chore(i18n,curriculum): update translations (#42943)
This commit is contained in:
camperbot
GitHub
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d99
|
||||
title: 'Convolutional Neural Networks: Evaluating the Model'
|
||||
title: 'Reti neurali convoluzionali: Valutare un modello'
|
||||
challengeType: 11
|
||||
videoId: eCATNvwraXg
|
||||
dashedName: convolutional-neural-networks-evaluating-the-model
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks-evaluating-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
What is **not** a good way to increase the accuracy of a convolutional neural network?
|
||||
Quale di questi **non** è un buon metodo per aumentare la precisione di una rete neurale convoluzionale?
|
||||
|
||||
## --answers--
|
||||
|
||||
Augmenting the data you already have.
|
||||
Aumentare i dati che hai già.
|
||||
|
||||
---
|
||||
|
||||
Using a pre-trained model.
|
||||
Utilizzare un modello pre-addestrato.
|
||||
|
||||
---
|
||||
|
||||
Using your test data to retrain the model.
|
||||
Utilizzare i dati di test per riaddestrare il modello.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9a
|
||||
title: 'Convolutional Neural Networks: Picking a Pretrained Model'
|
||||
title: 'Reti neurali convoluzionali: scegliere un modello preaddestrato'
|
||||
challengeType: 11
|
||||
videoId: h1XUt1AgIOI
|
||||
dashedName: convolutional-neural-networks-picking-a-pretrained-model
|
||||
@ -10,7 +10,7 @@ dashedName: convolutional-neural-networks-picking-a-pretrained-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to use Google's pre-trained MobileNet V2 model as a base for a convolutional neural network:
|
||||
Compila gli spazi vuoti qui sotto per utilizzare il modello preaddestrato di Google MobileNet V2 come base per una rete neurale convoluzionale:
|
||||
|
||||
```py
|
||||
base_model = tf.__A__.applications.__B__(input_shape=(160, 160, 3),
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d97
|
||||
title: 'Convolutional Neural Networks: The Convolutional Layer'
|
||||
title: 'Reti neurali convolutionali: Il livello convoluzionale'
|
||||
challengeType: 11
|
||||
videoId: LrdmcQpTyLw
|
||||
dashedName: convolutional-neural-networks-the-convolutional-layer
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks-the-convolutional-layer
|
||||
|
||||
## --text--
|
||||
|
||||
What are the three main properties of each convolutional layer?
|
||||
Quali sono le tre proprietà principali di ogni strato convoluzionale?
|
||||
|
||||
## --answers--
|
||||
|
||||
Input size, the number of filters, and the sample size of the filters.
|
||||
Dimensione dell'input, numero di filtri e dimensione del campione dei filtri.
|
||||
|
||||
---
|
||||
|
||||
Input size, input dimensions, and the color values of the input.
|
||||
Dimensione dell'input, dimensioni in ingresso e valori di colore dell'input.
|
||||
|
||||
---
|
||||
|
||||
Input size, input padding, and stride.
|
||||
Dimensione dell'input, padding in ingresso e passo (stride).
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d96
|
||||
title: Convolutional Neural Networks
|
||||
title: Reti neurali convoluzionali
|
||||
challengeType: 11
|
||||
videoId: _1kTP7uoU9E
|
||||
dashedName: convolutional-neural-networks
|
||||
@ -10,19 +10,19 @@ dashedName: convolutional-neural-networks
|
||||
|
||||
## --text--
|
||||
|
||||
Dense neural networks analyze input on a global scale and recognize patterns in specific areas. Convolutional neural networks...:
|
||||
Le reti neurali dense analizzano gli input su scala globale e riconoscono schemi in aree specifiche. Le reti neurali convoluzionali...:
|
||||
|
||||
## --answers--
|
||||
|
||||
also analyze input globally and extract features from specific areas.
|
||||
analizzano anche gli input a livello globale ed estraggono le caratteristiche da aree specifiche.
|
||||
|
||||
---
|
||||
|
||||
do not work well for image classification or object detection.
|
||||
non funzionano bene per la classificazione delle immagini o per il rilevamento degli oggetti.
|
||||
|
||||
---
|
||||
|
||||
scan through the entire input a little at a time and learn local patterns.
