chore(i18n,curriculum): processed translations - new ukrainian (#44447)

curriculum/challenges/ukrainian/11-machine-learning-with-python/how-neural-networks-work/deep-learning-demystified.md

@@ -0,0 +1,34 @@
+---
+id: 5e9a0e9ef99a403d019610cc
+title: Демістифікація глибинного навчання
+challengeType: 11
+videoId: bejQ-W9BGJg
+dashedName: deep-learning-demystified
+---
+
+# --question--
+
+## --text--
+
+Яке значення необхідно задавати ваговим коефіцієнтам вхідних нейронів перед першим тренуванням нейронної мережі?
+
+## --answers--
+
+Від найменшого до найбільшого.
+
+---
+
+Абсолютно випадково.
+
+---
+
+За алфавітом.
+
+---
+
+Жодне із перерахованого вище.
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/how-neural-networks-work/how-convolutional-neural-networks-work.md

@@ -0,0 +1,30 @@
+---
+id: 5e9a0e9ef99a403d019610cd
+title: Як працюють згорткові нейронні мережі
+challengeType: 11
+videoId: Y5M7KH4A4n4
+dashedName: how-convolutional-neural-networks-work
+---
+
+# --question--
+
+## --text--
+
+Коли згорткові нейронні мережі не є корисними?
+
+## --answers--
+
+Якщо дані не можуть бути представлені у вигляді зображення, або якщо можливо перескладати елементи даних без втрати корисності.
+
+---
+
+Якщо дані складаються із різних 2D або 3D зображень.
+
+---
+
+Якщо дані є текстовими або звуковими матеріалами.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/how-neural-networks-work/how-deep-neural-networks-work.md

@@ -0,0 +1,30 @@
+---
+id: 5e9a0e9ef99a403d019610ca
+title: Як працюють нейронні мережі глибинного навчання
+challengeType: 11
+videoId: zvalnHWGtx4
+dashedName: how-deep-neural-networks-work
+---
+
+# --question--
+
+## --text--
+
+Чому обраховувати кутовий коефіцієнт краще ніж похідну за напрямком, а не чисельно?
+
+## --answers--
+
+Повертатися через усю нейронну мережу і підбирати коефіцієнт ваги для кожного окремого шару нейронної мережі є обчислювально затратно.
+
+---
+
+Це більш точно.
+
+---
+
+Немає жодної різниці поміж цими двома методами.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/how-neural-networks-work/recurrent-neural-networks-rnn-and-long-short-term-memory-lstm.md

@@ -0,0 +1,30 @@
+---
+id: 5e9a0e9ef99a403d019610cb
+title: Рекурентні нейронні мережі RNN і Довга короткочасна пам'ять LSTM
+challengeType: 11
+videoId: UVimlsy9eW0
+dashedName: recurrent-neural-networks-rnn-and-long-short-term-memory-lstm
+---
+
+# --question--
+
+## --text--
+
+Якими є основні компоненти нейронної мережі, що утворюють мережу довгої короткочасної пам'яті?
+
+## --answers--
+
+Нова інформація та передбачення.
+
+---
+
+Передбачення, набір зібраних можливостей, та вибірка.
+
+---
+
+Передбачення, ігнорування, забування, та вибірка.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/machine-learning-with-python-projects/book-recommendation-engine-using-knn.md

@@ -0,0 +1,35 @@
+---
+id: 5e46f8e3ac417301a38fb92f
+title: Механізм книжкових рекомендацій з використанням KNN
+challengeType: 10
+forumTopicId: 462378
+dashedName: book-recommendation-engine-using-knn
+---
+
+# --description--
+
+У цьому завданні ви створите алгоритм книжкових рекомендації, використовуючи K-Nearest Neighbours.
+
+Ви будете використовувати набір даних Book-Crossing. Цей набір даних містить1.1 млн. рейтингів (масштаб 1-10) 270 000 книг від 90,000 користувачів.
+
+Ви можете отримати доступ до [ вичерпних інструкцій по проєкту та початкового коду для Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
+
+Перейшовши за цим посиланням, створіть копію блокнота з вашого акаунту або локально. Завершивши проєкт та тестування ( додане за цим посиланням), створіть посилання на проєкт нижче. Якщо ви надаєте посилання на Google Colaboratory, переконайтеся, що ви увімкнули режим доступу "для усіх за цим посиланням"
+
+Ми все ще в процесі розробки інтерактивної навчальної складової для машинного навчального курсу. Наразі ви можете скористатися відео-викликами з цієї сертифікації. Вам також можуть знадобитися додаткові навчальні ресурси, так само як під час роботи із повноцінним проєктом.
+
+# --hints--
+
+Він повинен пройти усі тести Python.
+
+```js
+
+```
+
+# --solutions--
+
+```py
+  # Python challenges don't need solutions,
+  # because they would need to be tested against a full working project.
+  # Please check our contributing guidelines to learn more.
+```

curriculum/challenges/ukrainian/11-machine-learning-with-python/machine-learning-with-python-projects/cat-and-dog-image-classifier.md

