Skip to content

Commit c026e5b

Browse files
stevhliustevhliu
authored
Merge pull request huggingface#1117 from kalixlouiis/my-chapters9-12-translation
feat(my): Add Myanmar translation for Chapters 9, 10, 11, 12, events …
2 parents b026f04 + 90ca235 commit c026e5b

File tree

37 files changed

+6370
-86
lines changed

37 files changed

+6370
-86
lines changed

‎chapters/my/_toctree.yml‎

Lines changed: 86 additions & 86 deletions
Original file line numberDiff line numberDiff line change
@@ -172,93 +172,93 @@
172172
title: အခန်း (၈) ဆိုင်ရာ မေးခွန်းများ
173173
quiz: 8
174174

175-
# - title: 9. Building and sharing demos
176-
# subtitle: I trained a model, but how can I show it off?
177-
# sections:
178-
# - local: chapter9/1
179-
# title: Introduction to Gradio
180-
# - local: chapter9/2
181-
# title: Building your first demo
182-
# - local: chapter9/3
183-
# title: Understanding the Interface class
184-
# - local: chapter9/4
185-
# title: Sharing demos with others
186-
# - local: chapter9/5
187-
# title: Integrations with the Hugging Face Hub
188-
# - local: chapter9/6
189-
# title: Advanced Interface features
190-
# - local: chapter9/7
191-
# title: Introduction to Blocks
192-
# - local: chapter9/8
193-
# title: Gradio, check!
194-
# - local: chapter9/9
195-
# title: End-of-chapter quiz
196-
# quiz: 9
175+
- title: 9. Demos များ တည်ဆောက်ခြင်းနှင့် မျှဝေခြင်း
176+
subtitle: ကျွန်ုပ် Model ကို လေ့ကျင့်ပြီးပြီ၊ ဒါပေမယ့် ဘယ်လိုပြသရမလဲ။
177+
sections:
178+
- local: chapter9/1
179+
title: Gradio နိဒါန်း
180+
- local: chapter9/2
181+
title: သင့်ရဲ့ ပထမဆုံး Demo ကို တည်ဆောက်ခြင်း
182+
- local: chapter9/3
183+
title: Interface Class ကို နားလည်ခြင်း
184+
- local: chapter9/4
185+
title: Demos များကို တခြားသူများနှင့် မျှဝေခြင်း
186+
- local: chapter9/5
187+
title: Hugging Face Hub နှင့် ပေါင်းစပ်မှုများ
188+
- local: chapter9/6
189+
title: Advanced Interface Features များ
190+
- local: chapter9/7
191+
title: Blocks နိဒါန်း
192+
- local: chapter9/8
193+
title: Gradio၊ အဆင်သင့်ဖြစ်ပါပြီ!
194+
- local: chapter9/9
195+
title: အခန်း (၉) ဆိုင်ရာ မေးခွန်းများ
196+
quiz: 9
197197

198-
# - title: 10. Curate high-quality datasets
199-
# subtitle: How to use Argilla to create amazing datasets
200-
# sections:
201-
# - local: chapter10/1
202-
# title: Introduction to Argilla
203-
# - local: chapter10/2
204-
# title: Set up your Argilla instance
205-
# - local: chapter10/3
206-
# title: Load your dataset to Argilla
207-
# - local: chapter10/4
208-
# title: Annotate your dataset
209-
# - local: chapter10/5
210-
# title: Use your annotated dataset
211-
# - local: chapter10/6
212-
# title: Argilla, check!
213-
# - local: chapter10/7
214-
# title: End-of-chapter quiz
215-
# quiz: 10
198+
- title: 10. အရည်အသွေးမြင့် Datasets များကို စုစည်းခြင်း
199+
subtitle: အံ့သြဖွယ်ရာ Datasets များ ဖန်တီးရန် Argilla ကို မည်သို့ အသုံးပြုရမည်နည်း။
200+
sections:
201+
- local: chapter10/1
202+
title: Argilla နိဒါန်း
203+
- local: chapter10/2
204+
title: သင့် Argilla Instance ကို တည်ဆောက်ခြင်း
205+
- local: chapter10/3
206+
title: သင့် Dataset ကို Argilla သို့ Load လုပ်ခြင်း
207+
- local: chapter10/4
208+
title: သင့် Dataset ကို Annotation လုပ်ခြင်း
209+
- local: chapter10/5
210+
title: သင့် Annotation လုပ်ထားသော Dataset ကို အသုံးပြုခြင်း
211+
- local: chapter10/6
212+
title: Argilla၊ အဆင်သင့်ဖြစ်ပါပြီ!
213+
- local: chapter10/7
214+
title: အခန်း (၁၀) ဆိုင်ရာ မေးခွန်းများ
215+
quiz: 10
216216