|
||||
scansionano l'intero input un po' alla volta e imparano modelli locali.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8e
|
||||
title: 'Core Learning Algorithms: Building the Model'
|
||||
title: 'Algoritmi di apprendimento principali: Costruire il modello'
|
||||
challengeType: 11
|
||||
videoId: 5wHw8BTd2ZQ
|
||||
dashedName: core-learning-algorithms-building-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: core-learning-algorithms-building-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
What kind of estimator/model does TensorFlow recommend using for classification?
|
||||
Che tipo di stimatore/modello TensorFlow consiglia di utilizzare per la classificazione?
|
||||
|
||||
## --answers--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8d
|
||||
title: 'Core Learning Algorithms: Classification'
|
||||
title: 'Algoritmi di apprendimento principali: Classificazione'
|
||||
challengeType: 11
|
||||
videoId: qFF7ZQNvK9E
|
||||
dashedName: core-learning-algorithms-classification
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-classification
|
||||
|
||||
## --text--
|
||||
|
||||
What is classification?
|
||||
Che cos'è la classificazione?
|
||||
|
||||
## --answers--
|
||||
|
||||
The process of separating data points into different classes.
|
||||
Il processo di separazione dei punti dati in classi diverse.
|
||||
|
||||
---
|
||||
|
||||
Predicting a numeric value or forecast based on independent and dependent variables.
|
||||
Predire un valore numerico o fare una previsione basandoci su variabili indipendenti e dipendenti.
|
||||
|
||||
---
|
||||
|
||||
None of the above.
|
||||
Niente di quanto sopra.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8f
|
||||
title: 'Core Learning Algorithms: Clustering'
|
||||
title: 'Algoritmi di apprendimento principali: Clustering'
|
||||
challengeType: 11
|
||||
videoId: 8sqIaHc9Cz4
|
||||
dashedName: core-learning-algorithms-clustering
|
||||
@ -10,27 +10,27 @@ dashedName: core-learning-algorithms-clustering
|
||||
|
||||
## --text--
|
||||
|
||||
Which of the following steps is **not** part of the K-Means algorithm?
|
||||
Quale dei seguenti passi **non** fa parte dell'algoritmo K-Means?
|
||||
|
||||
## --answers--
|
||||
|
||||
Randomly pick K points to place K centeroids.
|
||||
Scegliere a caso i punti K per posizionare i centeroidi K.
|
||||
|
||||
---
|
||||
|
||||
Assign each K point to the closest K centeroid.
|
||||
Assegnare ogni punto K al centeroide K più vicino.
|
||||
|
||||
---
|
||||
|
||||
Move each K centeroid into the middle of all of their data points.
|
||||
Spostare ogni centeroide K nel centro di tutti i suoi punti dati.
|
||||
|
||||
---
|
||||
|
||||
Shuffle the K points so they're redistributed randomly.
|
||||
Mischiare i punti K in modo che siano ridistribuiti in modo casuale.
|
||||
|
||||
---
|
||||
|
||||
Reassign each K point to the closest K centeroid.
|
||||
Riassegnare ogni punto K al centeroide K più vicino.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d90
|
||||
title: 'Core Learning Algorithms: Hidden Markov Models'
|
||||
title: 'Algoritmi di apprendimento principali: Modelli di Markov a stati nascosti'
|
||||
challengeType: 11
|
||||
videoId: IZg24y4wEPY
|
||||
dashedName: core-learning-algorithms-hidden-markov-models
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-hidden-markov-models
|
||||
|
||||
## --text--
|
||||
|
||||
What makes a Hidden Markov model different than linear regression or classification?
|
||||
Che cosa rende un modello di Markov a stati nascosti diverso dalla regressione lineare o dalla classificazione?
|
||||
|
||||
## --answers--
|
||||
|
||||
It uses probability distributions to predict future events or states.
|
||||
Utilizza distribuzioni di probabilità per prevedere eventi o stati futuri.
|
||||
|
||||
---
|
||||
|
||||
It analyzes the relationship between independent and dependent variables to make predictions.
|
||||
Analizza il rapporto tra variabili indipendenti e variabili dipendenti per fare previsioni.
|
||||
|
||||
---
|
||||
|
||||
It separates data points into separate categories.
|
||||
Separa i punti dati in categorie separate.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8c
|
||||
title: 'Core Learning Algorithms: The Training Process'
|
||||
title: 'Algoritmi di apprendimento principali: Il processo di training'
|
||||
challengeType: 11
|
||||
videoId: _cEwvqVoBhI
|
||||
dashedName: core-learning-algorithms-the-training-process
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-the-training-process
|
||||
|
||||
## --text--
|
||||
|
||||
What are epochs?
