gaspersic/freeCodeCamp
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

chore(i18n,curriculum): update translations (#42943)

Browse Source
This commit is contained in:
camperbot
2021-07-20 21:35:24 +05:30
committed by GitHub
parent ef3b7ec955
commit 2056db0299
41 changed files with 195 additions and 195 deletions
Download Patch File Download Diff File Expand all files Collapse all files

14
curriculum/challenges/italian/11-machine-learning-with-python/machine-learning-with-python-projects/book-recommendation-engine-using-knn.md
View File

@ -1,6 +1,6 @@
---
id: 5e46f8e3ac417301a38fb92f
title: Book Recommendation Engine using KNN
title: Motore per la raccomandazione di libri che utilizza KNN
challengeType: 10
forumTopicId: 462378
dashedName: book-recommendation-engine-using-knn
@ -8,19 +8,19 @@ dashedName: book-recommendation-engine-using-knn
# --description--
In this challenge, you will create a book recommendation algorithm using K-Nearest Neighbors.
In questa sfida, creerai un algoritmo di raccomandazione di libri utilizzando K-Nearest Neighbors.
You will use the Book-Crossings dataset. This dataset contains 1.1 million ratings (scale of 1-10) of 270,000 books by 90,000 users.
Userai il dataset di Book-Crossings. Questo set di dati contiene 1,1 milioni di valutazioni (scala 1-10) di 270.000 libri da 90.000 utenti.
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-book-recommendation-engine/blob/master/fcc_book_recommendation_knn.ipynb).
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
Dopo essere andato a quel collegamento, crea una copia del notebook nel tuo account o localmente. Una volta completato il progetto e superato il test (incluso a quel link), invia il link del progetto qui sotto. Se stai inviando un link di Google Colaboratory, assicurati di attivare la condivisione di link per "anyone with the link"
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
Stiamo ancora sviluppando il contenuto didattico interattivo per il programma di machine learning. Per ora, puoi vedere le sfide video in questa certificazione. Potrebbe anche essere necessario cercare ulteriori risorse di apprendimento, in maniera simile a quello che faresti lavorando su un progetto del mondo reale.
# --hints--
It should pass all Python tests.
Dovrebbe superare tutti i test Python.
```js

12
curriculum/challenges/italian/11-machine-learning-with-python/machine-learning-with-python-projects/cat-and-dog-image-classifier.md
View File

@ -1,6 +1,6 @@
---
id: 5e46f8dcac417301a38fb92e
title: Cat and Dog Image Classifier
title: Classificatore di immagini di gatti e cani
challengeType: 10
forumTopicId: 462377
dashedName: cat-and-dog-image-classifier
@ -8,17 +8,17 @@ dashedName: cat-and-dog-image-classifier
# --description--
For this challenge, you will use TensorFlow 2.0 and Keras to create a convolutional neural network that correctly classifies images of cats and dogs with at least 63% accuracy.
Per questa sfida, userai TensorFlow 2.0 e Keras per creare una rete neurale convoluzionale che classifica correttamente le immagini di cani e gatti con almeno il 63% di accuratezza.
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-cat-and-dog-image-classifier/blob/master/fcc_cat_dog.ipynb).
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
Dopo essere andato a quel collegamento, crea una copia del notebook o nel tuo account o localmente. Una volta completato il progetto e superato il test (incluso a quel link), invia il link del progetto qui sotto. Se stai inviando un link di Google Colaboratory, assicurati di attivare la condivisione di link per "anyone with the link"
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
Stiamo ancora sviluppando il contenuto didattico interattivo per il programma di machine learning. Per ora, puoi vedere le sfide video in questa certificazione. Potrebbe anche essere necessario cercare ulteriori risorse di apprendimento, in maniera simile a quello che faresti lavorando su un progetto del mondo reale.
# --hints--
It should pass all Python tests.
Dovrebbe superare tutti i test Python.
```js

14
curriculum/challenges/italian/11-machine-learning-with-python/machine-learning-with-python-projects/linear-regression-health-costs-calculator.md
View File