217-
# - title: 11. Fine-tune Large Language Models
218-
# subtitle: Use Supervised Fine-tuning and Low-Rank Adaptation to fine-tune a large language model
219-
# sections:
220-
# - local: chapter11/1
221-
# title: Introduction
222-
# - local: chapter11/2
223-
# title: Chat Templates
224-
# - local: chapter11/3
225-
# title: Fine-Tuning with SFTTrainer
226-
# - local: chapter11/4
227-
# title: LoRA (Low-Rank Adaptation)
228-
# - local: chapter11/5
229-
# title: Evaluation
230-
# - local: chapter11/6
231-
# title: Conclusion
232-
# - local: chapter11/7
233-
# title: Exam Time!
234-
# quiz: 11
217+
- title: 11. Large Language Models များကို Fine-tune လုပ်ခြင်း
218+
subtitle: Supervised Fine-tuning နှင့် Low-Rank Adaptation ကို အသုံးပြု၍ Large Language Model တစ်ခုကို Fine-tune လုပ်ခြင်း
219+
sections:
220+
- local: chapter11/1
221+
title: နိဒါန်း
222+
- local: chapter11/2
223+
title: Chat Templates များ
224+
- local: chapter11/3
225+
title: SFTTrainer ဖြင့် Fine-Tuning လုပ်ခြင်း
226+
- local: chapter11/4
227+
title: LoRA (Low-Rank Adaptation)
228+
- local: chapter11/5
229+
title: အကဲဖြတ်ခြင်း (Evaluation)
230+
- local: chapter11/6
231+
title: နိဂုံးချုပ်
232+
- local: chapter11/7
233+
title: စာမေးပွဲ အချိန်!
234+
quiz: 11
235235

236-
# - title: 12. Build Reasoning Models
237-
# subtitle: Learn how to build reasoning models like DeepSeek R1
238-
# new: true
239-
# sections:
240-
# - local: chapter12/1
241-
# title: Introduction
242-
# - local: chapter12/2
243-
# title: Reinforcement Learning on LLMs
244-
# - local: chapter12/3
245-
# title: The Aha Moment in the DeepSeek R1 Paper
246-
# - local: chapter12/3a
247-
# title: Advanced Understanding of GRPO in DeepSeekMath
248-
# - local: chapter12/4
249-
# title: Implementing GRPO in TRL
250-
# - local: chapter12/5
251-
# title: Practical Exercise to Fine-tune a model with GRPO
252-
# - local: chapter12/6
253-
# title: Practical Exercise with Unsloth
254-
# - local: chapter12/7
255-
# title: Coming soon...
236+
- title: 12. Reasoning Models များ တည်ဆောက်ခြင်း
237+
subtitle: DeepSeek R1 ကဲ့သို့သော Reasoning Models များကို တည်ဆောက်နည်းကို လေ့လာပါ
238+
new: true
239+
sections:
240+
- local: chapter12/1
241+
title: နိဒါန်း
242+
- local: chapter12/2
243+
title: LLMs များပေါ်တွင် Reinforcement Learning
244+
- local: chapter12/3
245+
title: DeepSeek R1 Paper ထဲက Aha Moment
246+
- local: chapter12/3a
247+
title: DeepSeekMath ရှိ GRPO ကို အဆင့်မြင့် နားလည်ခြင်း
248+
- local: chapter12/4
249+
title: TRL တွင် GRPO ကို အကောင်အထည်ဖော်ခြင်း
250+
- local: chapter12/5
251+
title: GRPO ဖြင့် Model တစ်ခုကို Fine-tune လုပ်ရန် လက်တွေ့ လေ့ကျင့်ခန်း
252+
- local: chapter12/6
253+
title: Unsloth ဖြင့် လက်တွေ့ လေ့ကျင့်ခန်း
254+
- local: chapter12/7
255+
title: မကြာမီ လာမည်...
256256

