Merge pull request #500 from microsoft/update-translations

🌐 Update translations via Co-op Translator

Author: leestott

translations/hr/README.md

@@ -1,8 +1,8 @@
 <!--
 CO_OP_TRANSLATOR_METADATA:
 {
-  "original_hash": "7336583e4630220c835335da640016db",
-  "translation_date": "2025-08-26T00:01:13+00:00",
+  "original_hash": "ba5d1eb353d20d3e7181066b3c424b99",
+  "translation_date": "2025-08-30T07:06:15+00:00",
   "source_file": "lessons/3-NeuralNetworks/03-Perceptron/lab/README.md",
   "language_code": "hr"
 }
@@ -13,19 +13,21 @@ Laboratorijska vježba iz [AI for Beginners Curriculum](https://github.com/micro
 
 ## Zadatak
 
-Koristeći kod koji smo razvili u ovoj lekciji za binarnu klasifikaciju MNIST rukom pisanih znamenki, kreirajte višeklasni klasifikator koji će moći prepoznati bilo koju znamenku. Izračunajte točnost klasifikacije na skupu za treniranje i testiranje te ispišite matricu konfuzije.
+Koristeći kod koji smo razvili u ovoj lekciji za binarnu klasifikaciju rukom pisanih znamenki iz MNIST skupa podataka, kreirajte višeklasni klasifikator koji će moći prepoznati bilo koju znamenku. Izračunajte točnost klasifikacije na skupu za treniranje i testiranje te ispišite matricu zabune.
 
 ## Savjeti
 
 1. Za svaku znamenku kreirajte skup podataka za binarnu klasifikaciju "ova znamenka naspram svih ostalih znamenki"
-1. Trenirajte 10 različitih perceptrona za binarnu klasifikaciju (jedan za svaku znamenku)
+1. Trenirajte 10 različitih perceptrona za binarnu klasifikaciju (po jedan za svaku znamenku)
 1. Definirajte funkciju koja će klasificirati ulaznu znamenku
 
-> **Savjet**: Ako kombiniramo težine svih 10 perceptrona u jednu matricu, trebali bismo moći primijeniti svih 10 perceptrona na ulazne znamenke jednom matričnom množenjem. Najvjerojatnija znamenka može se zatim pronaći jednostavno primjenom `argmax` operacije na izlaz.
+> **Savjet**: Ako kombiniramo težine svih 10 perceptrona u jednu matricu, trebali bismo moći primijeniti svih 10 perceptrona na ulazne znamenke pomoću jedne matrične množenja. Najvjerojatnija znamenka može se zatim pronaći jednostavnim primjenom `argmax` operacije na izlazu.
 
 ## Početna bilježnica
 
-Započnite laboratorijsku vježbu otvaranjem [PerceptronMultiClass.ipynb](../../../../../../lessons/3-NeuralNetworks/03-Perceptron/lab/PerceptronMultiClass.ipynb)
+Započnite laboratorijsku vježbu otvaranjem [PerceptronMultiClass.ipynb](PerceptronMultiClass.ipynb)
+
+---
 
 **Odricanje od odgovornosti**:  
-Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.
+Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.

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

@@ -0,0 +1,183 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# Klasifikacija MNIST znamenki s našim vlastitim okvirom\n",
+    "\n",
+    "Laboratorijska vježba iz [AI za početnike kurikuluma](https://github.com/microsoft/ai-for-beginners).\n",
+    "\n",
+    "### Čitanje skupa podataka\n",
+    "\n",
+    "Ovaj kod preuzima skup podataka iz spremišta na internetu. Također možete ručno kopirati skup podataka iz direktorija `/data` u repozitoriju AI kurikuluma.\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": [
+    "Pogledajmo kakav je oblik podataka koje imamo:\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": [
+    "### Razdvajanje podataka\n",
+    "\n",
+    "Koristit ćemo Scikit Learn za razdvajanje podataka na skup za treniranje i skup za testiranje:\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": [
+    "### Upute\n",
+    "\n",
+    "1. Uzmite okvirni kod iz lekcije i zalijepite ga u ovu bilježnicu ili (još bolje) u zaseban Python modul\n",
+    "1. Definirajte i trenirajte perceptron s jednim slojem, promatrajući točnost na skupu za treniranje i validaciju tijekom treninga\n",
+    "1. Pokušajte razumjeti je li došlo do prenaučenosti i prilagodite parametre sloja kako biste poboljšali točnost\n",
+    "1. Ponovite prethodne korake za perceptrone s 2 i 3 sloja. Pokušajte eksperimentirati s različitim aktivacijskim funkcijama između slojeva.\n",
+    "1. Pokušajte odgovoriti na sljedeća pitanja:\n",
+    "    - Utječe li aktivacijska funkcija između slojeva na performanse mreže?\n",
+    "    - Treba li nam mreža s 2 ili 3 sloja za ovaj zadatak?\n",
+    "    - Jeste li naišli na probleme tijekom treniranja mreže? Pogotovo kako se broj slojeva povećavao.\n",
+    "    - Kako se težine mreže ponašaju tijekom treniranja? Možete nacrtati graf maksimalne apsolutne vrijednosti težina u odnosu na epohe kako biste razumjeli odnos.\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "\n---\n\n**Odricanje od odgovornosti**:  \nOvaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije proizašle iz korištenja ovog prijevoda.\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": "2025-08-30T07:45:33+00:00",
+   "source_file": "lessons/3-NeuralNetworks/04-OwnFramework/lab/MyFW_MNIST.ipynb",
+   "language_code": "hr"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 2
+}