|
||||
Cosa sono le epoche?
|
||||
|
||||
## --answers--
|
||||
|
||||
The number of times the model will see the same data.
|
||||
Il numero di volte che il modello vedrà gli stessi dati.
|
||||
|
||||
---
|
||||
|
||||
A type of graph.
|
||||
Un tipo di grafico.
|
||||
|
||||
---
|
||||
|
||||
The number of elements you feed to the model at once.
|
||||
Il numero di elementi che fornisci al modello contemporaneamente.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8b
|
||||
title: 'Core Learning Algorithms: Training and Testing Data'
|
||||
title: 'Algoritmi di apprendimento principali: training e test di dati'
|
||||
challengeType: 11
|
||||
videoId: wz9J1slsi7I
|
||||
dashedName: core-learning-algorithms-training-and-testing-data
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-training-and-testing-data
|
||||
|
||||
## --text--
|
||||
|
||||
What is categorical data?
|
||||
Che cosa sono i dati categorici?
|
||||
|
||||
## --answers--
|
||||
|
||||
Another term for one-hot encoding.
|
||||
Un altro termine per la codifica a caldo.
|
||||
|
||||
---
|
||||
|
||||
Any data that is not numeric.
|
||||
Qualsiasi dato non numerico.
|
||||
|
||||
---
|
||||
|
||||
Any data that is represented numerically.
|
||||
Qualsiasi dato rappresentato numericamente.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d91
|
||||
title: 'Core Learning Algorithms: Using Probabilities to make Predictions'
|
||||
title: 'Algoritmi di apprendimento principali: Usare le probabilità per fare predizioni'
|
||||
challengeType: 11
|
||||
videoId: fYAYvLUawnc
|
||||
dashedName: core-learning-algorithms-using-probabilities-to-make-predictions
|
||||
@ -10,7 +10,7 @@ dashedName: core-learning-algorithms-using-probabilities-to-make-predictions
|
||||
|
||||
## --text--
|
||||
|
||||
What TensorFlow module should you import to implement `.HiddenMarkovModel()`?
|
||||
Quale modulo TensorFlow dovresti importare per implementare `.HiddenMarkovModel()`?
|
||||
|
||||
## --answers--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d8a
|
||||
title: 'Core Learning Algorithms: Working with Data'
|
||||
title: 'Algoritmi di apprendimento principali: Lavorare con i dati'
|
||||
challengeType: 11
|
||||
videoId: u85IOSsJsPI
|
||||
dashedName: core-learning-algorithms-working-with-data
|
||||
@ -10,19 +10,19 @@ dashedName: core-learning-algorithms-working-with-data
|
||||
|
||||
## --text--
|
||||
|
||||
What does the pandas `.head()` function do?
|
||||
Cosa fa la funzione pandas `.head()`?
|
||||
|
||||
## --answers--
|
||||
|
||||
Returns the number of entries in a data frame.
|
||||
Restituisce il numero di voci in un frame di dati.
|
||||
|
||||
---
|
||||
|
||||
Returns the number of columns in a data frame.
|
||||
Restituisce il numero di colonne in un frame di dati.
|
||||
|
||||
---
|
||||
|
||||
By default, shows the first five rows or entries in a data frame.
|
||||
Per impostazione predefinita, mostra le prime cinque righe o voci in un frame di dati.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d89
|
||||
title: Core Learning Algorithms
|
||||
title: Algoritmi di apprendimento principali
|
||||
challengeType: 11
|
||||
videoId: u5lZURgcWnU
|
||||
dashedName: core-learning-algorithms
|
||||
@ -10,25 +10,25 @@ dashedName: core-learning-algorithms
|
||||
|
||||
## --text--
|
||||
|
||||
Which type of analysis would be best suited for the following problem?:
|
||||
Quale tipo di analisi sarebbe più adatto per il seguente problema?
|
||||
|
||||
You have the average temperature in the month of March for the last 100 years. Using this data, you want to predict the average temperature in the month of March 5 years from now.
|
||||
Hai la temperatura media nel mese di marzo per gli ultimi 100 anni. Utilizzando questi dati, vuoi prevedere la temperatura media nel mese di marzo a 5 anni da adesso.