257-
# - title: Course Events
258-
# sections:
259-
# - local: events/1
260-
# title: Live sessions and workshops
261-
# - local: events/2
262-
# title: Part 2 release event
263-
# - local: events/3
264-
# title: Gradio Blocks party
257+
- title: သင်တန်း ဆိုင်ရာ အခမ်းအနားများ
258+
sections:
259+
- local: events/1
260+
title: Live Sessions နှင့် Workshops များ
261+
- local: events/2
262+
title: အပိုင်း ၂ ထုတ်ပြန်ခြင်း အခမ်းအနား
263+
- local: events/3
264+
title: Gradio Blocks Party

‎chapters/my/chapter10/1.mdx‎

Lines changed: 50 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,50 @@
1+
# Argilla နိဒါန်း[[introduction-to-argilla]]
2+
3+
<CourseFloatingBanner
4+
chapter={10}
5+
classNames="absolute z-10 right-0 top-0"
6+
/>
7+
8+
Chapter 5 မှာ 🤗 Datasets library ကို အသုံးပြုပြီး dataset တစ်ခုကို ဘယ်လိုတည်ဆောက်ရမယ်ဆိုတာ သင်ယူခဲ့ပြီးပါပြီ။ Chapter 6 မှာတော့ အသုံးများတဲ့ NLP tasks တွေအတွက် models တွေကို ဘယ်လို fine-tune လုပ်ရမယ်ဆိုတာ လေ့လာခဲ့ပါတယ်။ ဒီအခန်းမှာတော့၊ သင်ရဲ့ models တွေကို train လုပ်ပြီး evaluation လုပ်ဖို့ အသုံးပြုနိုင်မယ့် datasets တွေကို **annotation လုပ်ပြီး စုစည်းဖို့** [Argilla](https://argilla.io) ကို ဘယ်လိုအသုံးပြုရမယ်ဆိုတာ သင်ယူရပါလိမ့်မယ်။
9+
10+
ကောင်းမွန်တဲ့ စွမ်းဆောင်ရည်ရှိတဲ့ models တွေကို train လုပ်ဖို့ အဓိကသော့ချက်ကတော့ အရည်အသွေးမြင့် data တွေ ရှိဖို့ပါပဲ။ သင့်ရဲ့ models တွေကို train လုပ်ပြီး evaluation လုပ်ဖို့ အသုံးပြုနိုင်တဲ့ ကောင်းမွန်တဲ့ datasets အချို့ Hub မှာ ရှိနေပေမယ့်၊ ဒါတွေဟာ သင့်ရဲ့ သီးခြား application ဒါမှမဟုတ် use case အတွက် သက်ဆိုင်မှုမရှိနိုင်ပါဘူး။ ဒီလိုအခြေအနေမျိုးမှာ၊ သင်ကိုယ်တိုင် dataset တစ်ခုကို တည်ဆောက်ပြီး စုစည်းဖို့ လိုအပ်နိုင်ပါတယ်။ Argilla က သင့်ကို ဒါကို ထိရောက်စွာ လုပ်ဆောင်နိုင်ဖို့ ကူညီပေးပါလိမ့်မယ်။
11+
12+
<img src="https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter10/signin-hf-page.png" alt="Argilla sign in page."/>
13+
14+
Argilla နဲ့ သင်လုပ်ဆောင်နိုင်တဲ့အရာတွေကတော့-
