebruikt. +* **Datavereisten**. Inzicht krijgen in hoe en waar het systeem data gebruikt stelt beoordelaars in staat eventuele data-eisen te onderzoeken (bijv. GDPR- of HIPAA-gegevensregels). Evalueer ook of de bron of hoeveelheid data voldoende is voor training. +* **Samenvatting van effecten**. Verzamel een lijst van potentiële schadelijke gevolgen die mochten ontstaan door het gebruik van het systeem. Tijdens de ML-levenscyclus moet je controleren of de geïdentificeerde problemen worden verminderd of aangepakt. +* **Toepasselijke doelen** voor elk van de zes kernprincipes. Beoordeel of de doelen van elk principe zijn behaald en of er hiaten zijn. -## Debuggen met verantwoordelijke AI +## Debuggen met verantwoorde AI -Net als bij debuggen van een softwareapplicatie is het debuggen van een AI-systeem een noodzakelijk proces om problemen in het systeem te identificeren en op te lossen. Er zijn veel factoren die kunnen beïnvloeden dat een model niet presteert zoals verwacht of verantwoord. De meeste traditionele modelprestatiemaatstaven zijn kwantitatieve totalen van de prestatie van een model, die onvoldoende zijn om te analyseren hoe een model de principes van verantwoordelijke AI schendt. Bovendien is een machine learning model een black box, wat het moeilijk maakt te begrijpen wat het resultaat drijft of uitleg te geven wanneer het een fout maakt. Later in deze cursus leren we hoe de Responsible AI dashboard kan worden gebruikt om AI-systemen te debuggen. Het dashboard biedt een holistisch instrument voor datawetenschappers en AI-ontwikkelaars om: +Net als bij het debuggen van een softwaretoepassing is het debuggen van een AI-systeem een noodzakelijke procedure om problemen in het systeem te identificeren en op te lossen. Er zijn veel factoren die ervoor kunnen zorgen dat een model niet presteert zoals verwacht of verantwoord. De meeste traditionele modelprestatie-metrieken zijn kwantitatieve samenvattingen van de prestatie van een model, maar die zijn niet voldoende om te analyseren hoe een model de principes van verantwoorde AI schendt. Bovendien is een machine learning-model een black box, wat het moeilijk maakt te begrijpen wat de uitkomst drijft of uitleg te geven wanneer het een fout maakt. Later in deze cursus leren we hoe het Responsible AI-dashboard helpt bij het debuggen van AI-systemen. Het dashboard biedt een holistisch hulpmiddel voor datawetenschappers en AI-ontwikkelaars om: -* **Foutanalyse**. Om de foutverdeling van het model te identificeren die de eerlijkheid of betrouwbaarheid van het systeem kan beïnvloeden. -* **Model overzicht**. Om te ontdekken waar er verschillen zijn in de prestaties van het model over data cohorts. -* **Data analyse**. Om de data distributie te begrijpen en mogelijke vooringenomenheid in de data te identificeren die kunnen leiden tot problemen met eerlijkheid, inclusiviteit en betrouwbaarheid. -* **Model interpreteerbaarheid**. Om te begrijpen wat de voorspellingen van het model beïnvloedt of drijft. Dit helpt bij het uitleggen van het gedrag van het model, wat belangrijk is voor transparantie en verantwoordelijkheid. +* **Foutanalyse**. Om de verdeling van fouten van het model te identificeren die de eerlijkheid of betrouwbaarheid van het systeem kunnen beïnvloeden. +* **Modeloverzicht**. Om te ontdekken waar er verschillen zijn in de prestaties van het model over datacohorten. +* **Data-analyse**. Om de datadistributie te begrijpen en eventuele vooringenomenheid in de data te identificeren die kan leiden tot problemen met eerlijkheid, inclusiviteit en betrouwbaarheid. +* **Modelverklaarbaarheid**. Om te begrijpen wat de voorspellingen van het model beïnvloedt of bepaalt. Dit helpt bij het uitleggen van het gedrag van het model, wat belangrijk is voor transparantie en verantwoordelijkheid. ## 🚀 Uitdaging -Om te voorkomen dat schade wordt veroorzaakt, zouden we: +Om schade te voorkomen voordat deze ontstaat, zouden we: -- een diversiteit aan achtergronden en perspectieven moeten hebben bij de mensen die aan systemen werken. -- investeren in datasets die de diversiteit van onze samenleving weerspiegelen. -- betere methoden moeten ontwikkelen gedurende de hele machine learning levenscyclus om verantwoordelijke AI te detecteren en te corrigeren wanneer het voorkomt. +- diversiteit in achtergronden en perspectieven moeten hebben onder de mensen die aan systemen werken +- moeten investeren in datasets die de diversiteit van onze samenleving weerspiegelen +- betere methoden moeten ontwikkelen gedurende de gehele machine learning levenscyclus om onverantwoorde AI te detecteren en corrigeren als die optreedt -Denk na over scenario’s uit het echte leven waarin de onbetrouwbaarheid van een model duidelijk is tijdens het bouwen en gebruiken van modellen. Wat zouden we nog meer moeten overwegen? +Denk aan realistische scenario’s waarin onbetrouwbaarheid van een model duidelijk is bij het bouwen en gebruiken van modellen. Wat zouden we nog meer moeten overwegen? -## [Na-college quiz](https://ff-quizzes.netlify.app/en/ml/) +## [Post-college quiz](https://ff-quizzes.netlify.app/en/ml/) -## Review & Zelfstudie +## Overzicht & Zelfstudie - -In deze les heb je enkele basisprincipes geleerd van de concepten eerlijkheid en oneerlijkheid in machine learning. +In deze les heb je de basisbegrippen van eerlijkheid en oneerlijkheid in machine learning geleerd. -Bekijk deze workshop om dieper in de onderwerpen te duiken: +Bekijk deze workshop om dieper op de onderwerpen in te gaan: -- In de zoektocht naar verantwoordelijke AI: Principes in praktijk brengen door Besmira Nushi, Mehrnoosh Sameki en Amit Sharma +- In het nastreven van verantwoorde AI: Principes in de praktijk brengen door Besmira Nushi, Mehrnoosh Sameki en Amit Sharma -[![Responsible AI Toolbox: An open-source framework for building responsible AI](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI") +[![Responsible AI Toolbox: Een open-source kader voor het bouwen van verantwoordelijke AI](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Een open-source kader voor het bouwen van verantwoordelijke AI") -> 🎥 Klik op de afbeelding hierboven voor een video: RAI Toolbox: An open-source framework for building responsible AI door Besmira Nushi, Mehrnoosh Sameki, en Amit Sharma +> 🎥 Klik op de afbeelding hierboven voor een video: RAI Toolbox: Een open-source kader voor het bouwen van verantwoordelijke AI door Besmira Nushi, Mehrnoosh Sameki en Amit Sharma Lees ook: -- Microsoft’s RAI resource center: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) +- Microsoft's RAI-hulpmiddelencentrum: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) -- Microsoft’s FATE research group: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) +- Microsoft's FATE-onderzoeksgroep: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) RAI Toolbox: -- [Responsible AI Toolbox GitHub repository](https://github.com/microsoft/responsible-ai-toolbox) +- [Responsible AI Toolbox GitHub-repository](https://github.com/microsoft/responsible-ai-toolbox) -Lees over Azure Machine Learning's tools om eerlijkheid te waarborgen: +Lees over de tools van Azure Machine Learning om eerlijkheid te waarborgen: - [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) diff --git a/translations/nl/2-Regression/1-Tools/README.md b/translations/nl/2-Regression/1-Tools/README.md index baab4c243..0dccc4633 100644 --- a/translations/nl/2-Regression/1-Tools/README.md +++ b/translations/nl/2-Regression/1-Tools/README.md @@ -4,52 +4,52 @@ > Sketchnote door [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Pre-lezing quiz](https://ff-quizzes.netlify.app/en/ml/) +## [Pre-college quiz](https://ff-quizzes.netlify.app/en/ml/) > ### [Deze les is ook beschikbaar in R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) ## Introductie -In deze vier lessen ontdek je hoe je regressiemodellen bouwt. We zullen binnenkort bespreken waar deze voor dienen. Maar voordat je iets doet, zorg ervoor dat je de juiste tools klaar hebt staan om aan het proces te beginnen! +In deze vier lessen ontdek je hoe je regressiemodellen bouwt. We zullen zo bespreken waar die voor zijn. Maar voordat je iets doet, zorg dat je de juiste tools klaar hebt staan om het proces te starten! In deze les leer je hoe je: - Je computer configureert voor lokale machine learning taken. - Werkt met Jupyter Notebooks. - Scikit-learn gebruikt, inclusief installatie. -- Lineaire regressie onderzoekt via een praktische oefening. +- Lineaire regressie verkent met een praktische oefening. ## Installaties en configuraties -[![ML voor beginners - Stel je tools klaar om Machine Learning modellen te bouwen](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML voor beginners - Stel je tools klaar om Machine Learning modellen te bouwen") +[![ML voor beginners - Configureer je tools klaar om Machine Learning modellen te bouwen](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML voor beginners - Configureer je tools klaar om Machine Learning modellen te bouwen") -> 🎥 Klik op de afbeelding hierboven voor een korte video waarin wordt uitgelegd hoe je je computer configureert voor ML. +> 🎥 Klik op de afbeelding hierboven voor een korte video waarin je door de configuratie van je computer voor ML wordt geleid. -1. **Installeer Python**. Zorg ervoor dat [Python](https://www.python.org/downloads/) op je computer is geïnstalleerd. Je zult Python voor veel data science en machine learning taken gebruiken. De meeste computersystemen hebben al een Python-installatie. Er zijn ook handige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) beschikbaar om de installatie voor sommige gebruikers te vergemakkelijken. +1. **Installeer Python**. Zorg dat [Python](https://www.python.org/downloads/) op je computer is geïnstalleerd. Je gebruikt Python voor veel data science en machine learning taken. De meeste computersystemen hebben al een Python-installatie. Er zijn ook handige [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) beschikbaar om het opzetten voor sommige gebruikers makkelijker te maken. - Sommige toepassingen van Python vereisen echter een specifieke versie van de software, terwijl andere een andere versie nodig hebben. Daarom is het handig om binnen een [virtuele omgeving](https://docs.python.org/3/library/venv.html) te werken. + Sommige toepassingen van Python vereisen echter één versie van de software, terwijl andere een andere versie behoeven. Daarom is het handig om binnen een [virtuele omgeving](https://docs.python.org/3/library/venv.html) te werken. -2. **Installeer Visual Studio Code**. Zorg dat je Visual Studio Code op je computer hebt geïnstalleerd. Volg deze instructies om [Visual Studio Code te installeren](https://code.visualstudio.com/) voor de basisinstallatie. Je gaat in deze cursus Python gebruiken in Visual Studio Code, dus het is handig om te leren hoe je [Visual Studio Code configureert](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) voor Python-ontwikkeling. +2. **Installeer Visual Studio Code**. Zorg dat Visual Studio Code op je computer is geïnstalleerd. Volg deze instructies om [Visual Studio Code te installeren](https://code.visualstudio.com/) voor de basisinstallatie. Je gaat Python in Visual Studio Code gebruiken in deze cursus, dus je kunt ook de tijd nemen om te leren hoe je [Visual Studio Code configureert](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) voor Python-ontwikkeling. - > Maak je vertrouwd met Python door deze verzameling van [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) door te lopen + > Raken vertrouwd met Python door deze verzameling [Learn-modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) door te werken. > > [![Python instellen met Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "Python instellen met Visual Studio Code") > > 🎥 Klik op de afbeelding hierboven voor een video: Python gebruiken binnen VS Code. -3. **Installeer Scikit-learn** door [deze instructies](https://scikit-learn.org/stable/install.html) te volgen. Omdat je moet zorgen dat je Python 3 gebruikt, wordt aanbevolen een virtuele omgeving te gebruiken. Let op, als je deze bibliotheek op een M1 Mac installeert, staan er speciale instructies op de gelinkte pagina. +3. **Installeer Scikit-learn**, door de [instructies hier te volgen](https://scikit-learn.org/stable/install.html). Omdat je moet zorgen dat je Python 3 gebruikt, is het aan te raden om een virtuele omgeving te gebruiken. Let op: als je deze bibliotheek op een M1 Mac installeert, zijn er speciale instructies op de bovenstaande pagina. -1. **Installeer Jupyter Notebook**. Je moet het [Jupyter-pakket installeren](https://pypi.org/project/jupyter/). +1. **Installeer Jupyter Notebook**. Je moet het [Jupyter pakket installeren](https://pypi.org/project/jupyter/). -## Je ML-ontwikkelomgeving +## Je ML ontwikkelomgeving -Je gaat **notebooks** gebruiken om je Python-code te ontwikkelen en machine learning modellen te maken. Dit type bestand is een veelgebruikt hulpmiddel voor datawetenschappers en ze zijn te herkennen aan hun achtervoegsel of extensie `.ipynb`. +Je gaat **notebooks** gebruiken om je Python-code te ontwikkelen en machine learning modellen te maken. Dit type bestand is een veelgebruikt hulpmiddel voor datawetenschappers en ze zijn te herkennen aan hun suffix of extensie `.ipynb`. -Notebooks zijn een interactieve omgeving die de ontwikkelaar toestaat om zowel code te schrijven als aantekeningen te maken en documentatie rond de code te schrijven, wat erg handig is voor experimentele of onderzoeksgerichte projecten. +Notebooks zijn een interactieve omgeving die de ontwikkelaar in staat stelt om zowel code te schrijven als notities en documentatie toe te voegen rondom de code, wat erg nuttig is voor experimentele of onderzoeksgerichte projecten. -[![ML voor beginners - Stel Jupyter Notebooks in om met regressiemodellen te beginnen](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML voor beginners - Stel Jupyter Notebooks in om met regressiemodellen te beginnen") +[![ML voor beginners - Stel Jupyter Notebooks in om regressiemodellen te bouwen](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML voor beginners - Stel Jupyter Notebooks in om regressiemodellen te bouwen") -> 🎥 Klik op de afbeelding hierboven voor een korte video waarin deze oefening wordt doorlopen. +> 🎥 Klik op de afbeelding hierboven voor een korte video die deze oefening doorloopt. ### Oefening - werk met een notebook @@ -57,63 +57,63 @@ In deze map vind je het bestand _notebook.ipynb_. 1. Open _notebook.ipynb_ in Visual Studio Code. - Een Jupyter-server zal starten met Python 3+ actief. Je vindt delen van de notebook die je kunt `runnen`, stukjes code. Je kunt een codeblok uitvoeren door te klikken op het icoon dat eruitziet als een play-knop. + Er zal een Jupyter server starten met Python 3+ actief. Je vindt gedeeltes van het notebook die je kunt `runnen`, stukjes code. Je kunt een codeblok uitvoeren door te klikken op het icoontje dat eruitziet als een afspeelknop. -1. Selecteer het `md`-icoon en voeg wat markdown toe, en de volgende tekst **# Welkom in je notebook**. +1. Selecteer het `md` icoon en voeg wat markdown toe, en de volgende tekst **# Welkom in je notebook**. - Voeg vervolgens wat Python-code toe. + Voeg daarna wat Python code toe. 1. Typ **print('hello notebook')** in het codeblok. -1. Selecteer de pijl om de code uit te voeren. +1. Selecteer de pijl om de code te runnen. - Je zou het volgende geprinte statement moeten zien: + Je zou de volgende afgedrukte tekst moeten zien: ```output hello notebook ``` -![VS Code met een open notebook](../../../../translated_images/nl/notebook.4a3ee31f396b8832.webp) +![VS Code met een geopend notebook](../../../../translated_images/nl/notebook.4a3ee31f396b8832.webp) -Je kunt je code afwisselen met commentaar om zo de notebook zelf te documenteren. +Je kunt je code afwisselen met commentaren om je notebook zelf te documenteren. -✅ Denk eens na over hoe verschillend de werkomgeving van een webontwikkelaar is ten opzichte van die van een datawetenschapper. +✅ Denk even na over hoe anders de werkomgeving van een webontwikkelaar is in vergelijking met die van een datawetenschapper. ## Aan de slag met Scikit-learn -Nu Python is geïnstalleerd in je lokale omgeving en je comfortabel bent met Jupyter Notebooks, laten we ook vertrouwd raken met Scikit-learn (uitgesproken als `sci` zoals in `science`). Scikit-learn biedt een [uitgebreide API](https://scikit-learn.org/stable/modules/classes.html#api-ref) om je te helpen bij ML-taken. +Nu Python is ingesteld op je lokale omgeving en je vertrouwd bent met Jupyter Notebooks, laten we ook vertrouwd raken met Scikit-learn (spreek uit als `sci` zoals in `science`). Scikit-learn biedt een [uitgebreide API](https://scikit-learn.org/stable/modules/classes.html#api-ref) om je te helpen ML taken uit te voeren. -Volgens hun [website](https://scikit-learn.org/stable/getting_started.html) is "Scikit-learn een open source machine learning bibliotheek die zowel supervised als unsupervised learning ondersteunt. Het biedt ook diverse tools voor model fitting, datavoorbewerking, modelselectie en evaluatie, en vele andere hulpmiddelen." +Volgens hun [website](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn is een open source machine learning bibliotheek die zowel supervised als unsupervised learning ondersteunt. Het biedt ook diverse tools voor model fitting, datapreprocessing, modelselectie en evaluatie, en vele andere hulpmiddelen." -In deze cursus gebruik je Scikit-learn en andere tools om machine learning modellen te bouwen voor wat wij 'traditionele machine learning' taken noemen. We hebben bewust neurale netwerken en deep learning buiten beschouwing gelaten, aangezien deze beter worden behandeld in onze komende 'AI voor Beginners' curriculum. +In deze cursus gebruik je Scikit-learn en andere tools om machine learning modellen te bouwen waarmee we 'traditionele machine learning' taken uitvoeren. We hebben bewust neurale netwerken en deep learning vermeden, omdat die beter behandeld worden in ons aankomende curriculum 'AI voor Beginners'. -Scikit-learn maakt het eenvoudig om modellen te bouwen en te evalueren voor gebruik. Het richt zich voornamelijk op het werken met numerieke data en bevat verschillende kant-en-klare datasets als leermaterialen. Het bevat ook voorgebouwde modellen die studenten kunnen uitproberen. Laten we het proces verkennen van het laden van voorverpakte data en het gebruiken van een ingebouwde estimator om het eerste ML-model met Scikit-learn te maken met wat basisdata. +Scikit-learn maakt het gemakkelijk om modellen te bouwen en te evalueren. Het is vooral gericht op het gebruik van numerieke data en bevat verschillende kant-en-klare datasets om te gebruiken als leermiddelen. Het bevat ook vooraf gebouwde modellen voor studenten om te proberen. Laten we het proces verkennen van het laden van voorverpakte data en het gebruiken van een ingebouwde estimator om je eerste ML-model te maken met Scikit-learn met wat basisdata. ## Oefening - je eerste Scikit-learn notebook -> Deze tutorial is geïnspireerd op het [lineaire regressie voorbeeld](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) op de website van Scikit-learn. +> Deze tutorial is geïnspireerd door het [lineaire regressie voorbeeld](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) op de Scikit-learn website. -[![ML voor beginners - Je eerste lineaire regressieproject in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML voor beginners - Je eerste lineaire regressieproject in Python") +[![ML voor beginners - Je Eerste Lineaire Regressie Project in Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML voor beginners - Je Eerste Lineaire Regressie Project in Python") > 🎥 Klik op de afbeelding hierboven voor een korte video waarin deze oefening wordt doorlopen. -In het _notebook.ipynb_-bestand dat bij deze les hoort, maak je alle cellen leeg door op het 'prullenbak'-icoon te drukken. +In het bestand _notebook.ipynb_ dat bij deze les hoort, maak alle cellen leeg door op het 'prullenbak' icoon te klikken. -In deze sectie werk je met een kleine dataset over diabetes, die ingebouwd is in Scikit-learn voor leerdoeleinden. Stel je voor dat je een behandeling voor diabetespatiënten wilt testen. Machine Learning modellen kunnen je helpen bepalen welke patiënten beter op de behandeling zouden reageren, op basis van combinaties van variabelen. Zelfs een heel eenvoudig regressiemodel kan, zodra het gevisualiseerd is, informatie tonen over variabelen die je kunnen helpen je theoretische klinische proeven te organiseren. +In deze sectie werk je met een kleine dataset over diabetes die ingebouwd is in Scikit-learn voor leermiddelen. Stel je voor dat je een behandeling voor diabetici wilde testen. Machine learning modellen kunnen je helpen bepalen welke patiënten beter op de behandeling reageren op basis van combinaties van variabelen. Zelfs een heel eenvoudig regressiemodel kan, wanneer gevisualiseerd, informatie tonen over variabelen die je zouden helpen je theoretische klinische onderzoeken te organiseren. -✅ Er zijn veel soorten regressiemethoden, en welke je kiest hangt af van het antwoord dat je zoekt. Wil je bijvoorbeeld de waarschijnlijke lengte voorspellen voor een persoon van een bepaalde leeftijd, dan gebruik je lineaire regressie, omdat je op zoek bent naar een **numerieke waarde**. Ben je geïnteresseerd in het ontdekken of een type keuken als veganistisch beschouwd moet worden, dan zoek je een **categorie-toewijzing** en gebruik je logistische regressie. Daar leer je later meer over. Denk eens na over vragen die je aan data kunt stellen en welke van deze methoden daar het meest geschikt voor zou zijn. +✅ Er zijn veel soorten regressiemethoden, en welke je kiest hangt af van het antwoord dat je zoekt. Wil je de waarschijnlijke lengte voorspellen voor een persoon van een bepaalde leeftijd, gebruik je lineaire regressie, omdat je een **numerieke waarde** zoekt. Ben je geïnteresseerd in te ontdekken of een keuken als veganistisch beschouwd moet worden, dan zoek je een **categorietoewijzing** en gebruik je logistische regressie. Je leert later meer over logistische regressie. Denk even na over de vragen die je aan data kunt stellen en welke van deze methoden het meest geschikt is. Laten we aan deze taak beginnen. ### Bibliotheken importeren -Voor deze taak importeren we enkele bibliotheken: +Voor deze taak importeren we een paar bibliotheken: -- **matplotlib**. Het is een handig [grafiekhulpmiddel](https://matplotlib.org/) en we gebruiken het om een lijngrafiek te maken. -- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is een nuttige bibliotheek voor het omgaan met numerieke data in Python. +- **matplotlib**. Het is een handige [grafiektool](https://matplotlib.org/) en we gebruiken het om een lijngrafiek te maken. +- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) is een handige bibliotheek voor het omgaan met numerieke data in Python. - **sklearn**. Dit is de [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) bibliotheek. -Importeer enkele bibliotheken om je taken te helpen uitvoeren. +Importeer enkele bibliotheken om je te helpen met je taken. 