|
||||
|
||||
## --answers--
|
||||
|
||||
Multiple regression
|
||||
Regressione multipla
|
||||
|
||||
---
|
||||
|
||||
Correlation
|
||||
Correlazione
|
||||
|
||||
---
|
||||
|
||||
Decision tree
|
||||
Albero decisionale
|
||||
|
||||
---
|
||||
|
||||
Linear regression
|
||||
Regressione lineare
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d98
|
||||
title: Creating a Convolutional Neural Network
|
||||
title: Creare una rete neurale convoluzionale
|
||||
challengeType: 11
|
||||
videoId: kfv0K8MtkIc
|
||||
dashedName: creating-a-convolutional-neural-network
|
||||
@ -10,7 +10,7 @@ dashedName: creating-a-convolutional-neural-network
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to complete the architecture for a convolutional neural network:
|
||||
Riempi gli spazi vuoti qui sotto per completare l'architettura di una rete neurale convoluzionale:
|
||||
|
||||
```py
|
||||
model = models.__A__()
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d87
|
||||
title: 'Introduction: Machine Learning Fundamentals'
|
||||
title: 'Introduzione: Fondamenti di machine learning'
|
||||
challengeType: 11
|
||||
videoId: KwL1qTR5MT8
|
||||
dashedName: introduction-machine-learning-fundamentals
|
||||
@ -10,19 +10,19 @@ dashedName: introduction-machine-learning-fundamentals
|
||||
|
||||
## --text--
|
||||
|
||||
Which statement below is **false**?
|
||||
Quale delle dichiarazioni qui sotto è **falsa**?
|
||||
|
||||
## --answers--
|
||||
|
||||
Neural networks are modeled after the way the human brain works.
|
||||
Le reti neurali sono modellate secondo il modo in cui funziona il cervello umano.
|
||||
|
||||
---
|
||||
|
||||
Computer programs that play tic-tac-toe or chess against human players are examples of simple artificial intelligence.
|
||||
Programmi informatici che giocano a tic-tac-toe o scacchi contro i giocatori umani sono esempi di semplice intelligenza artificiale.
|
||||
|
||||
---
|
||||
|
||||
Machine learning is a subset of artificial intelligence.
|
||||
L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d88
|
||||
title: Introduction to TensorFlow
|
||||
title: Introduzione a TensorFlow
|
||||
challengeType: 11
|
||||
videoId: r9hRyGGjOgQ
|
||||
dashedName: introduction-to-tensorflow
|
||||
@ -10,11 +10,11 @@ dashedName: introduction-to-tensorflow
|
||||
|
||||
## --text--
|
||||
|
||||
Which of the following is **not** a type of tensor?
|
||||
Quale dei seguenti elementi **non** è un tipo di tensore?
|
||||
|
||||
## --answers--
|
||||
|
||||
Variable
|
||||
Variabile
|
||||
|
||||
---
|
||||
|
||||
@ -22,7 +22,7 @@ Flowing
|
||||
|
||||
---
|
||||
|
||||
Placeholder
|
||||
Segnaposto (placeholder)
|
||||
|
||||
---
|
||||
|
||||
@ -30,7 +30,7 @@ SparseTensor
|
||||
|
||||
---
|
||||
|
||||
Constant
|
||||
Costante
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da1
|
||||
title: 'Natural Language Processing With RNNs: Building the Model'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: costruzione del modello'
|
||||
challengeType: 11
|
||||
videoId: 32WBFS7lfsw
|
||||
dashedName: natural-language-processing-with-rnns-building-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-building-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to complete the `build_model` function:
|
||||
Riempi gli spazi vuoti per completare la funzione `build_model` qui sotto:
|
||||
|
||||
```py
|
||||
def build_mode(vocab_size, embedding_dim, rnn_units, batch_size):
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da0
|
||||
title: 'Natural Language Processing With RNNs: Create a Play Generator'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: Crea un generatore di gioco'
|
||||
challengeType: 11
|
||||
videoId: j5xsxjq_Xk8
|
||||
dashedName: natural-language-processing-with-rnns-create-a-play-generator
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-create-a-play-generator
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to create the training examples for the RNN:
|
||||
Compila gli spazi vuoti qui sotto per creare il modello per la RNN:
|
||||
|
||||
```py
|
||||
char_dataset = tf.data.__A__.__B__(text_as_int)
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9f
|
||||
title: 'Natural Language Processing With RNNs: Making Predictions'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: fare previsioni'
|
||||
challengeType: 11
|
||||
videoId: WO1hINnBj20
|
||||
dashedName: natural-language-processing-with-rnns-making-predictions
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns-making-predictions
|
||||
|
||||
## --text--
|
||||
|
||||
Before you make a prediction with your own review, you should...:
|
||||
Prima di fare una previsione con la propria revisione, si dovrebbe...:
|
||||
|
||||
## --answers--
|
||||
|
||||
decode the training dataset and compare the results to the test data.