@ -1,6 +1,6 @@
---
id: 5e46f8edac417301a38fb930
title: Linear Regression Health Costs Calculator
title: Calcolatore di costi per la salute con la Regressione Lineare
challengeType: 10
forumTopicId: 462379
dashedName: linear-regression-health-costs-calculator
@ -8,19 +8,19 @@ dashedName: linear-regression-health-costs-calculator
# --description--
In this challenge, you will predict healthcare costs using a regression algorithm.
In questa sfida, cercherai di prevedere i costi sanitari utilizzando un algoritmo di regressione.
You are given a dataset that contains information about different people including their healthcare costs. Use the data to predict healthcare costs based on new data.
Ti viene dato un set di dati contenente informazioni su persone diverse, inclusi i costi sanitari. Utilizza i dati per prevedere i costi sanitari sulla base di nuovi dati.
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-linear-regression-health-costs-calculator/blob/master/fcc_predict_health_costs_with_regression.ipynb).
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-linear-regression-health-costs-calculator/blob/master/fcc_predict_health_costs_with_regression.ipynb).
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
Dopo essere andato a quel collegamento, creare una copia del notebook nel tuo account o localmente. Una volta completato il progetto e superato il test (incluso a quel link), invia il link del progetto qui sotto. Se stai inviando un link di Google Colaboratory, assicurati di attivare la condivisione di link per "anyone with the link"
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
Stiamo ancora sviluppando il contenuto didattico interattivo per il programma di machine learning. Per ora, puoi vedere le sfide video in questa certificazione. Potrebbe anche essere necessario cercare ulteriori risorse di apprendimento, in maniera simile a quello che faresti lavorando su un progetto del mondo reale.
# --hints--
It should pass all Python tests.
Dovrebbe superare tutti i test Python.
```js

12
curriculum/challenges/italian/11-machine-learning-with-python/machine-learning-with-python-projects/neural-network-sms-text-classifier.md
View File

@ -1,6 +1,6 @@
---
id: 5e46f8edac417301a38fb931
title: Neural Network SMS Text Classifier
title: Classificatore neurale di messaggi SMS
challengeType: 10
forumTopicId: 462380
dashedName: neural-network-sms-text-classifier
@ -8,17 +8,17 @@ dashedName: neural-network-sms-text-classifier
# --description--
In this challenge, you need to create a machine learning model that will classify SMS messages as either "ham" or "spam". A "ham" message is a normal message sent by a friend. A "spam" message is an advertisement or a message sent by a company.
In questa sfida, dovrai creare un modello di machine learning che classificherà i messaggi SMS come "ham" o "spam". Un messaggio "ham" è un normale messaggio inviato da un amico. Un messaggio "spam" è un annuncio o un messaggio inviato da un'azienda.
You can access [the full project instructions and starter code on Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-neural-network-sms-text-classifier/blob/master/fcc_sms_text_classification.ipynb).
Puoi accedere [alla descrizione completa del progetto e al codice iniziale su Google Colaboratory](https://colab.research.google.com/github/freeCodeCamp/boilerplate-neural-network-sms-text-classifier/blob/master/fcc_sms_text_classification.ipynb).
After going to that link, create a copy of the notebook either in your own account or locally. Once you complete the project and it passes the test (included at that link), submit your project link below. If you are submitting a Google Colaboratory link, make sure to turn on link sharing for "anyone with the link."
Dopo essere andato a quel collegamento, crea una copia del notebook nel tuo account o localmente. Una volta completato il progetto e superato il test (incluso a quel link), invia il link del progetto qui sotto. Se stai inviando un link di Google Colaboratory, assicurati di attivare la condivisione di link per "anyone with the link"
We are still developing the interactive instructional content for the machine learning curriculum. For now, you can go through the video challenges in this certification. You may also have to seek out additional learning resources, similar to what you would do when working on a real-world project.
Stiamo ancora sviluppando il contenuto didattico interattivo per il programma di machine learning. Per ora, puoi vedere le sfide video in questa certificazione. Potrebbe anche essere necessario cercare ulteriori risorse di apprendimento, in maniera simile a quello che faresti lavorando su un progetto del mondo reale.
# --hints--
It should pass all Python tests.
Dovrebbe superare tutti i test Python.
```js