1. Voeg de imports toe door de volgende code te typen: @@ -123,26 +123,26 @@ Importeer enkele bibliotheken om je taken te helpen uitvoeren. from sklearn import datasets, linear_model, model_selection ``` - Boven importeer je `matplotlib`, `numpy` en je importeert `datasets`, `linear_model` en `model_selection` uit `sklearn`. `model_selection` wordt gebruikt om data te splitsen in trainings- en testsets. + Boven importeer je `matplotlib`, `numpy` en je importeert `datasets`, `linear_model` en `model_selection` van `sklearn`. `model_selection` wordt gebruikt om data in trainings- en testsets te splitsen. ### De diabetes dataset -De ingebouwde [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) bevat 442 datapunten over diabetes, met 10 kenmerkenvariabelen, waarvan enkele zijn: +De ingebouwde [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) bevat 442 datasets over diabetes, met 10 feature-variabelen, waaronder: - leeftijd: leeftijd in jaren - bmi: body mass index - bp: gemiddelde bloeddruk - s1 tc: T-cellen (een type witte bloedcellen) -✅ Deze dataset bevat het concept 'geslacht' als een kenmerkvariabele die belangrijk is voor onderzoek naar diabetes. Veel medische datasets bevatten dit soort binaire classificaties. Denk eens na over hoe dergelijke categorisaties sommige delen van een bevolking zouden kunnen uitsluiten van behandelingen. +✅ Deze dataset bevat het concept 'geslacht' als een belangrijke featurevariabele in het onderzoek rondom diabetes. Veel medische datasets bevatten dit type binaire classificatie. Denk na over hoe zulke categoriseringen bepaalde delen van de bevolking kunnen uitsluiten van behandelingen. -Laad nu de X- en y-data in. +Laad nu de X- en y-data. -> 🎓 Onthoud, dit is supervised learning, en we hebben een benoemde 'y' target nodig. +> 🎓 Denk eraan, dit is supervised learning en we hebben een benoemde 'y' target nodig. -Laad in een nieuwe codecel de diabetes dataset door `load_diabetes()` aan te roepen. De invoer `return_X_y=True` geeft aan dat `X` een datamatrix zal zijn en `y` het regressiedoel. +Laad in een nieuwe codecel de diabetes dataset door `load_diabetes()` aan te roepen. De invoer `return_X_y=True` betekent dat `X` een datamatrijs zal zijn, en `y` het regressiedoel. -1. Voeg wat printcommando's toe om de vorm van de datamatrix en het eerste element te tonen: +1. Voeg printopdrachten toe om de vorm van de datamatrijs en het eerste element te tonen: ```python X, y = datasets.load_diabetes(return_X_y=True) @@ -150,9 +150,9 @@ Laad in een nieuwe codecel de diabetes dataset door `load_diabetes()` aan te roe print(X[0]) ``` - Wat je terugkrijgt als antwoord is een tuple. Wat je doet is de twee eerste waarden van de tuple toewijzen aan respectievelijk `X` en `y`. Leer meer [over tuples](https://wikipedia.org/wiki/Tuple). + Wat je terugkrijgt als respons is een tuple. Wat je doet is de eerste twee waarden van de tuple toewijzen aan respectievelijk `X` en `y`. Lees meer [over tuples](https://wikipedia.org/wiki/Tuple). - Je kunt zien dat deze data 442 items bevat die zijn gevormd als arrays van 10 elementen: + Je ziet dat deze data 442 items bevat, geordend in arrays van 10 elementen: ```text (442, 10) @@ -160,39 +160,39 @@ Laad in een nieuwe codecel de diabetes dataset door `load_diabetes()` aan te roe -0.04340085 -0.00259226 0.01990842 -0.01764613] ``` - ✅ Denk eens na over de relatie tussen de data en het regressiedoel. Lineaire regressie voorspelt relaties tussen kenmerk X en doelvariabele y. Kun je het [doel](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) voor de diabetes dataset in de documentatie vinden? Wat laat deze dataset zien, gezien dat doel? + ✅ Denk even na over de relatie tussen de data en het regressiedoel. Lineaire regressie voorspelt relaties tussen feature X en targetvariabele y. Kun je het [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) voor de diabetes dataset in de documentatie vinden? Wat toont deze dataset, gegeven dat target? -2. Selecteer vervolgens een deel van deze dataset om te plotten door de 3e kolom van de dataset te kiezen. Je kunt dit doen door met het `:`-operator alle rijen te selecteren en dan de 3e kolom te selecteren met index (2). Je kunt de data ook herschikken naar een 2D-array, wat nodig is voor plotten, door `reshape(n_rows, n_columns)` te gebruiken. Als één van de parameters -1 is, wordt die dimensie automatisch berekend. +2. Selecteer vervolgens een deel van deze dataset om te plotten door de 3e kolom van de dataset te nemen. Dit doe je door de `:` operator te gebruiken om alle rijen te selecteren en de 3e kolom te selecteren met index (2). Je kunt de data ook opnieuw vormgeven tot een 2D-array - zoals nodig is om te plotten - met `reshape(n_rows, n_columns)`. Als een van de parameters -1 is, wordt de overeenkomstige dimensie automatisch berekend. ```python X = X[:, 2] X = X.reshape((-1,1)) ``` - ✅ Print op elk moment de data om de vorm te controleren. + ✅ Print de data op elk moment om de vorm te checken. -3. Nu je data klaar is om geplot te worden, kun je kijken of een machine kan helpen een logische scheiding te bepalen tussen de getallen in deze dataset. Om dit te doen, moet je zowel de data (X) als het doel (y) splitsen in test- en trainingsets. Scikit-learn heeft hier een eenvoudige manier voor; je kunt je testdata op een gegeven punt splitsen. +3. Nu je data klaar is om te plotten, kun je zien of een machine kan helpen bij het bepalen van een logische scheiding tussen de getallen in deze dataset. Hiervoor moet je zowel de data (X) als het target (y) splitsen in test- en trainingssets. Scikit-learn heeft hier een eenvoudige manier voor; je kunt je testdata op een punt splitsen. ```python X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33) ``` -4. Nu ben je klaar om je model te trainen! Laad het lineaire regressiemodel en train het met je X en y trainingssets via `model.fit()`: +4. Nu ben je klaar om je model te trainen! Laad het lineaire regressiemodel en train het met je X- en y-trainingssets via `model.fit()`: ```python model = linear_model.LinearRegression() model.fit(X_train, y_train) ``` - ✅ `model.fit()` is een functie die je in veel ML-bibliotheken zoals TensorFlow zult zien + ✅ `model.fit()` is een functie die je in veel ML-bibliotheken ziet, zoals TensorFlow -5. Maak daarna een voorspelling met de testdata, met de functie `predict()`. Dit wordt gebruikt om de lijn te tekenen tussen de datagroepen +5. Maak vervolgens een voorspelling met de testdata, met de functie `predict()`. Dit wordt gebruikt om de lijn te trekken tussen de gegevensgroepen. ```python y_pred = model.predict(X_test) ``` -6. Nu is het tijd om de data te tonen in een grafiek. Matplotlib is een erg handig hulpmiddel hiervoor. Maak een spreidingsdiagram van alle X- en y-testdata, en gebruik de voorspelling om een lijn te tekenen op de meest geschikte plek, tussen de model-data-groepen. +6. Tijd om de data weer te geven in een plot. Matplotlib is erg handig voor deze taak. Maak een scatterplot van alle X en y testdata en gebruik de voorspelling om een lijn te tekenen op de meest logische plek tussen de modelgegevensgroepen. ```python plt.scatter(X_test, y_test, color='black') @@ -203,24 +203,23 @@ Laad in een nieuwe codecel de diabetes dataset door `load_diabetes()` aan te roe plt.show() ``` - ![een spreidingsdiagram met datapunten rond diabetes](../../../../translated_images/nl/scatterplot.ad8b356bcbb33be6.webp) - + ![een scatterplot die datapunten laat zien rondom diabetes](../../../../translated_images/nl/scatterplot.ad8b356bcbb33be6.webp) - ✅ Denk even na over wat hier gebeurt. Er loopt een rechte lijn door veel kleine datapunten, maar wat doet die lijn precies? Zie je hoe je deze lijn zou kunnen gebruiken om te voorspellen waar een nieuw, onbekend datapunt zou moeten passen in relatie tot de y-as van de plot? Probeer in woorden te vatten wat het praktische gebruik van dit model is. + ✅ Denk na over wat hier gebeurt. Een rechte lijn gaat door veel kleine stippen data heen, maar wat doet hij precies? Zie je hoe je deze lijn zou kunnen gebruiken om te voorspellen waar een nieuwe, ongeziene datapunt zou moeten passen ten opzichte van de y-as van de plot? Probeer in woorden te vatten wat het praktische nut is van dit model. -Gefeliciteerd, je hebt je eerste lineaire regressiemodel gebouwd, een voorspelling ermee gemaakt, en deze weergegeven in een plot! +Gefeliciteerd, je hebt je eerste lineaire regressiemodel gebouwd, een voorspelling gemaakt en die geplot! --- ## 🚀Uitdaging -Plot een andere variabele uit deze dataset. Tip: bewerk deze regel: `X = X[:,2]`. Gezien het doel van deze dataset, wat kun je ontdekken over de progressie van diabetes als ziekte? -## [Quiz na de les](https://ff-quizzes.netlify.app/en/ml/) +Plot een andere variabele uit deze dataset. Tip: bewerk deze regel: `X = X[:,2]`. Gegeven het target van deze dataset, wat kun je ontdekken over de progressie van diabetes als ziekte? +## [Post-college quiz](https://ff-quizzes.netlify.app/en/ml/) ## Review & Zelfstudie -In deze tutorial werkte je met eenvoudige lineaire regressie, in plaats van univariate of meervoudige lineaire regressie. Lees wat over de verschillen tussen deze methoden, of bekijk [deze video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) +In deze tutorial werkte je met eenvoudige lineaire regressie, in plaats van univariate of multivariate lineaire regressie. Lees wat over de verschillen tussen deze methoden, of bekijk [deze video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) -Lees meer over het concept regressie en denk na over wat voor soort vragen met deze techniek beantwoord kunnen worden. Volg deze [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) om je begrip te verdiepen. +Lees meer over het concept regressie en denk na over welke soorten vragen met deze techniek beantwoord kunnen worden. Volg deze [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) om je begrip te verdiepen. ## Opdracht diff --git a/translations/nl/5-Clustering/README.md b/translations/nl/5-Clustering/README.md index e75185c26..3e3f0af2e 100644 --- a/translations/nl/5-Clustering/README.md +++ b/translations/nl/5-Clustering/README.md @@ -1,18 +1,18 @@ # Clustermodellen voor machine learning -Clustering is een machine learning-taak waarbij wordt gezocht naar objecten die op elkaar lijken en deze worden gegroepeerd in groepen die clusters worden genoemd. Wat clustering onderscheidt van andere benaderingen in machine learning, is dat alles automatisch gebeurt. Sterker nog, het is eerlijk om te zeggen dat het het tegenovergestelde is van supervised learning. +Clustering is een machine learning taak waarbij het erop gericht is objecten te vinden die op elkaar lijken en deze te groeperen in groepen die clusters worden genoemd. Wat clustering onderscheidt van andere benaderingen in machine learning, is dat dingen automatisch gebeuren; in feite kun je zeggen dat het het tegenovergestelde is van supervised learning. ## Regionaal onderwerp: clustermodellen voor de muzikale smaak van een Nigeriaans publiek 🎧 -Het diverse publiek in Nigeria heeft een uiteenlopende muzikale smaak. Met behulp van gegevens die zijn verzameld van Spotify (geïnspireerd door [dit artikel](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), gaan we kijken naar populaire muziek in Nigeria. Deze dataset bevat gegevens over verschillende nummers, zoals de 'danceability'-score, 'acousticness', luidheid, 'speechiness', populariteit en energie. Het zal interessant zijn om patronen in deze gegevens te ontdekken! +Nigeria's diverse publiek heeft diverse muzikale smaken. Met behulp van data verzameld van Spotify (geïnspireerd door [dit artikel](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) bekijken we wat muziek die populair is in Nigeria. Deze dataset bevat gegevens over verschillende nummers zoals de 'danceability' score, 'acousticness', luidheid, 'speechiness', populariteit en energie. Het zal interessant zijn om patronen in deze data te ontdekken! -![Een draaitafel](../../../5-Clustering/images/turntable.jpg) +![Een draaitafel](../../../translated_images/nl/turntable.f2b86b13c53302dc.webp) > Foto door Marcela Laskoski op Unsplash -In deze serie lessen ontdek je nieuwe manieren om gegevens te analyseren met clusteringtechnieken. Clustering is vooral nuttig wanneer je dataset geen labels bevat. Als er wel labels zijn, dan kunnen classificatietechnieken zoals die je in eerdere lessen hebt geleerd, nuttiger zijn. Maar in gevallen waarin je ongelabelde gegevens wilt groeperen, is clustering een geweldige manier om patronen te ontdekken. +In deze reeks lessen ontdek je nieuwe manieren om data te analyseren met clustering technieken. Clustering is vooral nuttig wanneer je dataset geen labels heeft. Als die er wel zijn, kunnen classificatietechnieken zoals die je in eerdere lessen hebt geleerd nuttiger zijn. Maar in gevallen waarin je onlabelde data wilt groeperen, is clustering een geweldige manier om patronen te ontdekken. -> Er zijn handige low-code tools die je kunnen helpen bij het werken met clustermodellen. Probeer [Azure ML voor deze taak](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) +> Er zijn handige low-code tools die je kunnen helpen met het werken met clustermodellen. Probeer [Azure ML voor deze taak](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ## Lessen @@ -21,13 +21,15 @@ In deze serie lessen ontdek je nieuwe manieren om gegevens te analyseren met clu ## Credits -Deze lessen zijn geschreven met 🎶 door [Jen Looper](https://www.twitter.com/jenlooper) met behulpzame reviews van [Rishit Dagli](https://rishit_dagli) en [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). +Deze lessen zijn geschreven met 🎶 door [Jen Looper](https://www.twitter.com/jenlooper) met behulpzame recensies van [Rishit Dagli](https://rishit_dagli/) en [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). -De [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) dataset is afkomstig van Kaggle en verzameld via Spotify. +De [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) dataset is afkomstig van Kaggle en gescraped van Spotify. -Handige K-Means voorbeelden die hebben geholpen bij het maken van deze les zijn onder andere deze [iris-verkenning](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), deze [introductienotebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), en dit [hypothetische NGO-voorbeeld](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). +Nuttige K-Means voorbeelden die hebben geholpen bij het maken van deze les zijn onder andere deze [iris verkenning](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), deze [introductie notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), en dit [hypothetische NGO voorbeeld](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). --- -**Disclaimer**: -Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we ons best doen voor nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file + +**Disclaimer**: +Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. + \ No newline at end of file diff --git a/translations/nl/7-TimeSeries/README.md b/translations/nl/7-TimeSeries/README.md index d727a18ea..9fa6d864f 100644 --- a/translations/nl/7-TimeSeries/README.md +++ b/translations/nl/7-TimeSeries/README.md @@ -1,28 +1,30 @@ -# Introductie tot tijdreeksvoorspelling +# Inleiding tot tijdreeksvoorspelling -Wat is tijdreeksvoorspelling? Het gaat om het voorspellen van toekomstige gebeurtenissen door trends uit het verleden te analyseren. +Wat is tijdreeksvoorspelling? Het gaat over het voorspellen van toekomstige gebeurtenissen door het analyseren van trends uit het verleden. ## Regionaal onderwerp: wereldwijd elektriciteitsverbruik ✨ -In deze twee lessen maak je kennis met tijdreeksvoorspelling, een enigszins minder bekend gebied van machine learning dat desondanks enorm waardevol is voor industriële en zakelijke toepassingen, naast andere gebieden. Hoewel neurale netwerken kunnen worden gebruikt om de bruikbaarheid van deze modellen te verbeteren, zullen we ze bestuderen in de context van klassieke machine learning, omdat modellen helpen toekomstige prestaties te voorspellen op basis van het verleden. +In deze twee lessen maak je kennis met tijdreeksvoorspelling, een wat minder bekend gebied van machine learning dat desalniettemin enorm waardevol is voor industrie en zakelijke toepassingen, naast andere velden. Hoewel neurale netwerken gebruikt kunnen worden om de bruikbaarheid van deze modellen te vergroten, bestuderen we ze hier in de context van klassieke machine learning, omdat modellen helpen om toekomstige prestaties te voorspellen op basis van het verleden. -Onze regionale focus is het elektriciteitsverbruik in de wereld, een interessante dataset om te leren hoe je toekomstig energieverbruik kunt voorspellen op basis van patronen van eerdere belasting. Je kunt zien hoe dit soort voorspellingen enorm nuttig kan zijn in een zakelijke omgeving. +Onze regionale focus ligt op het elektriciteitsverbruik in de wereld, een interessante dataset om te leren hoe je toekomstige energieverbruik kunt voorspellen op basis van patronen in de recente belasting. Je ziet hoe dit soort voorspellingen buitengewoon nuttig kan zijn in een zakelijke omgeving. -![elektriciteitsnet](../../../7-TimeSeries/images/electric-grid.jpg) +![electric grid](../../../translated_images/nl/electric-grid.0c21d5214db09ffa.webp) -Foto door [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) van elektriciteitsmasten langs een weg in Rajasthan op [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) +Foto door [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) van elektriciteitstorens langs een weg in Rajasthan op [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## Lessen -1. [Introductie tot tijdreeksvoorspelling](1-Introduction/README.md) -2. [ARIMA-tijdreeksmodellen bouwen](2-ARIMA/README.md) -3. [Support Vector Regressor bouwen voor tijdreeksvoorspelling](3-SVR/README.md) +1. [Inleiding tot tijdreeksvoorspelling](1-Introduction/README.md) +2. [Bouwen van ARIMA tijdreeksmodellen](2-ARIMA/README.md) +3. [Bouwen van Support Vector Regressor voor tijdreeksvoorspelling](3-SVR/README.md) ## Credits -"Introductie tot tijdreeksvoorspelling" is geschreven met ⚡️ door [Francesca Lazzeri](https://twitter.com/frlazzeri) en [Jen Looper](https://twitter.com/jenlooper). De notebooks verschenen voor het eerst online in de [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), oorspronkelijk geschreven door Francesca Lazzeri. De SVR-les is geschreven door [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD). +"Inleiding tot tijdreeksvoorspelling" is geschreven met ⚡️ door [Francesca Lazzeri](https://twitter.com/frlazzeri) en [Jen Looper](https://twitter.com/jenlooper). De notitieboeken verschenen eerst online in de [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), oorspronkelijk geschreven door Francesca Lazzeri. De SVR-les werd geschreven door [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) --- -**Disclaimer**: -Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we ons best doen om nauwkeurigheid te garanderen, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file + +**Disclaimer**: +Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. + \ No newline at end of file diff --git a/translations/nl/README.md b/translations/nl/README.md index 04522fdd4..a52633bf9 100644 --- a/translations/nl/README.md +++ b/translations/nl/README.md @@ -1,23 +1,23 @@ -[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub-licentie](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) +[![GitHub-bijdragers](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub-problemen](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![PRs welkom](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub-volgers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![GitHub sterren](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 Meertalige Ondersteuning +### 🌐 Meertalige ondersteuning -#### Ondersteund via GitHub Action (Geautomatiseerd & Altijd Actueel) +#### Ondersteund via GitHub Action (Geautomatiseerd & Altijd Up-to-Date) -[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](./README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[Arabisch](../ar/README.md) | [Bengaals](../bn/README.md) | [Bulgaars](../bg/README.md) | [Birmees (Myanmar)](../my/README.md) | [Chinees (Vereenvoudigd)](../zh-CN/README.md) | [Chinees (Traditioneel, Hong Kong)](../zh-HK/README.md) | [Chinees (Traditioneel, Macau)](../zh-MO/README.md) | [Chinees (Traditioneel, Taiwan)](../zh-TW/README.md) | [Kroatisch](../hr/README.md) | [Tsjechisch](../cs/README.md) | [Deens](../da/README.md) | [Nederlands](./README.md) | [Ests](../et/README.md) | [Fins](../fi/README.md) | [Frans](../fr/README.md) | [Duits](../de/README.md) | [Grieks](../el/README.md) | [Hebreeuws](../he/README.md) | [Hindi](../hi/README.md) | [Hongaars](../hu/README.md) | [Indonesisch](../id/README.md) | [Italiaans](../it/README.md) | [Japans](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Koreaans](../ko/README.md) | [Litouws](../lt/README.md) | [Maleis](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalees](../ne/README.md) | [Nigeriaans Pidgin](../pcm/README.md) | [Noors](../no/README.md) | [Perzisch (Farsi)](../fa/README.md) | [Pools](../pl/README.md) | [Portugees (Brazilië)](../pt-BR/README.md) | [Portugees (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Roemeens](../ro/README.md) | [Russisch](../ru/README.md) | [Servisch (Cyrillisch)](../sr/README.md) | [Slowaaks](../sk/README.md) | [Sloveens](../sl/README.md) | [Spaans](../es/README.md) | [Swahili](../sw/README.md) | [Zweeds](../sv/README.md) | [Tagalog (Filipijns)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thais](../th/README.md) | [Turks](../tr/README.md) | [Oekraïens](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamees](../vi/README.md) > **Liever lokaal klonen?** > -> Deze repository bevat meer dan 50 taalvertalingen wat de downloadgrootte aanzienlijk vergroot. Om zonder vertalingen te klonen, gebruik sparse checkout: +> Deze repository bevat meer dan 50 vertalingen, wat de downloadgrootte aanzienlijk vergroot. Om zonder vertalingen te klonen, gebruik je sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,14 +33,14 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Dit geeft je alles wat je nodig hebt voor de cursus met een veel snellere download. +> Dit geeft je alles wat je nodig hebt om de cursus te voltooien met een veel snellere download. -#### Word Lid van Onze Community +#### Word lid van onze community [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -We hebben een lopende Discord leer met AI-serie, kom meer te weten en doe mee via [Learn with AI Series](https://aka.ms/learnwithai/discord) van 18 tot 30 september 2025. Je krijgt tips en trucs over het gebruik van GitHub Copilot voor Data Science. +We hebben een lopende Discord-serie 'Leren met AI', leer meer en doe mee bij [Learn with AI Series](https://aka.ms/learnwithai/discord) van 18 - 30 september 2025. Je krijgt tips en trucs over het gebruik van GitHub Copilot voor Data Science. ![Learn with AI series](../../translated_images/nl/3.9b58fd8d6c373c20.webp) @@ -48,58 +48,60 @@ We hebben een lopende Discord leer met AI-serie, kom meer te weten en doe mee vi > 🌍 Reis de wereld rond terwijl we Machine Learning verkennen via wereldculturen 🌍 -Cloud Advocates bij Microsoft bieden met plezier een 12-weken durend, 26-lessen curriculum aan over **Machine Learning**. In dit curriculum leer je wat soms wordt genoemd **klassieke machine learning**, waarbij voornamelijk Scikit-learn als bibliotheek wordt gebruikt en diepe neurale netwerken worden vermeden, die behandeld worden in ons [AI for Beginners'-curriculum](https://aka.ms/ai4beginners). Combineer deze lessen ook met ons ['Data Science for Beginners'-curriculum](https://aka.ms/ds4beginners)! +Cloud Advocates bij Microsoft bieden een 12-weekse, 26-lessen curriculum over **Machine Learning**. In dit curriculum leer je wat soms **klassieke machine learning** wordt genoemd, waarbij vooral Scikit-learn als bibliotheek wordt gebruikt en diepe leertechnieken worden vermeden, die behandeld worden in ons [AI voor Beginners-curriculum](https://aka.ms/ai4beginners). Combineer deze lessen ook met ons ['Data Science voor Beginners'-curriculum](https://aka.ms/ds4beginners)! -Reis met ons mee over de wereld terwijl we deze klassieke technieken toepassen op data uit vele gebieden van de wereld. Elke les bevat quizzen voor en na de les, geschreven instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgerichte pedagogiek laat je leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden te verankeren. +Reis met ons mee de wereld rond terwijl we deze klassieke technieken toepassen op data uit veel gebieden van de wereld. Elke les bevat vooraf- en nabeschouwende quizzes, schriftelijke instructies om de les te voltooien, een oplossing, een opdracht en meer. Onze projectgebaseerde pedagogie laat je leren terwijl je bouwt, een bewezen manier om nieuwe vaardigheden te laten beklijven. **✍️ Hartelijke dank aan onze auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu en Amy Boyd -**🎨 Dank ook aan onze illustratoren** Tomomi Imura, Dasani Madipalli en Jen Looper +**🎨 Dank aan onze illustratoren** Tomomi Imura, Dasani Madipalli en Jen Looper -**🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador auteurs, reviewers en inhoudsbijdragers**, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila en Snigdha Agarwal +**🙏 Speciale dank 🙏 aan onze Microsoft Student Ambassador auteurs, beoordelaars en contentbijdragers**, met name Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila en Snigdha Agarwal **🤩 Extra dank aan Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi en Vidushi Gupta voor onze R-lessen!** -# Aan de Slag +# Aan de slag Volg deze stappen: -1. **Fork de Repository**: Klik op de knop "Fork" rechtsboven op deze pagina. -2. **Clone de Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **Fork de repository**: Klik op de knop "Fork" rechtsboven op deze pagina. +2. **Clone de repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` + +> 💡 **Snelle start tip:** Wil je in een browser beginnen zonder Python lokaal in te stellen? Gebruik [GitHub Codespaces](https://github.com/features/codespaces) om een cloud-ontwikkelomgeving voor je fork te maken. Open het groene **Code** menu, selecteer **Codespaces**, en maak een codespace; installeer de benodigde dependencies van elke les binnen deze omgeving naar behoefte. > [vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Hulp nodig?** Bekijk onze [Probleemoplossingsgids](TROUBLESHOOTING.md) voor oplossingen voor veelvoorkomende problemen met installatie, setup en het uitvoeren van lessen. +> 🔧 **Hulp nodig?