@@ -0,0 +1,33 @@
+---
+id: 5e46f8dcac417301a38fb92e
+title: Класифікатор зображень котів та собак
+challengeType: 10
+forumTopicId: 462377
+dashedName: cat-and-dog-image-classifier
+---
+
+# --description--
+
+Для цього завдання ви будете використовувати TensorFlow 2.0 та Keras, щоб створити звивисту нейронну систему, яка б чітко визначала зображення котів та собак із мінімум 63-відсотковою точністю.
+
+Ви можете отримати доступ до [ вичерпних інструкцій по проєкту та початкового коду для Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
+
+Перейшовши за цим посиланням, створіть копію блокнота з вашого акаунту або локально. Завершивши проєкт та тестування ( додане за цим посиланням), створіть посилання на проєкт нижче. Якщо ви надаєте посилання на Google Colaboratory, переконайтеся, що ви увімкнули режим доступу "для усіх за цим посиланням"
+
+Ми вже ще в процесі розробки інтерактивної навчальної складової для машинного навчального курсу. Наразі ви можете скористатися відео-викликами з цієї сертифікації. Вам також можуть знадобитися додаткові навчальні ресурси, так само як під час роботи із повноцінним проєктом.
+
+# --hints--
+
+Він повинен пройти усі тести Python.
+
+```js
+
+```
+
+# --solutions--
+
+```py
+  # Python challenges don't need solutions,
+  # because they would need to be tested against a full working project.
+  # Please check our contributing guidelines to learn more.
+```

curriculum/challenges/ukrainian/11-machine-learning-with-python/machine-learning-with-python-projects/linear-regression-health-costs-calculator.md

@@ -0,0 +1,35 @@
+---
+id: 5e46f8edac417301a38fb930
+title: Калькулятор лінійної регресії витрат на охорону здоров'я
+challengeType: 10
+forumTopicId: 462379
+dashedName: linear-regression-health-costs-calculator
+---
+
+# --description--
+
+У цьому завданні ви передбачите витрати на охорону здоров'я, використовуючи алгоритм регресії.
+
+Ви отримаєте набір даних, що містять інформацію про різних людей, враховуючи їхні витрати на охорону здоров'я. Використовуйте ці дані для прогнозування витрат на охорону здоров'я на основі нових даних.
+
+Ви можете отримати доступ до [ вичерпних інструкцій по проєкту та початкового коду для Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-linear-regression-health-costs-calculator/blob/master/fcc_predict_health_costs_with_regression.ipynb).
+
+Перейшовши за цим посиланням, створіть копію блокнота з вашого акаунту або локально. Завершивши проєкт та тестування ( додане за цим посиланням), створіть посилання на проєкт нижче. Якщо ви надаєте посилання на Google Colaboratory, переконайтеся, що ви увімкнули режим доступу "для усіх за цим посиланням"
+
+Ми вже ще в процесі розробки інтерактивної навчальної складової для машинного навчального курсу. Наразі ви можете скористатися відео-викликами з цієї сертифікації. Вам також можуть знадобитися додаткові навчальні ресурси, так само як під час роботи із повноцінним проєктом.
+
+# --hints--
+
+Він повинен пройти усі тести Python.
+
+```js
+
+```
+
+# --solutions--
+
+```py
+  # Python challenges don't need solutions,
+  # because they would need to be tested against a full working project.
+  # Please check our contributing guidelines to learn more.
+```

curriculum/challenges/ukrainian/11-machine-learning-with-python/machine-learning-with-python-projects/neural-network-sms-text-classifier.md

@@ -0,0 +1,33 @@
+---
+id: 5e46f8edac417301a38fb931
+title: Нейронна мережа для класифікації текстових SMS
+challengeType: 10
+forumTopicId: 462380
+dashedName: neural-network-sms-text-classifier
+---
+
+# --description--
+
+Під час цього випробування, вам потрібно створити модель машинного навчання, яка класифікуватиме SMS повідомлення як "ham" чи "спам". Повідомлення"ham" це звичайне повідомлення, надіслане другом. Повідомлення "спам" це реклама або повідомлення, надіслане компанією.
+
+Ви можете отримати доступ до [ усіх інструкцій проєкту та початкового коду на Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-neural-network-sms-text-classifier/blob/master/fcc_sms_text_classification.ipynb).
+
+Перейшовши за цим посиланням, створіть копію блокнота з вашого акаунту або локально. Завершивши проєкт та тестування ( доданий із цим посиланням), створіть посилання на проєкт нижче. Якщо ви надаєте посилання на Google Colaboratory, переконайтеся, що ви увімкнули режим доступу "для усіх за цим посиланням"
+
+Ми вже ще в процесі розробки інтерактивної навчальної складової для машинного навчального курсу. Наразі ви можете скористатися відео-викликами з цієї сертифікації. Вам також можуть знадобитися додаткові навчальні ресурси, так само як під час роботи із повноцінним проєктом.
+
+# --hints--
+
+Він повинен пройти усі тести Python.
+
+```js
+
+```
+
+# --solutions--
+
+```py
+  # Python challenges don't need solutions,
+  # because they would need to be tested against a full working project.
+  # Please check our contributing guidelines to learn more.
+```

curriculum/challenges/ukrainian/11-machine-learning-with-python/machine-learning-with-python-projects/rock-paper-scissors.md