15+
16+
- ဖွဲ့စည်းမှုမရှိတဲ့ data (unstructured data) တွေကို NLP tasks တွေမှာ အသုံးပြုနိုင်မယ့် **ဖွဲ့စည်းမှုရှိတဲ့ data (structured data)** အဖြစ် ပြောင်းလဲနိုင်ပါတယ်။
17+
- အရည်အသွေးနိမ့်တဲ့ dataset ကနေ **အရည်အသွေးမြင့် dataset** တစ်ခုဖြစ်အောင် စုစည်းနိုင်ပါတယ်။
18+
- LLMs နဲ့ multi-modal models တွေအတွက် **လူသားရဲ့ feedback** တွေကို စုဆောင်းနိုင်ပါတယ်။
19+
- ကျွမ်းကျင်သူတွေကို Argilla မှာ သင့်နဲ့အတူ ပူးပေါင်းလုပ်ဆောင်ဖို့ ဖိတ်ခေါ်နိုင်ပါတယ်၊ ဒါမှမဟုတ် crowdsource annotations တွေ ရယူနိုင်ပါတယ်။
20+
21+
ဒီအခန်းမှာ သင်ယူရမယ့်အရာတွေထဲက အချို့ကတော့-
22+
23+
- သင့်ကိုယ်ပိုင် Argilla instance ကို ဘယ်လိုတည်ဆောက်ရမလဲ။
24+
- dataset တစ်ခုကို ဘယ်လို load လုပ်ပြီး အသုံးများတဲ့ NLP tasks တွေအပေါ် အခြေခံပြီး ဘယ်လို configure လုပ်ရမလဲ။
25+
- သင့် dataset ကို annotation လုပ်ဖို့ Argilla UI ကို ဘယ်လိုအသုံးပြုရမလဲ။
26+
- သင်စုစည်းထားတဲ့ dataset ကို ဘယ်လိုအသုံးပြုပြီး Hub ကို export လုပ်ရမလဲ။
27+
28+
## ဝေါဟာရ ရှင်းလင်းချက် (Glossary)
29+
30+
* **Argilla**: Data annotation နှင့် curation အတွက် open-source platform တစ်ခုဖြစ်ပြီး Natural Language Processing (NLP) tasks များအတွက် အရည်အသွေးမြင့် datasets များ ဖန်တီးရာတွင် အထောက်အကူပြုသည်။
31+
* **Annotation**: စာသား၊ ရုပ်ပုံ သို့မဟုတ် အခြားဒေတာများတွင် အဓိပ္ပာယ် သို့မဟုတ် labels များကို လူသားများက ထည့်သွင်းပေးခြင်း။
32+
* **Curate Datasets**: ဒေတာအစုအဝေး (datasets) များကို ရွေးချယ်၊ စုစည်း၊ သန့်ရှင်းရေးလုပ်ပြီး အရည်အသွေးမြင့်မားအောင် ပြုလုပ်ခြင်း။
33+
* **Models**: Artificial Intelligence (AI) နယ်ပယ်တွင် အချက်အလက်များကို လေ့လာပြီး ခန့်မှန်းချက်များ ပြုလုပ်ရန် ဒီဇိုင်းထုတ်ထားသော သင်္ချာဆိုင်ရာဖွဲ့စည်းပုံများ။
34+
* **High-Quality Data**: သန့်ရှင်းသော၊ တိကျသော၊ ပြည့်စုံသော နှင့် သက်ဆိုင်ရာဒေတာများ။ ၎င်းသည် Machine Learning model များ၏ စွမ်းဆောင်ရည်ကို တိုးတက်စေသည်။
35+
* **Hugging Face Hub**: AI မော်ဒယ်တွေ၊ datasets တွေနဲ့ demo တွေကို အခြားသူတွေနဲ့ မျှဝေဖို့၊ ရှာဖွေဖို့နဲ့ ပြန်လည်အသုံးပြုဖို့အတွက် အွန်လိုင်း platform တစ်ခု ဖြစ်ပါတယ်။
