Merge pull request #506 from microsoft/update-translations

🌐 Update translations via Co-op Translator

Author: leestott

translations/hk/README.md

@@ -1,31 +1,33 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "7336583e4630220c835335da640016db",
-  "translation_date": "2025-08-24T22:10:58+00:00",
+  "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+  "translation_date": "2025-08-31T09:20:54+00:00",
   "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
   "language_code": "hk"
 }
 -->
 # 使用感知器進行多類別分類
 
-來自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的實驗作業。
+來自 [AI for Beginners Curriculum](https://github.com/microsoft/ai-for-beginners) 的實驗課題。
 
 ## 任務
 
-使用我們在本課中為 MNIST 手寫數字進行二元分類所開發的程式碼，創建一個多類別分類器，能夠識別任何數字。計算訓練集和測試集的分類準確率，並輸出混淆矩陣。
+利用我們在本課中為 MNIST 手寫數字進行二元分類所開發的程式碼，創建一個多類別分類器，能夠識別任意數字。計算訓練集和測試集的分類準確率，並輸出混淆矩陣。
 
 ## 提示
 
-1. 對於每個數字，創建一個二元分類器的數據集，將其設為「該數字 vs. 其他所有數字」
-1. 訓練 10 個不同的感知器進行二元分類（每個數字一個感知器）
-1. 定義一個函數來分類輸入的數字
+1. 對於每個數字，創建一個二元分類的數據集，將「該數字」與「所有其他數字」進行分類。
+1. 訓練 10 個不同的感知器進行二元分類（每個數字對應一個感知器）。
+1. 定義一個函數來分類輸入的數字。
 
-> **提示**：如果我們將所有 10 個感知器的權重組合成一個矩陣，我們應該能夠通過一次矩陣乘法將所有 10 個感知器應用到輸入數字上。最有可能的數字可以通過對輸出應用 `argmax` 操作來找到。
+> **提示**: 如果我們將所有 10 個感知器的權重組合成一個矩陣，我們應該能夠通過一次矩陣乘法將所有 10 個感知器應用到輸入數字上。最可能的數字可以通過對輸出應用 `argmax` 操作來找到。
 
 ## 起始筆記本
 
-通過打開 [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb) 開始實驗。
+通過打開 [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb) 開始實驗課題。
+
+---
 
 **免責聲明**：  
-本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
+本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋概不負責。

translations/hk/lessons/2-Symbolic/Animals.ipynb

@@ -0,0 +1,183 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# 使用我們自己的框架進行 MNIST 數字分類\n",
+    "\n",
+    "來自 [AI 初學者課程](https://github.com/microsoft/ai-for-beginners) 的實驗作業。\n",
+    "\n",
+    "### 讀取數據集\n",
+    "\n",
+    "此程式碼會從網絡上的存儲庫下載數據集。你也可以手動從 AI 課程存儲庫的 `/data` 目錄中複製數據集。\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [
+    {
+     "name": "stderr",
+     "output_type": "stream",
+     "text": [
+      "  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current\n",
+      "                                 Dload  Upload   Total   Spent    Left  Speed\n",
+      "\n",
+      "  0     0    0     0    0     0      0      0 --:--:-- --:--:-- --:--:--     0\n",
+      "100  9.9M  100  9.9M    0     0   9.9M      0  0:00:01 --:--:--  0:00:01 15.8M\n"
+     ]
+    }
+   ],
+   "source": [
+    "!rm *.pkl\n",
+    "!wget https://raw.githubusercontent.com/microsoft/AI-For-Beginners/main/data/mnist.pkl.gz\n",
+    "!gzip -d mnist.pkl.gz"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 3,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import pickle\n",
+    "with open('mnist.pkl','rb') as f:\n",
+    "    MNIST = pickle.load(f)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "labels = MNIST['Train']['Labels']\n",
+    "data = MNIST['Train']['Features']"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "讓我們看看我們擁有的數據形狀：\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "metadata": {},
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "(42000, 784)"
+      ]
+     },
+     "execution_count": 5,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": [
+    "data.shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### 分割數據\n",
+    "\n",
+    "我們將使用 Scikit Learn 將數據分為訓練集和測試集：\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 6,
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Train samples: 33600, test samples: 8400\n"
+     ]
+    }
+   ],
+   "source": [
+    "from sklearn.model_selection import train_test_split\n",
+    "\n",
+    "features_train, features_test, labels_train, labels_test = train_test_split(data,labels,test_size=0.2)\n",
+    "\n",
+    "print(f\"Train samples: {len(features_train)}, test samples: {len(features_test)}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### 指示\n",
+    "\n",
+    "1. 從課堂中取得框架代碼，並將其貼到此筆記本中，或（更好）貼到一個獨立的 Python 模組中\n",
+    "1. 定義並訓練單層感知器，觀察訓練和驗證的準確率在訓練過程中的變化\n",
+    "1. 嘗試理解是否出現過度擬合，並調整層的參數以改善準確率\n",
+    "1. 重複上述步驟，訓練兩層和三層感知器。嘗試在層之間使用不同的激活函數進行實驗\n",
+    "1. 嘗試回答以下問題：\n",
+    "    - 層間的激活函數是否影響網絡性能？\n",
+    "    - 這個任務是否需要兩層或三層的網絡？\n",
+    "    - 在訓練網絡時是否遇到任何問題？尤其是當層數增加時。\n",
+    "    - 網絡的權重在訓練過程中如何變化？你可以繪製權重的最大絕對值與訓練輪次的關係圖來理解這種關係。\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "\n---\n\n**免責聲明**：  \n本文件已使用人工智能翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。如涉及關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋概不負責。\n"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3.7.4 64-bit (conda)",
+   "metadata": {
+    "interpreter": {
+     "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5"
+    }
+   },
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.5"
+  },
+  "orig_nbformat": 2,
+  "coopTranslator": {
+   "original_hash": "6fa055f484eb5d6bdf41166a356d3abf",
+   "translation_date": "2025-08-31T10:13:14+00:00",
+   "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/MyFW_MNIST.ipynb",
+   "language_code": "hk"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}