@@ -0,0 +1,33 @@
+---
+id: 5e46f8d6ac417301a38fb92d
+title: Камінь-ножиці-папір
+challengeType: 10
+forumTopicId: 462376
+dashedName: rock-paper-scissors
+---
+
+# --description--
+
+В цьому завданні ви створите програму, щоб грати в камінь, ножиці, папір. Програма, яка обиратиме випадково, зазвичай виграватиме у 50 відсотках. Щоб виконати це завдання, ваша програма повинна зіграти матчі проти чотирьох різних ботів, вигравши принаймні 60% ігор у кожному матчі.
+
+Ви можете отримати доступ до [ вичерпних інструкцій по проєкту та початкового коду для Replit ](https://replit.com/github/freeCodeCamp/boilerplate-rock-paper-scissors).
+
+Перейшовши за посиланням, створіть копію проєкту. Після завершення проєкту на основі інструкцій 'README.md', додайте посилання на нього у полі нижче.
+
+Ми вже ще в процесі розробки інтерактивної навчальної складової для машинного навчального курсу. Наразі вам доведеться використовувати інші ресурси, щоб виконати це завдання.
+
+# --hints--
+
+Він повинен пройти усі тести Python.
+
+```js
+
+```
+
+# --solutions--
+
+```py
+  # Python challenges don't need solutions,
+  # because they would need to be tested against a full working project.
+  # Please check our contributing guidelines to learn more.
+```

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/conclusion.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da6
+title: Висновки
+challengeType: 11
+videoId: LMNub5frQi4
+bilibiliIds:
+  aid: 208033449
+  bvid: BV1Wh411p79h
+  cid: 409139716
+dashedName: conclusion
+---
+
+# --question--
+
+## --text--
+
+Більшість людей, які є фахівцями в галузі штучного інтелекту та машинного навчання зазвичай...:
+
+## --answers--
+
+мають одну кваліфікацію.
+
+---
+
+мають багато кваліфікацій.
+
+---
+
+добре розбираються у багатьох різних платформах.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/convolutional-neural-networks-evaluating-the-model.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d99
+title: 'Згорткові нейронні мережі: оцінювання моделі'
+challengeType: 11
+videoId: eCATNvwraXg
+bilibiliIds:
+  aid: 933030136
+  bvid: BV1hM4y1g7Bx
+  cid: 409132265
+dashedName: convolutional-neural-networks-evaluating-the-model
+---
+
+# --question--
+
+## --text--
+
+Чому **не** є хорошим способом підвищити точність супутньої нейронної мережі?
+
+## --answers--
+
+Збільшувати об'єм вже існуючих даних.
+
+---
+
+Використання тестової (тренувальної) моделі.
+
+---
+
+Для перепідготовки моделі, використовуйте свої тестові дані.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/convolutional-neural-networks-picking-a-pretrained-model.md