36+
* **Application**: သီးခြားလုပ်ငန်းဆောင်တာတစ်ခုကို လုပ်ဆောင်ရန် ဒီဇိုင်းထုတ်ထားသော ဆော့ဖ်ဝဲလ်ပရိုဂရမ်။
37+
* **Use Case**: ထုတ်ကုန် သို့မဟုတ် စနစ်တစ်ခုကို သီးခြားအခြေအနေတစ်ခုတွင် မည်သို့အသုံးပြုသည်ကို ဖော်ပြခြင်း။
38+
* **Efficiently**: အချိန်၊ စွမ်းအင် သို့မဟုတ် အရင်းအမြစ်များကို အနည်းဆုံးအသုံးပြု၍ အလုပ်တစ်ခုကို ကောင်းစွာလုပ်ဆောင်နိုင်ခြင်း။
39+
* **Unstructured Data**: သတ်မှတ်ထားသော ပုံစံ သို့မဟုတ် ဖွဲ့စည်းပုံမရှိသော ဒေတာများ (ဥပမာ- စာသားများ၊ ရုပ်ပုံများ)။
40+
* **Structured Data**: သတ်မှတ်ထားသော ပုံစံ သို့မဟုတ် ဖွဲ့စည်းပုံဖြင့် စုစည်းထားသော ဒေတာများ (ဥပမာ- جداول د databases)။
41+
* **NLP Tasks (Natural Language Processing Tasks)**: ကွန်ပျူတာတွေ လူသားဘာသာစကားကို နားလည်၊ အဓိပ္ပာယ်ဖော်ပြီး၊ ဖန်တီးနိုင်အောင် လုပ်ဆောင်ပေးတဲ့ အလုပ်တွေ (ဥပမာ- text classification, question answering)။
42+
* **Human Feedback**: လူသားများက Machine Learning model ၏ output များ သို့မဟုတ် စွမ်းဆောင်ရည်အပေါ် ပေးသော တုံ့ပြန်ချက်များ။
43+
* **LLMs (Large Language Models)**: လူသားဘာသာစကားကို နားလည်ပြီး ထုတ်လုပ်ပေးနိုင်တဲ့ အလွန်ကြီးမားတဲ့ Artificial Intelligence (AI) မော်ဒယ်တွေ ဖြစ်ပါတယ်။
44+
* **Multi-modal Models**: မတူညီသော input အမျိုးအစားများ (ဥပမာ- text, image, audio) ကို နားလည်ပြီး လုပ်ဆောင်နိုင်သော AI မော်ဒယ်များ။
45+
* **Experts**: သီးခြားနယ်ပယ်တစ်ခုတွင် နက်နဲသော ဗဟုသုတနှင့် ကျွမ်းကျင်မှုရှိသော ပုဂ္ဂိုလ်များ။
46+
* **Collaborate**: အတူတကွ ပူးပေါင်းလုပ်ဆောင်ခြင်း။
47+
* **Crowdsource Annotations**: လူအများအပြားကို အသုံးပြု၍ ဒေတာများကို annotation လုပ်ခြင်း။
48+
* **Argilla Instance**: သင်ကိုယ်တိုင် တည်ဆောက်ပြီး run ထားသော Argilla platform ၏ သီးခြား version။
49+
* **Argilla UI (User Interface)**: Argilla platform ကို အသုံးပြုသူများ အပြန်အလှန်ဆက်သွယ်နိုင်သော graphical interface။
50+
* **Export to the Hub**: Dataset ကို Argilla မှ Hugging Face Hub သို့ တင်ပို့ခြင်း။

0 commit comments

Comments
 (0)