** Bekijk onze [Probleemoplossingsgids](TROUBLESHOOTING.md) voor oplossingen van veelvoorkomende problemen met installeren, opzetten en lesuitvoering. -**[Studenten](https://aka.ms/student-page)**, om dit curriculum te gebruiken, fork de hele repo naar je eigen GitHub-account en maak de oefeningen alleen of in een groep: +**[Studenten](https://aka.ms/student-page)**, om dit curriculum te gebruiken, fork je de hele repo naar je eigen GitHub-account en maak je de oefeningen alleen of in een groep: -- Begin met een pre-lectuur quiz. -- Lees de lesstof en voltooi de activiteiten, pauzeer en reflecteer bij elke kennischeck. -- Probeer de projecten te maken door de lessen te begrijpen in plaats van simpelweg de code van de oplossing uit te voeren; die code is echter beschikbaar in de `/solution` mappen in elke projectgerichte les. -- Maak de post-lectuur quiz. +- Begin met een quiz voorafgaand aan de les. +- Lees de les en voltooi de activiteiten, pauzeer en reflecteer bij elke kennisscheck. +- Probeer de projecten te maken door de lessen te begrijpen in plaats van de oplossingcode te gebruiken; die code is echter beschikbaar in de `/solution` mappen bij elke projectgerichte les. +- Maak de quiz na de les. - Voltooi de challenge. -- Maak de opdracht. -- Na het afronden van een lesgroep, bezoek het [Discussiebord](https://github.com/microsoft/ML-For-Beginners/discussions) en "leer hardop" door de passende PAT-rubriek in te vullen. Een 'PAT' is een Progress Assessment Tool die je invult om je leerproces te verdiepen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren. +- Maak de opdracht af. +- Na het voltooien van een lesgroep, bezoek het [Discussieforum](https://github.com/microsoft/ML-For-Beginners/discussions) en "leer hardop" door de relevante PAT-rubriek in te vullen. Een 'PAT' is een voortgangsevaluatie-instrument dat je helpt je leren verder te ontwikkelen. Je kunt ook reageren op andere PAT's zodat we samen kunnen leren. -> Voor verdere studie raden we aan deze [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules en leerpaden te volgen. +> Voor verdere studie raden we aan deze [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modules en leerroutes te volgen. -**Docenten**, we hebben [wat suggesties toegevoegd](for-teachers.md) over hoe je dit curriculum kunt gebruiken. +**Docenten**, we hebben [enkele suggesties toegevoegd](for-teachers.md) over het gebruik van dit curriculum. --- -## Video-uitleg +## Video walkthroughs -Sommige lessen zijn beschikbaar als korte video. Je vindt ze in de lessen zelf of op de [ML for Beginners afspeellijst op het Microsoft Developer YouTube-kanaal](https://aka.ms/ml-beginners-videos) door op onderstaande afbeelding te klikken. +Sommige lessen zijn beschikbaar als korte video's. Je vindt ze allemaal ingebed in de lessen of op de [ML for Beginners-afspeellijst op het Microsoft Developer YouTube-kanaal](https://aka.ms/ml-beginners-videos) door op de afbeelding hieronder te klikken. [![ML for beginners banner](../../translated_images/nl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Ontmoet het Team +## Ontmoet het team [![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Gif van** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif door** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Klik op de afbeelding hierboven voor een video over het project en de mensen die het hebben gemaakt! @@ -107,91 +109,92 @@ Sommige lessen zijn beschikbaar als korte video. Je vindt ze in de lessen zelf o ## Pedagogiek -We hebben twee pedagogische uitgangspunten gekozen bij het bouwen van dit curriculum: zorgen dat het hands-on **project-gebaseerd** is en dat het **regelmatige quizzen** bevat. Daarnaast heeft dit curriculum een gemeenschappelijk **thema** voor samenhang. +We hebben bij het bouwen van dit curriculum twee pedagogische principes gekozen: zorgen dat het praktisch en **projectgebaseerd** is en dat het **frequente quizzes** bevat. Bovendien heeft dit curriculum een gemeenschappelijk **thema** om samenhang te geven. -Door te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en wordt de onthouding van concepten vergroot. Daarnaast stelt een laagdrempelige quiz voor de les de intentie van de student op leren van een onderwerp, terwijl een tweede quiz na de les verdere retentie bevordert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan geheel of gedeeltelijk gevolgd worden. De projecten beginnen klein en worden geleidelijk complexer tegen het einde van de 12-weken cyclus. Dit curriculum bevat ook een naproject over praktijktoepassingen van ML, dat gebruikt kan worden als extra credit of als basis voor discussie. +Door ervoor te zorgen dat de inhoud aansluit bij projecten, wordt het proces boeiender voor studenten en wordt het begrip van concepten versterkt. Daarnaast zet een quiz met lage druk vóór de les de intentie van de student op leren, terwijl een tweede quiz na de les verdere retentie garandeert. Dit curriculum is ontworpen om flexibel en leuk te zijn en kan volledig of gedeeltelijk worden gevolgd. De projecten beginnen klein en worden steeds complexer tegen het einde van de 12-weekse cyclus. Dit curriculum bevat ook een naschrift over toepassingen in de echte wereld van ML, die gebruikt kan worden als extra krediet of als basis voor discussie. -> Bekijk onze [Gedragscode](CODE_OF_CONDUCT.md), [Bijdragen](CONTRIBUTING.md), [Vertalingen](..), en [Probleemoplossing](TROUBLESHOOTING.md) richtlijnen. We verwelkomen je constructieve feedback! +> Vind onze [Gedragscode](CODE_OF_CONDUCT.md), [Bijdragen](CONTRIBUTING.md), [Vertalingen](..) en [Probleemoplossing](TROUBLESHOOTING.md) richtlijnen. Wij verwelkomen je opbouwende feedback! ## Elke les bevat -- optionele sketchnote +- optionele schetsnotitie - optionele aanvullende video -- video-uitleg (sommige lessen) -- [pre-lecture opwarmquiz](https://ff-quizzes.netlify.app/en/ml/) -- geschreven les -- voor project-gebaseerde lessen: stapsgewijze handleidingen om het project te bouwen -- kenniscontroles -- een uitdaging -- aanvullende literatuur +- video walkthrough (alleen sommige lessen) +- [quiz ter voorbereiding op de les](https://ff-quizzes.netlify.app/en/ml/) +- schriftelijke les +- voor projectgebaseerde lessen, stapsgewijze handleidingen om het project te bouwen +- kennisschecks +- een challenge +- aanvullende leesstof - opdracht -- [post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/) -> **Een opmerking over talen**: Deze lessen zijn voornamelijk geschreven in Python, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de map `/solution` en zoek naar R-lessen. Deze bevatten een .rmd-extensie die staat voor een **R Markdown**-bestand, wat eenvoudig kan worden gedefinieerd als een insluiting van `codeblokken` (van R of andere talen) en een `YAML-header` (die aangeeft hoe outputs zoals PDF moeten worden opgemaakt) in een `Markdown-document`. Daardoor dient het als een uitstekend auteurskader voor datawetenschap, omdat het je in staat stelt om je code, de output en je gedachten te combineren door ze in Markdown nee te schrijven. Bovendien kunnen R Markdown-bestanden worden gerenderd naar outputformaten zoals PDF, HTML of Word. - -> **Een opmerking over quizzen**: Alle quizzen bevinden zich in de map [Quiz App folder](../../quiz-app), met in totaal 52 quizzen van elk drie vragen. Ze zijn verbonden vanuit de lessen, maar de quiz-app kan lokaal worden uitgevoerd; volg de instructies in de map `quiz-app` om lokaal te hosten of te deployen naar Azure. - -| Lesnummer | Onderwerp | Lesgroep | Leerdoelen | Gelinkte Les | Auteur | -| :-------: | :---------------------------------------------------------------: | :-------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------: | -| 01 | Introductie tot machine learning | [Introductie](1-Introduction/README.md) | Leer de basisconcepten achter machine learning | [Les](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | De geschiedenis van machine learning | [Introductie](1-Introduction/README.md) | Leer de geschiedenis achter dit vakgebied | [Les](1-Introduction/2-history-of-ML/README.md) | Jen en Amy | -| 03 | Eerlijkheid en machine learning | [Introductie](1-Introduction/README.md) | Wat zijn de belangrijke filosofische kwesties rond eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML modellen? | [Les](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Technieken voor machine learning | [Introductie](1-Introduction/README.md) | Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen? | [Les](1-Introduction/4-techniques-of-ML/README.md) | Chris en Jen | -| 05 | Introductie tot regressie | [Regressie](2-Regression/README.md) | Begin met Python en Scikit-learn voor regressiemodellen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regressie](2-Regression/README.md) | Visualiseer en reinig data ter voorbereiding op ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regressie](2-Regression/README.md) | Bouw lineaire en polynomiale regressiemodellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen en Dmitry • Eric Wanjau | -| 08 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regressie](2-Regression/README.md) | Bouw een logistiek regressiemodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Een Web App 🔌 | [Web App](3-Web-App/README.md) | Bouw een web-app om je getrainde model te gebruiken | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Introductie tot classificatie | [Classificatie](4-Classification/README.md) | Reinig, bereid voor en visualiseer je data; introductie tot classificatie | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen en Cassie • Eric Wanjau | -| 11 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Introductie tot classifiers | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen en Cassie • Eric Wanjau | -| 12 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Meer classifiers | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen en Cassie • Eric Wanjau | -| 13 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classificatie](4-Classification/README.md) | Bouw een recommender web-app met je model | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Introductie tot clustering | [Clustering](5-Clustering/README.md) | Reinig, bereid voor en visualiseer je data; introductie tot clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Verkennen van Nigeriaanse muzikale smaken 🎧 | [Clustering](5-Clustering/README.md) | Verken de K-Means clusteringmethode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Introductie tot natuurlijke taalverwerking ☕️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Leer de basis van NLP door een simpele bot te bouwen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Veelvoorkomende NLP-taken ☕️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Verdiep je NLP-kennis door veelvoorkomende taken te begrijpen die nodig zijn bij het verwerken van taalstructuren | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Vertaling en sentimentanalyse ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Vertaling en sentimentanalyse met Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Romantische hotels in Europa ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Romantische hotels in Europa ♥️ | [Natuurlijke taalverwerking](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Introductie tot tijdreeksvoorspelling | [Tijdreeks](7-TimeSeries/README.md) | Introductie tot tijdreeksvoorspelling | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspelling met ARIMA | [Tijdreeks](7-TimeSeries/README.md) | Tijdreeksvoorspelling met ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Wereldwijde energieverbruik ⚡️ - tijdreeksvoorspelling met SVR | [Tijdreeks](7-TimeSeries/README.md) | Tijdreeksvoorspelling met Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Introductie tot reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introductie tot reinforcement learning met Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Help Peter de wolf vermijden! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Nawoord | Machine Learning scenario’s en toepassingen in de praktijk | [ML in het Wild](9-Real-World/README.md) | Interessante en onthullende toepassingen van klassieke ML | [Les](9-Real-World/1-Applications/README.md) | Team | -| Nawoord | Modeldebugging in ML met RAI-dashboard | [ML in het Wild](9-Real-World/README.md) | Modeldebugging in Machine Learning met componenten van Responsible AI-dashboard | [Les](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | +- [quiz na de les](https://ff-quizzes.netlify.app/en/ml/) + +> **Een opmerking over talen**: Deze lessen zijn voornamelijk in Python geschreven, maar veel zijn ook beschikbaar in R. Om een R-les te voltooien, ga naar de `/solution` map en zoek naar R-lessen. Ze bevatten een .rmd extensie die staat voor een **R Markdown** bestand, wat eenvoudig gedefinieerd kan worden als een embedding van `code chunks` (van R of andere talen) en een `YAML-header` (die aangeeft hoe outputformaten zoals PDF worden opgemaakt) in een `Markdown-document`. Als zodanig dient het als een uitstekend auteurssysteem voor data science omdat het je toelaat je code, output en gedachten te combineren door deze in Markdown te schrijven. Bovendien kunnen R Markdown-documenten worden omgezet naar outputformaten als PDF, HTML of Word. + +> **Een opmerking over quizzes**: Alle quizzes bevinden zich in de [Quiz App map](../../quiz-app), met in totaal 52 quizzes van elk drie vragen. Ze zijn gekoppeld vanuit de lessen, maar de quiz app kan lokaal worden uitgevoerd; volg de instructies in de `quiz-app` map om lokaal te hosten of te publiceren naar Azure. + +| Lesnummer | Onderwerp | Lessen Groepering | Leerdoelen | Gekoppelde Les | Auteur | +| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | +| 01 | Introductie tot machine learning | [Introduction](1-Introduction/README.md) | Leer de basisconcepten achter machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | De geschiedenis van machine learning | [Introduction](1-Introduction/README.md) | Leer de geschiedenis achter dit vakgebied | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen en Amy | +| 03 | Eerlijkheid en machine learning | [Introduction](1-Introduction/README.md) | Wat zijn de belangrijke filosofische kwesties rond eerlijkheid die studenten moeten overwegen bij het bouwen en toepassen van ML-modellen? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Technieken voor machine learning | [Introduction](1-Introduction/README.md) | Welke technieken gebruiken ML-onderzoekers om ML-modellen te bouwen? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris en Jen | +| 05 | Introductie tot regressie | [Regression](2-Regression/README.md) | Begin met Python en Scikit-learn voor regressiemodellen | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regression](2-Regression/README.md) | Visualiseer en maak data schoon ter voorbereiding op ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regression](2-Regression/README.md) | Bouw lineaire en polynomiale regressiemodellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen en Dmitry • Eric Wanjau | +| 08 | Noord-Amerikaanse pompoenprijzen 🎃 | [Regression](2-Regression/README.md) | Bouw een logistisch regressiemodel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Een webapp 🔌 | [Web App](3-Web-App/README.md) | Bouw een webapp om je getrainde model te gebruiken | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Introductie tot classificatie | [Classification](4-Classification/README.md) | Maak je data schoon, bereid het voor en visualiseer; introductie tot classificatie | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen en Cassie • Eric Wanjau | +| 11 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Introductie tot classifiers | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen en Cassie • Eric Wanjau | +| 12 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Meer classifiers | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen en Cassie • Eric Wanjau | +| 13 | Heerlijke Aziatische en Indiase keukens 🍜 | [Classification](4-Classification/README.md) | Bouw een aanbevelings-webapp met je model | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Introductie tot clustering | [Clustering](5-Clustering/README.md) | Maak je data schoon, bereid het voor en visualiseer; introductie tot clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Verkenning van Nigeriaanse muzikale smaken 🎧 | [Clustering](5-Clustering/README.md) | Verken de K-Means clusteringmethode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Introductie tot natuurlijke taalverwerking ☕️ | [Natural language processing](6-NLP/README.md) | Leer de basis van NLP door het bouwen van een eenvoudige bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Veelvoorkomende NLP-taken ☕️ | [Natural language processing](6-NLP/README.md) | Verdiep je NLP-kennis door het begrijpen van veelvoorkomende taken bij het omgaan met taalsystemen | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Vertaling en sentimentanalyse ♥️ | [Natural language processing](6-NLP/README.md) | Vertaling en sentimentanalyse met Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Romantische hotels van Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Romantische hotels van Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentimentanalyse met hotelrecensies 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Introductie tot tijdreeksvoorspelling | [Time series](7-TimeSeries/README.md) | Introductie tot tijdreeksvoorspelling | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Wereldwijde stroomverbruik ⚡️ - tijdreeksvoorspelling met ARIMA | [Time series](7-TimeSeries/README.md) | Tijdreeksvoorspelling met ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Wereldwijde stroomverbruik ⚡️ - tijdreeksvoorspelling met SVR | [Time series](7-TimeSeries/README.md) | Tijdreeksvoorspelling met Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Introductie tot versterkend leren | [Reinforcement learning](8-Reinforcement/README.md) | Introductie tot versterkend leren met Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Help Peter de wolf te vermijden! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Naschrift | Praktijkvoorbeelden en toepassingen van ML | [ML in the Wild](9-Real-World/README.md) | Interessante en onthullende toepassingen uit de praktijk van klassieke ML | [Lesson](9-Real-World/1-Applications/README.md) | Team | +| Naschrift | Modeldebugging in ML met behulp van de RAI-dashboard | [ML in the Wild](9-Real-World/README.md) | Modeldebugging in Machine Learning met Responsible AI dashboardcomponenten | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [vind alle aanvullende bronnen voor deze cursus in onze Microsoft Learn-collectie](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Offline toegang -Je kunt deze documentatie offline gebruiken met [Docsify](https://docsify.js.org/#/). Fork deze repo, [installeer Docsify](https://docsify.js.org/#/quickstart) op je lokale machine en typ dan in de hoofdmap van deze repo `docsify serve`. De website wordt dan geserveerd op poort 3000 op je localhost: `localhost:3000`. +Je kunt deze documentatie offline gebruiken met [Docsify](https://docsify.js.org/#/). Fork deze repo, [installeer Docsify](https://docsify.js.org/#/quickstart) op je lokale machine, en typ dan in de hoofdmap van deze repo `docsify serve`. De website wordt geserveerd op poort 3000 op je localhost: `localhost:3000`. -## PDF's +## PDF’s Vind een pdf van het curriculum met links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 Andere cursussen +## 🎒 Andere cursussen -Ons team produceert ook andere cursussen! Bekijk: +Ons team maakt ook andere cursussen! Bekijk: ### LangChain -[![LangChain4j voor Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js voor Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) -[![LangChain voor Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j voor beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js voor beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain voor beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD voor Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI voor Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP voor Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents voor Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD voor beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI voor beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP voor beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents voor beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Generatieve AI Serie -[![Generatieve AI voor Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +### Generative AI-serie +[![Generatieve AI voor beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generatieve AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generatieve AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![Generatieve AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) @@ -199,51 +202,51 @@ Ons team produceert ook andere cursussen! Bekijk: --- ### Kernleren -[![ML voor Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science voor Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI voor Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity voor Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev voor Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT voor Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Ontwikkeling voor Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ML voor beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Datawetenschap voor beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI voor beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Cybersecurity voor beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Webontwikkeling voor beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT voor beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![XR-ontwikkeling voor beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Copilot Serie -[![Copilot voor AI Gedragen Programmeren](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +### Copilot-serie +[![Copilot voor AI-paired programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot voor C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Avontuur](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Hulp Krijgen +## Hulp krijgen -Als je vastloopt of vragen hebt tijdens het leren van Machine Learning of het bouwen van AI-toepassingen, maak je geen zorgen — er is hulp beschikbaar. +Als je vastloopt of vragen hebt tijdens het leren van Machine Learning of het bouwen van AI-toepassingen, geen zorgen — er is hulp beschikbaar. -Je kunt deelnemen aan discussies met andere leerlingen en ontwikkelaars, vragen stellen en je ideeën delen met de community. +Je kunt deelnemen aan discussies met andere lerenden en ontwikkelaars, vragen stellen en je ideeën delen met de community. -- Word lid van de gemeenschap om vragen te stellen en samen te leren -- Bespreek concepten van Machine Learning en projectideeën +- Word lid van de community om vragen te stellen en samen te leren +- Bespreek Machine Learning concepten en projectideeën - Krijg begeleiding van ervaren ontwikkelaars -Een ondersteunende gemeenschap is een geweldige manier om je vaardigheden te vergroten en problemen sneller op te lossen. +Een ondersteunende community is een geweldige manier om je vaardigheden te verbeteren en problemen sneller op te lossen. -[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) +[Microsoft Foundry Discord-community](https://discord.gg/nTYy5BXMWG) -Als je bugs, fouten tegenkomt of suggesties hebt voor verbeteringen, kun je ook een **Issue** in deze repository openen om het probleem te melden. +Als je bugs, fouten tegenkomt of suggesties hebt voor verbeteringen, kun je ook een **Issue** openen in deze repository om het probleem te melden. -Voor productfeedback of om bestaande communitystukken te doorzoeken, bezoek het Developer Forum: +Voor productfeedback of om bestaande communityposts te doorzoeken, bezoek het Developer Forum: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Aanvullende Leertips +## Extra leertips - Bekijk notitieboeken na elke les voor beter begrip. -- Oefen met het implementeren van algoritmen zelf. -- Verken datasets uit de praktijk met de geleerde concepten. +- Oefen met het zelf implementeren van algoritmen. +- Verken echte datasets met de geleerde concepten. --- -**Disclaimer**: -Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat automatische vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het oorspronkelijke document in de oorspronkelijke taal moet als de gezaghebbende bron worden beschouwd. Voor kritieke informatie wordt een professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. +**Disclaimer**: +Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file diff --git a/translations/nl/for-teachers.md b/translations/nl/for-teachers.md index 831a74631..753bfdcee 100644 --- a/translations/nl/for-teachers.md +++ b/translations/nl/for-teachers.md @@ -1,28 +1,30 @@ -## Voor Docenten +## Voor docenten -Wilt u deze lesstof in uw klas gebruiken? Voel u vrij! +Wilt u dit lesmateriaal gebruiken in uw klaslokaal? Voel u vrij! -U kunt het zelfs direct binnen GitHub gebruiken door gebruik te maken van GitHub Classroom. +In feite kunt u het binnen GitHub zelf gebruiken door GitHub Classroom te gebruiken. -Om dat te doen, fork deze repository. U zult een aparte repository moeten maken voor elke les, dus u moet elke map uit de hoofdrepository halen en in een aparte repository plaatsen. Op die manier kan [GitHub Classroom](https://classroom.github.com/classrooms) elke les afzonderlijk oppakken. +Om dat te doen, fork dit repo. U moet voor elke les een repo aanmaken, dus u moet elke map in een aparte repo extraheren. Op die manier kan [GitHub Classroom](https://classroom.github.com/classrooms) elke les afzonderlijk oppakken. -Deze [volledige instructies](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) geven u een idee hoe u uw digitale klaslokaal kunt opzetten. +Deze [volledige instructies](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) geven u een idee hoe u uw klaslokaal kunt opzetten. -## De repository gebruiken zoals hij is +## Het repo gebruiken zoals het is -Als u deze repository wilt gebruiken zoals hij nu is, zonder gebruik te maken van GitHub Classroom, dan kan dat ook. U moet dan met uw studenten communiceren over welke les ze samen moeten doorlopen. +Als u dit repo wilt gebruiken zoals het nu is, zonder GitHub Classroom te gebruiken, kan dat ook. U moet met uw studenten communiceren welke les ze samen moeten doorlopen. -In een online format (Zoom, Teams of een ander platform) kunt u breakout rooms maken voor de quizzen en studenten begeleiden om hen klaar te maken om te leren. Vervolgens kunt u studenten uitnodigen om de quizzen te maken en hun antwoorden op een bepaald moment als 'issues' in te dienen. U kunt hetzelfde doen met opdrachten, als u wilt dat studenten openlijk en samenwerkend werken. +In een online format (Zoom, Teams, of ander) kunt u breakout rooms vormen voor de quizzes, en studenten begeleiden om hen klaar te maken om te leren. Nodig dan studenten uit om de quizzes te maken en hun antwoorden in te dienen als 'issues' op een bepaald tijdstip. U kunt hetzelfde doen met opdrachten, als u wilt dat studenten in de openbaarheid samen aan het werk gaan. -Als u liever een meer privéformat heeft, vraag uw studenten dan om de lesstof, les voor les, te forken naar hun eigen GitHub repositories als privérepositories en u toegang te geven. Vervolgens kunnen ze quizzen en opdrachten privé voltooien en deze via issues op uw classroom repository aan u indienen. +Als u een privater format prefereert, vraag dan uw studenten om het curriculum, les voor les, te forken naar hun eigen GitHub repos als privérepos, en geef u toegang. Dan kunnen ze quizzes en opdrachten privé afronden en naar u indienen via issues op uw klaslokaalrepo. -Er zijn veel manieren om dit te laten werken in een online klaslokaal. Laat ons weten wat voor u het beste werkt! +Er zijn veel manieren om dit werkend te krijgen in een online klaslokaalformat. Laat ons weten wat het beste voor u werkt! -## Geef ons uw mening! +## Laat ons alstublieft uw mening weten! -We willen deze lesstof zo goed mogelijk laten aansluiten bij u en uw studenten. Geef ons alstublieft [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). +We willen dit curriculum voor u en uw studenten laten werken. Geef ons alstublieft [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). --- -**Disclaimer**: -Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in zijn oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. \ No newline at end of file + +**Disclaimer**: +Dit document is vertaald met behulp van de AI vertaaldienst [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling. + \ No newline at end of file diff --git a/translations/vi/.co-op-translator.json b/translations/vi/.co-op-translator.json index 5f22ca5d8..70883a9f1 100644 --- a/translations/vi/.co-op-translator.json +++ b/translations/vi/.co-op-translator.json @@ -12,8 +12,8 @@ "language_code": "vi" }, "1-Introduction/2-history-of-ML/README.md": { - "original_hash": "6a05fec147e734c3e6bfa54505648e2b", - "translation_date": "2025-09-05T19:41:57+00:00", + "original_hash": "e6b5247d6b4dc821434070bdb58e8285", + "translation_date": "2026-09-14T21:44:33+00:00", "source_file": "1-Introduction/2-history-of-ML/README.md", "language_code": "vi" }, @@ -24,8 +24,8 @@ "language_code": "vi" }, "1-Introduction/3-fairness/README.md": { - "original_hash": "0f00d72169a0d37eecfd16d71e01700a", - "translation_date": "2026-07-14T04:05:36+00:00", + "original_hash": "0c620ca2c6d2828e9a838ecec5f01265", + "translation_date": "2026-09-14T21:43:50+00:00", "source_file": "1-Introduction/3-fairness/README.md", "language_code": "vi" }, @@ -54,8 +54,8 @@ "language_code": "vi" }, "2-Regression/1-Tools/README.md": { - "original_hash": "0b8635427b582d03ea4ab7089b93e505", - "translation_date": "2026-07-14T04:03:00+00:00", + "original_hash": "1f4f6c95404d528041bcc36784771084", + "translation_date": "2026-09-14T21:45:25+00:00", "source_file": "2-Regression/1-Tools/README.md", "language_code": "vi" }, @@ -282,8 +282,8 @@ "language_code": "vi" }, "5-Clustering/README.md": { - "original_hash": "b28a3a4911584062772c537b653ebbc7", - "translation_date": "2025-09-05T19:10:23+00:00", + "original_hash": "c78940a1b03da1de13bd97527f9e6606", + "translation_date": "2026-09-14T21:42:33+00:00", "source_file": "5-Clustering/README.md", "language_code": "vi" }, @@ -456,8 +456,8 @@ "language_code": "vi" }, "7-TimeSeries/README.md": { - "original_hash": "61342603bad8acadbc6b2e4e3aab3f66", - "translation_date": "2025-09-05T18:57:51+00:00", + "original_hash": "722526664e764a2290e1def74afa5139", + "translation_date": "2026-09-14T21:42:42+00:00", "source_file": "7-TimeSeries/README.md", "language_code": "vi" }, @@ -564,8 +564,8 @@ "language_code": "vi" }, "README.md": { - "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", - "translation_date": "2026-04-20T20:54:49+00:00", + "original_hash": "8bba8faed876aa7bbc92b759a350b1d8", + "translation_date": "2026-09-14T21:38:25+00:00", "source_file": "README.md", "language_code": "vi" }, @@ -592,11 +592,11 @@ "original_hash": "fba3b94d88bfb9b81369b869a1e9a20f", "source_file": "sketchnotes/LICENSE.md", "language_code": "vi", - "failure_date": "2026-07-14T04:01:32+00:00", + "failure_date": "2026-09-14T21:42:21+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": "vi" }, "for-teachers.md": { - "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8", - "translation_date": "2025-09-05T18:36:17+00:00", + "original_hash": "4b5b4e11bf182a803261b55a19d3ee70", + "translation_date": "2026-09-14T21:36:43+00:00", "source_file": "for-teachers.md", "language_code": "vi" }, diff --git a/translations/vi/1-Introduction/2-history-of-ML/README.md b/translations/vi/1-Introduction/2-history-of-ML/README.md index cc2e10f5d..783d1a3f3 100644 --- a/translations/vi/1-Introduction/2-history-of-ML/README.md +++ b/translations/vi/1-Introduction/2-history-of-ML/README.md @@ -1,145 +1,145 @@ # Lịch sử học máy -![Tóm tắt lịch sử học máy trong một bản vẽ](../../../../sketchnotes/ml-history.png) -> Bản vẽ của [Tomomi Imura](https://www.twitter.com/girlie_mac) +![Tóm tắt Lịch sử học máy trong một ghi chú phác thảo](../../../../translated_images/vi/ml-history.a1bdfd4ce1f464d9.webp) +> Ghi chú phác thảo bởi [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Câu hỏi trước bài giảng](https://ff-quizzes.netlify.app/en/ml/) +## [Bài kiểm tra trước bài giảng](https://ff-quizzes.netlify.app/en/ml/) --- -[![Học máy cho người mới bắt đầu - Lịch sử học máy](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "Học máy cho người mới bắt đầu - Lịch sử học máy") +[![Học máy cho người mới bắt đầu - Lịch sử Học máy](https://img.youtube.com/vi/N6wxM4wZ7V0/0.jpg)](https://youtu.be/N6wxM4wZ7V0 "Học máy cho người mới bắt đầu - Lịch sử Học máy") -> 🎥 Nhấp vào hình ảnh trên để xem video ngắn về bài học này. +> 🎥 Nhấp vào hình ảnh trên để xem video ngắn đi qua bài học này. -Trong bài học này, chúng ta sẽ cùng tìm hiểu các cột mốc quan trọng trong lịch sử học máy và trí tuệ nhân tạo. +Trong bài học này, chúng ta sẽ cùng đi qua những cột mốc quan trọng trong lịch sử của học máy và trí tuệ nhân tạo. -Lịch sử của trí tuệ nhân tạo (AI) như một lĩnh vực nghiên cứu gắn liền với lịch sử học máy, vì các thuật toán và tiến bộ tính toán làm nền tảng cho học máy đã góp phần vào sự phát triển của AI. Điều quan trọng là nhớ rằng, mặc dù các lĩnh vực này bắt đầu hình thành rõ ràng vào những năm 1950, nhưng các khám phá [thuật toán, thống kê, toán học, tính toán và kỹ thuật](https://wikipedia.org/wiki/Timeline_of_machine_learning) quan trọng đã xuất hiện trước và chồng chéo với thời kỳ này. Thực tế, con người đã suy nghĩ về những câu hỏi này trong [hàng trăm năm](https://wikipedia.org/wiki/History_of_artificial_intelligence): bài viết này thảo luận về nền tảng trí tuệ lịch sử của ý tưởng về một 'cỗ máy biết suy nghĩ.' +Lịch sử của trí tuệ nhân tạo (AI) như một lĩnh vực gắn liền với lịch sử học máy, vì các thuật toán và tiến bộ tính toán làm nền tảng cho ML đã đóng góp vào sự phát triển của AI. Cần ghi nhớ rằng, trong khi các lĩnh vực này như các lĩnh vực nghiên cứu riêng biệt bắt đầu định hình vào những năm 1950, những [phát hiện quan trọng về thuật toán, thống kê, toán học, tính toán và kỹ thuật](https://wikipedia.org/wiki/Timeline_of_machine_learning) đã xuất hiện và chồng lấn trước thời đại này. Thực tế, con người đã suy nghĩ về những câu hỏi này trong [hàng trăm năm](https://wikipedia.org/wiki/History_of_artificial_intelligence): bài viết này thảo luận về nền tảng trí tuệ lịch sử của ý tưởng 'máy suy nghĩ.' --- -## Những khám phá đáng chú ý +## Những phát hiện đáng chú ý -- 1763, 1812 [Định lý Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) và các tiền thân của nó. Định lý này và các ứng dụng của nó là nền tảng cho suy luận, mô tả xác suất xảy ra của một sự kiện dựa trên kiến thức trước đó. -- 1805 [Lý thuyết Bình phương nhỏ nhất](https://wikipedia.org/wiki/Least_squares) của nhà toán học người Pháp Adrien-Marie Legendre. Lý thuyết này, bạn sẽ học trong phần hồi quy, giúp trong việc khớp dữ liệu. -- 1913 [Chuỗi Markov](https://wikipedia.org/wiki/Markov_chain), được đặt tên theo nhà toán học người Nga Andrey Markov, được sử dụng để mô tả một chuỗi các sự kiện có thể xảy ra dựa trên trạng thái trước đó. -- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) là một loại bộ phân loại tuyến tính được phát minh bởi nhà tâm lý học người Mỹ Frank Rosenblatt, làm nền tảng cho các tiến bộ trong học sâu. +- 1763, 1812 [Định lý Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) và các tiền thân của nó. Định lý và ứng dụng của nó làm nền tảng cho suy luận, mô tả xác suất xảy ra một sự kiện dựa trên kiến thức trước đó. +- 1805 [Lý thuyết Bình phương tối thiểu](https://wikipedia.org/wiki/Least_squares) bởi nhà toán học Pháp Adrien-Marie Legendre. Lý thuyết này, bạn sẽ học trong phần Hồi quy, giúp trong việc phù hợp dữ liệu. +- 1913 [Chuỗi Markov](https://wikipedia.org/wiki/Markov_chain), được đặt theo tên nhà toán học Nga Andrey Markov, được dùng để mô tả một chuỗi các sự kiện có thể xảy ra dựa trên trạng thái trước đó. +- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) là một loại bộ phân loại tuyến tính do nhà tâm lý học Mỹ Frank Rosenblatt phát minh, làm nền tảng cho các tiến bộ trong học sâu. --- -- 1967 [Hàng xóm gần nhất](https://wikipedia.org/wiki/Nearest_neighbor) là một thuật toán ban đầu được thiết kế để lập bản đồ tuyến đường. Trong ngữ cảnh học máy, nó được sử dụng để phát hiện các mẫu. -- 1970 [Lan truyền ngược](https://wikipedia.org/wiki/Backpropagation) được sử dụng để huấn luyện [mạng nơ-ron truyền thẳng](https://wikipedia.org/wiki/Feedforward_neural_network). -- 1982 [Mạng nơ-ron hồi quy](https://wikipedia.org/wiki/Recurrent_neural_network) là mạng nơ-ron nhân tạo được phát triển từ mạng nơ-ron truyền thẳng, tạo ra các đồ thị thời gian. +- 1967 [Láng giềng gần nhất](https://wikipedia.org/wiki/Nearest_neighbor) là một thuật toán ban đầu thiết kế để lập bản đồ lộ trình. Trong bối cảnh ML, nó được dùng để phát hiện các mẫu. +- 1970 [Lan truyền ngược](https://wikipedia.org/wiki/Backpropagation) được dùng để huấn luyện [mạng nơ-ron tiến](https://wikipedia.org/wiki/Feedforward_neural_network). +- 1982 [Mạng nơ-ron hồi tiếp](https://wikipedia.org/wiki/Recurrent_neural_network) là các mạng nơ-ron nhân tạo được phát triển từ mạng nơ-ron tiến tạo thành các đồ thị theo thời gian. -✅ Tìm hiểu thêm. Những mốc thời gian nào khác nổi bật trong lịch sử học máy và AI? +✅ Hãy làm một chút nghiên cứu. Những ngày nào khác nổi bật như là bước ngoặt trong lịch sử ML và AI? --- -## 1950: Máy móc biết suy nghĩ +## 1950: Máy tính có thể suy nghĩ -Alan Turing, một người thực sự xuất chúng, được công chúng bình chọn [năm 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) là nhà khoa học vĩ đại nhất thế kỷ 20, được ghi nhận là người đặt nền móng cho khái niệm 'máy móc có thể suy nghĩ.' Ông đã đối mặt với những người phản đối và nhu cầu của chính mình về bằng chứng thực nghiệm cho khái niệm này bằng cách tạo ra [Bài kiểm tra Turing](https://www.bbc.com/news/technology-18475646), mà bạn sẽ khám phá trong các bài học NLP. +Alan Turing, một người thực sự đáng chú ý, được [công chúng bầu chọn vào năm 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) là nhà khoa học vĩ đại nhất của thế kỷ 20, được ghi nhận đã giúp đặt nền móng cho khái niệm 'máy có thể suy nghĩ.' Ông đã đối mặt với những người hoài nghi và nhu cầu của chính mình về bằng chứng thực nghiệm của khái niệm này bằng cách phần nào tạo ra [Bài kiểm tra Turing](https://www.bbc.com/news/technology-18475646), bạn sẽ khám phá trong các bài học NLP của chúng ta. --- -## 1956: Dự án nghiên cứu mùa hè tại Dartmouth +## 1956: Dự án nghiên cứu mùa hè Dartmouth -"Dự án nghiên cứu mùa hè tại Dartmouth về trí tuệ nhân tạo là một sự kiện quan trọng đối với trí tuệ nhân tạo như một lĩnh vực," và tại đây thuật ngữ 'trí tuệ nhân tạo' đã được đặt ra ([nguồn](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). +"Dự án nghiên cứu mùa hè Dartmouth về trí tuệ nhân tạo là một sự kiện then chốt cho lĩnh vực trí tuệ nhân tạo," và tại đây thuật ngữ 'trí tuệ nhân tạo' đã được đặt ra ([nguồn](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)). -> Mọi khía cạnh của học tập hoặc bất kỳ đặc điểm nào khác của trí tuệ đều có thể được mô tả một cách chính xác đến mức một cỗ máy có thể được tạo ra để mô phỏng nó. +> Mọi khía cạnh của việc học hay bất kỳ đặc điểm nào khác của trí tuệ có thể được mô tả chính xác đến mức một cỗ máy có thể được tạo ra để giả lập nó. --- -Nhà nghiên cứu chính, giáo sư toán học John McCarthy, hy vọng "tiến hành dựa trên giả thuyết rằng mọi khía cạnh của học tập hoặc bất kỳ đặc điểm nào khác của trí tuệ đều có thể được mô tả một cách chính xác đến mức một cỗ máy có thể được tạo ra để mô phỏng nó." Những người tham gia bao gồm một nhân vật nổi bật khác trong lĩnh vực này, Marvin Minsky. +Nhà nghiên cứu chính, giáo sư toán học John McCarthy, hy vọng "tiến hành trên cơ sở giả thuyết rằng mọi khía cạnh của việc học hoặc bất kỳ đặc điểm nào khác của trí tuệ đều có thể được mô tả chính xác đến mức một cỗ máy có thể giả lập nó." Các thành viên tham gia bao gồm một nhân vật nổi bật khác trong lĩnh vực, Marvin Minsky. -Hội thảo này được ghi nhận là đã khởi xướng và khuyến khích nhiều cuộc thảo luận bao gồm "sự nổi lên của các phương pháp biểu tượng, các hệ thống tập trung vào các lĩnh vực hạn chế (các hệ thống chuyên gia ban đầu), và các hệ thống suy diễn so với các hệ thống quy nạp." ([nguồn](https://wikipedia.org/wiki/Dartmouth_workshop)). +Hội thảo được ghi nhận đã khởi xướng và khuyến khích một số cuộc thảo luận bao gồm "sự trỗi dậy của các phương pháp ký hiệu, các hệ thống tập trung vào miền hạn chế (hệ chuyên gia đầu tiên), và hệ suy diễn so với hệ quy nạp." ([nguồn](https://wikipedia.org/wiki/Dartmouth_workshop)). --- ## 1956 - 1974: "Những năm vàng" -Từ những năm 1950 đến giữa những năm 1970, sự lạc quan cao độ về hy vọng rằng AI có thể giải quyết nhiều vấn đề. Năm 1967, Marvin Minsky tự tin tuyên bố rằng "Trong một thế hệ ... vấn đề tạo ra 'trí tuệ nhân tạo' sẽ được giải quyết đáng kể." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) +Từ những năm 1950 đến giữa những năm 70, sự lạc quan rất cao về hy vọng AI có thể giải quyết nhiều vấn đề. Năm 1967, Marvin Minsky tự tin tuyên bố rằng "Trong vòng một thế hệ ... vấn đề tạo ra 'trí tuệ nhân tạo' sẽ được giải quyết phần lớn." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall) -Nghiên cứu xử lý ngôn ngữ tự nhiên phát triển mạnh mẽ, tìm kiếm được tinh chỉnh và trở nên mạnh mẽ hơn, và khái niệm 'thế giới vi mô' được tạo ra, nơi các nhiệm vụ đơn giản được hoàn thành bằng cách sử dụng các hướng dẫn ngôn ngữ đơn giản. +Nghiên cứu xử lý ngôn ngữ tự nhiên phát triển mạnh, tìm kiếm được tinh chỉnh và làm mạnh mẽ hơn, và khái niệm 'thế giới vi mô' được tạo ra, nơi các tác vụ đơn giản được thực hiện bằng các hướng dẫn bằng ngôn ngữ rõ ràng. --- -Nghiên cứu được tài trợ tốt bởi các cơ quan chính phủ, các tiến bộ được thực hiện trong tính toán và thuật toán, và các nguyên mẫu của máy móc thông minh được xây dựng. Một số máy móc này bao gồm: +Nghiên cứu được cấp vốn tốt bởi các cơ quan chính phủ, tiến bộ về tính toán và thuật toán được thực hiện, và các bản mẫu của các máy thông minh được xây dựng. Một số máy này bao gồm: -* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), có thể di chuyển và quyết định cách thực hiện các nhiệm vụ một cách 'thông minh'. +* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), có thể di chuyển và quyết định cách thực hiện các nhiệm vụ một cách 'thông minh'. - ![Shakey, một robot thông minh](../../../../1-Introduction/2-history-of-ML/images/shakey.jpg) + ![Shakey, một robot thông minh](../../../../translated_images/vi/shakey.4dc17819c447c05b.webp) > Shakey năm 1972 --- -* Eliza, một 'chatterbot' ban đầu, có thể trò chuyện với con người và hoạt động như một 'nhà trị liệu' sơ khai. Bạn sẽ tìm hiểu thêm về Eliza trong các bài học NLP. +* Eliza, một 'chatterbot' sơ khai, có thể trò chuyện với con người và đóng vai trò như một 'nhà trị liệu' nguyên thủy. Bạn sẽ học thêm về Eliza trong các bài học NLP. - ![Eliza, một bot](../../../../1-Introduction/2-history-of-ML/images/eliza.png) - > Một phiên bản của Eliza, chatbot + ![Eliza, một bot](../../../../translated_images/vi/eliza.84397454cda9559b.webp) + > Một phiên bản của Eliza, một chatbot --- -* "Blocks world" là một ví dụ về thế giới vi mô nơi các khối có thể được xếp chồng và sắp xếp, và các thí nghiệm trong việc dạy máy móc đưa ra quyết định có thể được thử nghiệm. Các tiến bộ được xây dựng với các thư viện như [SHRDLU](https://wikipedia.org/wiki/SHRDLU) đã giúp thúc đẩy xử lý ngôn ngữ. +* "Thế giới khối hộp" là một ví dụ về thế giới vi mô nơi các khối có thể được xếp chồng và sắp xếp, và các thí nghiệm trong việc dạy máy ra quyết định có thể được thử nghiệm. Các tiến bộ xây dựng với thư viện như [SHRDLU](https://wikipedia.org/wiki/SHRDLU) đã giúp đẩy mạnh xử lý ngôn ngữ. - [![blocks world với SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world với SHRDLU") + [![thế giới khối hộp với SHRDLU](https://img.youtube.com/vi/QAJz4YKUwqw/0.jpg)](https://www.youtube.com/watch?v=QAJz4YKUwqw "thế giới khối hộp với SHRDLU") - > 🎥 Nhấp vào hình ảnh trên để xem video: Blocks world với SHRDLU + > 🎥 Nhấp vào hình ảnh trên cho video: Thế giới khối hộp với SHRDLU --- ## 1974 - 1980: "Mùa đông AI" -Đến giữa những năm 1970, đã trở nên rõ ràng rằng sự phức tạp của việc tạo ra 'máy móc thông minh' đã bị đánh giá thấp và lời hứa của nó, với sức mạnh tính toán hiện có, đã bị thổi phồng. Nguồn tài trợ cạn kiệt và niềm tin vào lĩnh vực này chậm lại. Một số vấn đề ảnh hưởng đến niềm tin bao gồm: +Đến giữa những năm 1970, rõ ràng là sự phức tạp của việc tạo ra 'máy thông minh' đã bị đánh giá thấp và lời hứa này, dựa vào sức mạnh tính toán hiện có, đã bị thổi phồng quá mức. Nguồn tài trợ cạn kiệt và niềm tin vào lĩnh vực này giảm xuống. Một số vấn đề ảnh hưởng đến sự tự tin bao gồm: --- - **Hạn chế**. Sức mạnh tính toán quá hạn chế. -- **Bùng nổ tổ hợp**. Số lượng tham số cần được huấn luyện tăng theo cấp số nhân khi yêu cầu nhiều hơn từ máy tính, mà không có sự tiến hóa song song của sức mạnh và khả năng tính toán. -- **Thiếu dữ liệu**. Sự thiếu hụt dữ liệu đã cản trở quá trình thử nghiệm, phát triển và tinh chỉnh thuật toán. -- **Chúng ta có đang đặt đúng câu hỏi không?**. Chính những câu hỏi được đặt ra bắt đầu bị nghi ngờ. Các nhà nghiên cứu bắt đầu đối mặt với sự chỉ trích về cách tiếp cận của họ: - - Các bài kiểm tra Turing bị đặt câu hỏi bởi các lý thuyết như 'phòng Trung Quốc', cho rằng, "lập trình một máy tính kỹ thuật số có thể khiến nó dường như hiểu ngôn ngữ nhưng không thể tạo ra sự hiểu biết thực sự." ([nguồn](https://plato.stanford.edu/entries/chinese-room/)) - - Đạo đức của việc giới thiệu trí tuệ nhân tạo như "nhà trị liệu" ELIZA vào xã hội bị thách thức. +- **Nổ tổ hợp**. Số lượng tham số cần huấn luyện tăng theo hàm mũ khi yêu cầu máy tính nhiều hơn, mà sức mạnh và khả năng tính toán không tiến hóa song song. +- **Thiếu dữ liệu**. Có ít dữ liệu làm cản trở quá trình kiểm thử, phát triển và tinh chỉnh thuật toán. +- **Chúng ta có đang hỏi đúng câu hỏi không?**. Những câu hỏi đang được đặt ra bắt đầu bị nghi ngờ. Các nhà nghiên cứu bắt đầu nhận chỉ trích về các phương pháp của họ: + - Các bài kiểm tra Turing bị đặt câu hỏi với các ý tưởng như 'lý thuyết phòng Trung Quốc' cho rằng, "lập trình một máy tính số có thể tạo vẻ như hiểu ngôn ngữ nhưng không thể tạo ra sự hiểu biết thực sự." ([nguồn](https://plato.stanford.edu/entries/chinese-room/)) + - Đạo đức khi đưa các trí tuệ nhân tạo như "nhà trị liệu" ELIZA vào xã hội bị thách thức. --- -Đồng thời, các trường phái AI khác nhau bắt đầu hình thành. Một sự phân đôi được thiết lập giữa các thực hành ["AI lộn xộn" và "AI gọn gàng"](https://wikipedia.org/wiki/Neats_and_scruffies). Các phòng thí nghiệm _lộn xộn_ chỉnh sửa chương trình trong nhiều giờ cho đến khi đạt được kết quả mong muốn. Các phòng thí nghiệm _gọn gàng_ "tập trung vào logic và giải quyết vấn đề chính thức". ELIZA và SHRDLU là các hệ thống _lộn xộn_ nổi tiếng. Vào những năm 1980, khi nhu cầu xuất hiện để làm cho các hệ thống học máy có thể tái tạo, cách tiếp cận _gọn gàng_ dần dần chiếm ưu thế vì kết quả của nó dễ giải thích hơn. +Đồng thời, các trường phái AI khác nhau bắt đầu hình thành. Một sự phân đôi được thiết lập giữa các thực hành ["AI lộn xộn" vs. "AI gọn gàng"](https://wikipedia.org/wiki/Neats_and_scruffies). Phòng thí nghiệm _lộn xộn_ điều chỉnh chương trình hàng giờ cho đến khi đạt kết quả mong muốn. Phòng thí nghiệm _gọn gàng_ "tập trung vào logic và giải quyết vấn đề chính thức." ELIZA và SHRDLU là các hệ thống _lộn xộn_ nổi tiếng. Vào những năm 1980, khi nhu cầu tạo hệ thống ML có thể tái tạo xuất hiện, phương pháp _gọn gàng_ dần chiếm ưu thế vì kết quả của nó dễ giải thích hơn. --- -## Hệ thống chuyên gia trong thập niên 1980 +## Các hệ chuyên gia những năm 1980 -Khi lĩnh vực này phát triển, lợi ích của nó đối với kinh doanh trở nên rõ ràng hơn, và trong thập niên 1980, các 'hệ thống chuyên gia' bắt đầu phổ biến. "Hệ thống chuyên gia là một trong những hình thức phần mềm trí tuệ nhân tạo (AI) đầu tiên thực sự thành công." ([nguồn](https://wikipedia.org/wiki/Expert_system)). +Khi lĩnh vực phát triển, lợi ích của nó đối với kinh doanh trở nên rõ ràng hơn, và trong những năm 1980 cũng vậy với sự phổ biến của các 'hệ chuyên gia'. "Các hệ chuyên gia là một trong những phần mềm trí tuệ nhân tạo (AI) đầu tiên thực sự thành công." ([nguồn](https://wikipedia.org/wiki/Expert_system)). -Loại hệ thống này thực sự là _lai_, bao gồm một phần là động cơ quy tắc xác định các yêu cầu kinh doanh, và một động cơ suy luận sử dụng hệ thống quy tắc để suy ra các sự kiện mới. +Loại hệ thống này thực sự _lai_, bao gồm một phần là động cơ quy tắc để xác định yêu cầu kinh doanh, và một động cơ suy luận tận dụng hệ thống quy tắc để suy ra các sự thật mới. -Thời kỳ này cũng chứng kiến sự chú ý ngày càng tăng đối với mạng nơ-ron. +Thời kỳ này cũng chứng kiến sự chú ý ngày càng tăng đến mạng nơ-ron. --- -## 1987 - 1993: "Lạnh giá AI" +## 1987 - 1993: 'Thời kỳ yên tĩnh' của AI -Sự phổ biến của phần cứng hệ thống chuyên gia chuyên biệt đã có tác động không may là trở nên quá chuyên biệt. Sự xuất hiện của máy tính cá nhân cũng cạnh tranh với các hệ thống lớn, chuyên biệt, tập trung này. Sự dân chủ hóa tính toán đã bắt đầu, và cuối cùng nó mở đường cho sự bùng nổ hiện đại của dữ liệu lớn. +Việc nhân rộng các thiết bị chuyên dụng cho hệ chuyên gia đã dẫn đến sự quá đặc thù. Sự trỗi dậy của máy tính cá nhân cũng cạnh tranh với các hệ thống lớn, chuyên dụng, tập trung này. Việc dân chủ hóa máy tính đã bắt đầu, và cuối cùng mở đường cho sự bùng nổ dữ liệu lớn hiện đại. --- ## 1993 - 2011 -Thời kỳ này chứng kiến một kỷ nguyên mới cho học máy và AI để giải quyết một số vấn đề đã gây ra trước đó bởi sự thiếu hụt dữ liệu và sức mạnh tính toán. Lượng dữ liệu bắt đầu tăng nhanh và trở nên phổ biến hơn, cả tốt và xấu, đặc biệt với sự xuất hiện của điện thoại thông minh vào khoảng năm 2007. Sức mạnh tính toán mở rộng theo cấp số nhân, và các thuật toán phát triển song song. Lĩnh vực này bắt đầu trưởng thành khi những ngày tự do của quá khứ bắt đầu kết tinh thành một ngành thực sự. +Thời kỳ này chứng kiến kỷ nguyên mới cho ML và AI có thể giải quyết một số vấn đề do thiếu dữ liệu và sức mạnh tính toán trước đó gây ra. Lượng dữ liệu bắt đầu tăng nhanh và trở nên phổ biến hơn, cả tốt và xấu, đặc biệt với sự xuất hiện của điện thoại thông minh khoảng năm 2007. Sức mạnh tính toán mở rộng theo cấp số nhân, và thuật toán phát triển song song. Lĩnh vực bắt đầu trưởng thành khi những ngày tự do của quá khứ bắt đầu định hình thành một ngành khoa học thực thụ. --- -## Hiện tại +## Hiện nay -Ngày nay học máy và AI chạm đến hầu hết mọi phần trong cuộc sống của chúng ta. Thời kỳ này đòi hỏi sự hiểu biết cẩn thận về các rủi ro và tác động tiềm năng của các thuật toán này đối với cuộc sống con người. Như Brad Smith của Microsoft đã tuyên bố, "Công nghệ thông tin đặt ra các vấn đề liên quan đến các bảo vệ quyền con người cơ bản như quyền riêng tư và tự do ngôn luận. Những vấn đề này làm tăng trách nhiệm của các công ty công nghệ tạo ra các sản phẩm này. Theo quan điểm của chúng tôi, chúng cũng kêu gọi sự điều chỉnh cẩn thận của chính phủ và sự phát triển các chuẩn mực về các cách sử dụng chấp nhận được" ([nguồn](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). +Ngày nay học máy và AI chạm tới hầu như mọi phần trong cuộc sống của chúng ta. Kỷ nguyên này đòi hỏi sự hiểu biết cẩn trọng về các rủi ro và tác động tiềm năng của các thuật toán này đối với cuộc sống con người. Như Brad Smith của Microsoft đã phát biểu, "Công nghệ thông tin đặt ra các vấn đề liên quan đến các quyền cơ bản của con người như quyền riêng tư và tự do ngôn luận. Những vấn đề này nâng cao trách nhiệm của các công ty công nghệ tạo ra các sản phẩm này. Theo quan điểm của chúng tôi, nó cũng đòi hỏi sự điều chỉnh của chính phủ một cách thận trọng và phát triển các chuẩn mực xung quanh việc sử dụng chấp nhận được" ([nguồn](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)). --- -Vẫn còn phải xem tương lai sẽ ra sao, nhưng điều quan trọng là hiểu các hệ thống máy tính này và phần mềm cùng các thuật toán mà chúng chạy. Chúng tôi hy vọng rằng chương trình học này sẽ giúp bạn hiểu rõ hơn để bạn có thể tự mình quyết định. +Chúng ta vẫn còn phải chờ xem tương lai sẽ ra sao, nhưng điều quan trọng là phải hiểu các hệ thống máy tính này và phần mềm cùng các thuật toán mà chúng chạy. Chúng tôi hy vọng chương trình giảng dạy này sẽ giúp bạn hiểu rõ hơn để bạn có thể tự quyết định. [![Lịch sử học sâu](https://img.youtube.com/vi/mTtDfKgLm54/0.jpg)](https://www.youtube.com/watch?v=mTtDfKgLm54 "Lịch sử học sâu") -> 🎥 Nhấp vào hình ảnh trên để xem video: Yann LeCun thảo luận về lịch sử học sâu trong bài giảng này +> 🎥 Nhấp vào hình ảnh trên cho video: Yann LeCun thảo luận về lịch sử học sâu trong bài giảng này --- -## 🚀Thử thách +## 🚀Thách thức -Khám phá một trong những khoảnh khắc lịch sử này và tìm hiểu thêm về những người đứng sau chúng. Có những nhân vật thú vị, và không có khám phá khoa học nào được tạo ra trong một môi trường văn hóa cô lập. Bạn khám phá được điều gì? +Tìm hiểu sâu vào một trong những khoảnh khắc lịch sử này và tìm hiểu thêm về những con người đứng sau chúng. Có những nhân vật hấp dẫn, và không có phát hiện khoa học nào từng được tạo ra trong một chân không văn hóa. Bạn phát hiện ra gì? -## [Câu hỏi sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) +## [Bài kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) --- ## Ôn tập & Tự học -Dưới đây là các tài liệu để xem và nghe: +Dưới đây là một số nội dung để xem và nghe: -[Podcast này nơi Amy Boyd thảo luận về sự phát triển của AI](http://runasradio.com/Shows/Show/739) +[Podcast này, nơi Amy Boyd thảo luận về sự phát triển của AI](http://runasradio.com/Shows/Show/739) [![Lịch sử AI bởi Amy Boyd](https://img.youtube.com/vi/EJt3_bFYKss/0.jpg)](https://www.youtube.com/watch?v=EJt3_bFYKss "Lịch sử AI bởi Amy Boyd") @@ -151,5 +151,7 @@ Dưới đây là các tài liệu để xem và nghe: --- -**Tuyên bố miễn trừ trách nhiệm**: -Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp từ con người. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này. \ No newline at end of file + +**Tuyên bố miễn trừ trách nhiệm**: +Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này. + \ No newline at end of file diff --git a/translations/vi/1-Introduction/3-fairness/README.md b/translations/vi/1-Introduction/3-fairness/README.md index 20227c9bf..0d130775f 100644 --- a/translations/vi/1-Introduction/3-fairness/README.md +++ b/translations/vi/1-Introduction/3-fairness/README.md @@ -1,163 +1,162 @@ -# Xây dựng các giải pháp Machine Learning với AI có trách nhiệm +# Xây dựng giải pháp Machine Learning với AI có trách nhiệm ![Tóm tắt AI có trách nhiệm trong Machine Learning dưới dạng sketchnote](../../../../translated_images/vi/ml-fairness.ef296ebec6afc98a.webp) > Sketchnote bởi [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Trắc nghiệm trước bài học](https://ff-quizzes.netlify.app/en/ml/) +## [Kiểm tra trước bài giảng](https://ff-quizzes.netlify.app/en/ml/) ## Giới thiệu -Trong chương trình này, bạn sẽ bắt đầu khám phá cách mà machine learning có thể và đang ảnh hưởng đến cuộc sống hàng ngày của chúng ta. Ngay cả bây giờ, các hệ thống và mô hình đã tham gia vào các nhiệm vụ ra quyết định hàng ngày, như chẩn đoán y tế, phê duyệt khoản vay hoặc phát hiện gian lận. Vì vậy, việc các mô hình này hoạt động tốt để cung cấp kết quả đáng tin cậy là rất quan trọng. Giống như bất kỳ ứng dụng phần mềm nào, hệ thống AI cũng có thể không đáp ứng được kỳ vọng hoặc có kết quả không mong muốn. Đó là lý do tại sao điều quan trọng là phải có khả năng hiểu và giải thích hành vi của một mô hình AI. +Trong chương trình học này, bạn sẽ bắt đầu khám phá cách mà machine learning có thể và đang tác động đến cuộc sống hàng ngày của chúng ta. Ngay cả bây giờ, các hệ thống và mô hình đã tham gia vào các nhiệm vụ ra quyết định hàng ngày, chẳng hạn như chẩn đoán y tế, phê duyệt khoản vay hoặc phát hiện gian lận. Vì vậy, điều quan trọng là các mô hình này hoạt động tốt để cung cấp các kết quả đáng tin cậy. Cũng như bất kỳ ứng dụng phần mềm nào, các hệ thống AI có thể không đạt được kỳ vọng hoặc có kết quả không mong muốn. Đó là lý do tại sao việc hiểu và giải thích hành vi của một mô hình AI là thiết yếu. -Hãy tưởng tượng điều gì có thể xảy ra khi dữ liệu bạn sử dụng để xây dựng các mô hình này thiếu một số nhóm dân số nhất định, chẳng hạn như chủng tộc, giới tính, quan điểm chính trị, tôn giáo, hoặc đại diện không cân đối các nhóm dân số đó. Sẽ ra sao khi kết quả của mô hình bị diễn giải để ưu tiên một nhóm dân số nào đó? Hậu quả đối với ứng dụng là gì? Thêm vào đó, chuyện gì xảy ra khi mô hình có kết quả tiêu cực và gây hại cho con người? Ai sẽ chịu trách nhiệm về hành vi của hệ thống AI? Đây là một số câu hỏi mà chúng ta sẽ khám phá trong chương trình này. +Hãy tưởng tượng điều gì có thể xảy ra khi dữ liệu bạn sử dụng để xây dựng các mô hình này thiếu một số nhóm nhân khẩu học nhất định, như chủng tộc, giới tính, quan điểm chính trị, tôn giáo, hoặc đại diện không tương xứng cho các nhóm đó. Điều gì xảy ra khi kết quả của mô hình được diễn giải thiên vị một số nhóm nhân khẩu? Hệ quả của ứng dụng là gì? Ngoài ra, điều gì xảy ra khi mô hình có kết quả bất lợi và gây hại cho con người? Ai là người chịu trách nhiệm về hành vi của hệ thống AI? Đây là một số câu hỏi chúng ta sẽ khám phá trong chương trình học này. Trong bài học này, bạn sẽ: -- Nâng cao nhận thức về tầm quan trọng của sự công bằng trong machine learning và các tác hại liên quan đến công bằng. -- Làm quen với việc khám phá các ngoại lệ và các kịch bản bất thường để đảm bảo độ tin cậy và an toàn. -- Hiểu về nhu cầu trao quyền cho mọi người bằng cách thiết kế các hệ thống bao gồm. -- Khám phá tầm quan trọng của việc bảo vệ quyền riêng tư và an ninh của dữ liệu và con người. -- Thấy được tầm quan trọng của cách tiếp cận hộp kính để giải thích hành vi của các mô hình AI. -- Nhận thức về tầm quan trọng của trách nhiệm giải trình để xây dựng niềm tin trong các hệ thống AI. +- Nâng cao nhận thức về tầm quan trọng của sự công bằng trong machine learning và những tổn hại liên quan đến công bằng. +- Làm quen với việc khám phá các giá trị ngoại lai và các trường hợp bất thường để đảm bảo độ tin cậy và an toàn. +- Hiểu được nhu cầu trao quyền cho mọi người bằng cách thiết kế các hệ thống bao gồm. +- Khám phá tầm quan trọng của việc bảo vệ quyền riêng tư và an ninh của dữ liệu cũng như con người. +- Thấy được tầm quan trọng của phương pháp hộp kính trong việc giải thích hành vi của các mô hình AI. +- Nhận thức rằng trách nhiệm rất cần thiết để xây dựng niềm tin vào hệ thống AI. -## Yêu cầu trước +## Yêu cầu tiên quyết -Là yêu cầu trước, vui lòng hoàn thành "Nguyên tắc AI có trách nhiệm" trong Hành trình Học tập và xem video dưới đây về chủ đề này: +Là yêu cầu tiên quyết, vui lòng hoàn thành Lộ trình học "Nguyên tắc AI có trách nhiệm" và xem video bên dưới về chủ đề này: -Tìm hiểu thêm về AI có trách nhiệm bằng cách theo dõi [Hành trình Học tập](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) +Tìm hiểu thêm về AI có trách nhiệm qua [Lộ trình học](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) [![Cách tiếp cận AI có trách nhiệm của Microsoft](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "Cách tiếp cận AI có trách nhiệm của Microsoft") -> 🎥 Nhấn vào hình trên để xem video: Cách tiếp cận AI có trách nhiệm của Microsoft +> 🎥 Nhấp vào hình ảnh trên để xem video: Cách tiếp cận AI có trách nhiệm của Microsoft ## Công bằng -Hệ thống AI nên đối xử công bằng với mọi người và tránh ảnh hưởng đến các nhóm người tương tự theo các cách khác nhau. Ví dụ, khi hệ thống AI cung cấp hướng dẫn về điều trị y tế, hồ sơ vay vốn hoặc tuyển dụng, chúng nên đưa ra các khuyến nghị giống nhau cho tất cả mọi người có các triệu chứng, hoàn cảnh tài chính hoặc trình độ chuyên môn tương tự. Mỗi chúng ta, với tư cách là con người, mang trong mình những thiên kiến thừa kế ảnh hưởng đến quyết định và hành động của mình. Những thiên kiến này có thể hiển nhiên trong dữ liệu mà chúng ta sử dụng để huấn luyện các hệ thống AI. Việc thao túng như vậy đôi khi xảy ra một cách vô ý. Thường thì rất khó để nhận biết một cách có ý thức khi bạn đang thêm thiên kiến vào dữ liệu. +Các hệ thống AI nên đối xử công bằng với mọi người và tránh gây ảnh hưởng khác nhau đến các nhóm người tương tự. Ví dụ, khi các hệ thống AI cung cấp hướng dẫn về điều trị y tế, hồ sơ vay vốn hoặc tuyển dụng, chúng nên đưa ra các khuyến nghị giống nhau cho tất cả mọi người với các triệu chứng, hoàn cảnh tài chính hoặc trình độ chuyên môn tương tự. Mỗi chúng ta với tư cách là con người đều mang trong mình những định kiến kế thừa ảnh hưởng đến quyết định và hành động của mình. Những định kiến này có thể rõ ràng trong dữ liệu được sử dụng để huấn luyện các hệ thống AI. Việc thao túng này đôi khi xảy ra một cách vô tình. Thường rất khó để ý thức biết được khi nào bạn đang đưa vào dữ liệu các định kiến. -**“Sự không công bằng”** bao gồm các tác động tiêu cực, hay “tác hại”, đối với một nhóm người, chẳng hạn như những người được xác định theo chủng tộc, giới tính, tuổi tác hoặc tình trạng khuyết tật. Các tác hại liên quan đến công bằng chính có thể được phân loại như: +**“Thiếu công bằng”** bao gồm các tác động tiêu cực, hay “tổn hại”, cho một nhóm người, như những nhóm được xác định theo chủng tộc, giới tính, tuổi tác hoặc tình trạng khuyết tật. Các tổn hại liên quan đến công bằng chính có thể được phân loại như sau: -- **Phân bổ**, nếu một giới tính hoặc dân tộc nào đó được ưu tiên hơn những người khác. -- **Chất lượng dịch vụ**. Nếu bạn huấn luyện dữ liệu cho một kịch bản cụ thể nhưng thực tế phức tạp hơn nhiều, dẫn đến dịch vụ hoạt động kém. Ví dụ, một vòi xà phòng tự động không thể nhận biết được những người có làn da tối màu. [Tham khảo](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) -- **Gièm pha**. Phê bình và gán nhãn không công bằng cho điều gì đó hoặc ai đó. Ví dụ, công nghệ gán nhãn hình ảnh đã bị chỉ trích khi gán nhãn sai các hình ảnh người da đen thành khỉ đột. -- **Đại diện quá mức hoặc thiếu đại diện**. Ý tưởng là một nhóm người nào đó không được nhìn thấy trong một nghề nghiệp nhất định, và bất kỳ dịch vụ hoặc chức năng nào cứ tiếp tục thúc đẩy điều này đều góp phần gây hại. -- **Định kiến**. Liên kết một nhóm người với các thuộc tính được gán sẵn. Ví dụ, một hệ thống dịch ngôn ngữ giữa tiếng Anh và tiếng Thổ Nhĩ Kỳ có thể có sự không chính xác do các từ có liên quan đến các định kiến giới tính. +- **Phân bổ**, nếu một giới tính hoặc dân tộc được ưu tiên hơn so với nhóm khác. +- **Chất lượng dịch vụ**. Nếu bạn huấn luyện dữ liệu cho một kịch bản cụ thể nhưng thực tế phức tạp hơn, điều đó dẫn đến dịch vụ hoạt động kém. Ví dụ, một thiết bị xịt xà phòng tay không thể cảm nhận được người có làn da tối màu. [Tham khảo](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) +- **Phỉ báng**. Chỉ trích và gán nhãn một cách không công bằng cho ai đó hoặc điều gì đó. Ví dụ, công nghệ gán nhãn ảnh từng nổi tiếng gán nhầm ảnh người có làn da tối màu thành hình con vượn. +- **Quá mức hoặc thiếu đại diện**. Ý tưởng là một nhóm người nhất định không được thấy trong một nghề nghiệp nào đó, và bất kỳ dịch vụ hoặc chức năng nào tiếp tục thúc đẩy điều này đều góp phần gây tổn hại. +- **Định kiến**. Liên kết một nhóm người nhất định với các thuộc tính được gán trước. Ví dụ, hệ thống dịch ngôn ngữ giữa tiếng Anh và tiếng Thổ Nhĩ Kỳ có thể có những lỗi do các từ gắn liền với các định kiến giới tính. ![dịch sang tiếng Thổ Nhĩ Kỳ](../../../../translated_images/vi/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > dịch sang tiếng Thổ Nhĩ Kỳ -![dịch ngược lại tiếng Anh](../../../../translated_images/vi/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) -> dịch ngược lại tiếng Anh +![dịch ngược sang tiếng Anh](../../../../translated_images/vi/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) +> dịch ngược sang tiếng Anh -Khi thiết kế và thử nghiệm các hệ thống AI, ta cần đảm bảo AI công bằng và không bị lập trình để đưa ra các quyết định thiên vị hoặc phân biệt đối xử, điều mà con người cũng bị cấm làm. Đảm bảo công bằng trong AI và machine learning vẫn là một thách thức xã hội-kỹ thuật phức tạp. +Khi thiết kế và kiểm thử các hệ thống AI, chúng ta cần đảm bảo AI công bằng và không được lập trình để đưa ra các quyết định thiên vị hoặc phân biệt đối xử, điều mà con người cũng bị cấm làm. Đảm bảo công bằng trong AI và machine learning vẫn là một thách thức kỹ thuật xã hội phức tạp. ### Độ tin cậy và an toàn -Để xây dựng lòng tin, các hệ thống AI cần đáng tin cậy, an toàn và nhất quán dưới các điều kiện bình thường và bất ngờ. Việc biết hệ thống AI sẽ hoạt động như thế nào trong nhiều tình huống khác nhau, đặc biệt là khi có ngoại lệ, rất quan trọng. Khi xây dựng các giải pháp AI, cần tập trung lớn vào cách xử lý đa dạng các hoàn cảnh mà giải pháp AI có thể gặp phải. Ví dụ, một chiếc xe tự lái cần đặt an toàn của người dân lên hàng đầu. Do đó, AI điều khiển xe cần cân nhắc tất cả các kịch bản có thể xảy ra như ban đêm, giông bão hoặc bão tuyết, trẻ con chạy qua đường, thú cưng, công trường xây dựng v.v. Mức độ tốt của hệ thống AI trong việc xử lý nhiều điều kiện đa dạng một cách tin cậy và an toàn phản ánh mức độ tiên liệu mà nhà khoa học dữ liệu hay nhà phát triển AI đã cân nhắc trong quá trình thiết kế hoặc thử nghiệm hệ thống. +Để xây dựng niềm tin, các hệ thống AI cần phải đáng tin cậy, an toàn và nhất quán trong điều kiện bình thường cũng như bất ngờ. Quan trọng là phải biết các hệ thống AI sẽ hành xử như thế nào trong nhiều tình huống khác nhau, đặc biệt là khi chúng là các giá trị ngoại lai. Khi xây dựng các giải pháp AI, cần tập trung đáng kể vào việc xử lý nhiều trường hợp mà các giải pháp AI có thể gặp phải. Ví dụ, xe tự lái cần đặt sự an toàn của con người lên hàng đầu. Do đó, AI của xe cần phải xem xét tất cả các kịch bản có thể xảy ra như ban đêm, giông bão, bão tuyết, trẻ nhỏ chạy qua đường, thú nuôi, công trình xây dựng đường v.v. Khả năng một hệ thống AI xử lý đa dạng điều kiện một cách tin cậy và an toàn phản ánh mức độ dự liệu của nhà khoa học dữ liệu hoặc nhà phát triển AI trong quá trình thiết kế hoặc thử nghiệm hệ thống. -> [🎥 Nhấn vào đây để xem video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl) +> [🎥 Nhấp vào đây để xem video: Độ tin cậy và an toàn trong AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl) -### Tính bao gồm +### Tính toàn diện -Hệ thống AI nên được thiết kế để thu hút và trao quyền cho mọi người. Khi thiết kế và triển khai hệ thống AI, các nhà khoa học dữ liệu và nhà phát triển AI xác định và giải quyết các rào cản tiềm ẩn trong hệ thống có thể vô tình loại trừ mọi người. Ví dụ, trên thế giới có 1 tỷ người khuyết tật. Với sự tiến bộ của AI, họ có thể tiếp cận nhiều thông tin và cơ hội hơn trong cuộc sống hàng ngày dễ dàng hơn. Bằng cách xử lý các rào cản này, nó tạo ra cơ hội đổi mới và phát triển các sản phẩm AI với trải nghiệm tốt hơn mang lại lợi ích cho tất cả mọi người. +Các hệ thống AI nên được thiết kế để thu hút và trao quyền cho mọi người. Khi thiết kế và triển khai hệ thống AI, các nhà khoa học dữ liệu và nhà phát triển AI xác định và giải quyết các rào cản tiềm năng trong hệ thống mà có thể vô tình loại trừ một số người. Ví dụ, có 1 tỷ người khuyết tật trên thế giới. Với sự phát triển của AI, họ có thể tiếp cận nhiều thông tin và cơ hội một cách dễ dàng hơn trong cuộc sống hàng ngày. Bằng cách giải quyết các rào cản, điều này tạo ra cơ hội để đổi mới và phát triển các sản phẩm AI với trải nghiệm tốt hơn, đem lại lợi ích cho mọi người. -> [🎥 Nhấn vào đây để xem video: tính bao gồm trong AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) +> [🎥 Nhấp vào đây để xem video: Tính toàn diện trong AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) -### Bảo mật và quyền riêng tư +### An ninh và quyền riêng tư -Hệ thống AI cần an toàn và tôn trọng quyền riêng tư của con người. Mọi người ít tin tưởng vào những hệ thống mà đặt quyền riêng tư, thông tin hoặc cuộc sống của họ vào nguy cơ. Khi huấn luyện các mô hình machine learning, ta dựa vào dữ liệu để tạo ra kết quả tốt nhất. Do đó, nguồn gốc dữ liệu và tính toàn vẹn phải được xem xét. Ví dụ, dữ liệu có phải do người dùng cung cấp hay là dữ liệu công khai? Tiếp theo, khi làm việc với dữ liệu, việc phát triển các hệ thống AI có thể bảo vệ thông tin bảo mật và chống lại các cuộc tấn công là rất quan trọng. Khi AI trở nên phổ biến hơn, việc bảo vệ quyền riêng tư và bảo mật thông tin cá nhân và kinh doanh quan trọng càng trở nên phức tạp hơn. Các vấn đề về quyền riêng tư và bảo mật dữ liệu đòi hỏi sự chú ý đặc biệt đối với AI vì việc truy cập dữ liệu là cần thiết để các hệ thống AI đưa ra các dự đoán và quyết định chính xác, có căn cứ về con người. +Các hệ thống AI cần an toàn và tôn trọng quyền riêng tư của con người. Mọi người sẽ ít tin tưởng các hệ thống có nguy cơ làm tổn hại đến quyền riêng tư, thông tin hoặc cuộc sống của họ. Khi huấn luyện các mô hình machine learning, chúng ta dựa vào dữ liệu để tạo ra kết quả tốt nhất. Trong quá trình đó, nguồn gốc và tính toàn vẹn của dữ liệu phải được xem xét. Ví dụ, dữ liệu là do người dùng cung cấp hay là thông tin công khai? Tiếp theo, khi làm việc với dữ liệu, việc phát triển các hệ thống AI có khả năng bảo vệ thông tin bí mật và chống lại các cuộc tấn công là vô cùng quan trọng. Khi AI trở nên phổ biến hơn, việc bảo vệ quyền riêng tư và đảm bảo an ninh thông tin cá nhân và doanh nghiệp ngày càng quan trọng và phức tạp hơn. Vấn đề quyền riêng tư và bảo mật dữ liệu đòi hỏi sự chú ý đặc biệt đối với AI vì việc truy cập dữ liệu là cần thiết để các hệ thống AI có thể đưa ra các dự đoán và quyết định chính xác, có cơ sở về con người. -> [🎥 Nhấn vào đây để xem video: bảo mật trong AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 Nhấp vào đây để xem video: An ninh trong AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- Là một ngành, chúng ta đã đạt được tiến bộ quan trọng trong quyền riêng tư & bảo mật, được thúc đẩy đáng kể bởi các quy định như GDPR (Quy định Bảo vệ Dữ liệu Chung). -- Tuy nhiên với các hệ thống AI, chúng ta phải thừa nhận sự căng thẳng giữa nhu cầu có nhiều dữ liệu cá nhân hơn để làm hệ thống cá nhân hóa và hiệu quả hơn – và quyền riêng tư. -- Cũng giống như với sự ra đời của các máy tính kết nối internet, chúng ta cũng đang thấy sự gia tăng lớn các vấn đề bảo mật liên quan đến AI. -- Đồng thời, AI cũng được dùng để cải thiện bảo mật. Ví dụ, hầu hết các phần mềm quét virus hiện đại ngày nay được điều khiển bằng các thuật toán AI. -- Chúng ta cần đảm bảo quy trình Khoa học Dữ liệu của mình kết hợp hài hòa với các thực hành bảo mật và quyền riêng tư mới nhất. +- Là một ngành công nghiệp, chúng ta đã đạt được những tiến bộ đáng kể về Quyền riêng tư & An ninh, được thúc đẩy đáng kể bởi các quy định như GDPR (Quy định Bảo vệ Dữ liệu Chung). +- Tuy nhiên với các hệ thống AI, chúng ta phải thừa nhận sự căng thẳng giữa nhu cầu có nhiều dữ liệu cá nhân hơn để làm cho các hệ thống trở nên cá nhân hóa và hiệu quả hơn – và quyền riêng tư. +- Giống như khi các máy tính kết nối Internet ra đời, chúng ta cũng đang chứng kiến sự gia tăng lớn về các vấn đề bảo mật liên quan đến AI. +- Đồng thời, AI cũng được sử dụng để cải thiện an ninh. Ví dụ, hầu hết các phần mềm chống virus hiện đại ngày nay đều được điều khiển bởi các thuật toán AI. +- Chúng ta cần đảm bảo rằng các quy trình Khoa học Dữ liệu của mình hòa hợp với các thực hành quyền riêng tư và an ninh mới nhất. ### Minh bạch -Các hệ thống AI cần dễ hiểu. Một phần thiết yếu của minh bạch là giải thích hành vi của các hệ thống AI và các thành phần của chúng. Cải thiện sự hiểu biết về các hệ thống AI yêu cầu các bên liên quan nhận thức được cách và lý do hoạt động của chúng để có thể xác định các vấn đề tiềm ẩn về hiệu suất, an toàn và quyền riêng tư, thiên kiến, các thực hành loại trừ, hoặc kết quả không mong muốn. Chúng tôi cũng tin rằng những người sử dụng hệ thống AI nên trung thực và minh bạch về khi nào, tại sao và cách họ chọn triển khai chúng, cũng như các giới hạn của hệ thống họ sử dụng. Ví dụ, nếu một ngân hàng sử dụng hệ thống AI để hỗ trợ quyết định cho vay tiêu dùng, thì việc xem xét kết quả và hiểu biết dữ liệu nào ảnh hưởng đến các khuyến nghị của hệ thống là rất quan trọng. Chính phủ đang bắt đầu điều chỉnh AI trên nhiều ngành, vì vậy các nhà khoa học dữ liệu và tổ chức phải giải thích liệu hệ thống AI có đáp ứng các yêu cầu về quy định hay không, đặc biệt khi có kết quả không mong muốn. +Các hệ thống AI cần dễ hiểu. Một phần quan trọng của sự minh bạch là giải thích hành vi của các hệ thống AI và các thành phần của chúng. Cải thiện sự hiểu biết về các hệ thống AI đòi hỏi các bên liên quan phải hiểu cách thức và lý do hoạt động của chúng để có thể xác định các vấn đề về hiệu suất, an toàn và quyền riêng tư, các định kiến, các thực hành loại trừ, hoặc các kết quả không mong muốn. Chúng tôi cũng tin rằng những người sử dụng hệ thống AI nên trung thực và minh bạch về khi nào, tại sao và như thế nào họ chọn triển khai chúng, cũng như các giới hạn của các hệ thống họ sử dụng. Ví dụ, nếu một ngân hàng sử dụng hệ thống AI để hỗ trợ quyết định cho vay tiêu dùng, điều quan trọng là phải xem xét các kết quả và hiểu dữ liệu nào ảnh hưởng đến các đề xuất của hệ thống. Các chính phủ đang bắt đầu điều chỉnh AI trong các ngành công nghiệp, do đó các nhà khoa học dữ liệu và tổ chức phải giải thích nếu một hệ thống AI đáp ứng các yêu cầu quy định, đặc biệt khi có kết quả không mong muốn. -> [🎥 Nhấn vào đây để xem video: minh bạch trong AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 Nhấp vào đây để xem video: Minh bạch trong AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- Vì các hệ thống AI rất phức tạp, nên rất khó hiểu cách thức chúng hoạt động và giải thích kết quả. -- Thiếu hiểu biết này ảnh hưởng đến cách các hệ thống được quản lý, vận hành và ghi chép. -- Thiếu hiểu biết này, quan trọng hơn, ảnh hưởng đến các quyết định được đưa ra dựa trên kết quả mà các hệ thống này tạo ra. +- Vì các hệ thống AI rất phức tạp, nên rất khó để hiểu cách chúng hoạt động và giải thích các kết quả. +- Sự thiếu hiểu biết này ảnh hưởng đến cách các hệ thống này được quản lý, triển khai và tài liệu hóa. +- Điều quan trọng hơn là sự thiếu hiểu biết này ảnh hưởng đến các quyết định được đưa ra dựa trên kết quả mà các hệ thống này tạo ra. ### Trách nhiệm giải trình -Những người thiết kế và triển khai hệ thống AI phải chịu trách nhiệm về cách hệ thống của họ vận hành. Nhu cầu về trách nhiệm giải trình là đặc biệt quan trọng với các công nghệ sử dụng nhạy cảm như nhận diện khuôn mặt. Gần đây, có sự gia tăng nhu cầu về công nghệ nhận diện khuôn mặt, đặc biệt từ các tổ chức thực thi pháp luật, những người thấy tiềm năng của công nghệ trong các ứng dụng như tìm kiếm trẻ em mất tích. Tuy nhiên, công nghệ này có thể bị chính phủ dùng để đe dọa các quyền tự do cơ bản của công dân, ví dụ như cho phép giám sát liên tục những cá nhân cụ thể. Do đó, các nhà khoa học dữ liệu và tổ chức cần chịu trách nhiệm về cách hệ thống AI của họ ảnh hưởng đến cá nhân hoặc xã hội. +Những người thiết kế và triển khai hệ thống AI phải chịu trách nhiệm về cách hệ thống vận hành. Nhu cầu về trách nhiệm càng trở nên thiết yếu với các công nghệ sử dụng nhạy cảm như nhận dạng khuôn mặt. Gần đây, nhu cầu về công nghệ nhận dạng khuôn mặt ngày càng tăng, đặc biệt từ các tổ chức thực thi pháp luật, những người thấy tiềm năng của công nghệ này trong các trường hợp như tìm kiếm trẻ mất tích. Tuy nhiên, các công nghệ này có thể bị chính phủ sử dụng để đe dọa các quyền tự do cơ bản của công dân bằng cách, ví dụ, cho phép giám sát liên tục các cá nhân cụ thể. Do đó, các nhà khoa học dữ liệu và tổ chức cần có trách nhiệm về cách hệ thống AI của họ ảnh hưởng đến cá nhân hoặc xã hội. -[![Nhà nghiên cứu AI hàng đầu cảnh báo về giám sát hàng loạt qua nhận diện khuôn mặt](../../../../translated_images/vi/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Cách tiếp cận AI có trách nhiệm của Microsoft") +[![Nhà nghiên cứu hàng đầu về AI cảnh báo về giám sát hàng loạt qua nhận dạng khuôn mặt](../../../../translated_images/vi/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Cách tiếp cận AI có trách nhiệm của Microsoft") -> 🎥 Nhấn vào hình trên để xem video: Cảnh báo về giám sát hàng loạt qua nhận diện khuôn mặt +> 🎥 Nhấp vào hình ảnh trên để xem video: Cảnh báo về giám sát hàng loạt qua nhận dạng khuôn mặt -Cuối cùng, một trong những câu hỏi lớn nhất đối với thế hệ chúng ta, là thế hệ đầu tiên đưa AI vào xã hội, là làm thế nào để chắc chắn rằng máy tính sẽ luôn chịu trách nhiệm với con người và làm thế nào để đảm bảo những người thiết kế máy tính luôn chịu trách nhiệm với tất cả mọi người. +Cuối cùng, một trong những câu hỏi lớn nhất dành cho thế hệ chúng ta, thế hệ đầu tiên đưa AI vào xã hội, là làm thế nào để đảm bảo rằng máy tính sẽ luôn chịu trách nhiệm trước con người và làm sao để những người thiết kế máy tính cũng luôn chịu trách nhiệm trước mọi người khác. ## Đánh giá tác động -Trước khi huấn luyện một mô hình machine learning, việc tiến hành đánh giá tác động là rất quan trọng để hiểu mục đích của hệ thống AI; mục đích sử dụng dự định; nơi nó sẽ được triển khai; và ai sẽ tương tác với hệ thống. Điều này giúp người đánh giá hoặc kiểm thử hiểu các yếu tố cần cân nhắc khi xác định các rủi ro tiềm ẩn và hậu quả mong đợi. +Trước khi huấn luyện một mô hình machine learning, việc thực hiện đánh giá tác động là quan trọng để hiểu mục đích của hệ thống AI; mục đích sử dụng dự kiến là gì; nó sẽ được triển khai ở đâu; và ai sẽ tương tác với hệ thống. Điều này giúp cho người đánh giá hoặc người kiểm thử khi đánh giá hệ thống biết những yếu tố cần xem xét khi xác định rủi ro tiềm ẩn và hậu quả mong đợi. -Các lĩnh vực cần tập trung khi tiến hành đánh giá tác động bao gồm: +Dưới đây là các lĩnh vực cần tập trung khi tiến hành đánh giá tác động: -* **Tác động bất lợi đến cá nhân**. Nhận thức về bất kỳ hạn chế hoặc yêu cầu nào, việc sử dụng không được hỗ trợ hoặc bất kỳ giới hạn nào biết đến cản trở hiệu suất hệ thống là rất quan trọng để đảm bảo hệ thống không được sử dụng theo cách có thể gây hại cho cá nhân. -* **Yêu cầu dữ liệu**. Hiểu cách và nơi hệ thống sẽ sử dụng dữ liệu giúp người đánh giá khám phá bất kỳ yêu cầu dữ liệu nào cần lưu ý (ví dụ, các quy định dữ liệu GDPR hoặc HIPAA). Thêm vào đó, xem xét nguồn gốc hoặc số lượng dữ liệu có đủ lớn để đào tạo không. -* **Tóm tắt tác động**. Tập hợp danh sách các tổn hại tiềm ẩn có thể phát sinh từ việc sử dụng hệ thống. Trong suốt vòng đời ML, kiểm tra xem các vấn đề đã được giảm thiểu hoặc xử lý chưa. -* **Mục tiêu áp dụng** cho mỗi sáu nguyên tắc cốt lõi. Đánh giá xem các mục tiêu của từng nguyên tắc có được đáp ứng không và có khoảng trống nào không. +* **Tác động bất lợi lên cá nhân**. Nhận thức về bất kỳ hạn chế hay yêu cầu nào, sử dụng không hỗ trợ hoặc giới hạn biết trước ảnh hưởng đến hiệu suất của hệ thống là rất quan trọng để đảm bảo hệ thống không được sử dụng theo cách gây hại cho cá nhân. +* **Yêu cầu về dữ liệu**. Hiểu được cách và nơi hệ thống sử dụng dữ liệu sẽ giúp người đánh giá khám phá các yêu cầu dữ liệu mà bạn cần lưu ý (ví dụ như quy định GDPR hoặc HIPAA). Ngoài ra, xem xét liệu nguồn dữ liệu hoặc số lượng dữ liệu có đủ lớn để huấn luyện hay không. +* **Tóm tắt tác động**. Thu thập danh sách các tổn hại tiềm ẩn có thể phát sinh từ việc sử dụng hệ thống. Trong suốt vòng đời của ML, xem xét liệu các vấn đề đã phát hiện có được giảm thiểu hoặc giải quyết hay không. +* **Mục tiêu áp dụng** cho từng trong sáu nguyên tắc cốt lõi. Đánh giá xem các mục tiêu từ mỗi nguyên tắc có được đáp ứng và có khoảng trống hay không. ## Gỡ lỗi với AI có trách nhiệm -Tương tự như gỡ lỗi một ứng dụng phần mềm, gỡ lỗi hệ thống AI là quá trình cần thiết để xác định và giải quyết các vấn đề trong hệ thống. Có nhiều yếu tố ảnh hưởng đến việc một mô hình không hoạt động như mong đợi hoặc không có trách nhiệm. Hầu hết các chỉ số hiệu suất mô hình truyền thống là tổng hợp định lượng hiệu suất mô hình, không đủ để phân tích cách mô hình vi phạm các nguyên tắc AI có trách nhiệm. Hơn nữa, một mô hình machine learning là một hộp đen khiến khó hiểu điều gì thúc đẩy kết quả hoặc cung cấp lời giải thích khi nó mắc sai lầm. Trong khóa học này, chúng ta sẽ học cách sử dụng bảng điều khiển Responsible AI để giúp