|
||||
decodificare il set di dati del training e confrontare i risultati con i dati del test.
|
||||
|
||||
---
|
||||
|
||||
use the encodings from the training dataset to encode your review.
|
||||
usa le codifiche del set di dati del training per codificare la tua revisione.
|
||||
|
||||
---
|
||||
|
||||
assign random values between 0 and the maximum number of vocabulary in your dataset to each word in your review.
|
||||
assegna valori casuali tra 0 e il numero massimo di vocabolari nel tuo set di dati a ogni parola nella tua revisione.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9c
|
||||
title: 'Natural Language Processing With RNNs: Part 2'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: Parte 2'
|
||||
challengeType: 11
|
||||
videoId: mUU9YXOFbZg
|
||||
dashedName: natural-language-processing-with-rnns-part-2
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns-part-2
|
||||
|
||||
## --text--
|
||||
|
||||
Word embeddings are...:
|
||||
Gli incorporamenti di parole sono...:
|
||||
|
||||
## --answers--
|
||||
|
||||
an unordered group of encoded words that describes the frequency of words in a given document.
|
||||
un gruppo non ordinato di parole codificate che descrive la frequenza delle parole in un dato documento.
|
||||
|
||||
---
|
||||
|
||||
a group of encoded words that preserves the original order of the words in a given document.
|
||||
un gruppo di parole codificate che preserva l'ordine originale delle parole in un dato documento.
|
||||
|
||||
---
|
||||
|
||||
a vectorized representation of words in a given document that places words with similar meanings near each other.
|
||||
una rappresentazione vettoriale delle parole in un dato documento che mette le parole con significati simili vicino l'una all'altra.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9d
|
||||
title: 'Natural Language Processing With RNNs: Recurring Neural Networks'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: Reti Neurali Ricorrenti'
|
||||
challengeType: 11
|
||||
videoId: bX5681NPOcA
|
||||
dashedName: natural-language-processing-with-rnns-recurring-neural-networks
|
||||
@ -10,23 +10,23 @@ dashedName: natural-language-processing-with-rnns-recurring-neural-networks
|
||||
|
||||
## --text--
|
||||
|
||||
What is true about Recurrent Neural Networks?
|
||||
Quale di queste opzioni è vera per le reti neurali ricorrenti?
|
||||
|
||||
## --answers--
|
||||
|
||||
1: They are a type of feed-forward neural network.
|
||||
1: Sono un tipo di rete neurale feed-forward.
|
||||
|
||||
---
|
||||
|
||||
2: They maintain an internal memory/state of the input that was already processed.
|
||||
2: Mantengono una memoria/stato interno dell'input già elaborato.
|
||||
|
||||
---
|
||||
|
||||
3: RNN's contain a loop and process one piece of input at a time.
|
||||
3: Le RNN contengono un ciclo ed elaborano un pezzo di ingresso alla volta.
|
||||
|
||||
---
|
||||
|
||||
4: Both 2 and 3.