@@ -0,0 +1,53 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9a
+title: 'Згорткові нейронні мережі: Вибір попередньо підготовленої моделі'
+challengeType: 11
+videoId: h1XUt1AgIOI
+bilibiliIds:
+  aid: 463063633
+  bvid: BV1qL411x73q
+  cid: 409132626
+dashedName: convolutional-neural-networks-picking-a-pretrained-model
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски нижче, щоб використати попередньо підготовлену модель Google MobileNet V2 як основу для згорткової нейронної системи:
+
+```py
+base_model = tf.__A__.applications.__B__(input_shape=(160, 160, 3),
+                                               include_top=__C__,
+                                               weights='imagenet'
+                                               )
+```
+
+## --answers--
+
+A: `keras`
+
+B: `MobileNetV2`
+
+C: `False`
+
+---
+
+A: `Keras`
+
+B: `MobileNetV2`
+
+C: `True`
+
+---
+
+A: `keras`
+
+B: `mobile_net_v2`
+
+C: `False`
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/convolutional-neural-networks-the-convolutional-layer.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d97
+title: 'Згорткові нейронні мережі: згортковий шар'
+challengeType: 11
+videoId: LrdmcQpTyLw
+bilibiliIds:
+  aid: 805608595
+  bvid: BV1Q34y1S7nr
+  cid: 409131585
+dashedName: convolutional-neural-networks-the-convolutional-layer
+---
+
+# --question--
+
+## --text--
+
+Які три основні властивості кожного згорткового шару?
+
+## --answers--
+
+Вхідний розмір, кількість фільтрів та розмір вибірки фільтрів.
+
+---
+
+Вхідний розмір, вхідні виміри та значення кольору входу.
+
+---
+
+Вхідний розмір, вхідний відступ та крок.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/convolutional-neural-networks.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d96
+title: Згорткові нейронні мережі
+challengeType: 11
+videoId: _1kTP7uoU9E
+bilibiliIds:
+  aid: 805604251
+  bvid: BV1D34y1S7zS
+  cid: 409131358
+dashedName: convolutional-neural-networks
+---
+
+# --question--
+
+## --text--
+
+Щільні нейронні мережі обробляють вхідні дані і виділяють структури у певних місцях. Згорткові нейронні мережі...:
+
+## --answers--
+
+теж глобально обробляють вхідні дані та виділяють елементи у специфічних місцях.
+
+---
+
+незручно працювати із класифікацією зображення або визначенням об'єкта.
+
+---
+
+ретельно перегляньте всі вхідні дані та зосередьтеся на локальних шаблонах.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-building-the-model.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8e
+title: 'Базові алгоритми навчання: Побудова моделі'
+challengeType: 11
+videoId: 5wHw8BTd2ZQ
+bilibiliIds:
+  aid: 763068584
+  bvid: BV1s64y1a7WR
+  cid: 409128675
+dashedName: core-learning-algorithms-building-the-model
+---
+
+# --question--
+
+## --text--
+
+Який тип оцінки/моделювання TensorFlow рекомендує використовувати для класифікації?
+
+## --answers--
+
+`LinearClassifier`
+
+---
+
+`DNNClassifier`
+
+---
+
+`BoostedTreesClassifier`
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-classification.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8d
+title: 'Базові алгоритми навчання: Класифікація'
+challengeType: 11
+videoId: qFF7ZQNvK9E
+bilibiliIds:
+  aid: 505531167
+  bvid: BV1Vg411c7av
+  cid: 409128427
+dashedName: core-learning-algorithms-classification
+---
+
+# --question--
+
+## --text--
+
+Що таке класифікація?
+
+## --answers--
+
+Процес розподілу точок даних у різні класи.
+
+---
+
+Передбачення числового значення або прогнозування на основі незалежних чи залежних змінних.
+
+---
+
+Жодне із перерахованого вище.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-clustering.md

@@ -0,0 +1,42 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8f
+title: 'Базові алгоритми навчання: Кластеризація'
+challengeType: 11
+videoId: 8sqIaHc9Cz4
+bilibiliIds:
+  aid: 720567137
+  bvid: BV1BQ4y1r7UY
+  cid: 409129005
+dashedName: core-learning-algorithms-clustering
+---
+
+# --question--
+
+## --text--
+
+Що з нижчепереліченого **не** є частиною алгоритму K-Means?
+
+## --answers--
+
+Випадковим чином оберіть К-точки для розміщення К-центроїдів.
+
+---
+
+Призначте кожній К-точці найближчий К-центроїд.
+
+---
+
+Перемістіть кожен К-центроїд в середину усіх його даних.
+
+---
+
+Перемішайте К-точки для їх випадкового перерозподілу.
+
+---
+
+Переназначте кожну К-точку до найближчого К-центроїду.
+
+## --video-solution--
+
+4
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-hidden-markov-models.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d90
+title: 'Базові алгоритми навчання: Приховані моделі Маркова'
+challengeType: 11
+videoId: IZg24y4wEPY
+bilibiliIds:
+  aid: 633081400
+  bvid: BV1tb4y1y72V
+  cid: 409129376
+dashedName: core-learning-algorithms-hidden-markov-models
+---
+
+# --question--
+
+## --text--
+
+Що відрізняє приховану модель Маркова від лінійної регресії чи класифікації?
+
+## --answers--
+
+У ній використовується розподіл ймовірностей для прогнозування майбутніх подій та станів.
+
+---
+
+У ній аналізується взаємозв'язок між незалежними та залежними змінними для прогнозування.
+
+---
+
+У ній точки даних розділяються на окремі категорії.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-the-training-process.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8c
+title: 'Базові алгоритми навчання: Процес тренування'
+challengeType: 11
+videoId: _cEwvqVoBhI
+bilibiliIds:
+  aid: 335593652
+  bvid: BV12R4y1H7Fi
+  cid: 409128047
+dashedName: core-learning-algorithms-the-training-process
+---
+
+# --question--
+
+## --text--
+
+Що таке епохи?
+
+## --answers--
+
+Кількість разів, в яких модель буде бачити ті самі дані.
+
+---
+
+Тип графіка.
+
+---
+
+Кількість елементів, які одразу подаються моделі.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-training-and-testing-data.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8b
+title: 'Базові алгоритми навчання: тренування та тестування даних'
+challengeType: 11
+videoId: wz9J1slsi7I
+bilibiliIds:
+  aid: 335509743
+  bvid: BV1rA411F7bG
+  cid: 409127635
+dashedName: core-learning-algorithms-training-and-testing-data
+---
+
+# --question--
+
+## --text--
+
+Що таке категорійні дані?
+
+## --answers--
+
+Інша назва одноразового кодування.
+
+---
+
+Будь-які дані, які не є числовими.
+
+---
+
+Будь-які дані, які представлені числами.
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-using-probabilities-to-make-predictions.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d91
+title: 'Базові алгоритми навчання: використання ймовірностей для прогнозування'
+challengeType: 11
+videoId: fYAYvLUawnc
+bilibiliIds:
+  aid: 763245369
+  bvid: BV1B64y187gE
+  cid: 414731624
+dashedName: core-learning-algorithms-using-probabilities-to-make-predictions
+---
+
+# --question--
+
+## --text--
+
+Який модуль TensorFlow слід імпортувати для реалізації `.HiddenMarkovModel()`?
+
+## --answers--
+
+`tensorflow.keras`
+
+---
+
+`tensorflow_gpu`
+
+---
+
+`tensorflow_probability`
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms-working-with-data.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d8a
+title: 'Базові алгоритми навчання: Робота з даними'
+challengeType: 11
+videoId: u85IOSsJsPI
+bilibiliIds:
+  aid: 675550447
+  bvid: BV1RU4y1w7up
+  cid: 409127383
+dashedName: core-learning-algorithms-working-with-data
+---
+
+# --question--
+
+## --text--
+
+Що робить функція pandas `.head()`?
+
+## --answers--
+
+Повертає кількість записів у кадрі даних.
+
+---
+
+Повертає кількість стовпчиків у кадрі даних.
+
+---
+
+За замовчуванням, показує перші 5 рядків або елементів у кадрі даних.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/core-learning-algorithms.md