gỡ lỗi các hệ thống AI. Bảng điều khiển cung cấp công cụ toàn diện cho các nhà khoa học dữ liệu và nhà phát triển AI thực hiện: +Tương tự như gỡ lỗi một ứng dụng phần mềm, gỡ lỗi một hệ thống AI là quá trình cần thiết để xác định và giải quyết các vấn đề trong hệ thống. Có nhiều yếu tố ảnh hưởng đến việc một mô hình không hoạt động như mong đợi hoặc không có trách nhiệm. Hầu hết các chỉ số hiệu suất mô hình truyền thống là các đại lượng định lượng về hiệu suất của mô hình, không đủ để phân tích mô hình vi phạm các nguyên tắc AI có trách nhiệm như thế nào. Hơn nữa, một mô hình machine learning là một hộp đen khiến cho việc hiểu điều gì thúc đẩy kết quả của nó hoặc cung cấp lời giải thích khi nó mắc lỗi trở nên khó khăn. Trong phần sau của khóa học, chúng ta sẽ học cách sử dụng bảng điều khiển Responsible AI để giúp gỡ lỗi các hệ thống AI. Bảng điều khiển cung cấp một công cụ toàn diện cho các nhà khoa học dữ liệu và nhà phát triển AI thực hiện: -* **Phân tích lỗi**. Để xác định phân bố lỗi của mô hình có thể ảnh hưởng đến sự công bằng hoặc độ tin cậy của hệ thống. -* **Tổng quan mô hình**. Để phát hiện nơi có sự chênh lệch về hiệu suất của mô hình trên các nhóm dữ liệu. -* **Phân tích dữ liệu**. Để hiểu phân bố dữ liệu và xác định bất kỳ thiên kiến tiềm ẩn nào trong dữ liệu có thể dẫn đến các vấn đề về công bằng, bao gồm, và độ tin cậy. -* **Khả năng giải thích mô hình**. Để hiểu điều gì ảnh hưởng hoặc tác động đến dự đoán của mô hình. Điều này giúp giải thích hành vi của mô hình, rất quan trọng cho tính minh bạch và trách nhiệm giải trình. +* **Phân tích lỗi**. Xác định phân bố lỗi của mô hình có thể ảnh hưởng đến sự công bằng hoặc độ tin cậy của hệ thống. +* **Tổng quan mô hình**. Khám phá nơi có sự khác biệt trong hiệu suất mô hình giữa các nhóm dữ liệu. +* **Phân tích dữ liệu**. Hiểu phân bố dữ liệu và xác định bất kỳ thiên vị tiềm ẩn trong dữ liệu có thể dẫn đến các vấn đề về công bằng, tính toàn diện và độ tin cậy. +* **Khả năng diễn giải mô hình**. Hiểu những gì ảnh hưởng hoặc tác động đến dự đoán của mô hình. Điều này giúp giải thích hành vi của mô hình, điều rất quan trọng cho sự minh bạch và trách nhiệm giải trình. -## 🚀 Thử thách +## 🚀 Thách thức -Để ngăn chặn các tác hại được tạo ra ngay từ đầu, chúng ta nên: +Để ngăn ngừa các tổn hại xảy ra ngay từ ban đầu, chúng ta nên: -- có sự đa dạng về nền tảng và quan điểm trong những người làm việc trên các hệ thống +- có sự đa dạng về nền tảng và quan điểm trong những người làm việc trên hệ thống - đầu tư vào các bộ dữ liệu phản ánh sự đa dạng của xã hội chúng ta -- phát triển các phương pháp tốt hơn trong suốt vòng đời machine learning để phát hiện và sửa chữa AI có trách nhiệm khi xảy ra +- phát triển các phương pháp tốt hơn trong suốt vòng đời machine learning để phát hiện và sửa chữa AI không có trách nhiệm khi nó xảy ra -Hãy nghĩ về các kịch bản thực tế nơi sự không đáng tin cậy của một mô hình trở nên rõ ràng trong việc xây dựng và sử dụng mô hình. Chúng ta còn nên cân nhắc điều gì khác? +Hãy suy nghĩ về các kịch bản thực tế nơi sự không tin cậy của mô hình rõ ràng trong xây dựng và sử dụng mô hình. Chúng ta còn nên cân nhắc gì nữa? -## [Trắc nghiệm sau bài học](https://ff-quizzes.netlify.app/en/ml/) +## [Kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) ## Ôn tập & Tự học - -Trong bài học này, bạn đã học được một số kiến thức cơ bản về các khái niệm công bằng và không công bằng trong học máy. +Trong bài học này, bạn đã học được một số khái niệm cơ bản về công bằng và thiếu công bằng trong machine learning. -Xem hội thảo này để tìm hiểu sâu hơn về các chủ đề: +Xem hội thảo này để đi sâu hơn vào các chủ đề: -- Theo đuổi AI có trách nhiệm: Đem các nguyên tắc vào thực tiễn bởi Besmira Nushi, Mehrnoosh Sameki và Amit Sharma +- Trong hành trình AI có trách nhiệm: Đưa các nguyên tắc vào thực tiễn bởi Besmira Nushi, Mehrnoosh Sameki và Amit Sharma -[![Responsible AI Toolbox: An open-source framework for building responsible AI](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI") +[![Bộ công cụ AI có trách nhiệm: Một khung mã nguồn mở để xây dựng AI có trách nhiệm](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Một khung mã nguồn mở để xây dựng AI có trách nhiệm") -> 🎥 Nhấp vào hình ảnh trên để xem video: RAI Toolbox: Một khung làm việc mã nguồn mở để xây dựng AI có trách nhiệm bởi Besmira Nushi, Mehrnoosh Sameki và Amit Sharma +> 🎥 Nhấp vào hình ảnh trên để xem video: RAI Toolbox: Một khung mã nguồn mở để xây dựng AI có trách nhiệm bởi Besmira Nushi, Mehrnoosh Sameki, và Amit Sharma -Ngoài ra, hãy đọc: +Ngoài ra, đọc thêm: -- Trung tâm tài nguyên RAI của Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) +- Trung tâm tài nguyên RAI của Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) -- Nhóm nghiên cứu FATE của Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) +- Nhóm nghiên cứu FATE của Microsoft: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) -Hộp công cụ RAI: +Bộ công cụ RAI: -- [Kho GitHub Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox) +- [Kho lưu trữ GitHub của Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox) -Đọc về các công cụ của Azure Machine Learning để đảm bảo công bằng: +Tìm hiểu về các công cụ của Azure Machine Learning để đảm bảo công bằng: -- [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) ## Bài tập -[Khám phá Hộp công cụ RAI](assignment.md) +[Khám phá RAI Toolbox](assignment.md) --- diff --git a/translations/vi/2-Regression/1-Tools/README.md b/translations/vi/2-Regression/1-Tools/README.md index daa27a97e..2a73506de 100644 --- a/translations/vi/2-Regression/1-Tools/README.md +++ b/translations/vi/2-Regression/1-Tools/README.md @@ -4,69 +4,69 @@ > Sketchnote bởi [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [Bài kiểm tra trước bài học](https://ff-quizzes.netlify.app/en/ml/) +## [Bài kiểm tra trước bài giảng](https://ff-quizzes.netlify.app/en/ml/) -> ### [Bài học này có phiên bản bằng R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) +> ### [Bài học này có sẵn bằng R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) ## Giới thiệu -Trong bốn bài học này, bạn sẽ khám phá cách xây dựng các mô hình hồi quy. Chúng ta sẽ nói về mục đích sử dụng của chúng trong chốc lát. Nhưng trước khi bạn làm bất cứ điều gì, hãy đảm bảo bạn có các công cụ phù hợp để bắt đầu quá trình! +Trong bốn bài học này, bạn sẽ khám phá cách xây dựng các mô hình hồi quy. Chúng ta sẽ sớm thảo luận về mục đích của chúng. Nhưng trước khi làm gì, hãy đảm bảo bạn đã có những công cụ phù hợp để bắt đầu quá trình! Trong bài học này, bạn sẽ học cách: -- Cấu hình máy tính của bạn cho các tác vụ học máy cục bộ. +- Cấu hình máy tính của bạn cho các nhiệm vụ học máy cục bộ. - Làm việc với Jupyter Notebooks. - Sử dụng Scikit-learn, bao gồm cả cài đặt. -- Khám phá hồi quy tuyến tính với một bài tập thực hành. +- Khám phá hồi quy tuyến tính với bài tập thực hành. ## Cài đặt và cấu hình -[![ML dành cho người mới - Thiết lập công cụ sẵn sàng xây dựng các mô hình Machine Learning](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML dành cho người mới - Thiết lập công cụ sẵn sàng xây dựng các mô hình Machine Learning") +[![ML cho người mới bắt đầu - Cài đặt công cụ sẵn sàng xây dựng mô hình Máy học](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML cho người mới bắt đầu - Cài đặt công cụ sẵn sàng xây dựng mô hình Máy học") -> 🎥 Nhấp vào hình ảnh trên để xem video ngắn hướng dẫn cấu hình máy tính cho ML. +> 🎥 Nhấp vào ảnh trên để xem video ngắn hướng dẫn cấu hình máy tính của bạn cho ML. -1. **Cài đặt Python**. Đảm bảo rằng [Python](https://www.python.org/downloads/) đã được cài đặt trên máy tính của bạn. Bạn sẽ sử dụng Python cho nhiều tác vụ khoa học dữ liệu và học máy. Hầu hết các hệ thống máy tính đã bao gồm sẵn một phiên bản Python. Có các [Bộ công cụ Mã Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) hữu ích để hỗ trợ thiết lập cho một số người dùng. +1. **Cài đặt Python**. Đảm bảo rằng [Python](https://www.python.org/downloads/) đã được cài đặt trên máy tính của bạn. Bạn sẽ sử dụng Python cho nhiều tác vụ khoa học dữ liệu và học máy. Hầu hết các hệ thống máy tính đã có sẵn cài đặt Python. Ngoài ra còn có các [Gói mã Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) hữu ích giúp việc thiết lập dễ dàng hơn cho một số người dùng. -Một số cách sử dụng Python, tuy nhiên, đòi hỏi phiên bản phần mềm khác nhau. Vì lý do đó, việc làm việc trong một [môi trường ảo](https://docs.python.org/3/library/venv.html) là hữu ích. + Tuy nhiên, một số việc sử dụng Python đòi hỏi phiên bản phần mềm khác nhau. Vì lý do này, việc làm việc trong một [môi trường ảo](https://docs.python.org/3/library/venv.html) là hữu ích. -2. **Cài đặt Visual Studio Code**. Đảm bảo bạn đã cài đặt Visual Studio Code trên máy tính. Làm theo hướng dẫn để [cài đặt Visual Studio Code](https://code.visualstudio.com/) cho việc cài đặt cơ bản. Bạn sẽ sử dụng Python trong Visual Studio Code trong khóa học này, vì vậy bạn có thể muốn làm quen cách [cấu hình Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) cho phát triển Python. +2. **Cài đặt Visual Studio Code**. Đảm bảo bạn đã cài đặt Visual Studio Code trên máy tính. Theo các hướng dẫn này để [cài đặt Visual Studio Code](https://code.visualstudio.com/) cho cài đặt cơ bản. Bạn sẽ sử dụng Python trong Visual Studio Code trong khóa học này, vì vậy bạn có thể muốn làm quen với cách [cấu hình Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) để phát triển Python. -> Làm quen với Python bằng cách làm qua bộ sưu tập [các modul học tập](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) -> -> [![Cài đặt Python với Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "Cài đặt Python với Visual Studio Code") -> -> 🎥 Nhấp vào hình ảnh trên để xem video: sử dụng Python trong VS Code. + > Làm quen với Python bằng cách thực hành qua bộ sưu tập các [mô-đun học tập](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) + > + > [![Cài đặt Python với Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "Cài đặt Python với Visual Studio Code") + > + > 🎥 Nhấp vào ảnh trên để xem video: sử dụng Python trong VS Code. -3. **Cài đặt Scikit-learn**, theo [hướng dẫn này](https://scikit-learn.org/stable/install.html). Vì bạn cần đảm bảo sử dụng Python 3, nên khuyến nghị sử dụng môi trường ảo. Lưu ý, nếu bạn cài thư viện này trên Mac M1, có hướng dẫn đặc biệt trên trang liên kết bên trên. +3. **Cài đặt Scikit-learn**, bằng cách làm theo [các hướng dẫn này](https://scikit-learn.org/stable/install.html). Vì bạn cần đảm bảo dùng Python 3, nên sử dụng môi trường ảo. Lưu ý, nếu bạn cài thư viện này trên Mac M1, có các chỉ dẫn đặc biệt trên trang được liên kết phía trên. -1. **Cài đặt Jupyter Notebook**. Bạn sẽ cần [cài gói Jupyter](https://pypi.org/project/jupyter/). +1. **Cài đặt Jupyter Notebook**. Bạn sẽ cần phải [cài gói Jupyter](https://pypi.org/project/jupyter/). -## Môi trường soạn thảo ML của bạn +## Môi trường viết mã ML của bạn -Bạn sẽ sử dụng **notebooks** để phát triển mã Python và tạo các mô hình học máy. Đây là loại tệp phổ biến cho các nhà khoa học dữ liệu, và chúng được nhận diện bằng phần hậu tố hoặc phần mở rộng `.ipynb`. +Bạn sẽ sử dụng **notebooks** để phát triển mã Python và tạo các mô hình học máy. Loại tệp này là công cụ phổ biến với các nhà khoa học dữ liệu, có thể nhận biết qua hậu tố hoặc phần mở rộng `.ipynb`. -Notebooks là môi trường tương tác cho phép nhà phát triển vừa viết mã vừa thêm ghi chú và tài liệu xung quanh mã, rất hữu ích cho các dự án nghiên cứu hoặc thử nghiệm. +Notebooks là môi trường tương tác cho phép lập trình viên vừa viết mã vừa thêm ghi chú và tài liệu xung quanh mã, rất hữu ích cho các dự án thử nghiệm hoặc nghiên cứu. -[![ML cho người mới - Thiết lập Jupyter Notebooks để bắt đầu xây dựng mô hình hồi quy](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML cho người mới - Thiết lập Jupyter Notebooks để bắt đầu xây dựng mô hình hồi quy") +[![ML cho người mới bắt đầu - Thiết lập Jupyter Notebooks để bắt đầu xây dựng mô hình hồi quy](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML cho người mới bắt đầu - Thiết lập Jupyter Notebooks để bắt đầu xây dựng mô hình hồi quy") -> 🎥 Nhấp vào hình ảnh trên để xem video ngắn hướng dẫn bài tập này. +> 🎥 Nhấp vào ảnh trên để xem video ngắn hướng dẫn thực hành bài tập này. -### Bài tập - làm việc với notebook +### Bài tập - làm việc với một notebook Trong thư mục này, bạn sẽ tìm thấy tệp _notebook.ipynb_. 1. Mở _notebook.ipynb_ trong Visual Studio Code. -Một máy chủ Jupyter sẽ khởi động với Python 3+ được bật. Bạn sẽ thấy các phần của notebook có thể `chạy`, là các đoạn mã. Bạn có thể chạy một đoạn mã bằng cách chọn biểu tượng giống nút phát. + Một server Jupyter sẽ khởi động với Python 3+ được bật. Bạn sẽ thấy các vùng của notebook có thể `run`, các đoạn mã. Bạn có thể chạy một đoạn mã bằng cách chọn biểu tượng giống nút phát. -1. Chọn biểu tượng `md` và thêm một chút markdown, với đoạn văn bản sau **# Welcome to your notebook**. +1. Chọn biểu tượng `md` và thêm chút markdown, cùng với văn bản **# Chào mừng đến với notebook của bạn**. -Tiếp theo, thêm một số mã Python. + Tiếp theo, thêm một số mã Python. 1. Gõ **print('hello notebook')** trong đoạn mã. 1. Chọn mũi tên để chạy mã. -Bạn sẽ thấy câu in ra: + Bạn sẽ thấy câu lệnh được in ra: ```output hello notebook @@ -74,46 +74,46 @@ Bạn sẽ thấy câu in ra: ![VS Code với notebook đang mở](../../../../translated_images/vi/notebook.4a3ee31f396b8832.webp) -Bạn có thể xen kẽ mã của bạn với các bình luận để tự tài liệu hóa notebook. +Bạn có thể xen kẽ mã với các bình luận để tự ghi chú cho notebook. -✅ Hãy suy nghĩ một chút về môi trường làm việc của một nhà phát triển web so với một nhà khoa học dữ liệu. +✅ Hãy nghĩ một lát xem môi trường làm việc của lập trình viên web khác biệt như thế nào so với của nhà khoa học dữ liệu. ## Khởi động với Scikit-learn -Bây giờ Python đã được thiết lập trên môi trường cục bộ của bạn, và bạn đã quen với Jupyter Notebooks, hãy cùng làm quen với Scikit-learn (phát âm là `sci` như trong `science`). Scikit-learn cung cấp một [API phong phú](https://scikit-learn.org/stable/modules/classes.html#api-ref) để hỗ trợ bạn thực hiện các tác vụ ML. +Bây giờ Python đã được thiết lập trong môi trường cục bộ của bạn, và bạn đã quen thuộc với Jupyter Notebooks, hãy làm quen với Scikit-learn (phát âm là `sci` như trong `science`). Scikit-learn cung cấp một [API rộng](https://scikit-learn.org/stable/modules/classes.html#api-ref) giúp bạn thực hiện các nhiệm vụ ML. -Theo [trang web](https://scikit-learn.org/stable/getting_started.html) của họ, "Scikit-learn là một thư viện học máy mã nguồn mở hỗ trợ học có giám sát và không giám sát. Nó cũng cung cấp các công cụ để điều chỉnh mô hình, tiền xử lý dữ liệu, lựa chọn và đánh giá mô hình, cùng nhiều tiện ích khác." +Theo [trang web](https://scikit-learn.org/stable/getting_started.html) của họ, "Scikit-learn là thư viện mã nguồn mở về học máy hỗ trợ học có giám sát và không giám sát. Nó cũng cung cấp nhiều công cụ để phù hợp mô hình, xử lý dữ liệu, chọn và đánh giá mô hình, cùng nhiều tiện ích khác." -Trong khóa học này, bạn sẽ sử dụng Scikit-learn và các công cụ khác để xây dựng các mô hình học máy thực hiện các tác vụ mà chúng ta gọi là 'học máy truyền thống'. Chúng tôi cố ý tránh các mạng nơ-ron và học sâu, vì những chủ đề đó được trình bày tốt hơn trong chương trình 'AI dành cho người mới' sắp tới. +Trong khóa học này, bạn sẽ sử dụng Scikit-learn và các công cụ khác để xây dựng mô hình học máy thực hiện các tác vụ được gọi là 'học máy truyền thống'. Chúng tôi cố ý tránh mạng nơ-ron và học sâu, vì những chủ đề đó sẽ được đề cập trong chương trình 'AI cho người mới bắt đầu' sắp tới. -Scikit-learn giúp việc xây dựng và đánh giá mô hình trở nên đơn giản. Nó tập trung chủ yếu vào dữ liệu số và bao gồm một số bộ dữ liệu sẵn có làm công cụ học tập. Nó cũng bao gồm các mô hình được xây dựng sẵn để học viên thử nghiệm. Hãy khám phá quá trình tải dữ liệu đóng gói sẵn và sử dụng một bộ ước lượng tích hợp mô hình ML đầu tiên với Scikit-learn cùng dữ liệu cơ bản. +Scikit-learn giúp việc xây dựng và đánh giá mô hình trở nên đơn giản. Nó tập trung vào dữ liệu số và có nhiều bộ dữ liệu sẵn để sử dụng như công cụ học tập. Nó cũng bao gồm các mô hình dựng sẵn để sinh viên thử. Hãy cùng khám phá quá trình tải dữ liệu đóng gói sẵn và sử dụng một bộ ước lượng tích hợp để tạo mô hình ML đầu tiên với Scikit-learn sử dụng dữ liệu cơ bản. -## Bài tập - notebook Scikit-learn đầu tiên của bạn +## Bài tập - notebook Scikit-learn đầu tiên -> Bài hướng dẫn này lấy cảm hứng từ [ví dụ hồi quy tuyến tính](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) trên trang web Scikit-learn. +> Hướng dẫn này được lấy cảm hứng từ [ví dụ hồi quy tuyến tính](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) trên trang web của Scikit-learn. -[![ML dành cho người mới - Dự án Hồi quy Tuyến tính Đầu tiên của Bạn bằng Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML dành cho người mới - Dự án Hồi quy Tuyến tính Đầu tiên của Bạn bằng Python") +[![ML cho người mới bắt đầu - Dự án hồi quy tuyến tính đầu tiên bằng Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML cho người mới bắt đầu - Dự án hồi quy tuyến tính đầu tiên bằng Python") -> 🎥 Nhấp vào hình ảnh trên để xem video ngắn hướng dẫn bài tập này. +> 🎥 Nhấp vào ảnh trên để xem video ngắn hướng dẫn bài tập này. -Trong tệp _notebook.ipynb_ kèm bài học này, xóa hết tất cả các ô bằng cách nhấn biểu tượng 'thùng rác'. +Trong tệp _notebook.ipynb_ liên quan đến bài học này, xóa hết các ô bằng cách nhấn biểu tượng thùng rác. -Trong phần này, bạn sẽ làm việc với một bộ dữ liệu nhỏ về bệnh tiểu đường được tích hợp trong Scikit-learn cho mục đích học tập. Hãy tưởng tượng bạn muốn thử nghiệm một phương pháp điều trị cho bệnh nhân tiểu đường. Các mô hình học máy có thể giúp xác định bệnh nhân nào sẽ phản ứng tốt hơn dựa trên sự kết hợp các biến số. Ngay cả một mô hình hồi quy rất cơ bản, khi được trực quan hóa, có thể cho thấy thông tin về các biến số giúp bạn tổ chức các thử nghiệm lâm sàng giả thuyết. +Trong phần này, bạn sẽ làm việc với một bộ dữ liệu nhỏ về bệnh tiểu đường được tích hợp trong Scikit-learn để học tập. Hãy tưởng tượng bạn muốn thử nghiệm một phương pháp điều trị cho bệnh nhân tiểu đường. Mô hình học máy có thể giúp bạn xác định bệnh nhân nào sẽ phản ứng tốt hơn với phương pháp điều trị dựa trên sự kết hợp các biến số. Ngay cả một mô hình hồi quy rất cơ bản, khi được trực quan hóa, có thể cung cấp thông tin về các biến giúp bạn tổ chức các thử nghiệm lâm sàng lý thuyết. -✅ Có nhiều phương pháp hồi quy khác nhau, và bạn chọn phương pháp nào phụ thuộc vào câu trả lời bạn tìm kiếm. Nếu bạn muốn dự đoán chiều cao có thể của một người ở độ tuổi xác định, bạn dùng hồi quy tuyến tính vì bạn đang tìm một **giá trị số**. Nếu bạn muốn biết liệu một loại ẩm thực có nên coi là thuần chay hay không, bạn đang tìm một **phân loại nhóm** nên dùng hồi quy logistic. Bạn sẽ học về hồi quy logistic sau. Hãy suy nghĩ về một số câu hỏi bạn có thể hỏi dữ liệu, và phương pháp nào sẽ phù hợp hơn. +✅ Có nhiều loại phương pháp hồi quy, và chọn phương pháp nào phụ thuộc vào câu trả lời bạn muốn tìm. Nếu muốn dự đoán chiều cao có thể của một người theo tuổi, bạn sẽ dùng hồi quy tuyến tính vì tìm giá trị **số**. Nếu muốn xác định xem một loại ẩm thực có phải là thuần chay hay không, bạn đang tìm **phân loại**, nên sẽ dùng hồi quy logistic. Bạn sẽ học thêm về hồi quy logistic sau. Hãy suy nghĩ về các câu hỏi bạn có thể đặt về dữ liệu, và phương pháp nào trong số này phù hợp hơn. Hãy bắt đầu với nhiệm vụ này. -### Nhập các thư viện +### Nhập thư viện Cho nhiệm vụ này, chúng ta sẽ nhập một số thư viện: -- **matplotlib**. Đây là công cụ [vẽ đồ thị](https://matplotlib.org/) hữu ích và chúng ta sẽ dùng để tạo biểu đồ đường. -- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) là thư viện xử lý dữ liệu số trong Python. +- **matplotlib**. Đây là một [công cụ đồ họa](https://matplotlib.org/) hữu ích và chúng ta sẽ dùng nó để tạo biểu đồ đường. +- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) là thư viện hữu ích để xử lý dữ liệu số trong Python. - **sklearn**. Đây là thư viện [Scikit-learn](https://scikit-learn.org/stable/user_guide.html). -Nhập một số thư viện để hỗ trợ nhiệm vụ của bạn. +Nhập một số thư viện để hỗ trợ công việc của bạn. 1. Thêm các lệnh nhập bằng cách gõ đoạn mã sau: @@ -123,26 +123,26 @@ Nhập một số thư viện để hỗ trợ nhiệm vụ của bạn. from sklearn import datasets, linear_model, model_selection ``` -Ở trên bạn đang nhập `matplotlib`, `numpy` và nhập `datasets`, `linear_model` và `model_selection` từ `sklearn`. `model_selection` dùng để phân tách dữ liệu thành tập huấn luyện và kiểm thử. + Ở trên, bạn nhập `matplotlib`, `numpy` và nhập `datasets`, `linear_model` cùng `model_selection` từ `sklearn`. `model_selection` dùng để chia dữ liệu thành các bộ huấn luyện và kiểm tra. -### Bộ dữ liệu diabetes +### Bộ dữ liệu tiểu đường -Bộ dữ liệu tích hợp sẵn [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) chứa 442 mẫu dữ liệu về bệnh tiểu đường, với 10 biến đặc trưng, một số biến bao gồm: +Bộ dữ liệu [tiểu đường](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) tích hợp có 442 mẫu dữ liệu về bệnh tiểu đường, với 10 biến đặc trưng, một số là: -- age: tuổi tính bằng năm -- bmi: chỉ số cơ thể (body mass index) +- age: tuổi tính theo năm +- bmi: chỉ số khối cơ thể - bp: huyết áp trung bình -- s1 tc: T-Cells (một loại tế bào bạch cầu) +- s1 tc: T-Cells (một loại bạch cầu) -✅ Bộ dữ liệu này bao gồm khái niệm 'giới tính' như một biến đặc trưng quan trọng trong nghiên cứu về tiểu đường. Nhiều bộ dữ liệu y tế chứa loại phân loại nhị phân như thế này. Hãy suy nghĩ về cách các phân loại như vậy có thể loại trừ một số nhóm dân cư khỏi các phương pháp điều trị. +✅ Bộ dữ liệu này bao gồm khái niệm 'giới tính' như một biến quan trọng trong nghiên cứu về tiểu đường. Nhiều bộ dữ liệu y tế bao gồm phân loại nhị phân này. Hãy suy nghĩ về cách phân loại như thế có thể loại trừ một số nhóm dân cư khỏi các phương pháp điều trị. Bây giờ, hãy tải dữ liệu X và y. -> 🎓 Hãy nhớ, đây là học có giám sát, và cần một mục tiêu 'y' được đặt tên. +> 🎓 Hãy nhớ rằng đây là học có giám sát, và chúng ta cần biến mục tiêu được đặt tên là 'y'. -Trong một ô mã mới, tải bộ dữ liệu diabetes bằng cách gọi `load_diabetes()`. Tham số `return_X_y=True` báo `X` sẽ là ma trận dữ liệu, và `y` sẽ là mục tiêu hồi quy. +Trong ô mã mới, tải bộ dữ liệu tiểu đường bằng cách gọi `load_diabetes()`. Tham số `return_X_y=True` báo hiệu rằng `X` sẽ là ma trận dữ liệu, và `y` là mục tiêu hồi quy. -1. Thêm một số lệnh in để hiển thị kích thước của ma trận dữ liệu và phần tử đầu tiên: +1. Thêm một số lệnh in để hiển thị hình dạng ma trận dữ liệu và phần tử đầu tiên: ```python X, y = datasets.load_diabetes(return_X_y=True) @@ -150,9 +150,9 @@ Trong một ô mã mới, tải bộ dữ liệu diabetes bằng cách gọi `lo print(X[0]) ``` -Bạn nhận về một tuple. Bạn đang gán hai giá trị đầu của tuple cho `X` và `y` tương ứng. Tìm hiểu thêm về [tuple](https://wikipedia.org/wiki/Tuple). + Kết quả trả về là một tuple. Bạn đang gán hai giá trị đầu của tuple cho `X` và `y` tương ứng. Tìm hiểu thêm [về tuple](https://wikipedia.org/wiki/Tuple). -Bạn có thể thấy dữ liệu này có 442 mẫu, mỗi mẫu là mảng 10 phần tử: + Bạn có thể thấy dữ liệu này có 442 phần tử, mỗi phần tử là mảng 10 phần tử: ```text (442, 10) @@ -160,39 +160,39 @@ Bạn có thể thấy dữ liệu này có 442 mẫu, mỗi mẫu là mảng 10 -0.04340085 -0.00259226 0.01990842 -0.01764613] ``` -✅ Nghĩ về mối quan hệ giữa dữ liệu và mục tiêu hồi quy. Hồi quy tuyến tính dự đoán mối quan hệ giữa đặc trưng X và biến mục tiêu y. Bạn có thể tìm thấy [mục tiêu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) của bộ dữ liệu diabetes trong tài liệu không? Bộ dữ liệu này đang minh họa gì, dựa trên mục tiêu đó? + ✅ Hãy suy nghĩ về mối quan hệ giữa dữ liệu và mục tiêu hồi quy. Hồi quy tuyến tính dự đoán quan hệ giữa đặc trưng X và biến mục tiêu y. Bạn có thể tìm [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) cho bộ dữ liệu tiểu đường trong tài liệu không? Bộ dữ liệu này minh họa điều gì, dựa trên mục tiêu đó? -2. Tiếp theo, chọn một phần của bộ dữ liệu để vẽ bằng cách chọn cột thứ 3 của bộ dữ liệu. Bạn có thể dùng toán tử `:` để chọn tất cả các hàng, rồi chọn cột thứ 3 bằng chỉ mục (2). Bạn cũng có thể chuyển đổi dữ liệu thành mảng 2D - cần thiết cho việc vẽ - bằng cách dùng `reshape(n_rows, n_columns)`. Nếu một tham số là -1, chiều tương ứng sẽ được tính tự động. +2. Tiếp theo, chọn một phần của bộ dữ liệu này để vẽ biểu đồ bằng cách chọn cột thứ 3 của dữ liệu. Bạn làm điều này bằng cách dùng toán tử `:` để chọn tất cả các hàng, sau đó chọn cột 3 qua chỉ số (2). Bạn cũng có thể đổi kích thước dữ liệu thành mảng 2 chiều - như yêu cầu để vẽ đồ thị - sử dụng `reshape(n_rows, n_columns)`. Nếu một trong các tham số là -1, kích thước tương ứng sẽ tự động được tính. ```python X = X[:, 2] X = X.reshape((-1,1)) ``` -✅ Bất cứ lúc nào, in dữ liệu ra để kiểm tra kích thước. + ✅ Bất cứ lúc nào, hãy in dữ liệu để kiểm tra hình dạng của nó. -3. Bây giờ dữ liệu đã sẵn sàng để vẽ, bạn có thể xem liệu máy có thể giúp xác định một ngưỡng hợp lý chia các số trong bộ dữ liệu không. Để làm điều này, bạn cần chia cả dữ liệu (X) và mục tiêu (y) thành tập kiểm thử và huấn luyện. Scikit-learn có cách đơn giản để làm điều này, bạn có thể chia dữ liệu kiểm thử tại một điểm xác định. +3. Bây giờ bạn đã có dữ liệu để vẽ, hãy kiểm tra liệu máy có thể giúp xác định sự phân chia logic giữa các số trong bộ dữ liệu này không. Để làm điều đó, bạn cần chia cả dữ liệu (X) và mục tiêu (y) thành bộ kiểm tra và bộ huấn luyện. Scikit-learn có cách chia đơn giản; bạn có thể chia dữ liệu kiểm tra tại một điểm xác định. ```python X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33) ``` -4. Bây giờ bạn đã sẵn sàng huấn luyện mô hình! Tải mô hình hồi quy tuyến tính và huấn luyện với tập huấn luyện X và y bằng `model.fit()`: +4. Bây giờ bạn sẵn sàng huấn luyện mô hình! Tải mô hình hồi quy tuyến tính và huấn luyện nó với bộ huấn luyện X và y bằng `model.fit()`: ```python model = linear_model.LinearRegression() model.fit(X_train, y_train) ``` -✅ `model.fit()` là hàm bạn sẽ thấy trong nhiều