|
||||
4: Sia 2 che 3.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9e
|
||||
title: 'Natural Language Processing With RNNs: Sentiment Analysis'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: analisi del sentimento'
|
||||
challengeType: 11
|
||||
videoId: lYeLtu8Nq7c
|
||||
dashedName: natural-language-processing-with-rnns-sentiment-analysis
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-sentiment-analysis
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to create the model for the RNN:
|
||||
Compila gli spazi vuoti qui sotto per creare il modello per la RNN:
|
||||
|
||||
```py
|
||||
model = __A__.keras.Sequential([
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da2
|
||||
title: 'Natural Language Processing With RNNs: Training the Model'
|
||||
title: 'Elaborazione del linguaggio naturale con RNN: training del modello'
|
||||
challengeType: 11
|
||||
videoId: hEUiK7j9UI8
|
||||
dashedName: natural-language-processing-with-rnns-training-the-model
|
||||
@ -10,7 +10,7 @@ dashedName: natural-language-processing-with-rnns-training-the-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to save your model's checkpoints in the `./checkpoints` directory and call the latest checkpoint for training:
|
||||
Compila gli spazi vuoti qui sotto per salvare i punti di controllo del tuo modello nella directory `./checkpoints` e chiamare l'ultimo checkpoint per il training:
|
||||
|
||||
```py
|
||||
checkpoint_dir = __A__
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d9b
|
||||
title: Natural Language Processing With RNNs
|
||||
title: Elaborazione del linguaggio naturale con le RNN
|
||||
challengeType: 11
|
||||
videoId: ZyCaF5S-lKg
|
||||
dashedName: natural-language-processing-with-rnns
|
||||
@ -10,19 +10,19 @@ dashedName: natural-language-processing-with-rnns
|
||||
|
||||
## --text--
|
||||
|
||||
Natural Language Processing is a branch of artificial intelligence that...:
|
||||
L'elaborazione del linguaggio naturale è un ramo dell'intelligenza artificiale che...:
|
||||
|
||||
## --answers--
|
||||
|
||||
deals with how computers understand and process natural/human languages.
|
||||
si occupa di come i computer capiscono ed elaborano le lingue naturali/umane.
|
||||
|
||||
---
|
||||
|
||||
translates image data into natural/human languages.
|
||||
traduce i dati delle immagini in lingue naturali/umane.
|
||||
|
||||
---
|
||||
|
||||
is focused on translating computer languages into natural/human languages.
|
||||
si concentra sulla traduzione delle lingue informatiche in lingue naturali/umane.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d93
|
||||
title: 'Neural Networks: Activation Functions'
|
||||
title: 'Reti Neurali: funzioni di attivazione'
|
||||
challengeType: 11
|
||||
videoId: S45tqW6BqRs
|
||||
dashedName: neural-networks-activation-functions
|
||||
@ -10,15 +10,15 @@ dashedName: neural-networks-activation-functions
|
||||
|
||||
## --text--
|
||||
|
||||
Which activation function switches values between -1 and 1?
|
||||
Quale funzione di attivazione passa i valori da -1 a 1?
|
||||
|
||||
## --answers--
|
||||
|
||||
ReLU (Rectified Linear Unit)
|
||||
ReLU (Unità Lineare Rettificata)
|
||||
|
||||
---
|
||||
|
||||
Tanh (Hyperbolic Tangent)
|
||||
Tanh (Tangente Iperbolica)
|
||||
|
||||
---
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d95
|
||||
title: 'Neural Networks: Creating a Model'
|
||||
title: 'Reti neurali: creare un modello'
|
||||
challengeType: 11
|
||||
videoId: K8bz1bmOCTw
|
||||
dashedName: neural-networks-creating-a-model
|
||||
@ -10,7 +10,7 @@ dashedName: neural-networks-creating-a-model
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks below to build a sequential model of dense layers:
|
||||
Riempi gli spazi vuoti qui sotto per costruire un modello sequenziale di livelli densi:
|
||||
|
||||
```py
|
||||
model = __A__.__B__([
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d94
|
||||
title: 'Neural Networks: Optimizers'
|
||||
title: 'Reti Neurali: Ottimizzatori'
|
||||
challengeType: 11
|
||||
videoId: hdOtRPQe1o4
|
||||
dashedName: neural-networks-optimizers
|
||||
@ -10,19 +10,19 @@ dashedName: neural-networks-optimizers
|
||||
|
||||
## --text--
|
||||
|
||||
What is an optimizer function?
|
||||
Cos'è una funzione di ottimizzazione?
|
||||
|
||||
## --answers--
|
||||
|
||||
A function that increases the accuracy of a model's predictions.
|
||||
Una funzione che aumenta l'accuratezza delle previsioni di un modello.
|
||||
|
||||
---
|
||||
|
||||
A function that implements the gradient descent and backpropagation algorithms for you.
|
||||
Una funzione che implementa gli algoritmi di discesa e retropropagazione del gradiente per te.
|
||||
|
||||
---
|
||||
|
||||
A function that reduces the time a model needs to train.