@@ -0,0 +1,40 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d89
+title: Базові алгоритми навчання
+challengeType: 11
+videoId: u5lZURgcWnU
+bilibiliIds:
+  aid: 763034025
+  bvid: BV1A64y1a7g4
+  cid: 409127051
+dashedName: core-learning-algorithms
+---
+
+# --question--
+
+## --text--
+
+Який тип аналізу найкраще підходить для розв'язання наступної задачі?
+
+У вас є дані про середню температуру у березні за останні 100 років. Використовуючи цю інформацію, ви хочете передбачити середню температуру у березні через 5 років.
+
+## --answers--
+
+Множинна регресія
+
+---
+
+Кореляція
+
+---
+
+Дерево рішень
+
+---
+
+Лінійна регресія
+
+## --video-solution--
+
+4
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/creating-a-convolutional-neural-network.md

@@ -0,0 +1,56 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d98
+title: Створення згорткової нейронної мережі
+challengeType: 11
+videoId: kfv0K8MtkIc
+bilibiliIds:
+  aid: 420605824
+  bvid: BV1p341127wW
+  cid: 409131869
+dashedName: creating-a-convolutional-neural-network
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски нижче, щоб завершити архітектуру згорткової нейронної мережі:
+
+```py
+model = models.__A__()
+model.add(layers.__B__(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
+model.add(layers.__C__(2, 2))
+model.add(layers.__B__(64, (3, 3), activation='relu'))
+model.add(layers.__C__(2, 2))
+model.add(layers.__B__(32, (3, 3), activation='relu'))
+model.add(layers.__C__(2, 2))
+```
+
+## --answers--
+
+A: `Sequential`
+
+B: `add`
+
+C: `Wrapper`
+
+---
+
+A: `keras`
+
+B: `Cropping2D`
+
+C: `AlphaDropout`
+
+---
+
+A: `Sequential`
+
+B: `Conv2D`
+
+C: `MaxPooling2D`
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/introduction-machine-learning-fundamentals.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d87
+title: 'Вступ: Основи машинного навчання'
+challengeType: 11
+videoId: KwL1qTR5MT8
+bilibiliIds:
+  aid: 293071716
+  bvid: BV1Yf4y1n7R2
+  cid: 409125921
+dashedName: introduction-machine-learning-fundamentals
+---
+
+# --question--
+
+## --text--
+
+Яке твердження подане нижче є **хибним**?
+
+## --answers--
+
+Нейронні мережі моделюються за принципом роботи людського мозку.
+
+---
+
+Комп'ютерні програми, які грають з людьми в хрестики-нулики або шахи, є прикладами простого штучного інтелекту.
+
+---
+
+Машинне навчання - це підмножина штучного інтелекту.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/introduction-to-tensorflow.md