thư viện ML như TensorFlow + ✅ `model.fit()` là hàm bạn sẽ thấy trong nhiều thư viện ML như TensorFlow -5. Sau đó, tạo dự đoán dùng dữ liệu kiểm thử với hàm `predict()`. Kết quả này sẽ dùng để vẽ đường phân chia giữa các nhóm dữ liệu +5. Sau đó, tạo dự đoán bằng dữ liệu kiểm tra, sử dụng hàm `predict()`. Hàm này dùng để vẽ đường thẳng phân chia nhóm dữ liệu. ```python y_pred = model.predict(X_test) ``` -6. Giờ là lúc hiển thị dữ liệu trên biểu đồ. Matplotlib là công cụ rất hữu ích cho việc này. Tạo biểu đồ điểm (scatterplot) của tất cả dữ liệu thử nghiệm X và y, rồi dùng dự đoán để vẽ một đường kẻ ở vị trí phù hợp nhất, phân tách các nhóm dữ liệu của mô hình. +6. Bây giờ là lúc hiển thị dữ liệu trên biểu đồ. Matplotlib là công cụ rất hữu ích cho việc này. Tạo biểu đồ điểm cho tất cả dữ liệu X và y của bộ kiểm tra, và dùng dự đoán để vẽ một đường thẳng ở vị trí phù hợp nhất giữa các nhóm dữ liệu mô hình. ```python plt.scatter(X_test, y_test, color='black') @@ -203,24 +203,23 @@ Bạn có thể thấy dữ liệu này có 442 mẫu, mỗi mẫu là mảng 10 plt.show() ``` -![biểu đồ scatterplot hiển thị điểm dữ liệu về bệnh tiểu đường](../../../../translated_images/vi/scatterplot.ad8b356bcbb33be6.webp) + ![biểu đồ điểm thể hiện các điểm dữ liệu về tiểu đường](../../../../translated_images/vi/scatterplot.ad8b356bcbb33be6.webp) + ✅ Hãy suy nghĩ về những gì đang diễn ra ở đây. Một đường thẳng chạy qua nhiều điểm nhỏ của dữ liệu, nhưng nó thực sự làm gì? Bạn có thấy mình có thể dùng đường này để dự đoán vị trí một điểm dữ liệu mới chưa nhìn thấy dựa trên trục y của biểu đồ không? Hãy thử diễn đạt bằng lời công dụng thực tế của mô hình này. - ✅ Hãy nghĩ một chút về những gì đang xảy ra ở đây. Một đường thẳng đang chạy qua nhiều điểm dữ liệu nhỏ, nhưng nó đang làm gì chính xác? Bạn có thể thấy làm thế nào bạn nên sử dụng đường thẳng này để dự đoán nơi một điểm dữ liệu mới, chưa thấy, nên nằm ở đâu trong mối quan hệ với trục y của biểu đồ không? Hãy thử diễn đạt bằng lời về mục đích thực tiễn của mô hình này. - -Chúc mừng, bạn đã xây dựng mô hình hồi quy tuyến tính đầu tiên, tạo ra một dự đoán với nó và hiển thị nó trong biểu đồ! +Chúc mừng bạn đã xây dựng mô hình hồi quy tuyến tính đầu tiên, tạo dự đoán từ nó và hiển thị trên biểu đồ! --- ## 🚀Thử thách -Vẽ biểu đồ một biến khác từ bộ dữ liệu này. Gợi ý: chỉnh sửa dòng này: `X = X[:,2]`. Với mục tiêu của bộ dữ liệu này, bạn có thể khám phá điều gì về tiến triển của bệnh tiểu đường như một căn bệnh? -## [Trắc nghiệm sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) +Vẽ một biến khác từ bộ dữ liệu này. Gợi ý: chỉnh sửa dòng này: `X = X[:,2]`. Dựa vào mục tiêu của bộ dữ liệu này, bạn có thể khám phá gì về tiến trình bệnh tiểu đường như một căn bệnh? +## [Bài kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) ## Ôn tập & Tự học -Trong hướng dẫn này, bạn đã làm việc với hồi quy tuyến tính đơn giản, thay vì hồi quy tuyến tính đơn biến hay đa biến. Hãy đọc một chút về sự khác biệt giữa các phương pháp này, hoặc xem [video này](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) +Trong hướng dẫn này, bạn làm việc với hồi quy tuyến tính đơn giản, thay vì hồi quy tuyến tính đơn biến hoặc đa biến. Đọc một chút về sự khác biệt giữa các phương pháp này, hoặc xem [video này](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) -Đọc thêm về khái niệm hồi quy và suy nghĩ về những loại câu hỏi nào có thể được trả lời bằng kỹ thuật này. Tham khảo [hướng dẫn này](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) để tăng cường hiểu biết của bạn. +Tìm hiểu thêm về khái niệm hồi quy và suy nghĩ về những loại câu hỏi nào có thể được trả lời bằng kỹ thuật này. Tham gia [hướng dẫn này](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) để tăng cường hiểu biết của bạn. ## Bài tập diff --git a/translations/vi/5-Clustering/README.md b/translations/vi/5-Clustering/README.md index 6da7c3f5a..d970d8689 100644 --- a/translations/vi/5-Clustering/README.md +++ b/translations/vi/5-Clustering/README.md @@ -1,33 +1,35 @@ -# Các mô hình phân cụm trong học máy +# Mô hình phân cụm cho học máy -Phân cụm là một nhiệm vụ trong học máy, nơi nó tìm cách xác định các đối tượng giống nhau và nhóm chúng lại thành các nhóm gọi là cụm. Điều làm phân cụm khác biệt so với các phương pháp khác trong học máy là mọi thứ diễn ra tự động, thực tế có thể nói rằng nó hoàn toàn trái ngược với học có giám sát. +Phân cụm là một nhiệm vụ học máy nhằm tìm các đối tượng giống nhau và nhóm chúng lại thành các nhóm gọi là cụm. Điều khác biệt của phân cụm so với các phương pháp khác trong học máy là mọi thứ diễn ra tự động, thực tế có thể nói đây là điều ngược lại với học có giám sát. -## Chủ đề khu vực: các mô hình phân cụm cho sở thích âm nhạc của khán giả Nigeria 🎧 +## Chủ đề khu vực: mô hình phân cụm cho sở thích âm nhạc của khán giả Nigeria 🎧 -Khán giả đa dạng của Nigeria có sở thích âm nhạc phong phú. Sử dụng dữ liệu được thu thập từ Spotify (lấy cảm hứng từ [bài viết này](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), hãy cùng xem một số bài hát phổ biến ở Nigeria. Bộ dữ liệu này bao gồm thông tin về điểm 'danceability', 'acousticness', độ lớn âm thanh, 'speechiness', mức độ phổ biến và năng lượng của các bài hát. Sẽ rất thú vị khi khám phá các mẫu trong dữ liệu này! +Khán giả đa dạng của Nigeria có sở thích âm nhạc đa dạng. Sử dụng dữ liệu lấy từ Spotify (lấy cảm hứng từ [bài viết này](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), chúng ta hãy xem xét một số bài hát phổ biến tại Nigeria. Bộ dữ liệu này bao gồm các thông tin về điểm 'danceability' (khả năng khiêu vũ), 'acousticness' (độ acoustic), âm lượng, 'speechiness' (độ lời nói), độ phổ biến và năng lượng của các bài hát khác nhau. Sẽ rất thú vị khi khám phá các mẫu trong dữ liệu này! -![Một bàn xoay](../../../5-Clustering/images/turntable.jpg) +![Một bàn xoay đĩa](../../../translated_images/vi/turntable.f2b86b13c53302dc.webp) -> Ảnh của Marcela Laskoski trên Unsplash +> Ảnh bởi Marcela Laskoski trên Unsplash -Trong loạt bài học này, bạn sẽ khám phá những cách mới để phân tích dữ liệu bằng các kỹ thuật phân cụm. Phân cụm đặc biệt hữu ích khi bộ dữ liệu của bạn không có nhãn. Nếu nó có nhãn, thì các kỹ thuật phân loại như những gì bạn đã học trong các bài học trước có thể hữu ích hơn. Nhưng trong trường hợp bạn muốn nhóm dữ liệu không có nhãn, phân cụm là một cách tuyệt vời để khám phá các mẫu. +Trong chuỗi bài học này, bạn sẽ khám phá những cách mới để phân tích dữ liệu bằng kỹ thuật phân cụm. Phân cụm đặc biệt hữu ích khi bộ dữ liệu của bạn không có nhãn. Nếu có nhãn, thì các kỹ thuật phân loại như bạn đã học trong các bài trước có thể sẽ hữu dụng hơn. Nhưng trong trường hợp bạn muốn nhóm dữ liệu chưa được gán nhãn, phân cụm là cách tuyệt vời để khám phá các mẫu. -> Có những công cụ low-code hữu ích có thể giúp bạn tìm hiểu cách làm việc với các mô hình phân cụm. Hãy thử [Azure ML cho nhiệm vụ này](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) +> Có những công cụ low-code hữu ích có thể giúp bạn học cách làm việc với các mô hình phân cụm. Hãy thử [Azure ML cho nhiệm vụ này](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ## Các bài học 1. [Giới thiệu về phân cụm](1-Visualize/README.md) 2. [Phân cụm K-Means](2-K-Means/README.md) -## Tín dụng +## Tác giả -Các bài học này được viết với 🎶 bởi [Jen Looper](https://www.twitter.com/jenlooper) cùng với các đánh giá hữu ích từ [Rishit Dagli](https://rishit_dagli) và [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). +Các bài học này được viết cùng với âm nhạc 🎶 bởi [Jen Looper](https://www.twitter.com/jenlooper) với sự góp ý hữu ích từ [Rishit Dagli](https://rishit_dagli/) và [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan). -Bộ dữ liệu [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) được lấy từ Kaggle, được thu thập từ Spotify. +Bộ dữ liệu [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) được lấy từ Kaggle, thu thập từ Spotify. -Các ví dụ K-Means hữu ích hỗ trợ việc tạo bài học này bao gồm [khám phá iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [notebook giới thiệu](https://www.kaggle.com/prashant111/k-means-clustering-with-python), và [ví dụ giả định về NGO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). +Các ví dụ K-Means hữu ích hỗ trợ trong việc tạo bài học này bao gồm ví dụ khám phá [hoa iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), sổ tay [giới thiệu](https://www.kaggle.com/prashant111/k-means-clustering-with-python) và ví dụ [tổ chức phi chính phủ giả định](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering). --- -**Tuyên bố miễn trừ trách nhiệm**: -Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp từ con người. Chúng tôi không chịu trách nhiệm về bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này. \ No newline at end of file + +**Tuyên bố miễn trừ trách nhiệm**: +Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này. + \ No newline at end of file diff --git a/translations/vi/7-TimeSeries/README.md b/translations/vi/7-TimeSeries/README.md index 92f9715d6..3e870b652 100644 --- a/translations/vi/7-TimeSeries/README.md +++ b/translations/vi/7-TimeSeries/README.md @@ -1,28 +1,30 @@ -# Giới thiệu về dự đoán chuỗi thời gian +# Giới thiệu về dự báo chuỗi thời gian -Dự đoán chuỗi thời gian là gì? Đó là việc dự đoán các sự kiện trong tương lai bằng cách phân tích xu hướng trong quá khứ. +Dự báo chuỗi thời gian là gì? Đó là việc dự đoán các sự kiện trong tương lai bằng cách phân tích xu hướng của quá khứ. ## Chủ đề khu vực: sử dụng điện trên toàn thế giới ✨ -Trong hai bài học này, bạn sẽ được giới thiệu về dự đoán chuỗi thời gian, một lĩnh vực ít được biết đến hơn trong học máy nhưng lại vô cùng giá trị đối với các ứng dụng trong ngành công nghiệp và kinh doanh, cũng như các lĩnh vực khác. Mặc dù mạng nơ-ron có thể được sử dụng để tăng cường hiệu quả của các mô hình này, chúng ta sẽ nghiên cứu chúng trong bối cảnh học máy cổ điển, nơi các mô hình giúp dự đoán hiệu suất tương lai dựa trên dữ liệu quá khứ. +Trong hai bài học này, bạn sẽ được giới thiệu về dự báo chuỗi thời gian, một lĩnh vực ít được biết đến trong học máy nhưng vô cùng giá trị cho các ứng dụng trong công nghiệp và kinh doanh cùng các lĩnh vực khác. Dù các mạng nơ-ron có thể được sử dụng để tăng hiệu quả cho các mô hình này, chúng ta sẽ nghiên cứu chúng trong bối cảnh học máy cổ điển khi các mô hình giúp dự đoán hiệu suất tương lai dựa trên quá khứ. -Trọng tâm khu vực của chúng ta là việc sử dụng điện trên toàn thế giới, một tập dữ liệu thú vị để học cách dự đoán nhu cầu điện trong tương lai dựa trên các mẫu tải trong quá khứ. Bạn có thể thấy rằng loại dự đoán này rất hữu ích trong môi trường kinh doanh. +Trọng tâm khu vực của chúng ta là sử dụng điện trên thế giới, một bộ dữ liệu thú vị để học về dự báo nhu cầu điện tương lai dựa trên mô hình tải trong quá khứ. Bạn có thể thấy cách loại dự báo này vô cùng hữu ích trong môi trường kinh doanh. -![lưới điện](../../../7-TimeSeries/images/electric-grid.jpg) +![electric grid](../../../translated_images/vi/electric-grid.0c21d5214db09ffa.webp) -Ảnh của [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) về các cột điện trên một con đường ở Rajasthan trên [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) +Ảnh của [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) về các cột điện ven đường ở Rajasthan trên [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## Các bài học -1. [Giới thiệu về dự đoán chuỗi thời gian](1-Introduction/README.md) +1. [Giới thiệu về dự báo chuỗi thời gian](1-Introduction/README.md) 2. [Xây dựng mô hình chuỗi thời gian ARIMA](2-ARIMA/README.md) -3. [Xây dựng Support Vector Regressor cho dự đoán chuỗi thời gian](3-SVR/README.md) +3. [Xây dựng bộ hồi quy Support Vector cho dự báo chuỗi thời gian](3-SVR/README.md) -## Tín dụng +## Tác giả -"Giới thiệu về dự đoán chuỗi thời gian" được viết với ⚡️ bởi [Francesca Lazzeri](https://twitter.com/frlazzeri) và [Jen Looper](https://twitter.com/jenlooper). Các notebook lần đầu tiên xuất hiện trực tuyến trong [repo "Deep Learning For Time Series" của Azure](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ban đầu được viết bởi Francesca Lazzeri. Bài học về SVR được viết bởi [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD). +"Giới thiệu về dự báo chuỗi thời gian" được viết với ⚡️ bởi [Francesca Lazzeri](https://twitter.com/frlazzeri) và [Jen Looper](https://twitter.com/jenlooper). Các sổ tay lần đầu xuất hiện trực tuyến trong [kho lưu trữ Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) do Francesca Lazzeri viết ban đầu. Bài học SVR được viết bởi [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) --- -**Tuyên bố miễn trừ trách nhiệm**: -Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp từ con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này. \ No newline at end of file + +**Tuyên bố miễn trừ trách nhiệm**: +Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này. + \ No newline at end of file diff --git a/translations/vi/README.md b/translations/vi/README.md index 1a77fe510..03a5238c7 100644 --- a/translations/vi/README.md +++ b/translations/vi/README.md @@ -2,22 +2,22 @@ [![Người đóng góp GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![Vấn đề GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![Yêu cầu kéo GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![Chào mừng PRs](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![Chào đón PR](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![Người theo dõi GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![Nhánh GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![Fork GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![Sao GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Hỗ trợ đa ngôn ngữ -#### Hỗ trợ thông qua GitHub Action (Tự động & Luôn cập nhật) +#### Hỗ trợ qua GitHub Action (Tự động & Luôn Cập nhật) -[Tiếng Ả Rập](../ar/README.md) | [Tiếng Bengali](../bn/README.md) | [Tiếng Bungari](../bg/README.md) | [Tiếng Miến Điện (Myanmar)](../my/README.md) | [Tiếng Trung (Giản thể)](../zh-CN/README.md) | [Tiếng Trung (Phồn thể, Hồng Kông)](../zh-HK/README.md) | [Tiếng Trung (Phồn thể, Macau)](../zh-MO/README.md) | [Tiếng Trung (Phồn thể, Đài Loan)](../zh-TW/README.md) | [Tiếng Croatia](../hr/README.md) | [Tiếng Séc](../cs/README.md) | [Tiếng Đan Mạch](../da/README.md) | [Tiếng Hà Lan](../nl/README.md) | [Tiếng Estonia](../et/README.md) | [Tiếng Phần Lan](../fi/README.md) | [Tiếng Pháp](../fr/README.md) | [Tiếng Đức](../de/README.md) | [Tiếng Hy Lạp](../el/README.md) | [Tiếng Do Thái](../he/README.md) | [Tiếng Hindi](../hi/README.md) | [Tiếng Hungary](../hu/README.md) | [Tiếng Indonesia](../id/README.md) | [Tiếng Ý](../it/README.md) | [Tiếng Nhật](../ja/README.md) | [Tiếng Kannada](../kn/README.md) | [Tiếng Khmer](../km/README.md) | [Tiếng Hàn](../ko/README.md) | [Tiếng Litva](../lt/README.md) | [Tiếng Malay](../ms/README.md) | [Tiếng Malayalam](../ml/README.md) | [Tiếng Marathi](../mr/README.md) | [Tiếng Nepal](../ne/README.md) | [Tiếng Pidgin Nigeria](../pcm/README.md) | [Tiếng Na Uy](../no/README.md) | [Tiếng Ba Tư (Farsi)](../fa/README.md) | [Tiếng Ba Lan](../pl/README.md) | [Tiếng Bồ Đào Nha (Brazil)](../pt-BR/README.md) | [Tiếng Bồ Đào Nha (Bồ Đào Nha)](../pt-PT/README.md) | [Tiếng Punjabi (Gurmukhi)](../pa/README.md) | [Tiếng Rumani](../ro/README.md) | [Tiếng Nga](../ru/README.md) | [Tiếng Serbia (Chữ Kirin)](../sr/README.md) | [Tiếng Slovakia](../sk/README.md) | [Tiếng Slovenia](../sl/README.md) | [Tiếng Tây Ban Nha](../es/README.md) | [Tiếng Swahili](../sw/README.md) | [Tiếng Thụy Điển](../sv/README.md) | [Tiếng Tagalog (Filipino)](../tl/README.md) | [Tiếng Tamil](../ta/README.md) | [Tiếng Telugu](../te/README.md) | [Tiếng Thái](../th/README.md) | [Tiếng Thổ Nhĩ Kỳ](../tr/README.md) | [Tiếng Ukraina](../uk/README.md) | [Tiếng Urdu](../ur/README.md) | [Tiếng Việt](./README.md) +[Tiếng Ả Rập](../ar/README.md) | [Tiếng Bengal](../bn/README.md) | [Tiếng Bulgaria](../bg/README.md) | [Tiếng Miến Điện (Myanmar)](../my/README.md) | [Tiếng Trung (Giản thể)](../zh-CN/README.md) | [Tiếng Trung (Phồn thể, Hồng Kông)](../zh-HK/README.md) | [Tiếng Trung (Phồn thể, Macau)](../zh-MO/README.md) | [Tiếng Trung (Phồn thể, Đài Loan)](../zh-TW/README.md) | [Tiếng Croatia](../hr/README.md) | [Tiếng Séc](../cs/README.md) | [Tiếng Đan Mạch](../da/README.md) | [Tiếng Hà Lan](../nl/README.md) | [Tiếng Estonia](../et/README.md) | [Tiếng Phần Lan](../fi/README.md) | [Tiếng Pháp](../fr/README.md) | [Tiếng Đức](../de/README.md) | [Tiếng Hy Lạp](../el/README.md) | [Tiếng Do Thái](../he/README.md) | [Tiếng Hindi](../hi/README.md) | [Tiếng Hungary](../hu/README.md) | [Tiếng Indonesia](../id/README.md) | [Tiếng Ý](../it/README.md) | [Tiếng Nhật](../ja/README.md) | [Tiếng Kannada](../kn/README.md) | [Tiếng Khmer](../km/README.md) | [Tiếng Hàn](../ko/README.md) | [Tiếng Lithuania](../lt/README.md) | [Tiếng Mã Lai](../ms/README.md) | [Tiếng Malayalam](../ml/README.md) | [Tiếng Marathi](../mr/README.md) | [Tiếng Nepal](../ne/README.md) | [Tiếng Pidgin Nigeria](../pcm/README.md) | [Tiếng Na Uy](../no/README.md) | [Tiếng Ba Tư (Farsi)](../fa/README.md) | [Tiếng Ba Lan](../pl/README.md) | [Tiếng Bồ Đào Nha (Brazil)](../pt-BR/README.md) | [Tiếng Bồ Đào Nha (Bồ Đào Nha)](../pt-PT/README.md) | [Tiếng Punjabi (Gurmukhi)](../pa/README.md) | [Tiếng Romania](../ro/README.md) | [Tiếng Nga](../ru/README.md) | [Tiếng Serbia (Chữ Kirin)](../sr/README.md) | [Tiếng Slovakia](../sk/README.md) | [Tiếng Slovenia](../sl/README.md) | [Tiếng Tây Ban Nha](../es/README.md) | [Tiếng Swahili](../sw/README.md) | [Tiếng Thụy Điển](../sv/README.md) | [Tiếng Tagalog (Filipino)](../tl/README.md) | [Tiếng Tamil](../ta/README.md) | [Tiếng Telugu](../te/README.md) | [Tiếng Thái](../th/README.md) | [Tiếng Thổ Nhĩ Kỳ](../tr/README.md) | [Tiếng Ukraina](../uk/README.md) | [Tiếng Urdu](../ur/README.md) | [Tiếng Việt](./README.md) -> **Muốn sao chép về máy cục bộ?** +> **Ưu tiên sao chép cục bộ?** > -> Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ làm tăng đáng kể dung lượng tải xuống. Để sao chép mà không có bản dịch, hãy sử dụng sparse checkout: +> Kho lưu trữ này bao gồm hơn 50 bản dịch ngôn ngữ làm tăng đáng kể dung lượng tải về. Để sao chép mà không có bản dịch, sử dụng sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -38,68 +38,70 @@ #### Tham gia Cộng đồng của Chúng tôi -[![Discord Microsoft Foundry](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Chúng tôi có chuỗi học cùng AI trên Discord, tìm hiểu thêm và tham gia cùng chúng tôi tại [Chuỗi học cùng AI](https://aka.ms/learnwithai/discord) từ ngày 18 - 30 tháng 9 năm 2025. Bạn sẽ nhận được mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học Dữ liệu. +Chúng tôi đang có một chuỗi học cùng AI trên Discord, tìm hiểu thêm và tham gia tại [Chuỗi Học cùng AI](https://aka.ms/learnwithai/discord) từ ngày 18 - 30 tháng 9 năm 2025. Bạn sẽ nhận được các mẹo và thủ thuật sử dụng GitHub Copilot cho Khoa học Dữ liệu. ![Chuỗi học cùng AI](../../translated_images/vi/3.9b58fd8d6c373c20.webp) -# Máy Học cho Người Mới Bắt Đầu - Một Khung Chương Trình +# Học Máy cho Người Mới Bắt Đầu - Một Chương Trình Học -> 🌍 Du lịch vòng quanh thế giới khi chúng ta khám phá Máy Học thông qua các văn hóa thế giới 🌍 +> 🌍 Du hành vòng quanh thế giới khi chúng ta khám phá Học Máy thông qua các nền văn hóa thế giới 🌍 -Các Nhà Thúc Đẩy Đám Mây tại Microsoft rất vui được cung cấp một chương trình học 12 tuần, 26 bài học hoàn toàn về **Máy Học**. Trong chương trình này, bạn sẽ tìm hiểu về cái mà đôi khi được gọi là **máy học kinh điển**, chủ yếu sử dụng thư viện Scikit-learn và tránh xa học sâu (deep learning), phần này được đề cập trong [chương trình AI cho Người Mới Bắt Đầu](https://aka.ms/ai4beginners). Kèm theo đó, hãy học cùng với chương trình ['Khoa học Dữ liệu cho Người Mới Bắt Đầu'](https://aka.ms/ds4beginners) của chúng tôi! +Các Nhà vận động điện toán đám mây của Microsoft hân hạnh giới thiệu chương trình học 12 tuần, 26 bài học toàn diện về **Học Máy**. Trong chương trình này, bạn sẽ học về cái mà đôi khi gọi là **học máy cổ điển**, chủ yếu sử dụng thư viện Scikit-learn và tránh học sâu, được bao phủ trong [chương trình AI cho Người Mới Bắt Đầu](https://aka.ms/ai4beginners). Kết hợp các bài học này với [chương trình Khoa học Dữ liệu cho Người Mới Bắt Đầu](https://aka.ms/ds4beginners) của chúng tôi, nữa nhé! -Hãy cùng du lịch vòng quanh thế giới khi chúng ta áp dụng các kỹ thuật kinh điển này vào dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm bài kiểm tra trước và sau bài học, hướng dẫn bằng văn bản để hoàn thành bài học, một giải pháp, một bài tập, và nhiều hơn thế nữa. Phương pháp dạy dựa trên dự án của chúng tôi cho phép bạn học trong khi xây dựng, một cách đã được chứng minh giúp kỹ năng mới "bám dính" lâu hơn. +Du hành với chúng tôi vòng quanh thế giới khi chúng ta áp dụng những kỹ thuật học máy cổ điển này trên dữ liệu từ nhiều khu vực trên thế giới. Mỗi bài học bao gồm các bài quiz trước và sau bài học, hướng dẫn bằng văn bản để hoàn thành bài, giải pháp, bài tập, và nhiều hơn nữa. Phương pháp giảng dạy dựa trên dự án của chúng tôi cho phép bạn học ngay trong lúc xây dựng, một cách được chứng minh giúp kỹ năng mới 'bám lâu'. **✍️ Xin chân thành cảm ơn các tác giả** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu và Amy Boyd -**🎨 Cảm ơn các họa sĩ minh họa** Tomomi Imura, Dasani Madipalli, và Jen Looper +**🎨 Cảm ơn thêm các họa sĩ minh họa** Tomomi Imura, Dasani Madipalli, và Jen Looper -**🙏 Cảm ơn đặc biệt 🙏 các tác giả, người đánh giá và đóng góp nội dung Đại sứ Sinh viên Microsoft**, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal +**🙏 Cảm ơn đặc biệt 🙏 đến các tác giả, người đánh giá và đóng góp nội dung Microsoft Student Ambassador**, đặc biệt là Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, và Snigdha Agarwal -**🤩 Biết ơn thêm đến Đại sứ Sinh viên Microsoft Eric Wanjau, Jasleen Sondhi và Vidushi Gupta cho các bài học R của chúng tôi!** +**🤩 Lời biết ơn thêm đến Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, và Vidushi Gupta cho các bài học R của chúng tôi!** -# Bắt đầu +# Bắt Đầu Làm theo các bước sau: -1. **Gfork kho lưu trữ**: Nhấn nút "Fork" ở góc trên bên phải trang này. -2. **Clone kho lưu trữ**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **Tạo Fork của Kho Lưu Trữ**: Nhấn nút "Fork" ở góc trên bên phải của trang này. +2. **Sao chép Kho Lưu Trữ**: `git clone https://github.com/microsoft/ML-For-Beginners.git` + +> 💡 **Mẹo Bắt Đầu Nhanh:** Muốn bắt đầu trong trình duyệt mà không cần cài Python cục bộ? Dùng [GitHub Codespaces](https://github.com/features/codespaces) để tạo môi trường phát triển đám mây cho fork của bạn. Mở menu màu xanh lá **Code**, chọn **Codespaces**, và tạo một codespace; cài đặt các phụ thuộc cần thiết cho từng bài học bên trong nó nếu cần. > [tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Cần giúp đỡ?** Hãy xem [Hướng dẫn Khắc phục sự cố](TROUBLESHOOTING.md) để tìm giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học. +> 🔧 **Cần giúp đỡ?** Xem [Hướng dẫn Khắc phục Sự cố](TROUBLESHOOTING.md) để tìm giải pháp cho các vấn đề phổ biến về cài đặt, thiết lập và chạy bài học. -**[Học sinh](https://aka.ms/student-page)**, để sử dụng chương trình này, hãy fork toàn bộ repo về tài khoản GitHub cá nhân và hoàn thành các bài tập một mình hoặc theo nhóm: +**[Sinh viên](https://aka.ms/student-page)**, để sử dụng chương trình học này, hãy fork toàn bộ repo về tài khoản GitHub của bạn và hoàn thành các bài tập một mình hoặc theo nhóm: -- Bắt đầu với bài kiểm tra khởi động trước bài giảng. -- Đọc bài giảng và hoàn thành các hoạt động, dừng lại và suy ngẫm tại mỗi phần kiểm tra kiến thức. -- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chỉ chạy code giải pháp; tuy nhiên code đó có sẵn trong các thư mục `/solution` trong mỗi bài học dự án. -- Tham gia bài kiểm tra sau bài giảng. +- Bắt đầu với một bài quiz trước giờ học. +- Đọc bài giảng và hoàn thành các hoạt động, tạm dừng và suy ngẫm tại mỗi bước kiểm tra kiến thức. +- Cố gắng tạo các dự án bằng cách hiểu bài học thay vì chạy mã giải; tuy nhiên bạn có thể tìm mã giải trong thư mục `/solution` của mỗi bài học hướng dự án. +- Làm bài quiz sau giờ học. - Hoàn thành thử thách. - Hoàn thành bài tập. -- Sau khi hoàn thành một nhóm bài học, hãy truy cập [Bảng Thảo luận](https://github.com/microsoft/ML-For-Beginners/discussions) và "học cùng chia sẻ" bằng cách điền rubric PAT thích hợp. 'PAT' là Công Cụ Đánh Giá Tiến Độ bạn điền để nâng cao việc học của bạn. Bạn cũng có thể phản hồi các PAT khác để cùng nhau học hỏi. +- Sau khi hoàn thành một nhóm bài học, hãy đến [Bảng Thảo luận](https://github.com/microsoft/ML-For-Beginners/discussions) và "học bằng cách nói ra" bằng cách điền vào bảng đánh giá PAT thích hợp. 