|
||||
Una funzione che riduce il tempo necessario per addestrare un modello.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72d92
|
||||
title: Neural Networks with TensorFlow
|
||||
title: Reti neurali con TensorFlow
|
||||
challengeType: 11
|
||||
videoId: uisdfrNrZW4
|
||||
dashedName: neural-networks-with-tensorflow
|
||||
@ -10,19 +10,19 @@ dashedName: neural-networks-with-tensorflow
|
||||
|
||||
## --text--
|
||||
|
||||
A densely connected neural network is one in which...:
|
||||
Una rete neurale densamente collegata è una in cui...:
|
||||
|
||||
## --answers--
|
||||
|
||||
all the neurons in the current layer are connected to one neuron in the previous layer.
|
||||
tutti i neuroni nello strato corrente sono collegati a un neurone nello strato precedente.
|
||||
|
||||
---
|
||||
|
||||
all the neurons in each layer are connected randomly.
|
||||
tutti i neuroni in ogni livello sono collegati in modo casuale.
|
||||
|
||||
---
|
||||
|
||||
all the neurons in the current layer are connected to every neuron in the previous layer.
|
||||
tutti i neuroni dello strato corrente sono collegati ad ogni neurone dello strato precedente.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da5
|
||||
title: 'Reinforcement Learning With Q-Learning: Example'
|
||||
title: 'Apprendimento per rinforzo con Q-Learning: Esempio'
|
||||
challengeType: 11
|
||||
videoId: RBBSNta234s
|
||||
dashedName: reinforcement-learning-with-q-learning-example
|
||||
@ -10,7 +10,7 @@ dashedName: reinforcement-learning-with-q-learning-example
|
||||
|
||||
## --text--
|
||||
|
||||
Fill in the blanks to complete the following Q-Learning equation:
|
||||
Compila gli spazi vuoti per completare la seguente equazione di Q-Learning:
|
||||
|
||||
```py
|
||||
Q[__A__, __B__] = Q[__A__, __B__] + LEARNING_RATE * (reward + GAMMA * np.max(Q[__C__, :]) - Q[__A__, __B__])
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da4
|
||||
title: 'Reinforcement Learning With Q-Learning: Part 2'
|
||||
title: 'Apprendimento per rinforzo con Q-Learning: Parte 2'
|
||||
challengeType: 11
|
||||
videoId: DX7hJuaUZ7o
|
||||
dashedName: reinforcement-learning-with-q-learning-part-2
|
||||
@ -10,15 +10,15 @@ dashedName: reinforcement-learning-with-q-learning-part-2
|
||||
|
||||
## --text--
|
||||
|
||||
What can happen if the agent does not have a good balance of taking random actions and using learned actions?
|
||||
Cosa può accadere se l'agente non ha un buon equilibrio tra l'intraprendere azioni casuali e l'utilizzare azioni apprese?
|
||||
|
||||
## --answers--
|
||||
|
||||
The agent will always try to minimize its reward for the current state/action, leading to local minima.
|
||||
L'agente cercherà sempre di minimizzare la sua ricompensa per lo stato o l'azione corrente, portando a minimi locali.
|
||||
|
||||
---
|
||||
|
||||
The agent will always try to maximize its reward for the current state/action, leading to local maxima.
|
||||
L'agente cercherà sempre di massimizzare la sua ricompensa per lo stato o l'azione corrente, portando a massimi locali.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e8f2f13c4cdbe86b5c72da3
|
||||
title: Reinforcement Learning With Q-Learning
|
||||
title: Apprendimento per rinforzo con Q-Learning
|
||||
challengeType: 11
|
||||
videoId: Cf7DSU0gVb4
|
||||
dashedName: reinforcement-learning-with-q-learning
|
||||
@ -10,19 +10,19 @@ dashedName: reinforcement-learning-with-q-learning
|
||||
|
||||
## --text--
|
||||
|
||||
The key components of reinforcement learning are...
|
||||
Le componenti chiave dell'apprendimento per rinforzo sono...
|
||||
|
||||
## --answers--
|
||||
|
||||
environment, representative, state, reaction, and reward.
|
||||
ambiente, rappresentazione, stato, reazione e ricompensa.
|
||||
|
||||
---
|
||||
|
||||
environment, agent, state, action, and reward.
|
||||
ambiente, agente, stato, azione e ricompensa.
|
||||
|
||||
---
|
||||
|
||||
habitat, agent, state, action, and punishment.
|
||||
habitat, agente, stato, azione e punizione.
|
||||
|
||||
## --video-solution--
|
||||
|
||||
|
||||
Reference in New Issue
Block a user