@@ -0,0 +1,42 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d88
+title: Вступ до TensorFlow
+challengeType: 11
+videoId: r9hRyGGjOgQ
+bilibiliIds:
+  aid: 675554869
+  bvid: BV1dU4y1w7vw
+  cid: 409126541
+dashedName: introduction-to-tensorflow
+---
+
+# --question--
+
+## --text--
+
+Що з нижчепереліченого **не** є типом тензору?
+
+## --answers--
+
+Змінна
+
+---
+
+Потік
+
+---
+
+Мітка-заповнювач
+
+---
+
+SparseTensor
+
+---
+
+Константа
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-building-the-model.md

@@ -0,0 +1,66 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da1
+title: 'Обробка природної мови рекурентними нейронними мережами: створення моделі'
+challengeType: 11
+videoId: 32WBFS7lfsw
+bilibiliIds:
+  aid: 848015573
+  bvid: BV1YL4y1a7WS
+  cid: 409138016
+dashedName: natural-language-processing-with-rnns-building-the-model
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски, щоб доповнити функцію ` build_model`:
+
+```py
+def build_mode(vocab_size, embedding_dim, rnn_units, batch_size):
+    model = tf.keras.Sequential([
+        tf.keras.layers.Embedding(vocab_size,
+                                  embedding_dim,
+                                  batch_input_shape=[batch_size, None]),
+        tf.keras.layers.__A__(rnn_units,
+                              return_sequences=__B__,
+                              recurrent_initializer='glorot_uniform),
+        tf.keras.layers.Dense(__C__)
+    ])
+    __D__
+```
+
+## --answers--
+
+A: `ELU`
+
+B: `True`
+
+C: `vocab_size`
+
+D: `return model`
+
+---
+
+A: `LSTM`
+
+B: `False`
+
+C: `batch_size`
+
+D: `return model`
+
+---
+
+A: `LSTM`
+
+B: `True`
+
+C: `vocab_size`
+
+D: `return model`
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-create-a-play-generator.md

@@ -0,0 +1,44 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da0
+title: 'Обробка природної мови за допомогою рекурентних нейронних мереж: створення ігрового генератора'
+challengeType: 11
+videoId: j5xsxjq_Xk8
+bilibiliIds:
+  aid: 720525759
+  bvid: BV1xQ4y1r7tw
+  cid: 409137674
+dashedName: natural-language-processing-with-rnns-create-a-play-generator
+---
+
+# --question--
+
+## --text--
+
+Заповніть пробіли, щоб створити приклади навчальні приклади рекурентних нейронних мереж:
+
+```py
+char_dataset = tf.data.__A__.__B__(text_as_int)
+```
+
+## --answers--
+
+A: `Dataset`
+
+B: `from_tensor_slices`
+
+---
+
+A: `data`
+
+B: `from_tensors`
+
+---
+
+A: `DataSet`
+
+B: `from_generator`
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-making-predictions.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9f
+title: 'Обробка природної мови за допомогою рекурентних нейронних мереж: прогнозування'
+challengeType: 11
+videoId: WO1hINnBj20
+bilibiliIds:
+  aid: 848023400
+  bvid: BV1WL4y1a75i
+  cid: 409136303
+dashedName: natural-language-processing-with-rnns-making-predictions
+---
+
+# --question--
+
+## --text--
+
+Перед тим, як розпочати процес прогнозування вашого огляду, вам слід...:
+
+## --answers--
+
+розшифрувати навчальний набір даних і порівняти результати з даними тесту.
+
+---
+
+використати кодування з навчального набору даних, щоб зашифрувати ваш огляд.
+
+---
+
+призначати випадкові значення між 0 і максимальною кількістю одиниць словника у наборі даних кожному слову у вашому огляді.
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-part-2.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9c
+title: 'Обробка природної мови за допомогою рекурентних нейронних мереж: частина 2'
+challengeType: 11
+videoId: mUU9YXOFbZg
+bilibiliIds:
+  aid: 975558435
+  bvid: BV1L44y1b7Lp
+  cid: 409135242
+dashedName: natural-language-processing-with-rnns-part-2
+---
+
+# --question--
+
+## --text--
+
+Вкладання слів це...:
+
+## --answers--
+
+невпорядкована група закодованих слів, що описує частоту слів у даному документі.
+
+---
+
+група закодованих слів, яка зберігає початковий порядок слів у даному документі.
+
+---
+
+векторизована репрезентація слів у даному документі, яка розміщує слова зі схожим значенням поруч.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-recurring-neural-networks.md