'PAT' là một Công Cụ Đánh Giá Tiến Bộ là bảng chấm điểm bạn điền để tăng cường học tập của mình. Bạn cũng có thể phản hồi các PAT khác để cùng nhau học. -> Để học sâu hơn, chúng tôi khuyên bạn theo dõi các mô-đun và lộ trình học của [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> Để học thêm, chúng tôi khuyến khích theo các module và lộ trình học [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). -**Giáo viên**, chúng tôi đã [bao gồm một số đề xuất](for-teachers.md) về cách sử dụng chương trình này. +**Giáo viên**, chúng tôi đã [bao gồm một số đề xuất](for-teachers.md) về cách sử dụng chương trình học này. --- ## Video hướng dẫn -Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm thấy tất cả chúng trong bài học, hoặc trên [Danh sách phát ML cho Người Mới Bắt Đầu trên kênh Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) bằng cách nhấp vào hình bên dưới. +Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tìm thấy tất cả những video này trong bài học, hoặc trên [danh sách phát ML for Beginners trên kênh Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) bằng cách nhấp vào hình ảnh bên dưới. [![Banner ML cho người mới bắt đầu](../../translated_images/vi/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Gặp đội ngũ +## Gặp Gỡ Nhóm [![Video giới thiệu](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**Ảnh GIF bởi** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Ảnh Gif bởi** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Nhấp vào hình ảnh trên để xem video về dự án và những người đã tạo ra nó! @@ -107,143 +109,144 @@ Một số bài học có sẵn dưới dạng video ngắn. Bạn có thể tì ## Phương pháp giảng dạy -Chúng tôi đã chọn hai nguyên tắc giáo dục khi xây dựng chương trình này: đảm bảo đó là dựa trên dự án **thực hành** và bao gồm các **bài kiểm tra thường xuyên**. Ngoài ra, chương trình học có một **chủ đề chung** để tạo sự liên kết. +Chúng tôi đã chọn hai nguyên tắc giảng dạy khi xây dựng chương trình học này: đảm bảo nó mang tính thực hành **dựa trên dự án** và bao gồm **các bài kiểm tra thường xuyên**. Ngoài ra, chương trình có một **chủ đề** chung để tạo sự liên kết. -Bằng cách đảm bảo nội dung phù hợp với dự án, quá trình học trở nên hấp dẫn hơn cho học sinh và tăng cường ghi nhớ các khái niệm. Thêm vào đó, bài kiểm tra nhẹ nhàng trước lớp đặt mục tiêu học tập cho học sinh về chủ đề cần học, trong khi bài kiểm tra thứ hai sau lớp đảm bảo việc ghi nhớ thêm. Chương trình này thiết kế để linh hoạt và vui vẻ, có thể học toàn bộ hoặc một phần. Các dự án bắt đầu nhỏ và ngày càng phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình cũng bao gồm một phần ghi chú về các ứng dụng thực tế của ML, có thể dùng điểm thưởng hoặc làm cơ sở thảo luận. +Bằng cách đảm bảo nội dung phù hợp với các dự án, quá trình học trở nên hấp dẫn hơn cho học viên và việc ghi nhớ các khái niệm được tăng cường. Ngoài ra, một bài kiểm tra nhẹ trước giờ học giúp sinh viên định hướng học tập, trong khi một bài kiểm tra khác sau giờ học giúp củng cố kiến thức. Chương trình này được thiết kế linh hoạt và vui nhộn, có thể học toàn bộ hoặc học từng phần. Các dự án bắt đầu nhỏ và ngày càng phức tạp hơn vào cuối chu kỳ 12 tuần. Chương trình cũng bao gồm một phần sau kịch bản về ứng dụng thực tế của ML, có thể dùng làm bài tập thêm hoặc làm cơ sở thảo luận. -> Tìm [Quy tắc ứng xử](CODE_OF_CONDUCT.md), [Đóng góp](CONTRIBUTING.md), [Bản dịch](..), và [Hướng dẫn khắc phục sự cố](TROUBLESHOOTING.md) của chúng tôi. Chúng tôi hoan nghênh phản hồi xây dựng của bạn! +> Tìm các hướng dẫn [Quy tắc ứng xử](CODE_OF_CONDUCT.md), [Đóng góp](CONTRIBUTING.md), [Bản dịch](..), và [Khắc phục sự cố](TROUBLESHOOTING.md). Chúng tôi hoan nghênh phản hồi xây dựng của bạn! ## Mỗi bài học bao gồm -- ghi chú phác thảo tùy chọn -- video bổ trợ tùy chọn +- bản ghi chép tóm tắt tùy chọn +- video bổ sung tùy chọn - video hướng dẫn (chỉ một số bài học) -- [bài kiểm tra khởi động trước bài giảng](https://ff-quizzes.netlify.app/en/ml/) +- [bài kiểm tra khởi động trước giờ học](https://ff-quizzes.netlify.app/en/ml/) - bài học bằng văn bản -- đối với bài học dự án, hướng dẫn từng bước xây dựng dự án -- các kiểm tra kiến thức +- với các bài học hướng dự án, hướng dẫn từng bước cách xây dựng dự án +- các bước kiểm tra kiến thức - một thử thách -- tài liệu tham khảo bổ sung +- tài liệu đọc bổ sung - bài tập -- [bài kiểm tra sau bài giảng](https://ff-quizzes.netlify.app/en/ml/) -> **Lưu ý về ngôn ngữ**: Các bài học này chủ yếu được viết bằng Python, nhưng nhiều bài cũng có sẵn bằng R. Để hoàn thành bài học bằng R, hãy vào thư mục `/solution` và tìm các bài học R. Chúng bao gồm phần mở rộng .rmd, đại diện cho một **tệp R Markdown** có thể được định nghĩa đơn giản là việc nhúng `đoạn mã` (của R hoặc các ngôn ngữ khác) và một `đầu đề YAML` (hướng dẫn cách định dạng đầu ra như PDF) trong một `tài liệu Markdown`. Do đó, nó phục vụ như một khuôn khổ tác giả tuyệt vời cho khoa học dữ liệu vì cho phép bạn kết hợp mã của mình, đầu ra của nó, và suy nghĩ của bạn bằng cách cho phép bạn viết chúng trong Markdown. Hơn nữa, các tài liệu R Markdown có thể được kết xuất ra các định dạng đầu ra như PDF, HTML hoặc Word. - -> **Lưu ý về các bài kiểm tra**: Tất cả các bài kiểm tra được chứa trong [thư mục Ứng Dụng Quiz](../../quiz-app), tổng cộng 52 bài kiểm tra với mỗi bài gồm ba câu hỏi. Chúng được liên kết trong các bài học nhưng ứng dụng kiểm tra có thể chạy cục bộ; hãy làm theo hướng dẫn trong thư mục `quiz-app` để lưu trữ hoặc triển khai lên Azure. - -| Số bài học | Chủ đề | Nhóm bài học | Mục tiêu học tập | Bài học liên kết | Tác giả | -| :--------: | :-----------------------------------------------------: | :------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :---------------------------------------------------------------------------------------------------------------------------------: | :------------------------: | -| 01 | Giới thiệu về học máy | [Giới thiệu](1-Introduction/README.md) | Tìm hiểu các khái niệm cơ bản về học máy | [Bài học](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | Lịch sử của học máy | [Giới thiệu](1-Introduction/README.md) | Tìm hiểu lịch sử nền tảng của lĩnh vực này | [Bài học](1-Introduction/2-history-of-ML/README.md) | Jen và Amy | -| 03 | Công bằng và học máy | [Giới thiệu](1-Introduction/README.md) | Những vấn đề triết học quan trọng về công bằng mà học viên cần xem xét khi xây dựng và áp dụng mô hình ML? | [Bài học](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Kỹ thuật cho học máy | [Giới thiệu](1-Introduction/README.md) | Các kỹ thuật mà các nhà nghiên cứu ML sử dụng để xây dựng mô hình ML? | [Bài học](1-Introduction/4-techniques-of-ML/README.md) | Chris và Jen | -| 05 | Giới thiệu về hồi quy | [Hồi quy](2-Regression/README.md) | Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Trực quan hóa và làm sạch dữ liệu chuẩn bị cho ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng các mô hình hồi quy tuyến tính và đa thức | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen và Dmitry • Eric Wanjau | -| 08 | Giá bí ngô Bắc Mỹ 🎃 | [Hồi quy](2-Regression/README.md) | Xây dựng một mô hình hồi quy logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Ứng dụng Web 🔌 | [Ứng dụng Web](3-Web-App/README.md) | Xây dựng một ứng dụng web sử dụng mô hình đã được huấn luyện | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Giới thiệu về phân loại | [Phân loại](4-Classification/README.md) | Làm sạch, chuẩn bị, và trực quan hóa dữ liệu; giới thiệu về phân loại | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen và Cassie • Eric Wanjau | -| 11 | Các món ăn Châu Á và Ấn Độ 🍜 | [Phân loại](4-Classification/README.md) | Giới thiệu về bộ phân loại | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen và Cassie • Eric Wanjau | -| 12 | Các món ăn Châu Á và Ấn Độ 🍜 | [Phân loại](4-Classification/README.md) | Thêm bộ phân loại | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen và Cassie • Eric Wanjau | -| 13 | Các món ăn Châu Á và Ấn Độ 🍜 | [Phân loại](4-Classification/README.md) | Xây dựng ứng dụng web gợi ý sử dụng mô hình của bạn | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Giới thiệu về phân cụm | [Phân cụm](5-Clustering/README.md) | Làm sạch, chuẩn bị, và trực quan hóa dữ liệu; giới thiệu về phân cụm | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Khám phá sở thích âm nhạc Nigeria 🎧 | [Phân cụm](5-Clustering/README.md) | Khám phá phương pháp phân cụm 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 | Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️ | [Xử lý ngôn ngữ tự nhiên](6-NLP/README.md) | Tìm hiểu những điều cơ bản về NLP bằng cách xây dựng một bot đơn giản | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Các tác vụ NLP phổ biến ☕️ | [Xử lý ngôn ngữ tự nhiên](6-NLP/README.md) | Nâng cao kiến thức NLP bằng cách hiểu các tác vụ phổ biến khi xử lý cấu trúc ngôn ngữ | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Phân tích dịch và cảm xúc ♥️ | [Xử lý ngôn ngữ tự nhiên](6-NLP/README.md) | Phân tích dịch và cảm xúc với Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Các khách sạn lãng mạn của châu Âu ♥️ | [Xử lý ngôn ngữ tự nhiên](6-NLP/README.md) | Phân tích cảm xúc với các đánh giá khách sạn 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Các khách sạn lãng mạn của châu Âu ♥️ | [Xử lý ngôn ngữ tự nhiên](6-NLP/README.md) | Phân tích cảm xúc với các đánh giá khách sạn 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Giới thiệu về dự báo chuỗi thời gian | [Chuỗi thời gian](7-TimeSeries/README.md) | Giới thiệu về dự báo chuỗi thời gian | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA | [Chuỗi thời gian](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Sử dụng điện thế giới ⚡️ - dự báo chuỗi thời gian với SVR | [Chuỗi thời gian](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Giới thiệu về học tăng cường | [Học tăng cường](8-Reinforcement/README.md) | Giới thiệu về học tăng cường với Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Giúp Peter tránh con sói! 🐺 | [Học tăng cường](8-Reinforcement/README.md) | Học tăng cường với Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | Các tình huống và ứng dụng ML thực tế | [ML trong thực tế](9-Real-World/README.md) | Các ứng dụng thú vị và mang tính khám phá trong thế giới thực của ML cổ điển | [Bài học](9-Real-World/1-Applications/README.md) | Nhóm | -| Postscript | Gỡ lỗi mô hình trong ML bằng bảng điều khiển RAI | [ML trong thực tế](9-Real-World/README.md) | Gỡ lỗi mô hình trong học máy sử dụng các thành phần bảng điều khiển Responsible AI | [Bài học](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [tìm tất cả tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +- [bài kiểm tra sau giờ học](https://ff-quizzes.netlify.app/en/ml/) + +> **Ghi chú về ngôn ngữ**: Các bài học này chủ yếu viết bằng Python, nhưng nhiều bài cũng có bản R. Để hoàn thành bài học R, vào thư mục `/solution` và tìm bài học R. Chúng bao gồm phần mở rộng .rmd đại diện cho tệp **R Markdown**, có thể được định nghĩa đơn giản là nhúng `code chunks` (của R hoặc ngôn ngữ khác) và một `YAML header` (hướng dẫn định dạng đầu ra như PDF) trong một `tài liệu Markdown`. Do đó, nó là khung tác giả mẫu cho khoa học dữ liệu vì nó cho phép bạn kết hợp mã của mình, kết quả đầu ra, và suy nghĩ bằng cách viết chúng trong Markdown. Hơn nữa, tài liệu R Markdown có thể được xuất ra các định dạng như PDF, HTML, hoặc Word. + +> **Ghi chú về các bài kiểm tra**: Tất cả các bài quiz đều nằm trong [thư mục Quiz App](../../quiz-app), với tổng cộng 52 bài quiz, mỗi bài có ba câu hỏi. Chúng được liên kết trong bài học nhưng ứng dụng quiz có thể chạy cục bộ; theo hướng dẫn trong thư mục `quiz-app` để lưu trữ cục bộ hoặc triển khai lên Azure. + +| Số bài học | Chủ đề | Nhóm bài học | Mục tiêu học tập | Bài học liên quan | Tác giả | +| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | +| 01 | Giới thiệu về máy học | [Introduction](1-Introduction/README.md) | Tìm hiểu các khái niệm cơ bản về máy học | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Lịch sử của máy học | [Introduction](1-Introduction/README.md) | Tìm hiểu lịch sử của lĩnh vực này | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | Công bằng và máy học | [Introduction](1-Introduction/README.md) | Những vấn đề triết học quan trọng về công bằng mà học viên nên xem xét khi xây dựng và áp dụng mô hình ML là gì? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Kỹ thuật cho máy học | [Introduction](1-Introduction/README.md) | Các kỹ thuật mà các nhà nghiên cứu ML sử dụng để xây dựng mô hình ML là gì? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | Giới thiệu về hồi quy | [Regression](2-Regression/README.md) | Bắt đầu với Python và Scikit-learn cho các mô hình hồi quy | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Giá bí ngô Bắc Mỹ 🎃 | [Regression](2-Regression/README.md) | Trực quan hóa và làm sạch dữ liệu để chuẩn bị cho ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Giá bí ngô Bắc Mỹ 🎃 | [Regression](2-Regression/README.md) | Xây dựng mô hình hồi quy tuyến tính và đa thức | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | Giá bí ngô Bắc Mỹ 🎃 | [Regression](2-Regression/README.md) | Xây dựng mô hình hồi quy logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Ứng dụng Web 🔌 | [Web App](3-Web-App/README.md) | Xây dựng ứng dụng web để sử dụng mô hình đã huấn luyện | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Giới thiệu về phân loại | [Classification](4-Classification/README.md) | Làm sạch, chuẩn bị và trực quan hóa dữ liệu của bạn; giới thiệu về phân loại | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | Ẩm thực châu Á và Ấn Độ ngon lành 🍜 | [Classification](4-Classification/README.md) | Giới thiệu về các bộ phân loại | [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 | Ẩm thực châu Á và Ấn Độ ngon lành 🍜 | [Classification](4-Classification/README.md) | Thêm nhiều bộ phân loại hơn | [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 | Ẩm thực châu Á và Ấn Độ ngon lành 🍜 | [Classification](4-Classification/README.md) | Xây dựng ứng dụng web gợi ý sử dụng mô hình của bạn | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Giới thiệu về phân cụm | [Clustering](5-Clustering/README.md) | Làm sạch, chuẩn bị và trực quan hóa dữ liệu của bạn; giới thiệu về phân cụm | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Khám phá sở thích âm nhạc Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Khám phá phương pháp phân cụm 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 | Giới thiệu về xử lý ngôn ngữ tự nhiên ☕️ | [Natural language processing](6-NLP/README.md) | Tìm hiểu những kiến thức cơ bản về NLP bằng cách xây dựng một bot đơn giản | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Các tác vụ NLP phổ biến ☕️ | [Natural language processing](6-NLP/README.md) | Nâng cao kiến thức NLP bằng cách hiểu các tác vụ phổ biến khi xử lý các cấu trúc ngôn ngữ | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Dịch thuật và phân tích cảm xúc ♥️ | [Natural language processing](6-NLP/README.md) | Dịch thuật và phân tích cảm xúc với Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Các khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với các đánh giá khách sạn 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Các khách sạn lãng mạn ở châu Âu ♥️ | [Natural language processing](6-NLP/README.md) | Phân tích cảm xúc với các đánh giá khách sạn 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Giới thiệu về dự báo chuỗi thời gian | [Time series](7-TimeSeries/README.md) | Giới thiệu về dự báo chuỗi thời gian | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Sử dụng điện năng thế giới ⚡️ - dự báo chuỗi thời gian với ARIMA | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Sử dụng điện năng thế giới ⚡️ - dự báo chuỗi thời gian với SVR | [Time series](7-TimeSeries/README.md) | Dự báo chuỗi thời gian với Hồi quy Vector Hỗ trợ | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Giới thiệu về học tăng cường | [Reinforcement learning](8-Reinforcement/README.md) | Giới thiệu về học tăng cường với Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Giúp Peter tránh con sói! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Học tăng cường Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Phần cuối | Các tình huống và ứng dụng ML trong thực tế | [ML in the Wild](9-Real-World/README.md) | Các ứng dụng ML cổ điển thú vị và có tính tiết lộ trong thế giới thực | [Lesson](9-Real-World/1-Applications/README.md) | Team | +| Phần cuối | Gỡ lỗi mô hình trong ML bằng bảng điều khiển RAI | [ML in the Wild](9-Real-World/README.md) | Gỡ lỗi mô hình trong Máy học bằng các thành phần bảng điều khiển Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [tìm tất cả các tài nguyên bổ sung cho khóa học này trong bộ sưu tập Microsoft Learn của chúng tôi](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Truy cập ngoại tuyến -Bạn có thể chạy tài liệu này ở chế độ ngoại tuyến bằng cách sử dụng [Docsify](https://docsify.js.org/#/). Hãy sao chép repo này, [cài đặt Docsify](https://docsify.js.org/#/quickstart) trên máy cục bộ của bạn, sau đó trong thư mục gốc của repo này, nhập `docsify serve`. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn: `localhost:3000`. +Bạn có thể chạy tài liệu này ngoại tuyến bằng cách sử dụng [Docsify](https://docsify.js.org/#/). Fork kho này, [cài đặt Docsify](https://docsify.js.org/#/quickstart) trên máy của bạn, và sau đó trong thư mục gốc của kho này, gõ `docsify serve`. Trang web sẽ được phục vụ trên cổng 3000 trên localhost của bạn: `localhost:3000`. ## PDF -Tải xuống tệp pdf của chương trình học với các liên kết [tại đây](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +Tìm một tập tin pdf của chương trình học với các liên kết [tại đây](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 Các Khóa Học Khác +## 🎒 Các khóa học khác -Nhóm của chúng tôi còn sản xuất các khóa học khác! Hãy xem: +Nhóm của chúng tôi sản xuất các khóa học khác! Xem thêm: ### LangChain -[![LangChain4j cho người mới bắt đầu](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js cho người mới bắt đầu](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) -[![LangChain cho người mới bắt đầu](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j dành cho Người mới bắt đầu](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js dành cho Người mới bắt đầu](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain dành cho Người mới bắt đầu](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD cho người mới bắt đầu](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI cho người mới bắt đầu](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP for Beginners](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI Agents for Beginners](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD dành cho Người mới bắt đầu](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI dành cho Người mới bắt đầu](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP dành cho Người mới bắt đầu](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Đại lý AI dành cho Người mới bắt đầu](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Chuỗi AI Tạo Sinh -[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Series AI Tạo sinh +[![AI Tạo sinh dành cho Người mới bắt đầu](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Tạo sinh (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![AI Tạo sinh (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![AI Tạo sinh (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Học Tập Cơ Bản -[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Học tập cốt lõi +[![ML dành cho Người mới bắt đầu](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Khoa học Dữ liệu dành cho Người mới bắt đầu](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI dành cho Người mới bắt đầu](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![An ninh mạng dành cho Người mới bắt đầu](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Phát triển Web dành cho Người mới bắt đầu](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT dành cho Người mới bắt đầu](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![Phát triển XR dành cho Người mới bắt đầu](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Chuỗi Copilot -[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) -[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +### Series Copilot +[![Copilot cho lập trình ghép đôi AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot cho C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![Chuyến phiêu lưu Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Nhận Trợ Giúp +## Nhận trợ giúp -Nếu bạn bị mắc kẹt hoặc có câu hỏi trong quá trình học Máy Học hoặc xây dựng ứng dụng AI, đừng lo — vẫn có trợ giúp sẵn sàng. +Nếu bạn gặp khó khăn hoặc có câu hỏi khi học Máy học hoặc xây dựng ứng dụng AI, đừng lo — trợ giúp luôn có sẵn. -Bạn có thể tham gia thảo luận với những người học và nhà phát triển khác, đặt câu hỏi và chia sẻ ý tưởng của mình với cộng đồng. +Bạn có thể tham gia thảo luận với các học viên và nhà phát triển khác, đặt câu hỏi và chia sẻ ý tưởng với cộng đồng. -- Tham gia cộng đồng để đặt câu hỏi và học hỏi cùng người khác -- Thảo luận về các khái niệm Máy Học và ý tưởng dự án -- Nhận sự hướng dẫn từ các nhà phát triển có kinh nghiệm +- Tham gia cộng đồng để đặt câu hỏi và học cùng người khác +- Thảo luận các khái niệm Máy học và ý tưởng dự án +- Nhận hướng dẫn từ các nhà phát triển có kinh nghiệm -Một cộng đồng hỗ trợ là cách tuyệt vời để bạn phát triển kỹ năng và giải quyết vấn đề nhanh hơn. +Một cộng đồng hỗ trợ là cách tuyệt vời để phát triển kỹ năng và giải quyết vấn đề nhanh hơn. [Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) -Nếu bạn gặp lỗi, sự cố hoặc có đề xuất cải tiến, bạn cũng có thể mở một **Issue** trong kho này để báo cáo vấn đề. +Nếu bạn gặp lỗi, sự cố hoặc có đề xuất cải tiến, bạn cũng có thể mở một **Vấn đề** trong kho này để báo cáo vấn đề. -Để phản hồi sản phẩm hoặc tìm kiếm các bài đăng cộng đồng hiện có, hãy truy cập Diễn Đàn Nhà Phát Triển: +Để phản hồi sản phẩm hoặc tìm kiếm các bài viết trong cộng đồng hiện có, hãy truy cập Diễn đàn Nhà phát triển: -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Diễn đàn Nhà phát triển Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Mẹo Học Tập Bổ Sung +## Mẹo học tập bổ sung -- Xem lại các notebook sau mỗi bài học để hiểu bài tốt hơn. -- Thực hành tự triển khai các thuật toán. -- Khám phá các bộ dữ liệu thực tế bằng cách sử dụng các khái niệm đã học. +- Ôn tập các sổ tay sau mỗi bài học để hiểu bài tốt hơn. +- Thực hành triển khai các thuật toán một mình. +- Khám phá các bộ dữ liệu thực tế sử dụng các khái niệm đã học. --- -**Từ chối trách nhiệm**: -Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được xem là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này. +**Tuyên bố miễn trừ trách nhiệm**: +Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này. \ No newline at end of file diff --git a/translations/vi/for-teachers.md b/translations/vi/for-teachers.md index 34ecddda3..31da2eca2 100644 --- a/translations/vi/for-teachers.md +++ b/translations/vi/for-teachers.md @@ -1,28 +1,30 @@ -## Dành cho giáo viên +## Dành cho Giảng viên -Bạn có muốn sử dụng chương trình học này trong lớp học của mình không? Hãy thoải mái sử dụng nhé! +Bạn có muốn sử dụng chương trình học này trong lớp học của mình không? Xin cứ thoải mái! -Thực tế, bạn có thể sử dụng nó ngay trên GitHub bằng cách sử dụng GitHub Classroom. +Thực ra bạn có thể sử dụng nó ngay trong GitHub bằng cách sử dụng GitHub Classroom. -Để làm điều đó, hãy fork repo này. Bạn sẽ cần tạo một repo cho mỗi bài học, vì vậy bạn sẽ cần tách từng thư mục thành một repo riêng biệt. Bằng cách đó, [GitHub Classroom](https://classroom.github.com/classrooms) có thể nhận từng bài học một cách riêng lẻ. +Để làm điều đó, hãy sao chép kho lưu trữ này. Bạn sẽ cần tạo một kho lưu trữ cho mỗi bài học, vì vậy bạn sẽ cần tách từng thư mục thành một kho lưu trữ riêng biệt. Bằng cách đó, [GitHub Classroom](https://classroom.github.com/classrooms) có thể nhận từng bài học một cách riêng biệt. -Những [hướng dẫn đầy đủ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) này sẽ giúp bạn hình dung cách thiết lập lớp học của mình. +Những [hướng dẫn đầy đủ này](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) sẽ giúp bạn hiểu cách thiết lập lớp học. -## Sử dụng repo như hiện tại +## Sử dụng kho lưu trữ như hiện tại -Nếu bạn muốn sử dụng repo này như nó đang có, mà không cần sử dụng GitHub Classroom, điều đó cũng hoàn toàn khả thi. Bạn sẽ cần giao tiếp với học sinh để xác định bài học nào sẽ cùng nhau thực hiện. +Nếu bạn muốn sử dụng kho lưu trữ này như hiện tại, không dùng GitHub Classroom, điều đó cũng có thể làm được. Bạn sẽ cần thông báo cho học sinh biết bài học nào để cùng làm. -Trong môi trường trực tuyến (Zoom, Teams, hoặc các nền tảng khác), bạn có thể tạo các phòng thảo luận nhỏ cho các bài kiểm tra, và hướng dẫn học sinh để giúp họ sẵn sàng học tập. Sau đó, mời học sinh tham gia các bài kiểm tra và nộp câu trả lời dưới dạng 'issues' vào một thời điểm nhất định. Bạn cũng có thể làm tương tự với các bài tập, nếu bạn muốn học sinh làm việc cùng nhau một cách công khai. +Trong định dạng trực tuyến (Zoom, Teams, hay các nền tảng khác), bạn có thể tạo các phòng nhóm nhỏ cho phần kiểm tra, và hướng dẫn học sinh để giúp các em sẵn sàng học. Sau đó mời học sinh làm bài kiểm tra và gửi câu trả lời của họ dưới dạng 'vấn đề' vào một thời điểm nhất định. Bạn cũng có thể làm tương tự với các bài tập, nếu bạn muốn học sinh làm việc nhóm công khai. -Nếu bạn thích một hình thức riêng tư hơn, hãy yêu cầu học sinh fork chương trình học, từng bài học một, vào các repo GitHub riêng của họ dưới dạng repo riêng tư, và cấp quyền truy cập cho bạn. Sau đó, họ có thể hoàn thành các bài kiểm tra và bài tập một cách riêng tư và gửi cho bạn thông qua issues trên repo lớp học của bạn. +Nếu bạn ưa thích một định dạng riêng tư hơn, hãy yêu cầu học sinh fork chương trình học từng bài một vào kho lưu trữ riêng của các em trên GitHub dưới dạng kho lưu trữ riêng tư, và cấp quyền truy cập cho bạn. Sau đó các em có thể hoàn thành bài kiểm tra và bài tập riêng tư rồi gửi cho bạn thông qua các vấn đề trên kho lưu trữ lớp học của bạn. -Có rất nhiều cách để làm cho chương trình này hoạt động trong môi trường lớp học trực tuyến. Hãy cho chúng tôi biết cách nào phù hợp nhất với bạn! +Có nhiều cách để vận hành hiệu quả trong lớp học trực tuyến. Xin hãy cho chúng tôi biết cách nào phù hợp nhất với bạn! -## Hãy cho chúng tôi ý kiến của bạn! +## Xin hãy cho chúng tôi biết ý kiến của bạn! -Chúng tôi muốn làm cho chương trình học này phù hợp với bạn và học sinh của bạn. Hãy gửi cho chúng tôi [phản hồi](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). +Chúng tôi muốn chương trình học này phù hợp với bạn và học sinh của bạn. Xin hãy cho chúng tôi [phản hồi](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u). --- -**Tuyên bố miễn trừ trách nhiệm**: -Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn thông tin chính thức. Đối với các thông tin quan trọng, khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này. \ No newline at end of file + +**Tuyên bố miễn trừ trách nhiệm**: +Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sai sót. Tài liệu gốc bằng ngôn ngữ gốc nên được coi là nguồn tin chính thức. Đối với thông tin quan trọng, nên sử dụng dịch vụ dịch thuật chuyên nghiệp bởi con người. Chúng tôi không chịu trách nhiệm về bất kỳ hiểu lầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này. + \ No newline at end of file