@@ -0,0 +1,38 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9d
+title: 'Обробка природної мови за допомогою РНМ: рекурентних нейронних мереж'
+challengeType: 11
+videoId: bX5681NPOcA
+bilibiliIds:
+  aid: 335605808
+  bvid: BV1SR4y1H7ri
+  cid: 409135641
+dashedName: natural-language-processing-with-rnns-recurring-neural-networks
+---
+
+# --question--
+
+## --text--
+
+Що представляють собою рекурентні нейронні мережі?
+
+## --answers--
+
+1: Вони є типом нейронної мережі прямого поширення.
+
+---
+
+2: Вони підтримують внутрішню пам'ять/стан вводу, який вже був оброблений.
+
+---
+
+RNN's працюють безперервно і обробляють по одному фрагменту вводу одночасно.
+
+---
+
+4: Другий і третій пункти разом.
+
+## --video-solution--
+
+4
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-sentimental-analysis.md

@@ -0,0 +1,54 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9e
+title: 'Обробка природної мови за допомогою рекурентних нейронних мереж: аналіз емоційного забарвлення висловлювань'
+challengeType: 11
+videoId: lYeLtu8Nq7c
+bilibiliIds:
+  aid: 933111408
+  bvid: BV1TM4y137VB
+  cid: 409135996
+dashedName: natural-language-processing-with-rnns-sentiment-analysis
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски нижче, щоб створити модель для рекурентної нейронної мережі:
+
+```py
+model = __A__.keras.Sequential([
+    __A__.keras.layers.__B__(88584, 32),
+    __A__.keras.layers.__C__(32),
+    __A__.keras.layers.DENSE(1, activation='sigmoid')
+])
+```
+
+## --answers--
+
+A: `tensor_flow`
+
+B: `embedding`
+
+C: `LSTM`
+
+---
+
+A: `tf`
+
+B: `Embedding`
+
+C: `AlphaDropout`
+
+---
+
+A: `tf`
+
+B: `Embedding`
+
+C: `LSTM`
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns-training-the-model.md

@@ -0,0 +1,58 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da2
+title: 'Обробка природної мови рекурентними нейронними мережами: відпрацювання моделі'
+challengeType: 11
+videoId: hEUiK7j9UI8
+bilibiliIds:
+  aid: 250542136
+  bvid: BV19v411w7Fi
+  cid: 409138327
+dashedName: natural-language-processing-with-rnns-training-the-model
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски нижче, щоб зберегти контрольні точки вашої моделі в каталозі `./checkpoints` і викликати останню контрольну точку для навчання:
+
+```py
+checkpoint_dir = __A__
+checkpoint_prefix = os.path.join(checkpoint_dir, 'ckpt_{epoch}')
+
+checkpoint_callback = tf.keras.callbacks.__B__(
+    filepath=checkpoint_prefix,
+    save_weights_only=True
+)
+
+history = model.fit(data, epochs=2, callbacks=[__C__])
+```
+
+## --answers--
+
+A: `'./training_checkpoints'`
+
+B: `ModelCheckpoint`
+
+C: `checkpoint_prefix`
+
+---
+
+A: `'./checkpoints'`
+
+B: `ModelCheckpoint`
+
+C: `checkpoint_callback`
+
+---
+
+A: `'./checkpoints'`
+
+B: `BaseLogger`
+
+C: `checkpoint_callback`
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/natural-language-processing-with-rnns.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d9b
+title: Обробка природної мови за допомогою рекурентних нейронних мереж
+challengeType: 11
+videoId: ZyCaF5S-lKg
+bilibiliIds:
+  aid: 548105306
+  bvid: BV1nq4y1K7VU
+  cid: 409134745
+dashedName: natural-language-processing-with-rnns
+---
+
+# --question--
+
+## --text--
+
+Обробка природної мови - це галузь штучного інтелекту, яка...:
+
+## --answers--
+
+стосується того, як комп’ютери розуміють та обробляють природні/людські мови.
+
+---
+
+трансформує дані зображень в природні/людські мови.
+
+---
+
+спеціалізується на перекладі комп'ютерних мов на природні/людські мови.
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/neural-networks-activation-functions.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d93
+title: 'Нейронні мережі: Функції активації'
+challengeType: 11
+videoId: S45tqW6BqRs
+bilibiliIds:
+  aid: 675610466
+  bvid: BV1wU4y1A7TJ
+  cid: 409130203
+dashedName: neural-networks-activation-functions
+---
+
+# --question--
+
+## --text--
+
+Яка функція активації переключає значення між -1 та 1?
+
+## --answers--
+
+Блок лінійної ректифікації
+
+---
+
+Гіперболічний тангенс
+
+---
+
+Сигмоїда
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/neural-networks-creating-a-model.md

@@ -0,0 +1,54 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d95
+title: 'Нейронні мережі: створення моделі'
+challengeType: 11
+videoId: K8bz1bmOCTw
+bilibiliIds:
+  aid: 848109040
+  bvid: BV1EL4y1878f
+  cid: 409130886
+dashedName: neural-networks-creating-a-model
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски нижче, щоб побудувати послідовну модель щільних шарів:
+
+```py
+model = __A__.__B__([
+    __A__.layers.Flatten(input_shape=(28, 28)),
+    __A__.layers.__C__(128, activation='relu'),
+    __A__.layers.__C__(10, activation='softmax')
+])
+```
+
+## --answers--
+
+A: `keras`
+
+B: `Sequential`
+
+C: `Dense`
+
+---
+
+A: `tf`
+
+B: `Sequential`
+
+C: `Categorical`
+
+---
+
+A: `keras`
+
+B: `sequential`
+
+C: `dense`
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/neural-networks-optimizers.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d94
+title: 'Нейронні мережі: оптимізатори'
+challengeType: 11
+videoId: hdOtRPQe1o4
+bilibiliIds:
+  aid: 763064173
+  bvid: BV1364y1a7eM
+  cid: 409130557
+dashedName: neural-networks-optimizers
+---
+
+# --question--
+
+## --text--
+
+Що таке функція оптимізатора?
+
+## --answers--
+
+Функція, яка підвищує точність прогнозів моделі.
+
+---
+
+Функція, яка реалізує алгоритми навчання градієнтному спуску та алгоритм зворотного поширення помилки.
+
+---
+
+Функція, яка скорочує час, необхідний для тренування на моделі.
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/neural-networks-with-tensorflow.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72d92
+title: Нейронні мережі у TensorFlow
+challengeType: 11
+videoId: uisdfrNrZW4
+bilibiliIds:
+  aid: 378031840
+  bvid: BV1Qf4y1c7Dc
+  cid: 409129888
+dashedName: neural-networks-with-tensorflow
+---
+
+# --question--
+
+## --text--
+
+Щільно зв'язана нейронна мережа - це та, в якій...:
+
+## --answers--
+
+всі нейрони поточного шару з'єднані з одним нейроном попереднього шару.
+
+---
+
+всі нейрони у кожному шарі пов'язані випадковим чином.
+
+---
+
+всі нейрони поточного шару з'єднані з кожним нейроном попереднього шару.
+
+## --video-solution--
+
+3
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/reinforcement-learning-with-q-learning-example.md

@@ -0,0 +1,50 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da5
+title: 'Навчання з підкріпленням за допомогою Q-Learning: Приклад'
+challengeType: 11
+videoId: RBBSNta234s
+bilibiliIds:
+  aid: 848073871
+  bvid: BV1uL4y187Eq
+  cid: 409139471
+dashedName: reinforcement-learning-with-q-learning-example
+---
+
+# --question--
+
+## --text--
+
+Заповніть пропуски, щоб завершити наступне рівняння Q-Learning:
+
+```py
+Q[__A__, __B__] = Q[__A__, __B__] + LEARNING_RATE * (reward + GAMMA * np.max(Q[__C__, :]) - Q[__A__, __B__])
+```
+
+## --answers--
+
+A: `state`
+
+B: `action`
+
+C: `next_state`
+
+---
+
+A: `state`
+
+B: `action`
+
+C: `prev_state`
+
+---
+
+A: `state`
+
+B: `reaction`
+
+C: `next_state`
+
+## --video-solution--
+
+1
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/reinforcement-learning-with-q-learning-part-2.md

@@ -0,0 +1,30 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da4
+title: 'Навчання з підкріпленням за допомогою Q-Learning: Частина 2'
+challengeType: 11
+videoId: DX7hJuaUZ7o
+bilibiliIds:
+  aid: 420570359
+  bvid: BV1G341127zr
+  cid: 409139190
+dashedName: reinforcement-learning-with-q-learning-part-2
+---
+
+# --question--
+
+## --text--
+
+Що може статися, якщо агент не матиме необхідного балансу між реалізацією випадкових дій та попередньо вивчених дій?
+
+## --answers--
+
+Агент завжди намагатиметься мінімізувати винагороду за поточний стан/дію, призводячи до локального мінімуму.
+
+---
+
+Агент завжди намагатиметься максимізувати винагороду за поточний стан/дію, призводячи до локального максимуму.
+
+## --video-solution--
+
+2
+

curriculum/challenges/ukrainian/11-machine-learning-with-python/tensorflow/reinforcement-learning-with-q-learning.md

@@ -0,0 +1,34 @@
+---
+id: 5e8f2f13c4cdbe86b5c72da3
+title: Навчання з підкріпленням за допомогою Q-Learning
+challengeType: 11
+videoId: Cf7DSU0gVb4
+bilibiliIds:
+  aid: 463025802
+  bvid: BV1iL411x7L6
+  cid: 409138811
+dashedName: reinforcement-learning-with-q-learning
+---
+
+# --question--
+
+## --text--
+
+Ключові компоненти навчання з підкріпленням...
+
+## --answers--
+
+середовище, представництво, стан, реакція та винагорода.
+
+---
+
+середовище, агент, стан, дія та винагорода.
+
+---
+
+середовище, агент, стан, дія та покарання.
+
+## --video-solution--
+
+2
+